物联网和大数据技术在提高配网供电可靠性中的应用

2021-02-26洪立玮

农村电气化 2021年2期

洪立玮

（国网冀北电力有限公司廊坊供电公司，河北廊坊 065000）

受降低一般工商业电价和电量增速放缓等因素影响，供电企业面临着前所未有的压力，这就要求企业在开拓市场、挖潜增效上下大力气，不断拓展产业链、创新链、价值链，不断把“三型两网”世界一流能源互联网企业建设推向更高水平。配电网作为直面用户侧的最底层环节，其供电质量直接影响供电企业的企业形象和用户体验，是提升企业品牌影响力至关重要的一环。

1 现有网络数字化改造原则

对于中国电力企业而言，资产规模随着近几年经济发展而飞速扩张，但电力资产分布情况复杂、变动频繁使得资产信息的维护变得更加困难，很多地方电力部门在现有技术条件和管理体制下很难做到资产“账、卡、物”的严格一致，特别是配电网中情况尤为严重。

在数字化改造中，配电网由于其具有网络复杂、分散且易变得特性，不宜采取同主网相同的集中控制策略，为了在保证控制成本的前提下实现数字化融入，需要遵循以下原则。

1.1 配网结构拓扑化

由于配网设备相对简单但线路复杂，对网络的监测无需采取全覆盖，仅针对重要节点和关键线路进行数据采集，以节点和节间连接线的方式对配网进行组态，完成整体配网结构的拓扑连接，拓扑的网络形式在网络发生变动时也能够更容易的进行网络更新。

1.2 监控节点分布化

配网线路监控设备受网络分散的影响无法做到数据集中收集，每个节点独立运行并与区域数据中心通信，单独节点仅实现数据收集功能，分析与存储功能在区域数据中心实现，将每个节点的功耗和故障可能性降到最低，同时单个节点的故障不会影响系统整体运行，进而提升整体监控网络的鲁棒性。

1.3 配网数据边缘化

配网数据最终要接入主数据库，但相比主网数据，配网数据量大且重要性相对较弱，因而可以采取边缘化方式，边缘控制节点可以利用计算机、路由器、专用网关等对所属该区块的所有设备进行数据分析和控制，大大降低了数据中心的带宽需求和数据吞吐压力。

1.4 数据结构统一化

为了让系统间互联互通采取统一的数据模型和接口，做到数据一次采集，处处可用，避免了对同一实体的多次重复采集；数据采用分层管理，分布式存储的方式，各数据中心可相互备份，避免冗余，提高数据安全性和存储效率。数据存储分层结构图如图1所示。

图1 数据存储分层结构图

2 数字化电网数据资产管理

电力企业在进行电网规划、检修和改造时会生成大量数据，这些数据一般以图纸、说明书和电子文档的形式储存，某项工程结束后，相应数据就被归档搁置，很难再次利用，如果某项工程进行过多次修改还很有可能将不同时期的数据混用造成数据与实际情况偏离的情况。各业务部门数据层级不统一，数据类型不一致导致数据难以融合，挖掘难度巨大。为此需要建立统一的物联网管理平台，建立统一的数据模型和接口规范，规范数据存储层级，涉及到不同业务部门和监控范围时可以采用分布式储存、分区分级控制和边缘化处理，实现监控广覆盖，数据全共享，系统全联通。对收集到的数据进行分析挖掘，找寻内在联系和规律，推进设备状态预测模型训练，挖掘电力用户潜在需求。

资产管理系统采用自顶向下的设计模式，各级数据中心提供接入框架和数据接入规范。下层设备仅需按照接入协议连入系统而无需关心品牌型号。系统总体分为感知层、边缘节点、存储层和应用层。其中，应用层提供数据呈现和数据挖掘，其数据模型消费者为公司决策层、发展建设部、营销部、调度中心等部门，为其提供全景数据呈现和数据预测模型输出，用以支撑电网规划、风险预测和业务扩展；感知层提供设备运行状态，其数据模型可以为输电运检、变电运检、配电运检相关人员提供设备状态以提高故障排除效率；边缘节点可以反映某区域电网运行情况并预测可能发生的威胁电网安全生产的隐患，为运维人员和各变电所管理人员安排设备检修周期提供了有力的数据支撑；存储层为各业务开展的基础，其特点为分层分区，适度冗余，保证安全。

在电网建设层面，数字化思想应贯穿始终，传统的电网建设流程为规划—设计—建设—运维，而数字化往往是在交付后才进行的工作，这导致数字化前后衔接不畅，原本前期很容易完成的功能到交付后可能会因为缺乏空间、缺乏相关配件等原因导致改造费用加大，设备运行可靠度降低。

3 大数据运维和数据挖掘

数据的采集是为了服务生产，在数据应用阶段，可以根据数据的用途分为实时数据、预测模型数据和挖掘模型数据。

3.1 实时数据

该类数据为最基本的原始数据，其反应设备或环境变化的状况，如电缆接头温度、隧道烟雾、电压电流等，具有较高的实时性，对于反映设备本身缺陷和外力破坏等突发状况尤为重要。

3.2 预测模型数据

设备状态受内部因素的外部因素共同作用，内部因素为设备本身制造工艺决定，与设备使用时间和老化程度有关；外部因素为设备维护状况，气象条件，外力破坏等。通过对实时数据的积累和设备运行状况的监测，结合外部数据进行相关耦合可以推导出设备在某段时间后可能达到的状况，进而预测故障，为运行单位制定维护计划，采取应急措施提供支撑。

3.3 数据挖掘模型

实时数据和预测模型都是数据的短期应用，时间跨度相对较短，多用于故障排查和维护。对于数据中蕴含的更深层次的信息，需要采取数据挖掘技术才能发掘数据资产的更多价值。例如根据不同时间段的网损率结合当地产业结构和配网拓扑分析是否存在盗电的情况；通过当地历年负荷增长率结合当地政府产业发展政策模拟几年后负荷增长需求，用以优化电网结构，尽早规划电源等。