基于机器学习的电力调度主站SCADA系统告警信号自动识别.pdf

自动化技术与应用2024 年第 43 卷第 3 期控制理论与应用Control Theory and ApplicationsTechniques ofAutomation&Applications基于机器学习的电力调度主站SCADA系统告警信号自动识别章杜锡,胡铁军,管金胜,张霁明(国网宁波供电公司，浙江 宁波 315000)摘要:为解决现有在线评估方法识别结果不准确的问题，提出基于机器学习的电力调度主站SCADA系统告警信号自动识别。先构建神经网络结构，采用反向传播方式训练神经网络，利用计算差值更新权值和偏置，由此完成攻击行为判断。将灰度图像二值化处理后，使用基于长方形的轮廓链代码滤除噪声。增强文本和背景的对比度，并设计告警界面文字分割及处理流程，使文本区域更加明显。采用告警窗口自动点对点接收方法，识别每一行警报窗口中的文本信息，完成告警信号识别。由实验结果可知，该方法最高查全率为96%，最高查准率为99.2%，可实现精准识别。关键词:机器学习；主站SCADA系统；告警信号；自动识别中图分类号：TP181；TM76文献标识码:A文章编号:1003-7241(2024)03-0031-04Automatic Identification of Alarm Signals in SCADA System ofPower Dispatch Master Station Based on Machine LearningZHANG Du-xi,HU Tie-jun,GUAN Jin-sheng,ZHANG Ji-ming(State Grid Ningbo Electric Power Supply Company,Ningbo 315000 China)Abstract:In order to solve the problem of inaccurate identification results of existing online evaluation methods,an automatic identificationof alarm signals in SCADA system of power dispatching master station based on machine learning is proposed.Firstly,the neuralnetwork structure is constructed,the neural network is trained by back propagation,and the weight and bias are updated by calcu-lating the difference,so as to judge the attack behavior.After the gray image is binarized,the contour chain code based on rectan-gle is used to filter the noise.It enhances the contrast between text and background,and designs the text segmentation and pro-cessing flow of alarm interface to make the text area more obvious.The automatic point-to-point receiving method of alarm win-dow is adopted to identify the text information in each line of alarm window and complete the identification of alarm signal.Theexperimental results show that the maximum recall rate of this method is 96%and the maximum precision rate is 99.2%,whichcan realize accurate recognition.Keywords:machine learning;master station SCADAsystem;alarm signal;automatic identification收稿日期:2022-04-11DOI:10.20033/j.1003-7241.