(马鞍山供电公司 安徽马鞍山 243000)
摘要：近年来，我国各行业跟随科学技术的快速发展而发展，取得了非常不错的成绩，尤其是电力行业。随着智能电网的发展和电网规模的迅速增长，及时、准确地掌握电力设备运行状态面临巨大的问题和挑战。近年来，电力信息化日臻完善，电力设备状态监测、生产管理、运行调度、环境气象等数据逐步实现集成共享，大数据技术为电力设备状态评估和故障诊断提供了全新的解决思路和技术手段。
关键词：电力设备状态；大数据分析；研究和应用
引言
我国近年来快速进入科学技术现代化发展阶段，我国互联网时代已然来临。随着网络的全球化，信息技术已经运用于各行各业，计算机技术的不断发展和在电力系统的有效运用，使电力系统自动化程度不断完善，提高了数据的处理效率。
1大数据概述
大数据作为一种新型的数据信息处理技术，能够通过对大量数据信息的选择和分析，进行整理、计算等，筛选出其中蕴含的规律，进而选取有价值的数据信息。大数据具有数量大、范围广、数据类型复杂多样、内容丰富、数据的来源可靠、数据处理时效高等优势，近年来在各个行业得到了普及和推广。
2电力设备状态大数据内涵和目的
电力设备状态大数据分析主要利用日渐完善的电力信息化平台获取大量设备状态、电网运行和环境气象等电力设备状态相关数据，基于统计分析、关联分析、机器学习等大数据挖掘方法进行融合分析和深度挖掘，从数据内在规律分析的角度发掘出对电力设备状态评估、诊断和预测有价值的知识，建立多源数据驱动的电力设备状态评估模型，实现电力设备个性化的状态评价、异常状态的快速检测、状态变化的准确预测以及故障的智能诊断。电力设备状态大数据分析是传统数据挖掘技术的提升和变革，核心优势是从全量数据中提取客观规律，不需要建立复杂的物理数学模型,主要应用价值体现在：1）从数据分析的角度揭示电力设备状态、电网运行和气象环境参量之间的关联关系和内在变化规律，捕捉设备早期故障的先兆信息，追溯故障发展过程，预测故障发生的概率，从而及时发现、快速诊断和消除故障隐患，保障电力设备运行安全。2）利用多维统计分析、关联分析、机器学习等方法获得不同条件、不同维度电力设备状态变化的个性化规律，实现多维度、差异化的全方位分析，大幅提高电力设备状态评价和预测的准确性。
3电力设备状态大数据分析应用
3.1总体需求分析
电力设备的状态变化和突发故障是在高压电场、热、机械力以及运行工况、气象环境等多种因素的作用下发生的，要及时和准确地发现设备在运行中产生的潜伏性故障是十分困难的，必须多角度综合分析不同特征参量值及其变化趋势，来提高设备状态评价、诊断和预测的准确性。而电力设备的状态变化和故障演变规律蕴含在带电检测、在线监测、巡检试验以及运行工况、环境气候、电网运行等众多状态信息中，随着智能电网的建设和不断发展，设备检测手段的不断丰富，电网运行和设备检测产生的数据量呈指数级增长，逐渐构成了当今信息学界所关注的大数据，充分利用这些数据需要相应的大数据分析技术作为支撑。
3.2基于大数据的电网运行可视化监控
在整个输变电网络中有大量的设备、及检测点，通过传感器实时从各设备上采集设备运行指标及输变电的电压、电流、负载状态监测指标等，通过大数量的实时处理平台进行数据提取、加工及整合，再通过可视化大屏实时展示各设备及监测点的运行，对于设备及检测点数据的异常及时预警，及时处理。同时将设备的运行数据及检修数据进行整理分析形成知识库，以此知识库通过大数据处理技术及数据挖掘进行设备生命周期预测、设备异常问题检修处理方法推荐、设备检修周期以可能问题预测，以及对电力设备资产管理、设备运检管理、设备技术管理、技改大修管理等的大数据支撑。
期刊文章分类查询,尽在期刊图书馆
3.3面向大数据的能效分析与需求响应
