數據挖掘在變電站設備運維中的應用

尹愈

摘要：經濟在快速的發展，社會在不斷的進步，人們的生活質量在不斷的提高，對于用電的需求在不斷的加大，為解決變電運維工作中所獲得的大量設備數據未能得到充分利用的問題，本文在搭建變電站云平臺已成為可能的條件下，主要結合數據挖掘技術對運行人員從現場獲得的數據進行分析處理。

關鍵詞：數據挖掘;變電運維

0 引言

隨著我國經濟的騰飛發展以及科學技術的快速進步，智能電力系統也有了較大的發展。變電站作為電力系統中很重要的組成部分，其運維工作更是工作重點，近幾年，隨著物聯網的迅猛發展，智能運維得以實現，能更科學，更及時地處理變電站的運行和故障問題。隨著智能運維的進一步應用發現，分析末端傳感器采集到的數據能更早的預測一些故障的發生，這對電力行業的發展有著里程碑意義。大數據挖掘是根據具體的場景采用合適的模型，利用已經采集的監測數據對模型進行反復訓練，最終得到有效的模型。通過模型對實時產生的數據進行分析可以預測數據走向變電站設備的智慧運維有著重要意義^【1】。

1 變電站設備運維的現狀分析

目前，變電站設備日常運維智能化程度較高。基于先進的物聯網技術，通過網絡傳輸能把末端傳感器采集到的數據接入到運維平臺中。平臺通過智能化運維系統設置的各種閾值和規則，能夠及時發現變電站運維異常數據并進行告警，同時通過已經設置好的預警通知方式將變電站告警信息推動到值班人員，從而啟動相應的應急措施。由于變電站智能運維平臺實現智能化運維平臺對于變電站設備運維正常范圍內的運行數據還無法進行智能判斷，比如各種變電站各種電力設備的負荷情況等，為此不能自動實現變電站各種設備的負載均衡管理，很容易導致有些電力設備負荷過大，值班人員不能及時識別所負責設備運行情況，往往會造成在用電緊張的關鍵環節出現比較嚴重的用電問題^【2】。另一方面，對于變電站中還未接入智能運維平臺中的設備，沒有實現設備運行數據的自動化接收與處理，為此日常巡檢還無法實現智能化管理，導致變電站巡檢工作不具有針對性，很難做到預測性預警，容易導致巡檢效率低下，該巡檢處理的設備未能得到有效處理，在很大程度上增加了安全事故的發生幾率，不利于提高變電站運維服務能力。

2 數據挖掘在變電站設備運維中的應用

2.1 變電站巡視

在電力系統中，進行變電站巡視是一個不可避免的環節，它是電力設備正常、平穩運行的重要保證。而依照國家電力行業標準所規定的標準化的電力設備巡檢必然會產生巡檢狀態、巡檢視頻等大量的數據，能否高效的采集和存儲這些數據將直接決定巡檢的質量和對設備狀態的判斷，它不僅是設備狀態檢修的基礎保證，也符合變電站綜合自動化正在實施的電氣運行模式的需要。一方面，變電站巡視工作是運行人員的日常工作，具備重復性強、工作量大、難以保證巡視質量等特點，需要嚴格遵循巡視周期并按要求執行巡視作業卡。在巡視過程中會產生大量基礎數據，例如保護數據、通信數據、時鐘數據、電能計量讀數等設備的各種運行參數。如變壓器及高壓電抗器油中溶解氣體含量、局部放電數據、套管介損、微水、油溫、油位、鐵芯接地電流、夾件接地電流、噪聲;斷路器的跳閘報告、測距報告、動作次數、氣體成分、氣室壓力、油壓;避雷器的泄露電流、動作次數;GIS設備的壓力、溫度、局部放電圖譜、環境參數;各類匯控柜端子箱內的溫濕度數據等;蓄電池電壓和內阻值;紅外測溫溫度值等反應設備實時狀態的數據。運維人員在巡視后將所抄錄數據登記于PMS2.0系統中，但此數據庫并沒有得到充分利用^【3】。另一方面，一直以來，對設備巡視工作人員減負、提質增效方面的研究方法主要有：①確定合理的巡視周期和巡視方式;②通過加強過程管控，保證巡視到位控制巡視質量。后者強調流程控制，往往造成人員分心，認為走完流程即完成工作，缺乏對巡視結果的評估和審查，無法充分發揮人員的主觀能動性;相比起來，前者通過優化巡視策略，加強對重點設備的巡視來減少運行人員的工作量，更有效地提高了設備巡視工作的效率。因此，可以利用數據挖掘技術對PMS2.0系統中存儲的數據進行分析，以確定設備狀態的發展趨勢，從而發現重點巡視設備甚至縮短巡視周期。隨著云計算、大容量數據存儲等技術的不斷發展和提高，大容量的數據倉儲變得更加完備、可靠，符合了電力系統對數據采集和存儲的要求。

