大数据技术在特高压变电站运维中的应用王进考

大数据技术在特高压变电站运维中的应用王进考

王进考谷浩

(国网河北省电力有限公司检修分公司河北石家庄050000)

摘要：电力技术不断发展，电网骨干网正由当前的500kV网架结构向特高压电网过渡。特高压电网结构复杂，电气元件众多，采用了丰富的数据采集技术及在线监测技术来监控设备状态。变电站内各种监测采集装置在运行过程中会产生大量的数据，从数据规模、增长速度及时间特性来看属于当前大数据的研究范畴。如何有效的利用存储在服务器上的海量数据进行变电站设备运维、故障发现及解放紧缺的运维人员是当前急需解决的问题。

关键词：大数据;云计算;特高压;运维

1什么是大数据

早在1980年，著名未来学家阿尔文•托夫勒便在《第三次浪潮》一书中，将大数据热情地赞颂为第三次浪潮的华彩乐章。不过，大约从2009年开始，大数据才成为互联网信息技术行业的流行词汇。美国互联网数据中心指出，互联网上的数据每年将增长50%，每两年便将翻一番，而目前世界上90%以上的数据是最近几年才产生的。此外，数据又并非单纯指人们在互联网上发布的信息，全世界的工业设备、汽车、电表上有着无数的数码传感器，随时测量和传递着有关位置、运动、震动、温度、湿度乃至空气中化学物质的变化，也产生了海量的数据信息。

“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式计算架构。它的特色在于对海量数据的挖掘，但它必须依托云计算的分布式处理、分布式数据库、云存储和虚拟化技术。大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理（MPP）数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。

在维克托•迈尔-舍恩伯格及肯尼斯•库克耶编写的《大数据时代》中大数据指不用随机分析法（抽样调查）这样的捷径，而采用所有数据的方法，大数据具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。

2大数据助力运维

2.1基于大数据的智能巡检

特高压变电站地域广、设备多，每日巡视耗费较大的精力。同时，因巡检人员水平及能力不同，又缺乏规范的标准，造成对缺陷描述不统一，经常导致缺陷重复录入现象。借力大数据技术，巡检人员可以有针对性的对可能出现问题的设备重点巡视，只需录入设备现场数据便可由计算机自动生成缺陷描述及缺陷报告，实现对设备的集中管控。目前各电力公司普通采用手持移动终端巡检的工作方式，这种工作方式实现了设备信息的自动录入，但仍存在诸多问题，比如巡检内容繁杂且无针对性，无法实时读取设备工况，缺陷异常的定性较为困难等。依托大数据技术，搭建变电站云平台。云平台可根据集成的设备出厂信息及历史数据等知识资料，结合当前运行工况及气象环境进行主动推荐当日巡视重点项目。运维人员手持智能巡检设备，在巡检过程中将发现的设备现象通过图片、音频、视频或文字描述等方式录入巡检设备，巡检设备将信息自动上传云平台，通过后台服务器进行数据分析得出设备健康状态变化趋势，从而进行设备状态定性，给出合理化建议，预先发现设备故障。

当巡检完某一项目，巡检设备会根据推荐系统相关算法进行推荐距离最近的应去巡检的设备。依托智能移动设备，基于大数据技术的巡检，规范巡检流程，集成标准操作，能有效提高巡检效率，预先发现设备隐患，解脱运维人员压力。

2.2基于大数据的故障发现及预测

特高压电网已经逐渐成为电力系统的主要网架结构，特高压变电站站内设备作为电力生产系统的核心，其重要性不言而喻。准确预测并及时发现设备故障，对维护电网稳定至关重要。传统的故障研究及学习一般都是事后分析，这种生产方法导致了定期计划检修的工作模式。当前大数据技术已然成熟，利用大数据技术进行数据分析，从而进行故障诊断和预测的研究将具有十分重要的意义。特高压变电站内集成汇总了SCADA系统实时数据、红外图谱数据、SF6在线监测数据，局放在线监测数据，保护、测控、故障录波数据，油温油位数据、EMS、PMS、OMS等，丰富的信息资源足以进行合理的故障发现及预测。首先将这些异构数据信息进行融合并分别存储到相应的数据库及文件系统中，建立设备的索引树，通过整合并比对历史故障发生前后负荷、功率、电流、电压、操作情况、设备状态及气象信息等内外部因素，对无用数据过滤，进行聚类及分类处理，对设备工况进行关联分析及规律发现，采取合理的机器学习算法或者推荐算法进行故障发现及风险预测，形成可以预测故障的模型。模型可基于协同过滤或内容过滤思想，以历史数据及典型案例为训练集，当前数据为测试集，进行缺陷预测及风险评估，通过准确率与召回率计算进行参数调节与模型修正。

利用大数据技术进行故障发现及预测，在故障发生之前找出最可能发生故障的设备，进行有针对性的维护，可以大大降低故障发生的概率，提高电网稳定性。

3变电站云平台技术

3.1数据存储

关系数据库主要处理结构化及半结构化数据，可以实现快捷查询分析、事务处理等功能，有效保证了数据的安全性。然而在特高压变电站运行过程中会产生诸多的非结构化数据，如放电图谱、红外图谱、噪声音频视频等。

另一方面，变电站各类业务系统诸如远动装置、保信子站、监控系统、同步相量测量装置、故障录波系统、五防工作站、辅助应用子系统、状态监测子系统等，各类系统来自不同的厂家，有着不同的传输协议、数据接口，子系统之间数据相互独立，难以实现资源共享。这种情况下关系数据库将不再适用，需要建立并行及分布式数据库系统，在MPP和集群并行的基础上进行节点处理及操作，提高数据的利用率和可用性。在数据存储方面，特高压变电站内的海量数据可采用分布式文件系统来存储，而分布式文件系统由于不满足电网要求的高实时性要求，根据分而治之思想，可对大量的历史数据采用分布式文件系统，对核心数据使用传统的并行数据仓库，对高度实时数据如调度数据网、测控数据等采用实时数据库系统，既可提高数据传输速度，又可避免数据在总线上的不停游走。

3.2数据处理

数据处理速度是大数据处理技术的关键指标之一。特高压变电站内的数据需要进行毫秒级的分析处理，目前的云计算系统可以提供快速的服务，但有可能出现网络拥塞现象。特高压变电站要求实现信息的全面采集、传输及处理，实现大规模多源异构数据的融合，需要综合运用机器学习、统计学习、神经网络、SVM等方法来研究和探索异构数据整合问题。根据应用业务需求可分为分类或预测模型发现、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等。进行数据处理后，可着手构建设备的知识图谱，比如将断路器的出厂数据、压力值、动作次数、打压次数、打压时间、故障报告等有关该断路器的所有信息进行融合，建立该设备的知识树，进行可视化展示，方便更好地了解该设备的当前运行状态。

结束语

大数据技术将成为特高压变电站所有业务决策的基础，推动变电站朝着集约化管控、专业化运维方向转变。搭建变电站云平台在不久的将来将成为解决诸多问题的必然选择。

参考文献:

［1］宋亚齐，周国亮，朱永利.智能电网大数据处理技术现状与挑战［J］.电网技术，2013，37(04):927－935

［2］费思源.大数据技术在配电网中的应用综述［J］.中国电机工程学报2018，38(01):85－96