电力系统采集了大量的用户侧数据，目前这些数据仅仅用于浅层次的统计计算，很少发掘其深度应用价值。利用大数据技术，通过对用户侧数据进行用户用电分析，从而合理有效地引导电力用户侧负荷资源参与电网的削峰填谷，减轻电网高峰负荷压力，提高电网运行效率和经济性。通过对用户用电信息数据的大数据分析和挖掘，可以对典型行业的负荷特性和典型用能场景下的用能行为进行分析，可以研究用户的用电行为的影响机理和行为特征，构建企业或区域用户画像体系，进一步提高服务质量；通过对海量用能数据的清洗、整合、挖掘和识别，可以对用能数据进行综合能效评估，形成一套有效的能效评估分析系统，全面了解用户用电特性，建立以楼宇为典型符合实例的需求响应模型，形成应对的用电需求响应策略。
3.4设备状态异常的快速检测
电力设备在实际运行过程中会受到过负荷、过电压、突发短路、恶劣气象、绝缘劣化等不良工况和事件的影响使设备状态发生异常变化，这些异常运行状态如不及时发现并采取措施，会导致设备故障并造成巨大的经济损失。大数据分析可以改变传统固定阈值的检测方法，基于海量的正常状态数据建立数据分析模型，利用纵向（时间）和横向（不同参数、不同设备）状态数据的相关关系变化判断设备状态是否发生异常，及时地发现潜在故障隐患。目前，一些研究采用聚类分析、状态转移概率和时间序列分析等方法进行状态信息数据流挖掘实现设备状态异常的快速检测，取得了一定的效果，基于高维随机矩阵、高维数据统计分析等方法建立多维状态的大数据分析模型，利用高维统计指标综合评估设备状态变化，也展现了良好的应用前景。
3.5结合PMS系统和大数据挖掘
可以总结各类型设备的故障概率与运行役龄的关系，在出现故障概率高的役龄阶段对变压器进行重点维护检修，一方面使全年度检修计划更有侧重、更具针对性，另一方面可有效降低设备出现故障的频次，对于保障电力设备安全稳定运行和高效优质供电具有重要意义。
3.6设备状态变化和故障预测设备状态预测
是从现有的状态数据出发寻找规律，利用这些规律对未来状态或无法观测的状态进行预测。传统的设备状态预测主要利用单一或少数参量的统计分析模型（如回归分析、时间序列分析等）或智能学习模型（如神经网络、支持向量机等）外推未来的时间序列及变化趋势，未考虑众多相关因素的影响。大数据分析技术可以挖掘设备状态参数与电网运行、环境气象等众多相关因素的关联关系，基于关联规则优化和修正多参量预测模型，使预测结果具备自修正和自适应能力，提高预测的精度。设备故障预测是状态预测重要环节，主要通过分析电力设备故障的演变规律和设备故障特征参量与故障间的关联关系，结合多参量预测模型和故障诊断模型，实现电力设备的故障发生概率、故障类型和故障部位的实时预测。
结语
设备状态大数据分析在数据集成、数据质量、样本数量等方面面临一些挑战，未来突破的关键是设备状态数据的全面获取以及数据挖掘分析与业务需求的深度融合，大数据结合人工智能技术的应用将是重要的发展方向。
参考文献:
[1]代杰杰，宋辉，杨祎，等.基于栈式降噪自编码器的输变电设备状态数据清洗方法[J].电力系统自动化，2017，41(12)：224-230.
[2]严英杰，盛戈皞，陈玉峰，等.基于时间序列分析的输变电设备状态大数据清洗方法[J].电力系统自动化，2015，39(7)：92-96.
[3]黄彦浩，于之虹，谢昶，等.电力大数据技术与电力系统仿真计算结合问题研究[J].中国电机工程学报，2015，35(1)：13-22.
[4]魏大千，王波，刘涤尘，等.基于时序数据相关性挖掘的WAMS/SCADA数据融合方法[J].高电压技术，2016，42(1)：315-320.
论文作者:杨虎,高芦
论文发表刊物:《电力设备》2018年第25期
论文发表时间:2019/1/25
标签：状态论文; 数据论文; 设备论文; 电力设备论文; 大数论文; 故障论文; 电网论文; 《电力设备》2018年第25期论文;