新一代智能变电站变电设备状态评估大数据分析应用展望

摘要：为提高新一代智能变电站变电设备状态监测与评估的准确性和效率,文章研究了针对变电设备状态监测与评估的数据监测体系和手段,指出目前在线监测设备的大量应用可为大数据挖掘分析提供强有力的数据支撑,并分析了适用于新一代智能变电站变电设备状态监测与评估的大数据预处理方法,最后从建立设备异常知识库和状态评估2个方面展望了大数据在新一代智能变电站变电设备状态监测与评估领域的应用前景。

关键词 : 智能变电站; 变电设备; 状态监测; 状态评估; 大数据挖掘;

0 引言

智能变电站是智能电网的基础和支撑节点,是衔接智能电网发、输、变、配、用、调度六大环节的关键,也是实现能源安全、稳定、高效转换和控制的重要组成部分。国家电网公司于2009年进行了2批智能变电站的试点建设,并从2011年开始全面推广智能变电站。经过近几年来的研究和实践,目前推广建设的智能变电站初步实现了全站信息数字化、通信平台网络化、信息共享标准化、高级功能应用互动化,大大提升了变电站整体的运维自动化水平[1-2]。但与此同时,在推广建设智能变电站的过程中也遇到了各方面困难,制约了智能变电站的进一步深入发展。为更好地支撑运行、检修核心业务的集约化管理要求,突破智能变电站在建设、运行方面遇到的发展瓶颈,国家电网公司于2012年着手研究与建设新一代智能变电站,目前已有一批试点工程建成并投运。

在新一代智能变电站中,对变电设备的运维管理多维化、精益化是大趋势,大量采用集成了状态检测传感器和智能变电一次设备及新式传感器,监测程度和一次设备的智能化水平大幅提升。随着监测数据采集点周期的缩短,海量的状态监测数据源源不断地产生,这就让应用大数据技术对新一代智能变电站中变电设备进行更为准确和实时的状态监测与评估成为可能。

智能变电站与大数据理念的结合,会对智能电网的发展和智能变电站的变革产生深刻影响。在文献[3-6]中,结合云计算和智能电网的特点,详细说明了基于云思维的理想化智能变电站结构、智能电网的调度及扁平化结构的智能电网,并以此为背景提出了利用网络通信和分布式服务结构实现在虚拟环境下的资源共享和协同工作,实现通过界面直接访问变电站数据,提高了变电站的实时监测水平,充分体现了“电力流、信息流、业务流”高度一体化的理念。本文对在新一代智能变电站变电设备状态监测与评估中的大数据挖掘技术应用进行了总结和展望。

1 研究现状

大数据挖掘是指从海量、完全、多源、异构的数据中挖掘人们无法预知的,但又实际上蕴含着潜在的可被利用的知识的过程。图灵奖得主吉姆格雷曾描绘了数据密集型科研未来发展的愿景,未来的数据密集型科研可仅基于数学模型的海量数据,即可对数据进行分析,也就是将海量数据输入庞大的计算机器集群中,只要数据中存在相互的相关关系,经过计算机集群的计算分析便可挖掘出过去关注因果的科学方法很难发掘出来的新的模式、新的知识甚至是新的规律。新一代智能变电站中变电设备的众多状态信息中同样包含了电力设备的状态和故障演变机理,通过大数据的分析挖掘理论可直接发现这些规律。

适用于新一代智能变电站变电设备状态信息大数据挖掘的方法目前主要是基于计算机集群结合分布式并行计算的方式,包括高性能计算所广泛使用的信息传递界面[7]、应用于大规模计算机集群的MapReduce等。MapReduce模型如图1所示。

图1 MapReduce模型

Fig.1 MapReduce model

整体来说,大数据挖掘技术在新一代智能变电站变电设备状态监测与评估中的应用还处于起步阶段。目前已有一些学者使用人工神经网络算法、模糊推理、专家系统、动态聚类、支持向量机、小波分析等方法进行变压器故障诊断[8-9]。文献[10]给出了基于MapReduce的电力变压器并行故障诊断过程,应用4个MapReduce过程执行故障诊断算法的训练阶段,并得出分类模型,应用1个MapReduce过程完成对电力设备状态信息数据的故障诊断。文献[11-12]在智能变电站环境下,针对各种智能量测装置运行过程中产生的海量状态监测数据,提出在大数据环境下设备故障快速识别与预测的模型,对大数据进行深度挖掘,对故障的特征及与设备的关联关系进行提取,结合周边变电站信息定位发生故障或出现危险情况的具体设备和故障原因,协助运行人员及时分析和处理事故。文献[13]详细分析了变压器故障识别新方法的意义及措施。

2 新一代智能变电站变电设备状态监测与评估诊断数据源

目前,变电站主要通过人工巡视、离线实验、带电检测、在线监测等方式和手段获得设备的状态信息,根据评估模型进行设备状态评估,判断设备状态是否异常,并预判设备的故障情况,在故障发生前对设备安排合理的检修时间和项目[14]。但在传统的变电站中,多数对设备状态的监测依赖于人工实验等低智能化的或离线实验、带电检测等长时间周期的手段和方式,这对进一步精准监控并掌握设备状态造成了制约。

