摘要：电力技术不断发展，电网骨干网正由当前的500kV网架结构向特高压电网过渡。特高压电网结构复杂，电气元件众多，采用了丰富的数据采集技术及在线监测技术来监控设备状态。变电站内各种监测采集装置在运行过程中会产生大量的数据，从数据规模、增长速度及时间特性来看属于当前大数据的研究范畴。如何有效的利用存储在服务器上的海量数据进行变电站设备运维、故障发现及解放紧缺的运维人员是当前急需解决的问题。
关键词：大数据；特高压；变电站；运维；分析
引言：在科学技术飞速发展的当今社会，电力系统也逐渐摆脱落后的局面，智能化、自动化控制系统渐渐取代人工。智能变电站作为智能电网的核心部分，要求通过全网运行数据分层分级的广域实时信息统一断面采集，实现变电站智能柔性集群及自协调区域控制保护，支撑各级电网的安全稳定运行和各类高级应用，设备信息运维策略与电力调度实现全面互动。
1.国内外大数据研究水平综述
20世纪90年代至本世纪初，是大数据发展处于萌芽阶段，主要研究的是大数据挖掘技术的实现。2003年到2006年是大数据发展的突破阶段，主要围绕非结构化数据自由探索而进行研究和发展的。2006年到2009年是大数据发展的成熟阶段，在技术研究方面形成并行运算与分布式系统。2010年以来大数据技术在社会各行各业的应用逐渐得到认可，大数据技术正在为每一个领域带来变革性影响，且正在成为各行各业颠覆性创新的原动力和助推器。目前，虽然大数据分析技术在变电站生产运维和安全管控中的应用较少。随着大数据技术的发展和成熟，国内外学者也在开展大数据技术在智能变电站的应用和研究。对输变电设备状态数据异常检测，严英杰采用了AR模型、SOM算法、DBSCAN算法、自组织神经网络等算法模型，但是受到外界环境异常带来的影响较大时，可能出现设备状态误报。
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。
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。
期刊文章分类查询,尽在期刊图书馆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。
3.变电站云平台技术
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。
总结：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。
参考文献：
[1]周宏宇，薛友，刘祚宇，沈洁，俞敏，文福拴.特高压变电站设备运维检修费用影响因素度量与分析[J].电力建设，2018，39（01）：19-29.
[2]罗汉武，李文震.“孤岛环境”下特高压变电站运检管理模式的探索[J].企业管理，2017（S2）：202-203.
[3]边红涛.特高压变电站GIS设备SF_6在线监测系统分析及应用[J].电工技术，2017（12）：88+117.
[4]施冬钢，胡龙舟，张峰.超特高压变电站内通信电源设备的运维问题[J].通信电源技术，2017，34（04）：208-209.
[5]王来军，魏勇，梁向阳，张乔宾，李茹勤，郭凯，裴东良，褚琼楠.特高压变电站运维一体化移动作业平台设计[J].数字技术与应用，2014（07）：155-156+158.
[6]陈东平，吴海艳.特高压运维人员“三环一线”培训模式的构建与实施[J].中国电力教育，2014（10）：34-35.
论文作者:闫哲睿
论文发表刊物:《电力设备》2018年第36期
论文发表时间:2019/6/11
标签：数据论文; 变电站论文; 设备论文; 技术论文; 特高压论文; 故障论文; 发现论文; 《电力设备》2018年第36期论文;