摘要：在实际的工作中，由于人们对于电力的需求在不断提升，变电站的数量也在不断增长，在此过程之中，基建工程不断扩大，业务报装、设备预试以及计划检修工作量也在不断增长，这就给当前的电网工作正常运行带来了非常大的考验，同时也降低了当前电网供电的可靠率。随着云计算技术的发展，数据挖掘技术在云计算平台的基础上计算速度会更快，非结构化数据也能被更好地存储利用，通过融合更多更复杂的数据准确率会大幅提高，可以极大地提高变电运维工作的智能化水平，提高工作效率和完成质量。
关键词：数据挖掘;变电运维
引言
为解决变电运维工作中所获得的大量设备数据未能得到充分利用的问题，本文在搭建变电站云平台已成为可能的条件下，主要结合数据挖掘技术对运行人员从现场获得的数据进行分析处理。这些数据包括设备压力、泄漏电流、动作次数、以及设备台账等，可以用来提高工作效率和质量、进行业务决策，避免形成数据孤岛，提高变电运维的智能化水平。
1运维管理
运维管理是一个相对复杂的业务管理流程，在运维管理的过程中，需要考虑的问题非常复杂，在当前运维管理的角度上，造成影响的主要有以下几个方面，分别是运维的影响范围、运维实施的安全性、运维供电的可靠性等方面的影响，除此之外，施工队伍的物资以及人员工作量安排等都是对运维造成影响的重要因素。在当前的电力公司之中，大多数已经在生产系统中建立了运维管理模块，但是在运维工作方式的编制上，多数依靠人工编制，甚至很多时候会出现开会讨论、现场确认等方面的工序，这就对运维管理的工作造成了极大的影响，在这样情况下，运维管理工作往往会耽误大量的时间，变电站也因为这样的情况，导致运维流程非常繁琐，进而造成当前运维管理工作量繁重，运维工作效率低下的现象。
2变电站巡视
在电力系统中，进行变电站巡视是一个不可避免的环节，它是电力设备正常、平稳运行的重要保证。而依照国家电力行业标准所规定的标准化的电力设备巡检必然会产生巡检状态、巡检视频等大量的数据，能否高效的采集和存储这些数据将直接决定巡检的质量和对设备状态的判断，它不仅是设备状态检修的基础保证，也符合变电站综合自动化正在实施的电气运行模式的需要。一方面，变电站巡视工作是运行人员的日常工作，具备重复性强、工作量大、难以保证巡视质量等特点，需要严格遵循巡视周期并按要求执行巡视作业卡。在巡视过程中会产生大量基础数据，例如保护数据、通信数据、时钟数据、电能计量读数等设备的各种运行参数。如变压器及高压电抗器油中溶解气体含量、局部放电数据、套管介损、微水、油温、油位、铁芯接地电流、夹件接地电流、噪声;断路器的跳闸报告、测距报告、动作次数、气体成分、气室压力、油压;避雷器的泄露电流、动作次数;GIS设备的压力、温度、局部放电图谱、环境参数;各类汇控柜端子箱内的温湿度数据等;蓄电池电压和内阻值;红外测温温度值等反应设备实时状态的数据。运维人员在巡视后将所抄录数据登记于PMS2.0系统中，但此数据库并没有得到充分利用。另一方面，一直以来，对设备巡视工作人员减负、提质增效方面的研究方法主要有:①确定合理的巡视周期和巡视方式;②通过加强过程管控，保证巡视到位控制巡视质量。后者强调流程控制，往往造成人员分心，认为走完流程即完成工作，缺乏对巡视结果的评估和审查，无法充分发挥人员的主观能动性;相比起来，前者通过优化巡视策略，加强对重点设备的巡视来减少运行人员的工作量，更有效地提高了设备巡视工作的效率。因此，可以利用数据挖掘技术对PMS2.0系统中存储的数据进行分析，以确定设备状态的发展趋势，从而发现重点巡视设备甚至缩短巡视周期。
随着云计算、大容量数据存储等技术的不断发展和提高，大容量的数据仓储变得更加完备、可靠，符合了电力系统对数据采集和存储的要求。
3缺陷预测及管理
设备缺陷数据的特点包括:①数据量大，计算机信息管理系统将变电站中原有的设备资产信息管理系统、工作票操作票系统、运行值班日志、缺陷登记管理系统等系统联系起来，这些系统在使用过程中就会产生大量的数据，而且数据来源多;②数据质量差，变电站中的设备缺陷数据往往存在不规范性、二义性、重复和不完整等问题，另外还存在一定数量的噪声数据、冗余数据和稀疏数据等;③数据种类多，设备管理方面的数据、设备运行方面的数据和设备缺陷方面的数据本身就具有多种类型，另外，变电站中的设备缺陷内容本就种类繁多。这些特点都导致了缺陷管理和控制难度较大。传统的故障研究及学习一般都是事后分析，这种生产方法导致了定期计划检修的工作模式。利用数据挖掘技术可以加强和加深设备缺陷的分析功能，可为运行人员预测设备缺陷，从而更高效、更准确地捕捉缺陷，避免停电故障，防止效益损失，对故障诊断和预测的研究将具有十分重要的意义。通过整合并比对历史故障发生前后负荷、功率、电流、电压、操作情况、设备状态及气象信息等内外部因素，进行聚类及分类处理，对设备工况进行关联分析及规律发现，建立合理的多元回归模型或采取合理的机器学习算法进行故障发现及风险预测，形成可以预测故障的模型。模型可基于协同过滤或内容过滤思想，以历史数据及典型案例为训练集，当前数据为测试集，进行缺陷预测及风险评估，通过准确率与召回率计算进行参数调节与模型修正.
4承载力分析
随着电网规模的快速发展，电网建设和检修工作十分繁重，停电工作逐年增加，需要进行电网停电承载力分析以指导年停电计划的编制工作，在保证电网可靠供电的同时满足电网基建、改造、消缺、检修等工作的需求。电网停电承载力分析涉及到电网模型和数据，仅靠人工经验进行分析很难做到全面、准确、高效。将电网运行数据转化为决策依据需要数据挖掘和分析技术。由于影响电网停电承载力的因素较多，有变电站的投运时间、环境气候、往年同期停电数据、输变电设备规模、电网模型和参数、一二次设备状态等，上述数据类型复杂，属于非机构性数据，适合使用人工神经网络法进行分析。如果承载力最后的预测结果超过危险阈值，需要按照停电计划重要性进行优先级排序，取消次要停电计划，如果低于危险阈值但高于安全阈值，需要在停电时做好安全管控措施落实，重点关注作业现场。上述方法从停电计划安排的实际业务需求出发，通过计算阈值得出风险范围，直观评价停电计划安排得是否合理。这种承载力分析方法对停电计划的编制和电网风险管控措施的制定具有重要意义，可以减少对人工经验的依赖，保证电网安全稳定运行。
结语
随着当前科技的发展，以人工为主的运维管理方式，越来越难以适应变电站自动化设备的运维要求，因此只有不断更新自身的运维管理技术，结合当前信息技术，才能够有效对当前存在的问题进行解决，提升变电站运维管理的效率，促进变电站工作效率的提升。
参考文献
[1]费思源.大数据技术在配电网中的应用综述［J］.中国电机工程学报，2018，38(01):85－96+9.
[2]保积秀,张真,闫涵.基于物联网技术的智能变电站二次运维管理系统[J].电子技术与软件工程,2020(01):220-221.
[3]彭飞进,郭为斌,曹志辉,车磊.变电站自动化设备运行质量分析与评价管理[J].自动化技术与应用,2019,38(01):144-146.