数据挖掘在变电站设备运维中的应用

数据挖掘在变电站设备运维中的应用

李爽

国网通辽供电公司 内蒙古通辽 028000

摘要：随着经济和电力行业的快速发展，随着电网的不断发展，电网结构愈加复杂，电气元件众多，在设备维护、设备巡视、缺陷管理、运维分析过程中会产生大量数据，近年来，随着计算机技术的快速发展，大容量数据传输和数据存储在现代管理信息系统中发挥着越来越重要的作用，是一个支撑全局的基础性环节，为电力设备的状态检测和故障分析等各类上层应用的高效运行提供可靠保障，成为了电力系统中的一个重要的组成部分。在此基础上利用数据挖掘技术可以有效地利用这些存储在PMS2.0系统中的数据以指导变电站设备巡视、缺陷管理、故障发现及解放紧缺的运维人员。本文针对数据挖掘技术在变电站运维中的应用进行了阐述，分别介绍了利用数据分析指导变电站巡视工作、进行缺陷预测管理及电网停电承载力分析三个方面的探索研究。

关键词:数据挖掘;变电运维;缺陷预测

引言

在当前社会发展水平全面提升的背景下，各项技术发展水平也得到了显著提升，其中大数据对群众生产生活的影响更是十分显著。该文主要提出了一种大数据平台的电网故障追踪方法，希望通过对相关故障因素的研究，可以对电网工作中出现的故障问题进行更准确的判断，从而进一步优化技术手段，实现变电站发展水平的提升。

1大数据的概念

在当前电力系统发展的背景下，传统变电站和智能变电站都需要在工作中安装监控系统，确保工作流程始终处于监控状态下，所以在这一基础上，如果要进行单个变电站信号处理，就需要在整个变电站范围内进行工作分类，从而使检修工作能够顺利开展，对于异常情况的发生也要设置必要的警报装置。通常情况下报警信息主要分为14种类型。如果每秒钟可以收到的警告信息超过8条，那么每个装备每天都需要接受和处理70万条以上的数据信息。由于装备中的保存周期设置时间不会超过一个月，因此在极端状态下，数据库装备中的滚动报警信息容纳量将明显超过千万条以上。由于电网设备检测平台在工作中需要存储的数据量众多，所以传统形态下的数据库工作形式很难满足电网的自愈要求。大数据理念是现代社会发展中一项全新的理念，由于其内涵和外延都在不断发展，所以短时间内也无法对其进行时间范围的规定。

2缺陷预测及管理

设备缺陷数据的特点包括:①数据量大，计算机信息管理系统将变电站中原有的设备资产信息管理系统、工作票操作票系统、运行值班日志、缺陷登记管理系统等系统联系起来，这些系统在使用过程中就会产生大量的数据，而且数据来源多;②数据质量差，变电站中的设备缺陷数据往往存在不规范性、二义性、重复和不完整等问题，另外还存在一定数量的噪声数据、冗余数据和稀疏数据等;③数据种类多，设备管理方面的数据、设备运行方面的数据和设备缺陷方面的数据本身就具有多种类型，另外，变电站中的设备缺陷内容本就种类繁多。这些特点都导致了缺陷管理和控制难度较大。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。利用数据挖掘技术可以加强和加深设备缺陷的分析功能，可为运行人员预测设备缺陷，从而更高效、更准确地捕捉缺陷，避免停电故障，防止效益损失，对故障诊断和预测的研究将具有十分重要的意义。

3数据挖掘方法的应用对策

3.1基于CNN的故障分类

与机器学习算法相比，CNN最显著的特点是通过训练过程自动提取图像特征。因此，CNN可以自动识别由ＨＨＴ带通滤波器获得的故障电压和电流的二维时频能量图像，实现智能故障分类。传统的故障分类通常采用手工提取特征和分类器跟踪的方法。然而，一个合适的故障特征提取或选择是不容易实现的。此外，手工提取的特征对于大数据量的类别之间变化的表示能力较为有限。CNN是一种非常流行的特征深度学习算法，具有良好的性能，已成功地应用于图像识别应用。因此，本文采用CNN对故障类型进行自适应分类。

