基于大数据聚类分析的电网信息化运维系统设计

解莹

（山西职业技术学院 山西省太原市 030006）

智能化是电力系统发展的必然趋势，随着智能电网在电力系统中占比提高，传统电网运维管理方式得到系统性革新，信息化、智能化的管理手段融入到电网运维当中，给运维管理带来极大便利。较早的信息化运维管理系统基于异常分析算法设计，存在算法应用复杂、占系统内存较大、CPU 运行速率减低等问题，导致系统整体性能发挥并不理想。针对该问题，大数据聚类分析算法被提出，其能够帮助解决算法运算困难、迭代次数过多的问题，进一步提高运维系统的稳定性和可操作性。

1 大数据聚类分析理论

物联网包括基本事件、对象事件、交易事件、聚合事件和数量事件五个事件类型，这些事件基本概括了工业领域中可能产生的全部事件。大数据聚类分析过程即为工业领域各类事件的分析处理过程，可大致分为事件解析、事件定义、模式分析及量化处理等环节，以量化的事件间距作为聚类分析依据。

1.1 事件解析及事件定义

将事件解析为原子事件，并定义原子事件，基于定义后的原子事件明确各事件间的相互关系，以便于量化分析事件属性。首先，将事件定义为＜ID;Domain;Alias;Type;Times;Stimulation;Location＞，其中，ID 表示事件唯一标识符；Domain 表示交易事件问题域所在位置；Alias 为事件名称；Type 为事件类型；Time 为事件发生时间节点；Stimulation 为事件触发条件；Location 为事件发生地理位置[1]。其次，确定事件间相互关系，主要包括因果关系、协同关系和同生关系三类。最后。对原子事件作排列组合，形成新的事件数据流，该事件数据流用以事件模型关系处理。该事件流为排列组合，因此无先后顺序和序号差异，能够适应多种业务类型。

1.2 模式分析及量化处理

进行相关属性量化；将商品属性值编码前8 位的二进制转化为十进制1-255；将时间二进制转化为十进制；依照地点位置将数据按大小顺序划分为0-15。然后对数据作规格化处理，方便后期计算。数据规格化的方法为：式中，maxai、minai分别为元素第i 项属性的最大值和最小值。

2 电网信息化运维系统优化设计

2.1 框架构建

考虑到电网信息化运维对系统规模、集成化程度、智能化程度的要求，决定使用ExtJs+Spring+iBatis 型架构。该架构为B/S 架构，由展示层、控制层、业务层、持久层和数据层构成，利用IE 浏览器、FireFox 等进行系统测试，以确保系统UI 具备足够的兼容性。另外，该系统可同时支持J2EE1.5 和Servlet3.0 规范，确保系统可扩展性和综合性能。系统框架设计中充分融入MVC 思想，形成更加清晰、层次分明的架构。

2.2 硬件设计

2.2.1 感知芯片

选用集成芯片类型，将用电采集、系统调度、故障诊断等功能模块整合到同一自定义系统当中。感知芯片采用12 位A/D 转换器，集成速率在1MHz、输入方式为16 路单端或8 路差分组合，采用RS232 和RS485 双独立串口作为通信接口，通信协议包括自定义ASC Ⅱ协议、标准Modbus-RTU 协议和用户配置协议。芯片精度级在0.1%，采用1500V DC 的电源通讯接口，电源与模拟量输入端为3000V DC[2]。

2.2.2 中央控制器

中央控制器通过既定协议，负责系统内全部设备的状态控制，其在硬件系统内占据核心位置。电网信息化运维系统中央控制器将CPU 与其他电路相集成，形成完整的微计算机系统。该系统包括RAM、ROM、串行接口、并行接口等结构。

2.2.3 数据传输模块

数据传输模块与各单片机、通信设备、PLC 设备及各类仪器仪表相连接，使用触摸屏或PLC 完成信息通信。数据传输模块支持PLC 间的无线传输、一对多或多对多等多种通信类型，可满足TCP/IP、UDP 网络传输协议的使用要求，以HTTP POST 形式完成设备与服务器间的数据传递。

2.2.4 数据处理模块

数据处理模块同样采用融合处理器，将数据整合后，进行去量纲、去噪、压缩、转换等一系列处理。电网信息化运维系统数据融合处理器采用单芯片CPU 的微处理器类型。

2.2.5 人机交互模块

人机交互模块为系统可视化显示窗口，可显示系统各项数据监控情况，提供参数调整功能，考虑到运维管理人员操作的便捷性，使用触摸屏可视化设备。本文研究设计方案所使用的触摸屏设备基本参数为：分辨率：800×800；存储容量：200MB；功率：≤5W；运行温度要求：-10～70℃；运行湿度要求：≤85%。

2.3 软件设计

大数据聚类分析分为多种类型，如分层聚类、模糊聚类、k 均值聚类等。本文研究的电网信息化运维系统采用系统聚类的形式，完成电网异常数据的跟踪监控，其聚类原理为：计算各组数据间距离，将距离相近的数据归为一类，距离较远的为另一类，循环计算完成全部数据的聚合，从电网数据中准确筛选异常数据[3]。从以上原理可以看出，聚类分析的重点在于数据间距离的计算，常见距离有欧氏距离、曼哈顿距离、马氏距离等。

2.4 功能实现

2.4.1 电网状态监控

基于大数据聚类分析的电网自动化运维系统，能够对电网运行状况作实时监控，使运维管理人员能够随时随地了解电网中各类设备的运行状态，以便第一时间发现设备运行异常，并开展相应的检修维护工作。在电网状态监控功能的辅助下，电网故障风险防控带有明显的事前预防属性，可提高运维管理人员对电网运行风险的敏感程度，及时将故障风险扼杀，避免影响系统的正常运行。

