于泳洋
国网西藏检修公司 西藏拉萨 850000
摘要：随着智能电网建设规模的不断增长、电网拓扑结构和运行方式等日趋复杂，电网公司加大了变电站设备管控技术的推广，智能变电站设备数量的快速增长使得设备管控的信息数据量也在大幅增长。该类数据不仅仅包含设备异常运行时的状态信息数据，同时还包含设备稳定、湿度以及图像等数据，逐渐构成智能变电站设备管控大数据。如何对智能变电站设备管控大数据进行高效处理和分析是当前重点研究课题。通过对设备管控大数据的存储、管理和分析，设备管控人员能够在大数据中心获取设备的历史和实时运行状态，对变电站设备的安全稳定运行提供重要技术支撑。然而，智能变电站设备管控系统的大量监测节点向数据平台传送所采集到的设备数据，形成海量的多源异构复杂数据。数据中心不仅需要对海量的数据进行存储，而且需对存储的数据进行快速分析和处理，并感知变电站设备的运行状态。
关键词:变电运维;数据挖掘;预测分析
电网结构越来越复杂，设备呈现类型众多、数量庞大、技术新等特点。电网运行过程中变电站各个元器件随之产生大量数据，数据的多样化考验变电运维人员的处理能力，如何对数据进行存储、挖掘、分析、应用，尽可能发挥变电运维数据的作用，成为新时代下变电运维技术的研究重点和难点。
1数据来源和特征
从数据来源角度来看，智能变电站设备管控数据可分为内部数据和外部数据两大类。其中内部数据包含功率、电压和电流等设备内部信息，该类数据可由数据采集系统、广域监测系统等获取。而外部数据则由与电网相连接的其他外部网络获取，如物联网、互联网等。另外，设备数据可分为静态数据、动态数据以及准动态数据。其中静态数据主要包含设备台账和技术参数等；动态数据反映设备运行状态随时间变化的数据，包括运行数据和带电检测数据等；而准动态数据则是通常定期或者不定期获取并更新，包括定期检修记录和故障记录数据等。
2数据挖掘方法
数据挖掘基本流程大致可分为6大模块，分别是业务理解、数据理解、数据准备、建立模型、模型评估和应用改进。业务理解即确定目标和明确分析需求;数据理解即数据收集和数据清洗，其中数据收集所抽取数据必须能够正确反映业务需求，否则所得到的分析结论将会无效化甚至误导化，数据清洗作用为“去噪”和“补全”，剔除原始数据中的坏数据和拟合缺失数据;数据准备即探索数据内部规律和数据转换，如归一化、标准化等;建立模型即综合考虑业务需求目标，选择全局最优的模型;模型评估即根据评价标准对所建模型的精度、效率和通用性进行客观评估，然后基于评估结果判断所建模型是否满足业务需求;应用改进即将模型应用于业务实践，切实解决业务需求，挖掘数据的最大价值，同时基于应用情况及时跟踪改进现有模型，以达到模型优化的目标。
3智能变电站设备管控大数据分析系统所面临的问题和挑战
集中在如下几个方面：ａ．智能变电站设备管控数据的体量巨大。据统计，一个数字变电站一天内所产生的数据量高达３ＴＢ，随着设备管控监测系统的扩大，数据体量还会增加。ｂ．多源异构数据的关联关系。海量多源异构数据的关联性分析需要处理巨大的数据体量，对数据挖掘的效率是一个挑战。ｃ．数据多维度属性。变电站设备具有地理位置属性，而某一设备数据则具有时间属性。ｄ．快速的数据处理需求。智能变电站设备管控要求对海量数据进行批量处理，对数据的处理速度提出了挑战。
4应用场景分析
4.1 数据集成与预处理