3.2加强日常巡视和管理的有效落实

智能变电站发展过程中，电力设备工作能否安全、稳定的开展将在很大程度上影响电网的运行质量，因此，在大数据挖掘技术作用下，要求在今后的工作中，智能变电站要进一步加强对各项设备的维护和巡视工作的有效开展，在此过程中，相关单位可以成立技术发展和巡视工作小组，通过这种方式对安全隐患、系统和设备等进行有效排查，从而对故障线路和设备中的问题进行明确，寻找更有效的方式来解决问题。其次还应该建立定期巡视维护方案，督查人员也应该对各项检查工作进行监督，季节交替和恶劣天气下也应该建立必要的检查制度，采取有效的保护机制，从而保证智能变电站设备安全运行的稳定性和科学性。

3.3数据挖掘模块

数据挖掘的目的是生成可以据其所示的含义采取行动的知识,也就是建立一个现实世界的模型.在数据挖掘中,可以使用许多不同的模型,如分类模型、回归模型、时间序列模型、聚类模型和关联规则模型.针对同一模型,可以使用不同的算法进行数据挖掘.算法的目的就是找到适合于数据的模型.本文选用线性回归模型,选择时间(日期)、温度、降水量和设备投运时间这些因素作为自变量.当然本文设计的回归模型是开放性的。

3.4决策树下的故障数据挖掘方法

在当前数据挖掘的分类算法中，决策树方法的应用最为广泛，这种方法主要是应用在非连续性变量的分析和预测过程中，也就是在工作中借助树形结构对问题进行描述，这是一种典型可收敛式的分类器。决策树在对信息进行细化分类的过程中，往往会最大化影响变量的差别性，最终将数据分在没有交集的分支上。由于电网出现故障后需要在较短时间内对工作中产生的各种故障问题进行分析，所以运用决策树方法，可以更准确地实现对报警信息的分类处置，这对于调度端故障追踪程序起到了支持作用。决策树分类算法属于一种监督式学习方法，在工作中需要将训练样本输入其中，从而对监督模型进行分类处置，在归纳作用下形成决策树，之后再对陌生数据进行预测或是分析。

结语

随着云计算技术的发展，数据挖掘技术在云计算平台的基础上计算速度会更快，非结构化数据也能被更好地存储利用，通过融合更多更复杂的数据准确率会大幅提高，可以解决巡检系统中大量数据未得到有效融合利用的问题，能够取得的效果有:合理安排变电站巡视工作内容和周期，使巡视有针对性，人员配置更加高效;预测设备可能出现的缺陷，提前做好准备，多种数据形成融合判据共同诊断设备缺陷，避免误判;每周地计划性停电工作能够充分考虑承载力，降低作业现场风险，保障电网安全稳定运行。

参考文献

[1]王磊，陈青，高洪雨，等.基于大数据挖掘技术的智能变电站故障追踪架构[J].电力系统自动化，2018，42（3）:84-91.

[2]余剑峰，邓梅.变电站运行信息数据挖掘研究[J].设备管理与维修，2019，14（2）:45-46.

[3]王喜，赵宵凯，熊斌宇.一种基于数据挖掘技术的智能变电站故障诊断方法[J].陕西电力，2018，46（4）:39-43.

[4]赵乐.铁路智能变电站变压器状态数据挖掘研究[J].陕西电力，2018，46（4）:75-81.

[5]曹中来.基于数据挖掘的变电站监控后台告警信号自动分析[J].中国管理信息化，2017，20（20）:49-50.

[6]何爽，唐琦雯，曹宇，等.无人值守变电站集中监控辅助决策关键技术研究综述[J].电气开关，2018，55（1）:1-5.