[发明专利]基于相似度的电力调度告警信号文本归类及故障诊断方法

说明书

本发明公开了一种基于相似度的电力调度告警信号文本归类及故障诊断方法。电力调度系统在电力系统故障过程中将收到大量的告警信号，如何将告警信号归类，利用告警信号进行故障诊断，是本发明拟解决的问题。本方法将告警信号文本向量化，利用滑动时间窗提取实时告警信号，通过计算实时告警信号与各事故样本告警信号的向量空间的相似度，进行实时告警信号的文本归类，并利用文本归类结果实现故障诊断。本方法能够对电力系统同时发生的多种不同故障进行故障诊断，可用于电力调度系统告警信号文本归类及故障诊断领域。

技术领域

本发明属于电力调度系统的故障诊断、告警信号的自然语言处理与中文文本分类技术领域，尤其涉及一种基于相似度的电力调度告警信号文本归类及故障诊断方法。

背景技术

电力系统安全是建设坚强智能电网的核心，虽然现代电力系统的理论和技术不断发展，但危及电力系统安全的故障仍然无法避免。电力系统故障过程中会产生故障相关的告警信号，电力调度系统需要通过这些告警信号快速、准确地进行故障诊断，判断故障地点、故障类型及故障设备，识别不正确动作的保护和断路器，辅助调度或运行人员处理故障。然而，随着电力系统规模的不断扩大，故障过程中将产生大量的告警信号，考虑到电力系统连锁故障和同时不同地发生的不同种故障，再加上其余电力系统状态信号的干扰，电力调度系统接收的信号数量更会成倍增加。面对繁多的信号，调度员很难在短时间内根据自己的经验进行故障诊断，事故处理效率较低，甚至使事故扩大，不利于系统恢复。如何对故障后的告警信号进行快速分析与归类，利用归类的告警信号进行故障诊断，已经成为电力调度系统故障诊断领域有待研究和解决的重要问题。电力调度系统的告警信号为中文短文本，含有大量电力系统专业词汇，并夹杂着数字与特殊符号，为了提取告警信号中有价值的信息，对告警信号的自然语言处理与文本信息挖掘成了关键的步骤。

针对上述问题，研究者们提出了多种方法，主要包括专家系统、粗糙集理论、人工神经元网络等。其中专家系统和粗糙集理论的基本思路类似，都是利用保护设备的动作规则建立知识库，识别告警信号并归入相应的规则，再通过推理进行故障诊断，但这两种方法要求非常完备的知识库，而知识库的维护比较困难；人工神经元网络的诊断性能取决于丰富完备的训练样本，神经元网络的更新训练十分耗时，无法满足快速故障诊断的要求。

对于电力系统的中文文本信息处理，文献《基于语义框架的电网缺陷文本挖掘技术及其应用》以电网缺陷文本为研究对象，采用语义框架槽填充的方法实现文本挖掘；文献《文本信息挖掘技术及其在断路器全寿命状态评价中的应用》运用向量空间法探索了电网中文文本的挖掘方法，实现了相似缺陷的相关性学习和分类。但这些方法仅用于对电网文本信息的事后处理，统计设备缺陷信息，无法应用于实时在线故障诊断。文献《基于时间序列相似性匹配的输电系统故障诊断方法》利用了电力系统告警信号的时序特性，提出一种基于时间序列相似性匹配的故障诊断方法，满足在线诊断的要求。然而电力调度系统告警信号的时标信息仅精确到秒，事故发生时告警信号以每秒数条的速度发出，因此事故阶段在每秒范围内的告警信号往往时序混乱，这将影响该方法的故障诊断正确性，而且该方法仅能进行单一故障的诊断，无法诊断出同时发生的几种不同故障。

发明内容

本发明提出了一种基于相似度的电力调度告警信号文本归类及故障诊断方法，采用隐马尔科夫模型(HMM)中的Viterbi算法对中文告警信号进行分词，提取其中的本体词，将告警信号文本向量化，利用滑动时间窗提取实时告警信号，建立事故样本库中的告警信号与调度系统接收的实时告警信号的向量空间模型，计算实时告警信号与各事故样本告警信号的向量空间的相似度，进行实时告警信号的文本归类，得出正在接收的实时告警信号属于事故样本中的哪类事故，即认为目前正在发生事故样本中的该类事故，输出该类事故的事故描述文本，利用归类结果实现故障诊断。本发明能够显著减少调度员在电力系统事故时接收到的告警信号数量，准确、高效地实现电力系统故障诊断，并能对电力系统同时发生的多种不同故障进行故障诊断。

一种基于相似度的电力调度告警信号文本归类及故障诊断方法包括如下步骤：

第一步：建立本体词典，标注本体词词性；