基于大數據聚類分析的電網信息化運維系統設計

解瑩

（山西職業技術學院 山西省太原市 030006）

智能化是電力系統發展的必然趨勢，隨著智能電網在電力系統中占比提高，傳統電網運維管理方式得到系統性革新，信息化、智能化的管理手段融入到電網運維當中，給運維管理帶來極大便利。較早的信息化運維管理系統基于異常分析算法設計，存在算法應用復雜、占系統內存較大、CPU 運行速率減低等問題，導致系統整體性能發揮并不理想。針對該問題，大數據聚類分析算法被提出，其能夠幫助解決算法運算困難、迭代次數過多的問題，進一步提高運維系統的穩定性和可操作性。

1 大數據聚類分析理論

物聯網包括基本事件、對象事件、交易事件、聚合事件和數量事件五個事件類型，這些事件基本概括了工業領域中可能產生的全部事件。大數據聚類分析過程即為工業領域各類事件的分析處理過程，可大致分為事件解析、事件定義、模式分析及量化處理等環節，以量化的事件間距作為聚類分析依據。

1.1 事件解析及事件定義

將事件解析為原子事件，并定義原子事件，基于定義后的原子事件明確各事件間的相互關系，以便于量化分析事件屬性。首先，將事件定義為＜ID;Domain;Alias;Type;Times;Stimulation;Location＞，其中，ID 表示事件唯一標識符；Domain 表示交易事件問題域所在位置；Alias 為事件名稱；Type 為事件類型；Time 為事件發生時間節點；Stimulation 為事件觸發條件；Location 為事件發生地理位置[1]。其次，確定事件間相互關系，主要包括因果關系、協同關系和同生關系三類。最后。對原子事件作排列組合，形成新的事件數據流，該事件數據流用以事件模型關系處理。該事件流為排列組合，因此無先后順序和序號差異，能夠適應多種業務類型。

1.2 模式分析及量化處理

進行相關屬性量化；將商品屬性值編碼前8 位的二進制轉化為十進制1-255；將時間二進制轉化為十進制；依照地點位置將數據按大小順序劃分為0-15。然后對數據作規格化處理，方便后期計算。數據規格化的方法為：式中，maxai、minai分別為元素第i 項屬性的最大值和最小值。

2 電網信息化運維系統優化設計

2.1 框架構建

考慮到電網信息化運維對系統規模、集成化程度、智能化程度的要求，決定使用ExtJs+Spring+iBatis 型架構。該架構為B/S 架構，由展示層、控制層、業務層、持久層和數據層構成，利用IE 瀏覽器、FireFox 等進行系統測試，以確保系統UI 具備足夠的兼容性。另外，該系統可同時支持J2EE1.5 和Servlet3.0 規范，確保系統可擴展性和綜合性能。系統框架設計中充分融入MVC 思想，形成更加清晰、層次分明的架構。

2.2 硬件設計

2.2.1 感知芯片

選用集成芯片類型，將用電采集、系統調度、故障診斷等功能模塊整合到同一自定義系統當中。感知芯片采用12 位A/D 轉換器，集成速率在1MHz、輸入方式為16 路單端或8 路差分組合，采用RS232 和RS485 雙獨立串口作為通信接口，通信協議包括自定義ASC Ⅱ協議、標準Modbus-RTU 協議和用戶配置協議。芯片精度級在0.1%，采用1500V DC 的電源通訊接口，電源與模擬量輸入端為3000V DC[2]。

2.2.2 中央控制器

中央控制器通過既定協議，負責系統內全部設備的狀態控制，其在硬件系統內占據核心位置。電網信息化運維系統中央控制器將CPU 與其他電路相集成，形成完整的微計算機系統。該系統包括RAM、ROM、串行接口、并行接口等結構。