2.2 承載力分析

隨著電網規模的快速發展，電網建設和檢修工作十分繁重，停電工作逐年增加，需要進行電網停電承載力分析以指導年停電計劃的編制工作，在保證電網可靠供電的同時滿足電網基建、改造、消缺、檢修等工作的需求。電網停電承載力分析涉及到電網模型和數據，僅靠人工經驗進行分析很難做到全面、準確、高效。將電網運行數據轉化為決策依據需要數據挖掘和分析技術^【4】。由于影響電網停電承載力的因素較多，有變電站的投運時間、環境氣候、往年同期停電數據、輸變電設備規模、電網模型和參數、一二次設備狀態等，上述數據類型復雜，屬于非機構性數據，適合使用人工神經網絡法進行分析。

2.3 決策樹下的故障數據挖掘方法

在當前數據挖掘的分類算法中，決策樹方法的應用最為廣泛，這種方法主要是應用在非連續性變量的分析和預測過程中，也就是在工作中借助樹形結構對問題進行描述，這是一種典型可收斂式的分類器。決策樹在對信息進行細化分類的過程中，往往會最大化影響變量的差別性，最終將數據分在沒有交集的分支上。由于電網出現故障后需要在較短時間內對工作中產生的各種故障問題進行分析，所以運用決策樹方法，可以更準確地實現對報警信息的分類處置，這對于調度端故障追蹤程序起到了支持作用^【5】。決策樹分類算法屬于一種監督式學習方法，在工作中需要將訓練樣本輸入其中，從而對監督模型進行分類處置，在歸納作用下形成決策樹，之后再對陌生數據進行預測或是分析。

結束語

隨著物聯網、大數據、人工智能、等技術的不斷進步，大數據挖掘將不斷提升變電站智能運維能力。通過擴大變電站運行設備的接入范圍，能夠掌握所有設備的運行數據，將為變電站智慧運維的數據挖掘提供基礎數據支持。同時，基于大數據挖掘能夠發現更多人工運維無法掌握的諸如設備用電強度等數據，能夠為運維人員的可視化運維提供準確的數據，支持運維人員對變電站的預測性預警維護和發電計劃智能調控，提升變電站的智慧運維效率，避免人工巡檢效率低和重大安全事故風險等相關問題的發生。

參考文獻：

[1]鄧仲華，劉偉偉，陸穎雋. 基于云計算的大數據挖掘內涵及解決方案研究[J]. 情報理論與實踐，2015，38（07）：103-108.

[2]饒正嬋，蒲天銀. 云計算條件下的大數據挖掘內涵及解決方案[J]. 電子技術與軟件工程，2018（13）：154-155.

[3]張萌.數據挖掘在變電站設備運維中的應用[J].電力大數據，2019（11）.

[4]檀佳.基于變電站自動化信息的遠程數據挖掘系統研究[J].機電信息，2014（24）：141-141.

[5]范李平，張曉輝，蘇偉.基于大數據挖掘的變電設備故障預警研究及應用[J].電力大數據，2019，022（001）：P.1-7.