基于大數據的電力信息通信預警技術探索

席軍林　苗健源　李瑋月　吳曉涵

摘要：當前階段內電力信息通信技術快速發(fā)展，尤其是隨著相應運維監(jiān)測與管理系統(tǒng)的完善，電力系統(tǒng)運維工作取得了良好進展。但綜合實際情況來看，電力信息通信中并未形成完善的信息收集機制，在數據全面性、精準性等方面仍存在著一定的不足。本文根據信息通信技術中的相應知識點，結合當前階段內我國電力信息通信預警技術中存在的不足，對通信預警技術進行著重闡述，并分析了相應的數據信息，對運維風險實時預警。

關鍵詞：大數據;電力信息通信;預警技術

1 引言

從我國電監(jiān)會發(fā)布的統(tǒng)計數據中可以看到，因為配電網引起的故障停電時間已經占到所有故障停電的80%以上，而有關部門要想解決這些問題，其就必須要準確掌握配電網的實際運行狀態(tài)，也只有這樣才能實現(xiàn)配電網故障風險值的實時預警與計算，從而降低整體的故障停電時間與次數，這對提升供電局供電質量有著非常重要的作用和意義。可以看到，當前國內外專家學者對配電網故障風險的研究范圍已經變得越來越廣泛，并且也取得了非常理想的成果，但因為配電網的運行過程較復雜，且運作狀態(tài)也很多變，所以在實際工作時相關人員還需要不斷完善與創(chuàng)新，這樣才能保證后續(xù)工作的順利開展。

2 電力信息通信預警意義

電力信息通信網是相應電力系統(tǒng)使用的特定網絡，是支撐電力系統(tǒng)正常運行的支柱之一。通過保證電力信息通信網的穩(wěn)定運行，可以在一定程度上為電力系統(tǒng)的正常運行提供良好保證。一般情況下，在電力信息通信行業(yè)中，往往容易出現(xiàn)設備故障，或存在某種運行風險。總體上來說，此種風險的發(fā)生能夠對相應設備等均產生不同程度的影響，直接關系到整個電網的運行情況。一旦電網系統(tǒng)中的部分設備系統(tǒng)受到侵害，則會大大降低其數據采集、監(jiān)測等性能。現(xiàn)階段內，我國電力信息通信技術快速發(fā)展，尤其是在市場經濟不斷發(fā)展的背景下，構建了多個管理系統(tǒng)。但從某種意義上來講，在電力信息通信網的運行過程中，仍存在著明顯問題。例如，相應網絡系統(tǒng)對監(jiān)控告警信息進行收集時，分散性較強，進而致使在實際運行階段內，工作人員無法對其中存在的問題進行有效查找，很難利用系統(tǒng)基礎框架等實現(xiàn)對運行故障的及時處理，為業(yè)務的順利開展帶來嚴重的不良影響。隨著科學技術的快速發(fā)展，大數據時代已經到來。基于此，大數據技術逐漸走入公眾視野，并得到了廣泛應用。此技術作為新時代下的一種新型技術與構架，可以通過較為經濟的方式對各類技術進行高速捕捉，進而從相應技術中提取應用價值。

3 大數據背景下電力信息網絡智能風險的預警方法

3.1 應用趨勢預警的方法進行風險預警

對于趨勢預警的方法來說，主要是利用電網信息化的資源指標的趨勢分析對資源能不能達到預警觸發(fā)的條件進行判斷，一般運用的是ARIMA、STL等多種方法建模并且進行趨勢預測，考慮到我國電網公司的信息化發(fā)展情況，并且與當下業(yè)界的主流算法進行有效結合，進而制定一種SG和信息指標的大數據趨勢的預測方法。這一方法是在STL算法的作用下，把原始數據劃分成趨勢部分和周期部分以及隨機部分。

3.2 應用分級預警的方法進行風險預警

對預警事件進行劃分，主要是指指標級和基礎設施級以及信息網絡級，比較基礎的就是預警事件都是指標級，當某基礎性設施可以劃分成多個指標時就會形成一定的預警，對預警事件進行歸納，統(tǒng)一將其稱作是基礎性設施級的預警事件;當有信息網絡的核心節(jié)點或者是普通節(jié)點發(fā)生預警，就要歸納預警事件，將其稱作是信息網絡級的預警事件。就預警事件分級的策略來說，能夠幫助管理人員對各種類型的預警事件的意義進行分析，而且還能很好地進行應對，為電力企業(yè)的發(fā)展打好基礎，提高社會效益和經濟效益。