电网状态监控由以下三个功能模块构成：

（1）电力设备状态实时评估。系统实时采集电网各类设备的运行状态信息、故障信息及设备台账信息，通过大数据聚类分析，对某一时刻电网中各类设备的运行状态做可靠评价，对比设备实时状态数据与历史数据，确定其是否处于正常、高效的运行状态，以结合判断结果给出报警提示。该功能启用后，电网设备运行稳定性和安全性显著提高。

（2）设备荷载水平实时评估。基于大数据聚类分析的电网信息化运维系统借助遥感技术，对处于系统各层级、模块的设备做综合监控，实时了解设备负载率、空载、过载等情况，并确定各类荷载状况的产生原因、发展趋势等。若系统检测到设备荷载激增的现象，可对其原因作深入分析，确定荷载激增所带来的负面影响，以此为出发点制定系统运维管理改进方案，尽可能避免超负荷运行的现象。

（3）设备运行缺陷剖析。电网信息化运维系统借助PMS2.0设备缺陷流转数据信息，可对电网设备本身存在的缺陷作出全方位分析和自动化预警，找出缺陷产生原因，直到缺陷被消除后，预警解除。

（4）设备跳闸动作控制。电网信息化运维系统采集与电网运行有关的各类数据信息，以此为基础，可对电网各层级产生的跳闸动作、跳闸频次、断线等问题及产生的负面影响做有效监督，统计跳闸动作发生的时间、位置、持续时长、主要原因等，以辅助跳闸风险防控方案的优化制定，通过运维管理强化，有效减少跳闸故障的发生。

2.4.2 电网运维监管

电网运维管理工作开展情况与电网运行质量密切相关，因此在电网信息化运维系统中，融入运维管理工作状态监管及评价功能，形成完善的运维管理系统，不断改进运维管理工作方式。

（1）停电抢修。输电线路跳闸、配网抢修、投诉处理等工作均可在大数据聚类分析的辅助下进行，详细呈现故障状态，并通过关键信息监控，实现停电抢修过程的可视化。

（2）日常检修。依照系统给出的电网故障信息和检修过程数据，可对检修工作作全方位统计，确定检修次数、频率、取得成果、成本消耗等。对比标准化数据，客观分析是否存在过度检修、超期限检修或检修不到位的问题，配合绩效考核、奖惩机制等措施，以督促检修人员严格依照电网检修规范的要求开展日常检修工作，确保电网高质量运行。

（3）带电作业。以电网带电作业数据为基础，分析带电作业过程中是否存在人力资源分配不当或资源紧缺的问题。

2.4.3 电网指标监测

电网指标监测即对电网运行过程中，各类设备设施、工程活动的有关指标做动态化跟踪和分析，预先设置各项指标的合理区间，由系统自动进行指标走势跟踪，若发现超区间问题及时给出报警提示并进行异常诊断。

电网指标监测的对象主要包括以下几点：

（1）电网规模。电网规模指标包括电缆化率、联络率、平均供电半径等，系统可将以上指标可视化，跟踪观察指标实际值的变化情况，若发现某指标数值达到临界点，及时进行预警，并帮助运维管理人员进行检修方案制定[4]。

（2）电网检修。检修指标包括计划检修完成率、检修时长、带电作业率等，跟踪指标变化情况，开展超限预警工作。

（3）电网抢修。抢修指标指的是到场及时率、派单及时率、抢修时长等，跟踪指标变化，监控超限情况，对指标异常原因做深入分析，并辅助制定处理方案。

（4）电网运行。运行指标指的是设备消缺率、供电可用系数、低电压率等，观察电网运行指标变化，对超限情况做监控预警，以辅助故障诊断及检修维护工作的开展。

（5）电网自动化。电网自动化指标有自动化覆盖率、供电损失降低量、故障自动处理频次等。

3 电网信息化运维系统应用案例

仿真测试：

为评估基于大数据聚类分析电网信息化运维系统性能，以某电网低压端用电信息为样本，对系统作仿真测试，该样本数据集中包括有效数据56570550 条。

以算法迭代次数、运行内存、CPU 频率三项指标，衡量信息化运维系统性能高低。其中，算法迭代次数指的是单次运算中算法循环次数，该数值越低，说明系统性能越好。运行内存即支持系统运行所需的内存空间。CPU 频率指的是CPU 时钟频率，及CPU 运算过程的工频。

选取基于神经网络和决策树的信息化运维系统，与基于大数据聚合的系统做对比分析，得到如下测试结果：

（1）迭代次数。基于大数据聚合的运维系统算法迭代次数在5.5次，而基于神经网络和决策树的运维系统，算法迭代次数分别达到7.1 次和7.7 次，要明显多于前者。

（2）运行内存。基于大数据聚合的运维系统运行过程中，占用运行内存为1.3MB，基于神经网络的运维系统运行内存为2.0MB，决策树为2.4MB。

（3）CPU 频率。基于大数据聚类分析、神经网络和决策树的电网信息化运维系统运行中，CPU 频率分别达到6.5Hz、5.6Hz 和4.6Hz[5]。

通过对比分析可以清晰地发现，基于大数据聚类分析进行电网信息化运维系统设计，其性能水平得到显著提升，说明前文介绍设计方案有较高的可行性。

4 结论

相较于神经网络、决策树等算法，大数据聚类分析算法可有效提高电网信息化运维系统运行性能，进而达到缩短电网运维检修平均时长、节约人力和物理资源、提高电网运行质量的目的。相关企业在构建基于大数据聚类分析的电网信息化运维系统时，应从自身运维管理需求出发，预留足够的系统升级空间，以更好应对电网智能化对运维水平提出的要求。