基于大數據挖掘技術的變電站智能巡視方法

摘要：變電站內部電力設備種類較多且運行環境復雜，在長期運行過程中存在較大風險。文章提出基于大數據挖掘技術的變電站智能巡視方法。該方法從變電站配置的監控系統中提取變電站設備巡視數據，經過數據清洗、數據集成、數據轉換等預處理，通過巡視數據發現設備缺陷狀態，基于挖掘結果優化巡視并安排檢修。實驗結果表明，利用該巡視方法變電站內設備缺陷命中率高達98.24%，實際巡視效果良好。

關鍵詞：大數據挖掘技術；變電站；智能巡視；巡視方法

中圖分類號：TM715" 文獻標志碼：A

0 引言

隨著智能電網技術的不斷進步，變電站作為電力系統的關鍵組成部分，其高效穩定的運行狀態對于保障我國電力供應質量具有重要作用。然而，變電站內部電力設備種類繁多、運行環境復雜，日常運行過程中極易發生故障，不僅影響設備的安全運行，還會影響整個變電站的供電質量。因此，管理人員應對變電站設備進行及時、準確地巡視，及時發現和處理潛在的安全隱患，確保變電站安全運行。

彭明智等^［1］應用人工智能技術對變電站內設備運行狀態進行識別，及時排除潛在風險，完成變電站巡視，但人工智能技術成本較高，不適合大規模應用。陳南凱等^［2］通過改進生物激勵神經網絡算法進行變電站多任務點的巡視，具有較高的巡視效率，但是該神經網絡算法需要大量訓練數據，實際應用中容易因數據質量問題影響巡視精度。陳智雄等^［3］設計了一種無人機結合地面機器人的變電站巡視方法，可以實現變電站的全范圍且高精度巡視，但是該算法對環境因素較為敏感，實際應用中如果天氣惡劣則難以保障巡視效果。

針對現有研究成果的不足，本文提出一種基于大數據挖掘技術的變電站智能巡視方法，進一步提高變電站巡視的效率和準確性，降低人為因素的干擾。

1 提取變電站設備巡視數據

在我國智能電網技術高速發展的背景下，各城市的變電站已廣泛配置了不同型號的后臺監控系統。這些系統實時采集各變電站的遙測、遙信等海量數據，為變電站的安全、穩定運行提供了強有力的數據支撐。本文將通過對變電站后臺告警監控系統提供的巡視數據進行挖掘分析，實時監控變電站設備運行狀態。本文主要采用一種遠程數據庫連接的方式進行變電站設備巡視。數據遠程提取如圖1所示。

在變電站配置的監控系統中提取變電站設備巡視數據時，采用ODBC技術，建立遠程數據庫與變電站后臺告警監控系統數據庫之間的連接；在建立連接后，采用輪詢的方式對各個子站的電力設備巡視數據進行提取。輪詢是指按照一定的時間間隔或順序，依次訪問各個子站并提取其電力設備巡視數據，這樣可以確保所有子站的電力設備巡視數據都能被及時、完整地提取出來。不同子站的電力設備巡視數據可能存在格式差異，因此須要對提取出的數據進行格式轉換。格式轉換主要通過編寫告警處理子程序實現，將各個子站的電力設備巡視數據統一轉換為數據庫可識別的格式并接入遠程用于大數據挖掘的本地數據庫。通過以上步驟，可以實現對變電站后臺告警監控系統中設備巡視數據的提取和存儲，為后續的數據分析和處理提供數據基礎。

2 預處理變電站設備巡視數據

設數據集中第i個數據Xi的缺失值為X0i，該數據的非缺失值集合為X1i，X2i，···，Xni，則可以利用均值來估計缺失值：

X0i=1n∑nj=1Xji（1）

進行數據轉換以統一數據格式和量綱，主要采用歸一化方法進行巡視數據預處理，即將原始變電站設備巡視數據按一定比例進行縮放操作，使之落入一個特定的區間內［0，1］，表達式如下：

x=X′-X′minX′max-X′min（2）

其中，x為歸一化轉換后的變電站設備巡視數據；X′min、X′max分別為歸一化處理前的變電站設備巡視數據的極小和極大值。通過數據清洗、數據集成和數據轉換等預處理步驟，有效地提高了變電站設備巡視數據的質量，為后續的大數據挖掘提供更加準確、可靠的數據基礎。

3 基于巡視數據的大數據挖掘結果優化巡視

在獲取了高質量的變電站巡視數據后，對巡視數據的深度挖掘至關重要。挖掘結果能夠更好地幫助管理人員理解設備缺陷狀態，預測潛在故障，優化巡視與檢修策略。因此，本文引入大數據挖掘技術進行變電站巡視數據的挖掘。具體挖掘流程如下：生成變電站設備巡視數據的頻繁項集，即對原始變電站設備巡視數據集進行掃描，分別計算各個項的支持度，從而生成候選項集。表達式如下：