随着新一代智能变电站变电设备物联网的建立和传感技术的提升,智能变电站中变电设备大量采用在线监测手段获取状态数据(见图2)。变压器、断路器、电容性设备(如套管)、金属氧化物避雷器等主要变电一次设备的在线监测已较为成熟,运维人员对设备的状态监测与评估诊断更侧重于在线监测数据。由于变电设备状态数据的丰富,使得大数据技术得以在智能变电站变电设备状态监测与评估中挖掘出有用的信息。

图2 新一代智能变电站关键变电设备状态监测发展示意

Fig.2 Development of key substation equipment condition monitoring in new generation smart substation

在对变电设备状态信息进行大数据挖掘时,需要收集各种可用于状态评估的设备全生命周期的资料、数据、记录等内容。传统意义上的设备状态信息来源主要包括设备台账参数、投运前试验参数、运行记录数据、巡视记录参数、带电检测参数、在线监测参数、检修试验参数、保护信息参量以及缺陷/故障参数。

根据设备状态信息的更新频率,可以将上述不同来源的状态信息划分为静态参数、动态参数和准动态参数。

1)静态参数。①设备台账参数：包括设备名称与型号、厂家信息、出厂和投产日期、设备详细参数等。②投运前试验参数：包括型式试验、出厂试验、交接试验、启动调试、抽检试验等。

2)动态参数。①运行记录数据：设备内置在线量测记录(有别于加装的在线监测装置)的各种运行参数、设备运行负荷/过负荷情况、短路电流水平及持续时间、开关动作情况及跳闸次数、保护动作情况以及环境气象条件/不良工况等。②巡视记录参数：设备外观、振动与声响、负荷情况、表计指示、位置指示、测温情况、阀门位置、开关位置等。③带电检测参数：红外/紫外成像检测、避雷器带电监测、不停电取油、气样试验等参数。④在线监测参数：包括油色谱在线监测、容性设备介损在线监测等参数。

3)准动态参数。①检修试验参数：包括例行试验、诊断性试验、专业化巡检、检修等参数。②缺陷/故障参数：包括缺陷/故障发生时间、部位、现象及程度、原因分析、消缺/故障处理情况以及家族性缺陷信息等。

大数据挖掘方法由于其轻因果、重相关性的特点,除上述新一代智能变电站变电设备的电量信息外,还可接入非电量信息,如社会经济数据、气象数据等。在考虑非电因素下进行智能变电站变电设备的状态监测与评估诊断,往往会得到之前预想不到的相关关系,这些潜在的知识将进一步帮助新一代智能变电站运维人员提升运维工作水平。新一代智能变电站变电设备状态监测与评估诊断数据源如图3所示。

图3 新一代智能变电站变电设备状态监测与评估诊断数据源

Fig.3 Data sources of substation equipment condition monitoring and evaluation in new generation smart substation

3 新一代智能变电站变电设备状态监测大数据预处理

随着新一代智能变电站自动化和一体化的发展,设备状态监测数据的呈现多了许多特点：数据海量化,数据规模增长迅速,呈几何倍数扩大;数据多元化,数据来源广泛,不仅包括各种实时在线监测数据,还包括设备台账信息、带电检测、试验数据、故障数据等离线信息;数据结构和种类更加丰富,包括各类结构化、半结构化数据以及非结构化的数据,且各类数据查询与处理的频度以及对性能的要求也各不相同;数据在不同平台间互通变得困难,交互性较差 [15]。

目前,众多专家学者在融合变电设备状态监测数据多源异构问题方面进行了有益的探索。针对输变电设备全景信息多源、异构特性不利于数据的高效整合和深度挖掘利用的问题,文献[16]提出一种基于改进混合本体的多源异构数据聚合方法(见图4),通过构建数据源的局部本体以及全局本体,利用本体的语义特性解决数据聚合中关键性的语义异构问题;采用网络本体语言和语义网络规则语言相结合的方式建立全局本体和局部本体之间的映射,实现映射的重用和共享[16]。

图4 输变电设备全景信息的多源异构数据聚合方法

Fig.4 Heterogeneous data transmission equipment panoramic information aggregation method

目前,电网业务系统种类多、数据量大,为了有效整合数据资源,建立多源异构融合型的电网大数据库,文献[17]对数据获取、数据预处理、数据清洗、数据质量评价、数据转换等模块进行了设计,研究开发了面向多源电网业务系统的数据获取及转换装置,其面向多源异构电网大数据的获取与转换架构及实现方法在多个典型电网业务中进行了验证。为了减少继电保护信息系统数据上传和数据处理的规模,文献[18]提出了一种继电保护状态评估数据精简的思路,构建精简数据指标集对继电保护系统状态的特征进行表征,并提出利用该精简指标数据对继电保护进行在线状态评价的方法。

