3 新一代智能變電站變電設備狀態監測大數據預處理

隨著新一代智能變電站自動化和一體化的發展,設備狀態監測數據的呈現多了許多特點：數據海量化,數據規模增長迅速,呈幾何倍數擴大;數據多元化,數據來源廣泛,不僅包括各種實時在線監測數據,還包括設備臺賬信息、帶電檢測、試驗數據、故障數據等離線信息;數據結構和種類更加豐富,包括各類結構化、半結構化數據以及非結構化的數據,且各類數據查詢與處理的頻度以及對性能的要求也各不相同;數據在不同平臺間互通變得困難,交互性較差 [15]。

目前,眾多專家學者在融合變電設備狀態監測數據多源異構問題方面進行了有益的探索。針對輸變電設備全景信息多源、異構特性不利于數據的高效整合和深度挖掘利用的問題,文獻[16]提出一種基于改進混合本體的多源異構數據聚合方法(見圖4),通過構建數據源的局部本體以及全局本體,利用本體的語義特性解決數據聚合中關鍵性的語義異構問題;采用網絡本體語言和語義網絡規則語言相結合的方式建立全局本體和局部本體之間的映射,實現映射的重用和共享[16]。

圖4 輸變電設備全景信息的多源異構數據聚合方法

Fig.4 Heterogeneous data transmission equipment panoramic information aggregation method

目前,電網業務系統種類多、數據量大,為了有效整合數據資源,建立多源異構融合型的電網大數據庫,文獻[17]對數據獲取、數據預處理、數據清洗、數據質量評價、數據轉換等模塊進行了設計,研究開發了面向多源電網業務系統的數據獲取及轉換裝置,其面向多源異構電網大數據的獲取與轉換架構及實現方法在多個典型電網業務中進行了驗證。為了減少繼電保護信息系統數據上傳和數據處理的規模,文獻[18]提出了一種繼電保護狀態評估數據精簡的思路,構建精簡數據指標集對繼電保護系統狀態的特征進行表征,并提出利用該精簡指標數據對繼電保護進行在線狀態評價的方法。

對于新一代智能變電站變電設備狀態監測大數據的清洗工作,文獻[19]將設備狀態信息等效成各狀態量的時間序列,通過對時間序列中的異常數據進行分類并分析不同類別異常值對時間序列模型的影響,提出了一種基于時間序列分析的雙循環迭代檢驗法。文獻[20]則提出一種基于時間序列分析和無監督學習等大數據分析技術的異常檢測方法,從數據演化過程、數據關聯的全新角度實現異常檢測。

4 智能變電站變電設備狀態監測與評估大數據應用展望

4.1 智能變電站變電設備異常知識庫的建立

4.1.1 智能變電站變電設備關鍵特征狀態參量的提取

新一代智能變電站變電設備狀態種類多而繁雜,如何在其中甄選出最能反映設備狀態的數據是非常關鍵的工作。通過收集新一代智能變電站變電設備狀態數據,可以建立基本的大數據挖掘設備狀態數據庫。通過一定的預處理方式,可以按時間序列將設備狀態與多而繁雜的各基礎狀態參量進行向量化,之后通過一定的相關關系計算便可得到最能體現新一代智能變電站變電設備狀態的關鍵特征狀態參量。例如,可通過計算狀態監測參量和設備狀態間的歐氏距離來對相關程度進行度量。

對于任意2個長度為d的向量xi=(xi1, xi2,…, xid)及xj=(xj1, xj2,…, xjd),其歐幾里得距離為：

歐氏距離越小,代表狀態監測參量與設備狀態的相關程度越高。通過設定一定的關鍵特征狀態參量最大提取距離值作為提取標準,即可建立設備關鍵特征狀態參量體系。

4.1.2 智能變電站變電設備缺陷數據分析

文獻[21]中采用相關分析探索了缺陷類型之間、缺陷類型與投運年限之間的關系,可以增進對缺陷發生原因的理解。缺陷主題河如圖5所示。

圖5 缺陷主題河

Fig.5 Defect theme river

在圖5中,正相關關系用藍色表示,負相關關系用粉色表示,顏色越深代表相關性越強,通過對缺陷的相關性分析,可得到一系列有益的結果。

4.2 應用大數據技術的新一代智能變電站變電設備狀態評估

國家電網公司于2010年頒布了一系列關于變電設備狀態評價的企業標準[22]。截至目前,包括國家電網公司內的國內電網公司對變電設備狀態評估主要采用專家打分的方法。專家打分制的優勢在于結構簡單、便于執行,但其對各狀態量扣分權重的確定由于摻入較多的專家經驗和主觀因素,導致難以客觀反映該狀態量的實際影響的大小。

文獻[23]認為,基于設備缺陷/故障記錄統計情況,考慮到設備缺陷/故障的影響程度及其后果的嚴重性,以及狀態參量能夠表征設備缺陷/故障類型的程度,并根據歷史監測與評估數據,考慮所用監測手段所獲取狀態監測量的準確及有效程度,結合大數據挖掘技術,可以較為準確地設定設備狀態參量的權重。文獻[24]則利用挖掘到的設備狀態參量和故障的關聯規則知識,計算單項狀態參量的常權重系數;同時提出具備均衡函數的變權綜合模式,以此為基礎,綜合各單項狀態參量的常權重系數計算設備綜合狀態量的變權重系數。

在充分收集大量狀態監測評估案例后,在大量狀態信息分析的基礎上,基于歷史評估數據與事后驗證數據,可利用多元回歸分析和大數據分析技術手段,研究建立反映電力設備狀態變化、缺陷和故障發展過程的趨勢分析模型,實現對主要故障模式的診斷和危急度評估。

5 結語

在新一代智能變電站快速發展的背景下,本文以新一代智能變電站變電設備狀態為研究對象,深入研究了大數據挖掘技術在變電設備狀態監測和評估領域中的應用前景。針對新一代智能變電站變電設備,提出了數據監測源體系和手段,并分析了適用于新一代智能變電站變電設備狀態監測與評估的大數據預處理方法,最后從建立設備異常知識庫和狀態評估2個方面展望了大數據技術在新一代智能變電站變電設備狀態監測與評估工作中的應用前景,具體應用方面的相關研究將是本文后續工作的重點。

作者簡介：

陳翔宇(1991-),男,北京人,碩士,從事電力系統一次設計、電網大數據挖掘分析工作;羅懌(1987-),男,四川成都人,博士后,從事電網大數據平臺以及數據挖掘算法研究工作;

胡軍(1976-),男,浙江寧波人,博士,副教授,從事輸變電技術、電力大數據挖掘等方面的研究工作;

傅守強(1986-),男,遼寧喀左人,碩士,從事柔性直流輸電研究工作;

徐毅(1983-),男,山西太原人,博士,從事變電設計工作;

張立斌(1981-),男,河北廊坊人,高級工程師,從事變電設計管理、電氣一次設計工作;

李紅建(1972-),男,河南孟州人,高級工程師,從事電力設計工作;

段煉(1989-),男,上海人,博士研究生,從事輸變電技術、接地計算和電網大數據方面的研究。