2.2.3 數據傳輸模塊

數據傳輸模塊與各單片機、通信設備、PLC 設備及各類儀器儀表相連接，使用觸摸屏或PLC 完成信息通信。數據傳輸模塊支持PLC 間的無線傳輸、一對多或多對多等多種通信類型，可滿足TCP/IP、UDP 網絡傳輸協議的使用要求，以HTTP POST 形式完成設備與服務器間的數據傳遞。

2.2.4 數據處理模塊

數據處理模塊同樣采用融合處理器，將數據整合后，進行去量綱、去噪、壓縮、轉換等一系列處理。電網信息化運維系統數據融合處理器采用單芯片CPU 的微處理器類型。

2.2.5 人機交互模塊

人機交互模塊為系統可視化顯示窗口，可顯示系統各項數據監控情況，提供參數調整功能，考慮到運維管理人員操作的便捷性，使用觸摸屏可視化設備。本文研究設計方案所使用的觸摸屏設備基本參數為：分辨率：800×800；存儲容量：200MB；功率：≤5W；運行溫度要求：-10～70℃；運行濕度要求：≤85%。

2.3 軟件設計

大數據聚類分析分為多種類型，如分層聚類、模糊聚類、k 均值聚類等。本文研究的電網信息化運維系統采用系統聚類的形式，完成電網異常數據的跟蹤監控，其聚類原理為：計算各組數據間距離，將距離相近的數據歸為一類，距離較遠的為另一類，循環計算完成全部數據的聚合，從電網數據中準確篩選異常數據[3]。從以上原理可以看出，聚類分析的重點在于數據間距離的計算，常見距離有歐氏距離、曼哈頓距離、馬氏距離等。

2.4 功能實現

2.4.1 電網狀態監控

基于大數據聚類分析的電網自動化運維系統，能夠對電網運行狀況作實時監控，使運維管理人員能夠隨時隨地了解電網中各類設備的運行狀態，以便第一時間發現設備運行異常，并開展相應的檢修維護工作。在電網狀態監控功能的輔助下，電網故障風險防控帶有明顯的事前預防屬性，可提高運維管理人員對電網運行風險的敏感程度，及時將故障風險扼殺，避免影響系統的正常運行。

電網狀態監控由以下三個功能模塊構成：

（1）電力設備狀態實時評估。系統實時采集電網各類設備的運行狀態信息、故障信息及設備臺賬信息，通過大數據聚類分析，對某一時刻電網中各類設備的運行狀態做可靠評價，對比設備實時狀態數據與歷史數據，確定其是否處于正常、高效的運行狀態，以結合判斷結果給出報警提示。該功能啟用后，電網設備運行穩定性和安全性顯著提高。

（2）設備荷載水平實時評估。基于大數據聚類分析的電網信息化運維系統借助遙感技術，對處于系統各層級、模塊的設備做綜合監控，實時了解設備負載率、空載、過載等情況，并確定各類荷載狀況的產生原因、發展趨勢等。若系統檢測到設備荷載激增的現象，可對其原因作深入分析，確定荷載激增所帶來的負面影響，以此為出發點制定系統運維管理改進方案，盡可能避免超負荷運行的現象。

（3）設備運行缺陷剖析。電網信息化運維系統借助PMS2.0設備缺陷流轉數據信息，可對電網設備本身存在的缺陷作出全方位分析和自動化預警，找出缺陷產生原因，直到缺陷被消除后，預警解除。

（4）設備跳閘動作控制。電網信息化運維系統采集與電網運行有關的各類數據信息，以此為基礎，可對電網各層級產生的跳閘動作、跳閘頻次、斷線等問題及產生的負面影響做有效監督，統計跳閘動作發生的時間、位置、持續時長、主要原因等，以輔助跳閘風險防控方案的優化制定，通過運維管理強化，有效減少跳閘故障的發生。

2.4.2 電網運維監管

電網運維管理工作開展情況與電網運行質量密切相關，因此在電網信息化運維系統中，融入運維管理工作狀態監管及評價功能，形成完善的運維管理系統，不斷改進運維管理工作方式。

