基于电力大数据应用的故障诊断研究分析

何志斌

摘要：电力大数据技术是指采用大数据相关技术对海量的数据进行提取、加工、存储以及分析。电力大数据涉及到电力系统的各个角落，包括发电、输电、变电、配电、用户等各个用电环节，电力系统不缺乏基础数据。故障诊断技术自电力系统诞生以来就一直是电力人员持续关注的问题，由传统的人工诊断到专家诊断都始终停留在依靠人工经验处理分析的阶段，在大数据时代，如何处理电网数据从而对电力设备的工作情况进行分析诊断，是智能电网发展的当务之急。

关键词：电力大数据;故障诊断;大数据应用;电力系统

1大数据的发展概述

1.1大数据定义

大数据是指由数量众多、类型纷杂而结构繁复的数据形成数据集合，利用云计算對这些数据进行收集和处理，最终得到的数据集合能够成为一种非常宝贵的资源。各个领域有效应用大数据能够形成丰富多样的数据成果，决策力和洞察力在大数据的帮助下将得到极大地提升，数据资源的利用率也将不断提高。大数据就是在海量数据中挖掘和利用有利用价值的数据资源，通过数据资源的整合与处理来推动科技的发展，促使某个行业进入高速发展状态，同时也能够进一步获得更具有价值的数据资源，这也形成良性循环。

1.2大数据技术构成

大数据技术主要由数据处理、数据分析、数据可视化及分布式计算等四种技术构成，大数据需要处理的数据数量远远超出了传统数据库能够承载和处理的份额，而如何将海量的数据收集并进行处理也成为大数据技术关注的重点内容。数据处理能够将纷杂众多的数据进行分析和梳理，从中提取最有价值的部分;数据分析技术则能够将数据转化为图像，有效应对不同数据的使用需求;可视化技术能够将数据转化为图像，用更加直观的方式呈现和表达数据;普通计算机已经无法处理如此众多的数据，而分布式计算架构能够有效解决这个问题。社会发展及社会生产的需要使得大数据技术革命以前所未有的姿态发展和进步，智能故障诊断依托大数据技术进入了全新阶段。

2案例分析

2019年7月，110kV变电站10kV1M、2甲M母线失压，损失负荷4.6MW。经检查，110kV变电站#1主变变低501开关柜发生故障着火。该开关柜额定电压为12kV，额定电流4000A，型号KYN28-12，故障发生后，迅速结合电力大数据平台及时调出运行、试验、检修、设备厂家、调度、生产计划等相关生产单位的历史数据，通过对历史数据判断找出故障原因。

2.1故障前运行情况

变电站#1主变带10kV1M、2甲M、2乙M母线运行，#3主变带10kV3M母线运行。#1主变101、501开关合位;#2主变102开关分位，502甲、502乙开关合位，12000接地刀闸合位;#3主变103开关，503开关合位;10kV母联500开关合位，550开关分位。跳闸经过：16时06分41秒#1接地变高压侧零序过流1时限动作跳开500，随后#1接地变高压侧零序过流2时限动作跳开#1主变10kV侧501开关;16时06分45秒10kV550备自投动作跳开10kV502乙开关，合上10kV母联550开关，10kV1M、2甲M母线失压。48s时#1主变变高侧后备动作跳开#1主变110kV侧101开关。故障发生时，#1主变变低B相电压相对A、C相降低，且存在连续的#1接地变零序电流和连续的#1主变低压侧零序电压，可以判断此时发生了B相接地故障。

2.2外观检查及现场试验

故障发生后，除了变低开关已烧毁无法展开针对性试验检查，相邻间隔开关柜高压试验都全部通过，不受变低开关柜的故障影响。由于变低出现短路电流冲击，属于近区短路，对#1主变进行短路故障后试验，包括变压器油色谱、绕组变形、直流电阻、绝缘电阻试验，未发现主变受损、绕组变形情况。上述试验项目主要是为了排除当#1主变变低侧10kV开关柜发生故障时，故障电流会反向冲击主变绕组，造成变压器绕组匝间短路或绕组变形，对比试验数据和出厂交接试验数据，变压器不受此次故障的影响，可随时投入运行。

3故障原因

3.1负荷电流和温度监测情况

通过电力大数据平台查看PCS900（地调自动化）系统110kV变电站#1主变、#2主变、#3主变变低开关（A相）负荷电流。根据系统显示，#1主变变低负荷电流远大于其他两台主变变低负荷电流，系统显示7月18日当天最高负荷电流为3433.69A（时间为14时40分）。另外，调取110kV变电站#1主变变低开关负荷电流，该开关柜近期保持较高的负荷水平，在当天下午均有超3000A的负荷。

3.2运行专业温度监测情况

从电力大数据平台调取故障前后的温度数据，7月17日18时左右开展通过501开关柜测温，测得CT附近位置103℃（环境温度29℃，负荷电流为2757A），成像模糊，无法准确判断发热位置。7月18日11时左右进行开关柜复测，测得501开关后柜面75.5℃，并通过柜后的测温窗口测得下触头盒连接母排导体温度为76℃（环境温度为28℃，负荷电流为3340A）。根据DL/T664—2016《带电设备红外诊断应用规范》，运行专业连续两日所测的部位发热属于电流致热缺陷。由于红外测温部位采用测温窗口检测，视野有限，从已有红外图谱来看，该柜存在整体电流性发热现象。同时两次测温时刻电流并非当天最高负荷，在最高负荷下柜内温度会有所增加。值得注意的是，采用测温窗测温（非空气直射），测试温度由于窗口材料隔离会产生衰减，实际柜内温度应该远高于测试温度，存在重大发热隐患。不排除温度过高导致的绝缘性能下降。故障开关柜采用的是风冷散热模式，（咨询厂家）该柜内安装一台功率为106W的风机。根据故障当天#1主变变低10kV开关A相负荷电流运行曲线可知，501开关负荷电流在用电高峰期（14：00至16：00）平均电流为3300A，假设以真空断路器（断口间）主回路电阻采用交接试验电阻值（约14μΩ）计算发热功率，发热功率约为152.5W，发热功率远大于风机功率。通过调取电力大数据平台中相关数据并结合现场解剖情况，综合得出导致此次故障的原因包括：（1）导致此次故障是由于开关柜B相真空泡拉杆存在绝缘隐患，发生B相高阻抗接地故障，导致501开关跳闸，10kV1M、2乙M母线失压。（2）产品载流量设计不足，额定电流为4000A，实际3300A左右就过热严重，导致产品重载下过流不足发热严重。（3）结合调度负荷曲线可知，三台主变的负荷之间的差异较大，导致开关柜承载的电流负荷不同。

4结语

本文采用将电力大数据平台应用于电力设备故障诊断与原因分析中，并对一起10kV开关柜负荷电流异常导致的故障进行了案例分析，证明采用该方法能够得出比传统分析方法在数据收集、分析判断更加准确的结论。同时基于电力大数据故障诊断系统可有助于企业在数据采集、处理、分析等方面能够提供前所未有的技术支持。在已有的数据平台上研究并开发了用于电力设备故障诊断的应用模块，经多次现场检验，基于电力大数据的电力设备故障诊断结果获得了同行的一致认可，能为电力人员在分析类似问题提供宝贵经验。

参考文献

[1]田世明，杨增辉，时志雄，等.智能配用电大数据关键技术研究[J].供用电，2015，32（8）：12-18.

[2]张启芳，杨洪山，郭乃网，等.基于大数据的电力设备故障诊断与预测研究及应用[C]//2017智能电网新技术发展与应用研讨会论文集，2017：386-389.