数据挖掘在变电站设备运维中的应用

尹愈

摘要：经济在快速的发展，社会在不断的进步，人们的生活质量在不断的提高，对于用电的需求在不断的加大，为解决变电运维工作中所获得的大量设备数据未能得到充分利用的问题，本文在搭建变电站云平台已成为可能的条件下，主要结合数据挖掘技术对运行人员从现场获得的数据进行分析处理。

关键词：数据挖掘;变电运维

0 引言

随着我国经济的腾飞发展以及科学技术的快速进步，智能电力系统也有了较大的发展。变电站作为电力系统中很重要的组成部分，其运维工作更是工作重点，近几年，随着物联网的迅猛发展，智能运维得以实现，能更科学，更及时地处理变电站的运行和故障问题。随着智能运维的进一步应用发现，分析末端传感器采集到的数据能更早的预测一些故障的发生，这对电力行业的发展有着里程碑意义。大数据挖掘是根据具体的场景采用合适的模型，利用已经采集的监测数据对模型进行反复训练，最终得到有效的模型。通过模型对实时产生的数据进行分析可以预测数据走向变电站设备的智慧运维有着重要意义^【1】。

1 变电站设备运维的现状分析

目前，变电站设备日常运维智能化程度较高。基于先进的物联网技术，通过网络传输能把末端传感器采集到的数据接入到运维平台中。平台通过智能化运维系统设置的各种阈值和规则，能够及时发现变电站运维异常数据并进行告警，同时通过已经设置好的预警通知方式将变电站告警信息推动到值班人员，从而启动相应的应急措施。由于变电站智能运维平台实现智能化运维平台对于变电站设备运维正常范围内的运行数据还无法进行智能判断，比如各种变电站各种电力设备的负荷情况等，为此不能自动实现变电站各种设备的负载均衡管理，很容易导致有些电力设备负荷过大，值班人员不能及时识别所负责设备运行情况，往往会造成在用电紧张的关键环节出现比较严重的用电问题^【2】。另一方面，对于变电站中还未接入智能运维平台中的设备，没有实现设备运行数据的自动化接收与处理，为此日常巡检还无法实现智能化管理，导致变电站巡检工作不具有针对性，很难做到预测性预警，容易导致巡检效率低下，该巡检处理的设备未能得到有效处理，在很大程度上增加了安全事故的发生几率，不利于提高变电站运维服务能力。

2 数据挖掘在变电站设备运维中的应用

2.1 变电站巡视

在电力系统中，进行变电站巡视是一个不可避免的环节，它是电力设备正常、平稳运行的重要保证。而依照国家电力行业标准所规定的标准化的电力设备巡检必然会产生巡检状态、巡检视频等大量的数据，能否高效的采集和存储这些数据将直接决定巡检的质量和对设备状态的判断，它不仅是设备状态检修的基础保证，也符合变电站综合自动化正在实施的电气运行模式的需要。一方面，变电站巡视工作是运行人员的日常工作，具备重复性强、工作量大、难以保证巡视质量等特点，需要严格遵循巡视周期并按要求执行巡视作业卡。在巡视过程中会产生大量基础数据，例如保护数据、通信数据、时钟数据、电能计量读数等设备的各种运行参数。如变压器及高压电抗器油中溶解气体含量、局部放电数据、套管介损、微水、油温、油位、铁芯接地电流、夹件接地电流、噪声;断路器的跳闸报告、测距报告、动作次数、气体成分、气室压力、油压;避雷器的泄露电流、动作次数;GIS设备的压力、温度、局部放电图谱、环境参数;各类汇控柜端子箱内的温湿度数据等;蓄电池电压和内阻值;红外测温温度值等反应设备实时状态的数据。运维人员在巡视后将所抄录数据登记于PMS2.0系统中，但此数据库并没有得到充分利用^【3】。另一方面，一直以来，对设备巡视工作人员减负、提质增效方面的研究方法主要有：①确定合理的巡视周期和巡视方式;②通过加强过程管控，保证巡视到位控制巡视质量。后者强调流程控制，往往造成人员分心，认为走完流程即完成工作，缺乏对巡视结果的评估和审查，无法充分发挥人员的主观能动性;相比起来，前者通过优化巡视策略，加强对重点设备的巡视来减少运行人员的工作量，更有效地提高了设备巡视工作的效率。因此，可以利用数据挖掘技术对PMS2.0系统中存储的数据进行分析，以确定设备状态的发展趋势，从而发现重点巡视设备甚至缩短巡视周期。随着云计算、大容量数据存储等技术的不断发展和提高，大容量的数据仓储变得更加完备、可靠，符合了电力系统对数据采集和存储的要求。

2.2 承载力分析

随着电网规模的快速发展，电网建设和检修工作十分繁重，停电工作逐年增加，需要进行电网停电承载力分析以指导年停电计划的编制工作，在保证电网可靠供电的同时满足电网基建、改造、消缺、检修等工作的需求。电网停电承载力分析涉及到电网模型和数据，仅靠人工经验进行分析很难做到全面、准确、高效。将电网运行数据转化为决策依据需要数据挖掘和分析技术^【4】。由于影响电网停电承载力的因素较多，有变电站的投运时间、环境气候、往年同期停电数据、输变电设备规模、电网模型和参数、一二次设备状态等，上述数据类型复杂，属于非机构性数据，适合使用人工神经网络法进行分析。

2.3 决策树下的故障数据挖掘方法

在当前数据挖掘的分类算法中，决策树方法的应用最为广泛，这种方法主要是应用在非连续性变量的分析和预测过程中，也就是在工作中借助树形结构对问题进行描述，这是一种典型可收敛式的分类器。决策树在对信息进行细化分类的过程中，往往会最大化影响变量的差别性，最终将数据分在没有交集的分支上。由于电网出现故障后需要在较短时间内对工作中产生的各种故障问题进行分析，所以运用决策树方法，可以更准确地实现对报警信息的分类处置，这对于调度端故障追踪程序起到了支持作用^【5】。决策树分类算法属于一种监督式学习方法，在工作中需要将训练样本输入其中，从而对监督模型进行分类处置，在归纳作用下形成决策树，之后再对陌生数据进行预测或是分析。

结束语

随着物联网、大数据、人工智能、等技术的不断进步，大数据挖掘将不断提升变电站智能运维能力。通过扩大变电站运行设备的接入范围，能够掌握所有设备的运行数据，将为变电站智慧运维的数据挖掘提供基础数据支持。同时，基于大数据挖掘能够发现更多人工运维无法掌握的诸如设备用电强度等数据，能够为运维人员的可视化运维提供准确的数据，支持运维人员对变电站的预测性预警维护和发电计划智能调控，提升变电站的智慧运维效率，避免人工巡检效率低和重大安全事故风险等相关问题的发生。

参考文献：

[1]邓仲华，刘伟伟，陆颖隽. 基于云计算的大数據挖掘内涵及解决方案研究[J]. 情报理论与实践，2015，38（07）：103-108.

[2]饶正婵，蒲天银. 云计算条件下的大数据挖掘内涵及解决方案[J]. 电子技术与软件工程，2018（13）：154-155.

[3]张萌.数据挖掘在变电站设备运维中的应用[J].电力大数据，2019（11）.

[4]檀佳.基于变电站自动化信息的远程数据挖掘系统研究[J].机电信息，2014（24）：141-141.

[5]范李平，张晓辉，苏伟.基于大数据挖掘的变电设备故障预警研究及应用[J].电力大数据，2019，022（001）：P.1-7.