对于新一代智能变电站变电设备状态监测大数据的清洗工作,文献[19]将设备状态信息等效成各状态量的时间序列,通过对时间序列中的异常数据进行分类并分析不同类别异常值对时间序列模型的影响,提出了一种基于时间序列分析的双循环迭代检验法。文献[20]则提出一种基于时间序列分析和无监督学习等大数据分析技术的异常检测方法,从数据演化过程、数据关联的全新角度实现异常检测。

4 智能变电站变电设备状态监测与评估大数据应用展望

4.1 智能变电站变电设备异常知识库的建立

4.1.1 智能变电站变电设备关键特征状态参量的提取

新一代智能变电站变电设备状态种类多而繁杂,如何在其中甄选出最能反映设备状态的数据是非常关键的工作。通过收集新一代智能变电站变电设备状态数据,可以建立基本的大数据挖掘设备状态数据库。通过一定的预处理方式,可以按时间序列将设备状态与多而繁杂的各基础状态参量进行向量化,之后通过一定的相关关系计算便可得到最能体现新一代智能变电站变电设备状态的关键特征状态参量。例如,可通过计算状态监测参量和设备状态间的欧氏距离来对相关程度进行度量。

对于任意2个长度为d的向量xi=(xi1, xi2,…, xid)及xj=(xj1, xj2,…, xjd),其欧几里得距离为：

欧氏距离越小,代表状态监测参量与设备状态的相关程度越高。通过设定一定的关键特征状态参量最大提取距离值作为提取标准,即可建立设备关键特征状态参量体系。

4.1.2 智能变电站变电设备缺陷数据分析

文献[21]中采用相关分析探索了缺陷类型之间、缺陷类型与投运年限之间的关系,可以增进对缺陷发生原因的理解。缺陷主题河如图5所示。

图5 缺陷主题河

Fig.5 Defect theme river

在图5中,正相关关系用蓝色表示,负相关关系用粉色表示,颜色越深代表相关性越强,通过对缺陷的相关性分析,可得到一系列有益的结果。

4.2 应用大数据技术的新一代智能变电站变电设备状态评估

国家电网公司于2010年颁布了一系列关于变电设备状态评价的企业标准[22]。截至目前,包括国家电网公司内的国内电网公司对变电设备状态评估主要采用专家打分的方法。专家打分制的优势在于结构简单、便于执行,但其对各状态量扣分权重的确定由于掺入较多的专家经验和主观因素,导致难以客观反映该状态量的实际影响的大小。

文献[23]认为,基于设备缺陷/故障记录统计情况,考虑到设备缺陷/故障的影响程度及其后果的严重性,以及状态参量能够表征设备缺陷/故障类型的程度,并根据历史监测与评估数据,考虑所用监测手段所获取状态监测量的准确及有效程度,结合大数据挖掘技术,可以较为准确地设定设备状态参量的权重。文献[24]则利用挖掘到的设备状态参量和故障的关联规则知识,计算单项状态参量的常权重系数;同时提出具备均衡函数的变权综合模式,以此为基础,综合各单项状态参量的常权重系数计算设备综合状态量的变权重系数。

在充分收集大量状态监测评估案例后,在大量状态信息分析的基础上,基于历史评估数据与事后验证数据,可利用多元回归分析和大数据分析技术手段,研究建立反映电力设备状态变化、缺陷和故障发展过程的趋势分析模型,实现对主要故障模式的诊断和危急度评估。

5 结语

在新一代智能变电站快速发展的背景下,本文以新一代智能变电站变电设备状态为研究对象,深入研究了大数据挖掘技术在变电设备状态监测和评估领域中的应用前景。针对新一代智能变电站变电设备,提出了数据监测源体系和手段,并分析了适用于新一代智能变电站变电设备状态监测与评估的大数据预处理方法,最后从建立设备异常知识库和状态评估2个方面展望了大数据技术在新一代智能变电站变电设备状态监测与评估工作中的应用前景,具体应用方面的相关研究将是本文后续工作的重点。

作者简介：

陈翔宇(1991-),男,北京人,硕士,从事电力系统一次设计、电网大数据挖掘分析工作;罗怿(1987-),男,四川成都人,博士后,从事电网大数据平台以及数据挖掘算法研究工作;

胡军(1976-),男,浙江宁波人,博士,副教授,从事输变电技术、电力大数据挖掘等方面的研究工作;

傅守强(1986-),男,辽宁喀左人,硕士,从事柔性直流输电研究工作;

徐毅(1983-),男,山西太原人,博士,从事变电设计工作;

张立斌(1981-),男,河北廊坊人,高级工程师,从事变电设计管理、电气一次设计工作;

李红建(1972-),男,河南孟州人,高级工程师,从事电力设计工作;

段炼(1989-),男,上海人,博士研究生,从事输变电技术、接地计算和电网大数据方面的研究。

北极星智能电网在线官方微信