（2024）03-0031-04.1引言电力调度主站SCADA系统的投资与人民群众用电需求呈正比，为保证在需要大量电力的环境下电网可稳定运行，需要对系统的运行状态实时监测。在电力调度主站SCADA系统的运行过程中，会产生大量数据，需要花费大量的时间判断系统的运行状态。为保证电网安全运行，国内外学者开展研究，对其运行状态进行诊断的方法大致分为以下几种，分别为专家系统、人工神经网络、优化技术、Petri网络、粗糙集、模糊集等。其中，Petri网络是由德国数学家C.A.Petri提出的数学模型，以描述系统各元件中的关系为基础，利用Petri网络来表示系统元件的运行状态。可采用该网络获取电站保护和断路器的状态信息，对其运行状态进行诊断。但该网络容错能力较差，并且其节点较多，实施较为困难。王洪斌等学者提出了基于PAT报警信号的信息交互建模和验证方法，采用了PAT过程模拟工具实时系统模块，构建IED工作交互模型，从信息传输与时序两方面，提出保护系统稳定的运行的验证方法1；除此之外，该学者还提出了基于结构熵权法和故障树的在线干扰评价方法，利用结构熵权法分别赋予每个区间的重要性和隶属保护函数。对每一个报警的故障树进行分析，判断二次设备和受报警信号影响的保护功能是否能够正常运行2。然而，这两种方法都会受到图像噪声的干扰，导致识别结果不准确。因此，本文提出了一种基于机器学习的电力调度主站SCADA系统告警信号的自动识别方法。2基于机器学习的攻击行为判断在机器学习领域中，神经网络是一种能够模拟结构和性能的数学模型，具有较强处理能力，使用该模型提取的数据具有有效性，通常用于估算函数3。31控制理论与应用Control Theory and Applications自动化技术与应用2024 年第 43 卷第 3 期Techniques ofAutomation&Applications基于机器学习的神经网络结构主要包括三个层次，如图1所示。图1机器学习领域中神经网络结构图由图1可知，输入层输入的数据是通过评估系统状态估计出来的，经过隐含层激活函数计算可得到输出结果4。通过对输出结果的判断，能估计电力调度主站SCADA系统中是否存在虚假数据攻击5。针对任意的m个样本(xi,yi)|xiZn,yjZm,j=1,m，在隐含层中共包含了n个隐含节点，由此计算隐藏层输出值，计算公式为：（1）公式（1）中，f()表示激活函数；ij表示隐含层权值；j表示隐含层的偏置6。计算输出层输出值，计算公式为：（2）公式（2）中，jk表示从隐藏层到输出层的权值；k表示从隐藏层向输出层的偏置7。以通过状态判断获取的节点为输入值，经由神经网络处理后获得输出值。根据计算结果，将样本分为攻击和无攻击两种，这就是样本的基本训练过程，训练目的就是为了获取权值和偏置参数8。采用反向传播方式训练神经网络，该过程的两个阶段分别是：阶段一：正面传播，先从输入层到隐藏层，后到输出层；阶段二：反面传播，先从输入层到隐藏层，再由隐藏层到输出层，并依次调整两个传输通道内的权值9。通过对比实际值和计算结果，利用计算差值来更新权值和偏置，根据训练好的数据检测虚拟数据攻击，由此完成基于机器学习的攻击行为判断。3基于机器学习的告警界面文字分割及处理基于机器学习的告警界面文字分割及处理过程，如图2所示。由图2可知，设计步骤内容如下所示：步骤1：用一个阈值函数调用OpenCV，对图像进行二值化处理，然后对图像像素分类。以250像素值为分界值，当图像像素值大于该分界值时，设阈值为1；反之则为0。然而，由于图像中存在噪声，利用长方形滤波可有效去除噪声。四个长方形顶点包含了矩形的主要信息，如果确定了长方形四个顶点的具体位置，就可滤除该噪声。基于长方形的轮廓链代码，如图3所示。图2告警界面文字分割及处理流程图3基于长方形的轮廓链代码基于图3所示的轮廓链代码，假设图像中存在4个噪声特征点，在提取这4个特征点的精准位置信息后，就能有效消除噪声。详细措施为：求取1、4两点的中点位置，假如中间点是目标像素(值1)，那么4个点所包围的最大长方形区域中所有像素值都将更改为0，从而过滤掉毛刺噪声；假如中间点是背景像素(值为0)，那么4个点所包围的最大长方形区域中所有像素值都会变为1，从而填充线段的间隙。