智能变电站设备管控大数据通常需从设备状态监控系统和物联网系统获取设备数据，依据数据安全、可靠性要求，可采用数据中心数据库共享方式从不同设备不同业务中抽取数据。这些获取的数据可能存在数据质量低、冗余、缺失和不一致等问题，需对数据进行预处理，主要的数据预处理方法包括：ａ．数据清理。对数据库中不正确、不完整和不相关的数据进行识别、替换、修改或者删除。ｂ．数据集成。组合、存储多源数据，将类型不一致的数据进行统一化处理，并对组合过程中冗余数据进行清除。ｃ．数据变换。对数据进行转换处理，满足数据挖掘的格式需求，包括数据规格化、规约等。ｄ．数据规约。采用特征集方法来降低数据挖掘过程中的自变量数量，可用较小规模的数据对原始数据进行替代。
4.2建设图数一体的智慧电网地图，实现多维电网一张图管控
平台建成省域虚拟电网，同时将图元与各类数据进行一体化整合，打造“图数一体”的省域智慧电网地图。平台基于ＡＩ（人工智能）的深度学习技术对匀光匀色影像进行处理，经人工样本训练后，可在高清影像地图上智能识别和提取智能识别和提取居民区、自然保护区等环境敏感点数据，并通过叠加多种地表覆盖类型图层以及网架数据，实现主网多图层、多时态、穿透式展现以及现状态、规划态、在建态多维电网一张图管控，在变电站选站和电力线路选线及后续工程建设中提供技术支撑，实现数据的跨专业融合应用。
4.3关键状态评估与预警模型应用
应考虑传输设备状态变量的时间部分和空间部分之间的相关性。关键状态评估的步骤如下：1）数据采集和预处理后，根据不同状态变量的高维矩阵，并组合成矩阵X1-X5。2）每周计算这些关键状态矩阵的样本协方差矩阵的特征值和特征向量。计算相应的环和谱分布。3）利用第2.1节中的方法比较当前数据和历史数据的环和谱分布，计算了关键状态评估值P。当P大于阈值时，判断关键状态矩阵异常。4）如果关键状态矩阵是异常的，则通过将异常矩阵拟合到AMRA模型来构造剩余序列的高维矩阵。
4.4数据可视化展示
采用一种三维平行散点图以及人机交互来实现智能变电站设备管控大数据分析系统的数据可视化展示。在Ｈａｄｏｏｐ大数据计算平台上，采用大数据可视化类库，实现了智能变电站设备管控大数据的可视化展示，具体步骤如下：ａ．读取变电站设备多源数据库提取产生的设备状态信息分布式数据集合，生成某一特定设备状态信息的元素表。ｂ．对某一特定设备状态信息的元素表的每个数据元素进行分解和聚类编号，分别记录对应的聚类编号和数据点集，并构建聚类编号和数据点集的列表。ｃ．对聚类编号列表中的每一个聚类编号进行着色，并构建对应的着色列表。ｄ．以数据点集列表和着色列表作为输入数据，构建对应的三维平行散点图。ｅ．为构建的三维平行散点图添加坐标轴，并通过人机交互实现数据可视化展示。
结束语
变电站运维大数据的挖掘和应用在智能技术日渐成熟的情况下，将不断地深入发展且功能完善。整合变电站运维大数据，形成可高效利用的结构化数据，合理选取运用相应数据挖掘技术，提供客观的分析结果，为设备运维检修提供决策帮助，最终，促进电网智能化发展，为电网稳定运行提供可靠支持。
参考文献
[1]汤雪松,孙会龙,王洪授,陈红光,杨弦,邓小翠,包秀莉.基于电力大数据背景下变电站设备状态检修[J].科学咨询(科技·管理),2018(12):76-77.
[2]王英杰,徐璐,王宏伟,乔木.大数据技术在特高压变电站运维中的应用[J].电力大数据,2018,21(11):74-77.
[3]范李平,张晓辉,苏伟.一种新型变电站智能运维平台的设计及应用[J].电气开关,2018,56(05):100-102.
[4]徐家慧,叶海峰,张昊,马富,谭琛.基于大数据技术的变电站设备监控信息综合分析及智能决策系统[J].中国科技信息,2018(20):89-90.
[5]崔大铭.变电站视觉感知可视化系统应用研究[D].昆明理工大学,2018.