S（A）=N（Ax）|K|（3）

其中，S（A）為項A的支持度；N（Ax）為待挖掘的變電站設備巡視數據集x中A的樣本數量；|K|為樣本數據庫中所有樣本的數量。根據式（3）分別計算每個項的支持度并設定一個合理閾值，當支持度超過設定閾值時，認為該項是頻繁的，組成一個頻繁項集。當得到頻繁項集后，對于每個頻繁項集，生成以其為前件的所有可能的后件，形成關聯規則，關聯規則的置信度記為：

C（A→B）=M（AB）N（Ax）（4）

其中，C（A→B）為關聯規則A→B的置信度；M（AB）為項A和項B同時出現的樣本數量。計算出各候選項集的置信度后，篩選出置信度gt;最小置信度的頻繁項集，即可獲得變電站電力設備缺陷狀態與巡視數據之間的強關聯規則，根據強關聯規則可以挖掘出實際巡視數據對應的設備缺陷狀態，以此實現變電站的智能巡視。

4 仿真實驗

4.1 實驗準備

本文引入基于人工智能技術的變電站智能巡視方法和基于生物激勵神經網絡的變電站智能巡視方法，展開變電站智能巡視的仿真對比實驗，以驗證設計方法的有效性和優越性。實驗采用我國某變電站公開的電力設備巡視數據集作為實驗數據集，其中包含了6種不同設備缺陷類型的變電站巡檢數據。由于該數據集中沒有明確規定訓練樣本和測試樣本的數量，本次實驗采用隨機的方式，從中抽取70%的數據作為訓練樣本，其余30%的數據作為測試樣本。數據分布情況如表1所示。

以MATLAB軟件作為仿真實驗平臺，構建一個包含多臺二次設備的變電站仿真環境，在各設備上設置如表1中所示的6種缺陷類型。實驗采用各設備缺陷類型的變電站巡視數據訓練樣本，對基于大數據挖掘技術的變電站智能巡視方法、基于人工智能技術的變電站智能巡視方法和基于生物激勵神經網絡的變電站智能巡視方法進行訓練優化。模擬變電站環境，應用訓練完成后的各方法進行智能巡視測試，對比測試結果。

4.2 結果分析

在本次仿真對比實驗過程中，分別應用基于大數據挖掘技術的變電站智能巡視方法、基于人工智能技術的變電站智能巡視方法和基于生物激勵神經網絡的變電站智能巡視方法，在包含多種設備缺陷的變電站仿真環境中進行模擬巡視，在各方法巡視過程中，記錄對缺陷樣本的命中情況，即發現或處理的缺陷樣本數量。實驗結果對比如圖2所示。

由圖2可知，在變電站智能巡視中，本文設計方法表現最佳，變電站內電力設備的缺陷命中率達98.24%，較基于人工智能技術的變電站智能巡視方法和基于生物激勵神經網絡的變電站智能巡視方法分別提升了7.82%、11.06%。由此可知，該方法在變電站智能巡視中具有良好的應用效果，可以準確反映設備缺陷狀態，保障變電站整體安全與穩定。

5 結語

本研究提出了基于大數據挖掘技術的變電站智能巡視方法，通過挖掘變電站設備的運行數據，實現了對設備狀態的全面監測和智能分析，有效提升了巡視效率和準確性。盡管本研究取得了一定的成果，但仍有許多值得進一步探索和研究的問題。未來將繼續優化數據挖掘算法，提高數據處理的效率和準確性。

參考文獻

［1］彭明智，許堯，胡永波，等.基于人工智能技術的變電站二次設備智能巡檢技術［J］.高電壓技術，2023（增刊1）：90-96.

［2］陳南凱，王耀南，賈林.基于改進生物激勵神經網絡算法的多移動機器人協同變電站巡檢作業［J］.控制與決策，2022（6）：1453-1459.

［3］陳智雄，楊家偉，肖楠，等.基于無線攜能傳輸和多級邊緣卸載的空地協作巡檢算法［J］.電網技術，2022（10）：3961-3969.

（編輯 王雪芬編輯）

Substation intelligent inspection method based on big data mining technology

LI" Lu

（Jinzhong Power Supply Company，State Grid Shanxi Electric Power Company， Jinzhong 030600， China）

Abstract：" Because there are many kinds of power equipment in the substation and the operating environment is complex， there are great potential risks in the long-term operation process. This article puts forward an intelligent inspection method of substation based on big data mining technology. The inspection data of substation equipment is extracted from the monitoring system of substation configuration. After data cleaning， data integration， data conversion and other pretreatment， the inspection data finds the defect state of the equipment， and based on the mining results， the inspection is optimized and the maintenance is arranged. The experimental results show that the hit rate of equipment defects in the substation is as high as 98.24% under the inspection of the design method， and the actual inspection effect is good.

Key words： big data mining technology; substation; intelligent inspection; inspection method