3.3 設備級故障風險值計算

第一，設備的重要程度計算。當配電網饋線設備發(fā)生故障之后，相關人員可以通過斷路器、負荷開關熔斷等方式來將故障段進行隔離，然后通過自動重合閘與開關合閘來實現(xiàn)對非故障區(qū)域的正常供電。通過對配電網中的各種不同設備進行分析發(fā)現(xiàn)，不同的設備在發(fā)生故障之后產生的影響效果也是完全不同的，如有的范圍比較小，有的則影響比較小，但故障的影響程度也會直接顯示出設備的重要程度。需要注意的是，受故障影響停電后果嚴重的設備，其在配電網中的地位也會高一些，且自身的停電風險也較大，而停電影響主要針對用電用戶與供電企業(yè)，當然與供電的可靠性也有一定關聯(lián)。所以，在實際工作中，相關人員可以構建科學的反映設備重要程度的指標，如損失電量、損失負荷、停電用戶級別加權等。第二，設備的故障概率計算。設備出現(xiàn)故障的原因可能是受內部因素與外部因素的共同影響導致，其中內部因素包括有設備缺陷、設備隱患、設備使用年限等，外部因素則是施工破壞、雷雨天氣（雷電強度、降雨量）、氣候影響（溫濕度、風速）等，這些都是構成配電網設備故障的主要原因。但是，在實際工作中如面臨因設備自身因素引起的風險時，相關人員可以利用故障率來表示，設備運行過負荷風險源狀態(tài)時這就可以認為是負荷級別。

3.4 饋線級故障風險值計算

一般情況下，饋線級故障風險主要來源于設備發(fā)生故障時的風險，這是因為饋線上各主要設備自身都會存在一個故障風險值，而能夠直接呈現(xiàn)出饋線風險大小的指標則是饋線上的設備風險均值與最大值。因為考慮到配電網風險自身的靈活性與復雜性，在這樣的狀態(tài)下，單一指標受各種誤差的影響機率也會更高一些，而相關人員要想減少因隨機造成的不良影響，那么就需要將各分項指標進行結合，這樣才能建立科學、規(guī)范的饋線風險評價指標。

3.5 通信風險預警

以Hadoop及Spark為例，該類大數據處理平臺在近年來逐漸受到更廣泛的應用，發(fā)展速度較快。其中Hadoop可以進行大規(guī)模集群操作，具有較強的便捷性，同時可增設不同數量的節(jié)點共同計算。且其計算速度并不會受到集群數量的減弱影響，相反，計算速度與集群數量呈正相關關系，以此有效彌補了傳統(tǒng)系統(tǒng)處理數據中存在的不足。但相對而言，Hadoop在處理實時應用方面存在明顯的劣勢。而Spark作為一種通用并行計算框架，其產生與改進是以Hadoop為基礎的，主要應用內存并行計算方式及流式處理技術，具備較好的實時處理性能。電力信息通信預警技術的應用過程中，相關技術人員通過構建電力信息通信大數據處理框架，對各類信息數據進行有效收集、整合、分析、管理。對應的日志收集板塊主要負責收集來自各個系統(tǒng)的數據，包括網絡日志、防火墻日志等。利用Hive技術創(chuàng)建業(yè)務分析模型，以此保證日志的多維度查詢。

4 結束語

綜上所述，相關人員可以利用設備重要程度與設備故障概率為基礎來計算出設備故障的風險值，待計算出結果之后便可以繼續(xù)計算出饋線故障風險值與系統(tǒng)故障風險值。需要注意的是，當故障風險值超過工作人員所設置的閾值時，該系統(tǒng)就會自動進行預警。從這里可以看出，在此基礎上開發(fā)出的配電網故障風險預警系統(tǒng)，其不僅能實現(xiàn)對配電網故障風險的在線預警與實時計算，而且還能保證整體的計算質量。

參考文獻：

[1] 梁存，徐秉仁，陶濤.基于人工神經網絡的電力通信故障預警分析的探究[J].信息通信，2018（08）：9-10.

[2] 秦澤華，郝婧.基于大數據的電力信息通信預警技術研究[J].計算機產品與流通，2018（07）：78.

[3] 王江亭，靳丹，俞俊，巫乾軍.基于大數據的電力信息通信預警技術研究[J].電力信息與通信技術，2017，15（09）：64-69.

[4] 余文杰. 通信系統(tǒng)對電力系統(tǒng)穩(wěn)定控制的影響研究[D].東南大學，2016.