采用二值滤波去除干扰区域，增强了文本和背景的对比度，使文本区域更加明显；步骤2：设腐蚀核大小为22，调用OpenCV函数来绘制带有腐蚀核的二进制图像，通过对边缘进行压缩消除图像中的小干扰区域；步骤3：在上下二值图像上进行黑色像素垂直投影处理，在纵向投影中获取黑色像素数，生成纵向投影中的像素曲线；步骤4：由于无文本线的所有像素都是白色的，所以纵向投影后的无文本直线值为0。利用垂直投影法生成质数曲线的波谷，将垂直投影仪质数曲线的波谷位置作为文本分割的位置。利用图像对变换的中心矩阵来识别目标，定义图像的矩阵为：（3）公式（3）中，a,b表示矩阵行列数。Qab是唯一被图像(x,y)确定的，反之，图像f(x,y)也是唯一被Qab确定的。32自动化技术与应用2024 年第 43 卷第 3 期控制理论与应用Control Theory and ApplicationsTechniques ofAutomation&Applications图像f(x,y)的a+b中心矩可表示为：（4）公式（4）中，(x,y)表示图像目标区域中心坐标。设表示图像f(x,y)上的投影，将图像按照特征方向旋转，如此，方向投影就变成了水平方向上的投影。该方法是将直线文本投影到波谷位置，提高直线文本的分割精度；步骤5：依据分割位置，将上下区域的线条分成直线，由此确定分割中心位置。设定阈值范围，以白色线段为分解线，其中带有白色线段的区域均为文本行；步骤6：调用tesseract识别接口识别区域文本；步骤7：通过对词组的调整，将错误的词组替换为正确词组，提高文本识别的准确性；步骤8：把第6步中识别的文字和颜色组合为一列输出，由此完成图像的分割和处理。4基于机器学习的告警窗自动对点验收电力调度主站SCADA系统告警窗口自动点对点接收方法，包括以下步骤：步骤1：实时截取电力调度系统告警窗口，并整理和描述告警动作，使其形成告警窗口配置文件。将告警窗口中的信号以数字形式区分，分别为0或1，其中0表示电力调度主站scada系统的中断信号，1表示电力调度主站scada系统的关闭信号。基于此，将告警信号分为4个等级，分别是快速变化告警、超限告警、行为异常告警、事故告警，等级设置与告警窗口中的文字颜色有关。因此，在告警窗口配置说明文件中，设置RGB颜色参数表示不同信号报警等级；步骤2：预处理告警窗口数据，并提取相关特征，以该特征为基础，实时刷新告警窗口的全部信息。在图4中显示的告警窗配置描述文件中设置的截图。图4告警窗配置描述文件中设置的截图步骤3：采用Tesseract文本可识别告警窗口下半栏中的图像，并识别每一行警报窗口中的文本信息；步骤4：查看告警窗口下半栏的图像文本识别结果中是否包含信号描述相同的信息来进行匹配：当识别结果与被匹配信号具有相同的信息时，这个信号是正确的；当识别结果不同于要匹配的信号时，信号就不能匹配，由此完成告警信号识别。5实验5.1实验平台电力调度主站SCADA系统首先根据实际测试电站的信息表形成对点测试项目文件的XML，提供给电站智能点对点设备。该站通过智能点对点设备，装入SCD，模拟整个站IEC61850设备，准备就绪。实验主站接收平台，见图5。图5实验主站验收平台由图5可知，变电站侧的智能点对点设备根据XML文件定期触发数据更改MMS报文后，关闭数据通信网络(远程电机)。主站上的点对点机器人开始自动接收自己工作站的点对点信号，及时显示点到点进度并分析验收结果，最终形成主站验收记录XLS文件。5.2实验指标针对识别后的结果，综合评估指标，计算查全率Re-call、查准率Precision，如下所示：（5）（6）公式（5）、（6）中，T表示识别结果存在攻击，实际情况也存在攻击；N表示识别结果不存在攻击，但实际情况存在攻击；F表示识别结果存在攻击，但实际情况不存在攻击。5.3实验结果与分析分别使用基于PAT包含告警信号的信息交互建模与验证、结构熵权法与故障树扰动度在线评估和机器学习法，对比分析识别结果是否精准。5.3.1查全率三种方法的查全率对比结果，如图6所示。