张建武
国网山西省电力公司检修分公司 山西省太原市
摘 要：特高压变电站在运行过程中会积累大量数据，数据规模和增长速度都是超高压变电站所不能比拟的，如何有效的利用这些丰富的数据资源进行业务决策是急需解决的问题。大数据技术为特高压变电站运维工作提供了新的解决思路，通过将站内传感器采集的数据集成到变电站云平台，基于云平台开发各种应用子系统可方便巡检及故障预测，大大优化人力配置。本文首先分析了当前特高压变电站数据的来源及特性，界定了特高压变电站数据从属于大数据的研究范畴，接着从智能巡检和故障预测两方面探讨了大数据技术如何助力特高压运维工作，阐述了新的巡检模式，介绍了利用大数据技术进行故障发现及预测的工作思路，最后分析了与特高压变电站云平台搭建相关的大数据技术，对相关趋势进行了展望。
关键词：大数据；云计算；特高压；运维
1 变电站大数据
特高压变电站与传统超高压变电站有着较大的区别，其设备规模和电压等级均更上一个台阶，需要采用更多的在线监测手段采集数据来辨别设备当前状态，因此特高压变电站内集成了数量庞大的传感器，用来实时采集设备状态数据。
各类传感器对间隔层设备的状态量进行监测，监测数据通过分布式网络传输至服务器机群，从服务器上传至站控层监控后台供运维人员进行分析判别。由于采集数据的数量庞大、采集频率极高，造成特高压变电站内的监测数据成指数级增长。
变电站内集成的众多传感器每时每刻都产生大量数据，不同的监测采集手段决定了数据的格式是多样性的。数据产生的快，同时需要更快的处理方式。所有数据在正常情况下都是真实可靠的。数量大、数据多样、产生速度快、数据真实这四个特性与大数据的4V特点相符合，因此可采用大数据技术对这些数据进行分析，制定相应的决策进行设备状态鉴定。
2 大数据助力运维
2.1 基于大数据的智能巡检
特高压变电站地域广、设备多，每日巡视耗费较大的精力。同时，因巡检人员水平及能力不同，又缺乏规范的标准，造成对缺陷描述不统一，经常导致缺陷重复录入现象。借力大数据技术，巡检人员可以有针对性的对可能出现问题的设备重点巡视，只需录入设备现场数据便可由计算机自动生成缺陷描述及缺陷报告，实现对设备的集中管控。
目前各电力公司普通采用手持移动终端巡检的工作方式，这种工作方式实现了设备信息的自动录入，但仍存在诸多问题，比如巡检内容繁杂且无针对性，无法实时读取设备工况，缺陷异常的定性较为困难等。
依托大数据技术，搭建变电站云平台。云平台可根据集成的设备出厂信息及历史数据等知识资料，结合当前运行工况及气象环境进行主动推荐当日巡视重点项目。
运维人员手持智能巡检设备，在巡检过程中将发现的设备现象通过图片、音频、视频或文字描述等方式录入巡检设备，巡检设备将信息自动上传云平台，通过后台服务器进行数据分析得出设备健康状态变化趋势，从而进行设备状态定性，给出合理化建议，预先发现设备故障。
当巡检完某一项目，巡检设备会根据推荐系统相关算法进行推荐距离最近的应去巡检的设备。依托智能移动设备，基于大数据技术的巡检，规范巡检流程，集成标准操作，能有效提高巡检效率，预先发现设备隐患，解脱运维人员压力。
2.2 基于大数据的故障发现及预测
特高压电网已经逐渐成为电力系统的主要网架结构，特高压变电站站内设备作为电力生产系统的核心，其重要性不言而喻。准确预测并及时发现设备故障，对维护电网稳定至关重要。
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。
当前大数据技术已然成熟，利用大数据技术进行数据分析，从而进行故障诊断和预测的研究将具有十分重要的意义。
特高压变电站内集成汇总了SCADA系统实时数据、红外图谱数据、SF6在线监测数据，局放在线监测数据，保护、测控、故障录波数据，油温油位数据、EMS、PMS、OMS等，丰富的信息资源足以进行合理的故障发现及预测。
首先将这些异构数据信息进行融合并分别存储到相应的数据库及文件系统中，建立设备的索引树，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，对无用数据过滤，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，采取合理的机器学习算法或者推荐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。
利用大数据技术进行故障发现及预测，在故障发生之前找出最可能发生故障的设备，进行有针对性的维护，可以大大降低故障发生的概率，提高电网稳定性。
3 变电站云平台技术
特高压变电站要求记录设备每个瞬间的运行数据及全景状态的监测数据，这些海量数据的存储和传输给服务器及总线带来了极大的挑战。数据压缩技术可以减少网络拥堵，提高存储效率，但压缩与解压的过程将耗费大量的CPU资源，因此建立变电站云需要选择合适的存储与计算平台。
变电站云平台，数据存储必须是可计算的数据共享池，数据处理算法必须有效而快速。
3.1 数据存储
关系数据库主要处理结构化及半结构化数据，可以实现快捷查询分析、事务处理等功能，有效保证了数据的安全性。然而在特高压变电站运行过程中会产生诸多的非结构化数据，如放电图谱、红外图谱、噪声音频视频等。
另一方面，变电站各类业务系统诸如远动装置、保信子站、监控系统、同步相量测量装置、故障录波系统、五防工作站、辅助应用子系统、状态监测子系统等，各类系统来自不同的厂家，有着不同的传输协议、数据接口，子系统之间数据相互独立，难以实现资源共享。
这种情况下关系数据库将不再适用，需要建立并行及分布式数据库系统，在MPP和集群并行的基础上进行节点处理及操作，提高数据的利用率和可用性。在数据存储方面，特高压变电站内的海量数据可采用分布式文件系统来存储，而分布式文件系统由于不满足电网要求的高实时性要求，根据分而治之思想，可对大量的历史数据采用分布式文件系统，对核心数据使用传统的并行数据仓库，对高度实时数据如调度数据网、测控数据等采用实时数据库系统，既可提高数据传输速度，又可避免数据在总线上的不停游走。
3.2 数据处理
数据处理速度是大数据处理技术的关键指标之一。特高压变电站内的数据需要进行毫秒级的分析处理，目前的云计算系统可以提供快速的服务，但有可能出现网络拥塞现象。
特高压变电站要求实现信息的全面采集、传输及处理，实现大规模多源异构数据的融合，需要综合运用机器学习、统计学习、神经网络、SVM等方法来研究和探索异构数据整合问题。
根据应用业务需求可分为分类或预测模型发现、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等。
进行数据处理后，可着手构建设备的知识图谱，比如将断路器的出厂数据、压力值、动作次数、打压次数、打压时间、故障报告等有关该断路器的所有信息进行融合，建立该设备的知识树，进行可视化展示，方便更好地了解该设备的当前运行状态。
4 结语
大数据技术为特高压变电站的运维带来了新的解决思路，通过相关技术应用可以方便巡检及故障预测，充分优化人力配置。借助大数据技术还可以生成每日设备数据报告及风险评估，并实现智能推送。
大数据技术将成为特高压变电站所有业务决策的基础，推动变电站朝着集约化管控、专业化运维方向转变。搭建变电站云平台在不久的将来将成为解决诸多问题的必然选择。