国网甘肃省电力公司天水供电公司 甘肃天水 741000
摘要：作为电网系统最重要的构成部分，电力设备的运行状态会直接影响到电网系统运行的稳定性。大数据时代来临以前，要得到电网系统中电力设备的运行状态信息通常采用定期人工检查以及定期预防性检测两种方法。但随着电力工业的发展，这两种方法已经不再适应时代的要求。以往智能电网这一概念只停留在理论层面，然而伴随着互联网领域的不断发展，智能电网已经可以开始逐步的建设，这也使得在线监测系统在电网系统中发挥了更为重要的作用，较大程度上保证了电网系统的安全、稳定运行。
关键词：电力大数据；故障诊断；大数据应用；电力系统
1电力设备故障诊断中的大数据挖掘技术理论
1.1瑞丽（Renyi）小波包奇异熵算法
熵的实际意义是衡量热力学系统随机性的量，起初熵这一概念主要用于研究热力学中的气体。20世纪40年代，在Shannon创立的信息论中首次提出了信息熵的概念，基于熵这一概念，人们对信号在信道中的传输过程进行了研究。随后，Renyi在 Shannon信息熵的概念基础上提出了瑞丽熵（Renyientropy）的 理 论。因此，瑞丽熵的离散表达式可以表示为：
.png)
式（1）中，q 表示瑞丽熵的阶数，q 的定义域为[0，1）∪（1，+∞）。在瑞丽熵的基础上，结合离散小波包分解算法，构建瑞丽小波包奇异熵（Renyi Wavelet Packet SingularEntropy，RWPSE）算法[9-10]。假定，测量所得到的尺度为i的信号X（n）的小波分解系数为：
.png)
基于小波分解系数对滑动窗口进行定义，其中窗口的宽度 w∈N。此外滑动系数 δ∈N，2≤w≤N 且1≤δ≤w，因此得到的滑动数据窗口是：
.png)
在式（3）中，m=0，1， ，M，同时 M=（N-w）/δ。W（m，w，δ）中的分解系数可以组成矩阵Y。由矩阵奇异值的分解原理可以将Y拆分成Y=UΛVT。矩阵Y主对角线上的数全部均是奇异值λj。基于信号尺度i的任何小波包奇异熵S为：
.png)
在式（4）中，
.png)
通常情况下，信号瞬态时的频率分量所具有的时间复杂程度可以采用瑞丽小波包奇异熵进行较为准确的表征。
1.2 基于TEO的瞬时信号算法
Teager能量算子（TEO）是非线性的，能够针对单一分量的 AM信号和 FM信号进行解调，同时可以对相应信号的瞬时幅值与频率进行快速、准确的计算。Teager能量算子（TEO）的算法较为简洁，可以迅速追踪目标信号的动态变化，实现频段信号的迅速检测，被广泛应用于信号的即时检测。将连续信号x（t）的TEO定义为：
.png)
其中，x′（t）和 x″（t）分别表示连续信号 x（t）的一阶导数与二阶导数。对于连续信号x，设置信号的频率f和幅值A，对信号进行采样得到离散信号xn，设置采样频率fs：
.png)
其中，
.png)
因此定义离散信号xn的Teager能量算子为：
.png)
根据式（9）可以确定瞬时状态下，离散信号能量算子的采样点仅设置 3个即可。这表明 Teager能量算子的瞬时特性较好，所以采用 Teager能量算子对瞬时信号的能量进行计算可以较好地完成对电力系统中电力设备的故障诊断。
2案例分析
2019年7月，110kV变电站10kV1M、2甲M母线失压，损失负荷4.6MW。经检查，110kV变电站#1主变变低501开关柜发生故障着火。该开关柜额定电压为12kV，额定电流 4 000 A，型号KYN28-12，故障发生后，迅速结合电力大数据平台及时调出运行、试验、检修、设备厂家、调度、生产计划等相关生产单位的历史数据，通过对历史数据判断找出故障原因。
图1 为故障时电压电流故障录波图，故障发生时，#1主变变低B相电压相对A、C相降低，且存在连续的 #1接地变零序电流和连续的 #1 主变低压侧零序电压，可以判断此时发生了 B 相接地故障。
.png)
图1电压、电流故障录波图