由图6可知，使用基于PAT包含告警信号的信息交互建模与验证方法，最高查全率为80%，最低为60%，能够达到合格标准；使用结构熵权法与故障树扰动度在线评估法，最高查全率为60%，随着查询次数增加，除了第1次查全率达到最高外，其余均低于60%；而使用基于机器学33控制理论与应用Control Theory and Applications自动化技术与应用2024 年第 43 卷第 3 期Techniques ofAutomation&Applications习的信号自动识别方法，最高查全率为96%，最低查全率为90%，本文方法优于两种对比方法。图6三种方法查全率对比5.3.2查准率三种方法的查准率对比结果，如表1所示。表1三种方法的查准率对比分析/%查询次数/次12345678信息交互建模与验证法79.278.180.081.283.584.280.179.2结构熵权法52.158.364.568.270.155.453.359.8机器学习法99.098.298.799.198.597.998.399.2由表1可知，使用基于PAT包含告警信号的信息交互建模与验证方法查准率最低，其次是结构熵权法与故障树扰动度在线评估法，而基于机器学习的信号自动识别方法查准率最高，最高数值为99.2%，本文方法优于对比方法。6结束语文中提出电力调度主站 SCADA系统基于机器学习的报警信号自动识别方法，该方法可快速探测到噪声干扰，通过图像去噪处理能够保证图像识别结果更加精准。但是，由于研究时间的限制，研究方法还存在不足，需要在未来进一步研究。多态值攻击实验中应考虑对同一节点的多态攻击，使多态攻击的检测更具说服力。参考文献:1 王洪彬,张友强,童晓阳,等.基于PAT包含告警信号的智能变电站保护信息交互建模与验证J.电力系统保护与控制,2019,47(13):124-132.2 王洪彬,徐亨,童晓阳,等.基于结构熵权法与故障树的智能变电站保护系统扰动度在线评估方法J.电网技术,2019,43(5):1772-1787.3 汪崔洋,江全元,唐雅洁,等.基于告警信号文本挖掘的电力调度故障诊断J.电力自动化设备,2019,39(4):126-132.4 沈笑云,张肖艳,张思远.基于ADS-B的跑道侵入冲突检测与告警研究J.中国安全科学学报,2019,29(9):119-124.5 陈尚,蒋毅,宋珍.电力电缆火灾风险评价模型与预警信号分级J.南方电网技术,2020,14(4):3-7,16.6 伍政华,郭锋,盛匀,等.基于雷达回波极化特征的电力线识别方法J.雷达科学与技术,2020,18(1):63-68.7 郑小霞,陈广宁,任浩翰,等.基于改进VMD和深度置信网络的风机易损部件故障预警J.振动与冲击,2019,38(8):153-160,179.8 董重重,何行,孙秉宇,等.基于SVM的载波通信调制信号识别方法研究J.中国测试,2019,45(11):101-107.9 王日宁,武一,魏浩铭,等.基于智能终端特征信号的配电网台区拓扑识别方法J.电力系统保护与控制,2021,49(6):83-89.作者简介:章杜锡（1983-），男，硕士，高级工程师，研究方向：电网调度自动化。参考文献:1 寇金成.基于传感器检测技术的选煤厂煤流协同控制系统设计J.煤矿机电,2021,42(3):71-74.2 郝洪涛,杨庭杰,张超.基于负载估计的带式输送机系统节能控制方法研究J.煤炭科学技术,2021,49(7):139-146.3 高沛林,苗鑫,杨方.煤矿带式输送机节能优化控制方法研究J.工矿自动化,2022,48(5):65-71,78.4 孙杰臣,李敬兆,王继伟,许志.煤矿井下人车联动控制系统J.工矿自动化,2020,46(12):7-12.5 李敬兆,孙杰臣,叶桐舟.矿井带式输送机运行状态预测方法J.工矿自动化,2022,48(2):107-113.6 王桂梅,李学晖,杨立洁,刘杰辉.基于深度学习的永磁直驱带式输送机煤量检测方法研究J.煤炭技术,2022,41(1):188-190.7 刘新龙,胡平,吕晨辉,赵安新,李学文.基于激光红外线扫描的带式输送机煤流量实时检测技术J.煤炭技术,2022,41(1):217-219.8 李波,越凯强,甘志刚,高佩忻.基于MADDPG的多无人机协同任务决策J.宇航学报,2021,42(6):757-765.9 武晓春,金则灵.基于DDPG算法的列车节能控制策略研究J/OL.铁道科学与工程学报:1-122022-06-30.作者简介:朱奇奇（1999-），男，硕士研究生，研究方向：嵌入式系统、人工智能技术。通信作者：李敬兆（1964-），男，教授，研究方向：智能控制。(上接第13页)34