基于大數據挖掘技術的智能變電站故障追蹤架構研究

劉勝強，楊峰

（廣東電網有限責任公司佛山供電局，廣東佛山 528000）

目前，國內變電站設備的巡檢工作大部分都是通過人工巡檢完成，勞動強度較大，并且會受到環境影響，導致巡檢結果的主觀性較強。在國家電網重視智能化變電站的背景下，傳統故障追蹤與巡檢的方法已經無法滿足變電站日常運維管理需求。文獻[1]提出了基于物聯網技術的設備監測系統，通過控制網絡流量能夠解決通信網絡擁塞等問題。通過實驗結果表明，此系統具有良好的穩定性，但是查準率較低。為了使變電站中的故障問題得到及時解決，該文提出了基于大數據挖掘技術的智能變電站故障追蹤架構

1 基于大數據的變電站故障信息架構

大數據平臺通過優化資源調度、管理數據副本，能夠使數據高峰時刻的網絡傳輸問題得到解決。由于在出現故障之后的診斷程序要及時處理大量的信息，所以該文通過大數據平臺實現故障診斷，通過分布式存儲技術收集變電站中的故障數據，從而避免在數據調度過程中出現擁堵等情況，以此實現上層的有效診斷[2]。電網故障大數據平臺架構如圖1 所示。

圖1 電網故障大數據平臺架構

文中故障處理程序的平臺架構，主要包括故障信息查詢模塊、故障診斷及追蹤模塊、數據模型交換及拓撲模塊和錄波文件分析模塊。圖2 為故障診斷程序的工作流程。

圖2 故障診斷程序的工作流程

與圖1的電網故障大數據平臺架構結合，故障診斷和追蹤程序分為4 個步驟[3]：

2）資源管理器能夠有效分配任務，工作節點就如同各個模塊執行器，比如信息查詢、故障診斷等模塊，在相應WN 中分發程序代碼。WN 能夠定時返回節點資源使用的情況，實現資源管理器停止、啟動請求的接收[4]；

3）各個WN 對程序代碼執行，WN1 通過HDFS 實現報警信息的提取，利用SN2 中的站內數據追蹤故障；

4）WN1 能夠在故障診斷請求接口中實現追蹤結果與故障診斷的返回。WN4 使離線分析結果在診斷請求接口中發送，比如故障時間、相別等[5]。

對比C/S 形式故障診斷模型，通過Spark 實現基于大數據平臺的故障統一調配，利用調度端單機運行能夠將計算資源轉變為多變電站集群化的運行，從而提高內存與CPU的利用率。其次，不需要到調度端上傳診斷用報警信息，能夠通過YARN，利用HDFS集群進行調用，降低調度端數據擁塞，從而進一步的提高診斷程序的可靠性[6]。

2 系統的功能設計

2.1 系統硬件設計

2.1.1 巡檢任務管理單元

變電巡檢任務管理單元主要包括任務的創建、刪除、保存等功能。此單元能夠在人機交互界面中實現巡檢任務的刪除與新建，操作人員自主調節系統的運行時間。

Gosiewski等從換向流動反應器內甲烷反應機理、動力學、數學模型及驗證、實驗室尺度試驗等方面開展了較為系統的研究。在反應機理方面[11]，波蘭科學院提出了甲烷燃燒詳細反應機理的3種簡化模型，并通過自由空間及蓄熱填料通道內的對比燃燒試驗對簡化機理進行了驗證，如圖3所示。

2.1.2 圖像監控單元

智能變電站故障追蹤中的圖像監控單元為功能類單元，圖3 為圖像監控單元的結構。

圖3 圖像監控單元的結構

通過圖3 可知，利用紅外攝像儀與可見光攝像機構成圖像監控單元，此為變電站設備智能化巡檢系統的主要模塊。通過可見光攝像機，能夠對視頻服務設備進行封裝，利用此設備實現輸出模擬視頻。利用紅外攝像儀能夠無損收集變電站中的設備信息，兩者結合能夠實時監控變電站設備的運行，從而提高變電站設備智能化巡檢的查準率與查全率[7-8]。