故障发生后，除了变低开关已烧毁无法展开针对性试验检查，相邻间隔开关柜高压试验都全部通过，不受变低开关柜的故障影响。由于变低出现短路电流冲击，属于近区短路，对 #1 主变进行短路故障后试验，包括变压器油色谱、绕组变形、直流电阻、绝缘电阻试验，未发现主变受损、绕组变形情况。上述试验项目主要是为了排除当 #1 主变变低侧 10 kV 开关柜发生故障时，故障电流会反向冲击主变绕组，造成变压器绕组匝间短路或绕组变形，对比试验数据和出厂交接试验数据，变压器不受此次故障的影响，可随时投入运行。
3 故障原因
3.1 负荷电流和温度监测情况
通过电力大数据平台查看 PCS900（地调自动化）系统 110 kV 变电站 #1 主变、#2 主变、#3 主变变低开关（A 相）负荷电流，如图 2所示。根据系统显示，#1 主变变低负荷电流远大于其他两台主变变低负荷电流，系统显示 7 月 18 日当天最高负荷电流为3 433.69 A（时间为14时40分）。另外，调取 110 kV 变电站 #1 主变变低开关负荷电流，如图 3所示，该开关柜近期保持较高的负荷水平，在当天下午均有超 3 000 A 的负荷。
.png)
图2 三台主变变低侧负荷电流变化曲线
.png)
图3 #1主变变低侧负荷电流变化曲线图
3.2 运行专业温度监测情况
从电力大数据平台调取故障前后的温度数据，7 月 17 日 18 时左右开展通过 501 开关柜测温，测得 CT 附近位置 103 ℃（环境温度 29 ℃，负荷电流为 2 757 A），成像模糊，无法准确判断发热位置。7 月 18 日 11 时左右进行开关柜复测，测得 501 开关后柜面 75.5 ℃，并通过柜后的测温窗口测得下触头盒连接母排导体温度为 76 ℃（环境温度为28 ℃，负荷电流为 3 340 A）。根据 DL/T 664—2016《带电设备红外诊断应用规范》，运行专业连续两日所测的部位发热属于电流致热缺陷。由于红外测温部位采用测温窗口检测，视野有限，从已有红外图谱来看，该柜存在整体电流性发热现象。同时两次测温时刻电流并非当天最高负荷，在最高负荷下柜内温度会有所增加。值得注意的是，采用测温窗测温（非空气直射），测试温度由于窗口材料隔离会产生衰减，实际柜内温度应该远高于测试温度，存在重大发热隐患。不排除温度过高导致的绝缘性能下降。故障开关柜采用的是风冷散热模式，（咨询厂家）该柜内安装一台功率为 106 W 的风机。根据故障当天#1 主变变低 10 kV 开关 A 相负荷电流运行曲线可知，501 开关负荷电流在用电高峰期（14：00 至 16：00）平均电流为 3 300 A，假设以真空断路器（断口间）主回路电阻采用交接试验电阻值（约 14μΩ）计算发热功率，发热功率约为 152.5 W，发热功率远大于风机功率。通过调取电力大数据平台中相关数据并结合现场解剖情况，综合得出导致此次故障的原因包括：（1）导致此次故障是由于开关柜 B 相真空泡拉杆存在绝缘隐患，发生 B 相高阻抗接地故障，导致 501 开关跳闸，10 kV 1M、2 乙 M 母线失压。（2）产品载流量设计不足，额定电流为 4 000 A，实际3 300 A 左右就过热严重，导致产品重载下过流不足发热严重。（3）结合调度负荷曲线可知，三台主变的负荷之间的差异较大，导致开关柜承载的电流负荷不同。
4 结语
本文采用将电力大数据平台应用于电力设备故障诊断与原因分析中，并对一起 10 kV 开关柜负荷电流异常导致的故障进行了案例分析，证明采用该方法能够得出比传统分析方法在数据收集、分析判断更加准确的结论。同时基于电力大数据故障诊断系统可有助于企业在数据采集、处理、分析等方面能够提供前所未有的技术支持。在已有的数据平台上研究并开发了用于电力设备故障诊断的应用模块，经多次现场检验，基于电力大数据的电力设备故障诊断结果获得了同行的一致认可，能为电力人员在分析类似问题提供宝贵经验。
参考文献：
[1]田世明，杨增辉，时志雄，等.智能配用电大数据关键技术研究[J].供用电，2015，32（8）：12-18.
[2]张启芳，杨洪山，郭乃网，等.基于大数据的电力设备故障诊断与预测研究及应用[C]//2017智能电网新技术发展与应用研讨会论文集，2017：386-389.
[3]薛禹胜，赖业宇.大能源思维与大数据思维的融合（一）大数据与电力大数据[J].电力系统自动化，2016，40（1）：1-8.