（1）停電搶修。輸電線路跳閘、配網搶修、投訴處理等工作均可在大數據聚類分析的輔助下進行，詳細呈現故障狀態，并通過關鍵信息監控，實現停電搶修過程的可視化。

（2）日常檢修。依照系統給出的電網故障信息和檢修過程數據，可對檢修工作作全方位統計，確定檢修次數、頻率、取得成果、成本消耗等。對比標準化數據，客觀分析是否存在過度檢修、超期限檢修或檢修不到位的問題，配合績效考核、獎懲機制等措施，以督促檢修人員嚴格依照電網檢修規范的要求開展日常檢修工作，確保電網高質量運行。

（3）帶電作業。以電網帶電作業數據為基礎，分析帶電作業過程中是否存在人力資源分配不當或資源緊缺的問題。

2.4.3 電網指標監測

電網指標監測即對電網運行過程中，各類設備設施、工程活動的有關指標做動態化跟蹤和分析，預先設置各項指標的合理區間，由系統自動進行指標走勢跟蹤，若發現超區間問題及時給出報警提示并進行異常診斷。

電網指標監測的對象主要包括以下幾點：

（1）電網規模。電網規模指標包括電纜化率、聯絡率、平均供電半徑等，系統可將以上指標可視化，跟蹤觀察指標實際值的變化情況，若發現某指標數值達到臨界點，及時進行預警，并幫助運維管理人員進行檢修方案制定[4]。

（2）電網檢修。檢修指標包括計劃檢修完成率、檢修時長、帶電作業率等，跟蹤指標變化情況，開展超限預警工作。

（3）電網搶修。搶修指標指的是到場及時率、派單及時率、搶修時長等，跟蹤指標變化，監控超限情況，對指標異常原因做深入分析，并輔助制定處理方案。

（4）電網運行。運行指標指的是設備消缺率、供電可用系數、低電壓率等，觀察電網運行指標變化，對超限情況做監控預警，以輔助故障診斷及檢修維護工作的開展。

（5）電網自動化。電網自動化指標有自動化覆蓋率、供電損失降低量、故障自動處理頻次等。

3 電網信息化運維系統應用案例

仿真測試：

為評估基于大數據聚類分析電網信息化運維系統性能，以某電網低壓端用電信息為樣本，對系統作仿真測試，該樣本數據集中包括有效數據56570550 條。

以算法迭代次數、運行內存、CPU 頻率三項指標，衡量信息化運維系統性能高低。其中，算法迭代次數指的是單次運算中算法循環次數，該數值越低，說明系統性能越好。運行內存即支持系統運行所需的內存空間。CPU 頻率指的是CPU 時鐘頻率，及CPU 運算過程的工頻。

選取基于神經網絡和決策樹的信息化運維系統，與基于大數據聚合的系統做對比分析，得到如下測試結果：

（1）迭代次數。基于大數據聚合的運維系統算法迭代次數在5.5次，而基于神經網絡和決策樹的運維系統，算法迭代次數分別達到7.1 次和7.7 次，要明顯多于前者。

（2）運行內存。基于大數據聚合的運維系統運行過程中，占用運行內存為1.3MB，基于神經網絡的運維系統運行內存為2.0MB，決策樹為2.4MB。

（3）CPU 頻率。基于大數據聚類分析、神經網絡和決策樹的電網信息化運維系統運行中，CPU 頻率分別達到6.5Hz、5.6Hz 和4.6Hz[5]。

通過對比分析可以清晰地發現，基于大數據聚類分析進行電網信息化運維系統設計，其性能水平得到顯著提升，說明前文介紹設計方案有較高的可行性。

4 結論

相較于神經網絡、決策樹等算法，大數據聚類分析算法可有效提高電網信息化運維系統運行性能，進而達到縮短電網運維檢修平均時長、節約人力和物理資源、提高電網運行質量的目的。相關企業在構建基于大數據聚類分析的電網信息化運維系統時，應從自身運維管理需求出發，預留足夠的系統升級空間，以更好應對電網智能化對運維水平提出的要求。