2.2 系統模塊設計

2.2.1 視頻監控模塊

此模塊能夠對變電站中各個部分進行視頻監控，通過模擬攝像機或者網絡攝像機，將變電站區環境、主變壓器外觀和中性接地點地刀等作為主要監控點。系統利用攝像機能夠收集現場的圖像，通過編碼器轉變數字信號，之后進入到網絡系統中，各個監控點圖像通過網絡系統在控制中心傳輸[9]。

2.2.2 隔離開關模塊

隔離開關模塊實現隔離開關狀態信息的傳遞，將電源切斷裝置設置到隔離開關操作機構電源側，在工作出現問題時切斷裝置，并且將動作信號發送到系統中，避免錯誤判斷的出現，同時發送聲光報警信號，站端視頻監控系統能夠在接收模塊中發送報警信息。

2.2.3 智能巡檢模塊

通過環境監測、視頻監控和隔離開關，能夠利用智能巡檢模塊設計遠程智能變電站系統，要求巡檢人員利用電腦進行選擇，就能夠對關鍵設備進行遠程巡檢，從而實現巡檢報告的自動生成[10]。圖4 為智能巡檢的運行流程。

圖4 智能巡檢的運行流程

2.2.4 環境監測模塊

環境監測模塊能夠收集變電站中的信息，包括風速、水浸、溫濕度等，并且對信息進行上傳和處理，采樣時間為5 s。上傳環境信息的變化數據到視頻監控系統，實現不同級別環境量告警信息的設置。在環境量比報警限制要高的時候實現聯動方案的設置，在相機相應預置位中自動執行，并且實現告警錄像、發送郵件、抓圖等功能。其中的一個環境量能夠實現多路視頻的聯動。能夠對多攝像機聯動，通過不同方位、時間在監控中心傳輸現場的信息，并且使信息到站端視頻監控系統中轉發[11]。

2.3 大數據平臺的預測模型設計

該文分析設備的運行風險，響應變量Y為定性變量，只有出現故障或者沒有出現故障的兩個狀態。發生故障的影響因素包括油溫、負載率、投運年限和溫度等，分別使用x1，…，xk表示[12]，所以本文創建Logistic 回歸故障風險預測模型為：

其中，β0,β1,…,βk指各個影響因素所對應的回歸系數。

以此得到計算發生故障的分類臨界概率p的公式為：

通過Python 軟件能夠調用Logistic 模型，利用極大似然估計能夠計算回歸系數。

使用2018 年1 月12 月的記錄作為訓練樣本，2019 年1 月-3 月的數據作為測試數據[13]。通過Python 軟件設置分類臨界概率p，得出不同概率訓練結果明細如表1 所示。

表1 不同概率訓練結果明細

對模型準確率與命中率全面考慮，將p=0.5 作為分類臨界概率，得出表2的參數估計結果。

通過表2 得到Logistic 模型函數表達式，以此對變壓器出現故障的概率進行預測。如果預測的概率在0.5 以上，就表示出現故障，系統自動發出報警。通過上述回歸故障風險預測模型預測樣本，并且得到樣本的預測結果，得出故障等級設備的數量[14]。圖5 為故障識別模型。

圖5 故障識別模型

表2 參數估計結果

3 案例分析

2019 年，某地市公司通過該文課題研究結果，創建變電站智能運維輔助決策平臺，能夠充分展現變電站設備的故障預警功能，實現科學巡視與維護，通過驗證故障預測，其精準率超過90%，提高運維效率和消缺及時率，使設備可用率得到提高，優化了物力、人力的資源配置，提高了服務水平。

每天都能夠實時掌握保電設備的狀態，一共監測815 124 個重點數據，分析數據異常變電站，有效排查潛在的隱患。在線評估設備運行的狀態，預警設備隱患發展的趨勢，制定針對性策略。

在使用設備故障的預警成果中，確定了派單的順序，增強了運維能力和風險管控，具有良好的效果[15-16]。

4 結束語

在智能變電站監控系統的使用數量持續增加時，信息平臺中的設備監測數量也在增加。如何提高海量數據的管理效率，并且挖掘有用知識，文中基于電網信息采集系統的結構特點提出電網故障大數據平臺架構，設計故障診斷和追蹤程序。通過設計結果分析，能夠滿足用戶實際需求。