輸變電設備狀態(tài)大數(shù)據(jù)分析應用探討

三峽新能源五家渠發(fā)電有限公司奇臺分公司 蔣 偉 謝川江 阿黑哈提·阿衣提胡曼

每年有大面積停電中的60%是由于設備的故障或環(huán)境因素所造成，因此在保證輸變電設備穩(wěn)定運行以及修護檢查方面要提供更多的研究。輸變電運行狀態(tài)檢查是否成功的關鍵是把握變電設備的運行狀態(tài)，并對此狀態(tài)進行全面和準確的評估。隨著傳感器技術和狀態(tài)檢測技術的越發(fā)成熟，電網數(shù)據(jù)爆發(fā)式增長，近年來大數(shù)據(jù)技術應用于輸變電設備的檢測技術也有了質的提升，但仍有一些問題需要解決。

1 大數(shù)據(jù)結構下的輸變電設備狀態(tài)評估的大框架

輸變電設備的大數(shù)據(jù)應用技術是要將數(shù)據(jù)進行融合分析和深度挖掘，從數(shù)據(jù)方面進行有價值的規(guī)律分析，實現(xiàn)檢測和狀態(tài)評估可全面及時掌握輸變電設備的健康狀態(tài)，為檢查工作提供了理論基礎，輸變電設備的安全運行更有保障。在大數(shù)據(jù)結構下的輸變電設備狀態(tài)評估主要包括以下部分[1]。

1.1 構建關鍵參數(shù)體系

輸變電設備的分類形成了整體的參數(shù)體系，包含了各類傳感數(shù)據(jù)，因此設備參數(shù)可分為三層，第一層是狀態(tài)信息層，第二層是傳感數(shù)據(jù)層，第三層應用交互層。狀態(tài)信息層是將各個數(shù)據(jù)狀態(tài)進行評估時所對應的狀態(tài)量，包括人工顯示、運行信息和環(huán)境信息等，交互增量是作為狀態(tài)評估的參考信息，根據(jù)狀態(tài)量的更新速度，可分為實時數(shù)據(jù)、真實數(shù)據(jù)和靜態(tài)數(shù)據(jù)，作為建立關鍵參數(shù)體系的依據(jù)。構建關鍵參數(shù)的整體體系需對電力設備整體情況進行調研，根據(jù)數(shù)據(jù)的收集和梳理獲得靜態(tài)實時的狀態(tài)信息進行分析，運用關聯(lián)的規(guī)則，數(shù)學模型可提取關鍵的參量，與故障缺陷參數(shù)相關聯(lián)性比較小的參量會被刪除，保留相關性較強的參量，從而構建整體的關鍵參數(shù)體系。

一方面，是通過對當前輸電線的原理和應用情況部分使用狀態(tài)監(jiān)測技術確定整體線路的基礎參數(shù)；另一方面，是針對準實時信息的獲取，將分析法數(shù)學模型應用到輸變電設備，分析法數(shù)學模型的核心是通過正交變換的方法獲得參數(shù)中的相關信息，把各參量的貢獻率作為參數(shù)提取的依據(jù)。最后針對于實時狀態(tài)信息，提取出序列，本身具有較強關聯(lián)性的關聯(lián)參量可提取變化率相近的時間序列。

1.2 數(shù)據(jù)清洗

對于不同來源的數(shù)據(jù)需進行統(tǒng)計和分析才能達到數(shù)據(jù)清洗工作，數(shù)據(jù)清洗中的主要作用，是保持數(shù)據(jù)的完整性和有效性的前提下對數(shù)據(jù)的格式進行統(tǒng)一分類、主要信息建立與趨勢相關的數(shù)學模型。噪音數(shù)據(jù)是指數(shù)據(jù)內部錯誤數(shù)據(jù)或和期望值距離太遠的孤立點，這種數(shù)據(jù)要通過時間序列和聚類方法進行分離。

在信息收集過程中，儀器故障、操作失誤、或通訊中斷等意外都可能造成關鍵特征量的缺失，這些缺少的觀測值構成了缺失值，數(shù)據(jù)的連續(xù)性就會被破壞，對設備狀態(tài)的分析和預測都會造成很大的影響，可通過平滑法預估和回歸法進行填補，從而消除這種影響。不同來源的信息要進行規(guī)范化的分類，將相關數(shù)據(jù)變成適合分析的形式，通過人工尋找、智能巡檢采集大量的非結構化形式儲存數(shù)據(jù)，這些數(shù)據(jù)可觀測電力的外觀環(huán)境和局部過熱、局部放電等主要問題[2]。

2 輸變電設備狀態(tài)數(shù)據(jù)清洗方法

通過傳感器進行信號檢測的收集，然后按照底層預處理之后形成的原始數(shù)據(jù)分類，這些實時數(shù)據(jù)的時間序列會受到通訊故障、傳感器失效、短時間內短路等突發(fā)事件的干擾，這種干擾會對真實的觀測造成非常大的影響，這種觀測值統(tǒng)稱為異常值，對于運行中的輸變電設備來說，異常數(shù)據(jù)通常表現(xiàn)為缺失點和噪聲點，輸變電設備的狀態(tài)數(shù)據(jù)進行清洗是保證狀態(tài)正確和故障診斷的前提。可清洗的輸變電異常數(shù)據(jù)要確實是錯誤數(shù)據(jù)、外界干擾數(shù)據(jù)、壞數(shù)據(jù)以及水平遷移的數(shù)據(jù)。清洗的思路是把多元時間序列分為可清洗和不可清洗兩大類，進而將可清洗的數(shù)據(jù)通過雙迭代循環(huán)方法進行清洗。

輸變電信息的采集是通過各個傳感器進行，但底層的預處理上傳到數(shù)據(jù)庫的形式不能應用于之后的數(shù)據(jù)分析，因此所有狀態(tài)的量應形成矩陣，通過矩陣再進行深化分析。非平穩(wěn)的時間序列應按數(shù)據(jù)的特征進行不同形式的綜合，按時間序列進行設備狀態(tài)數(shù)據(jù)的分類。

設備狀態(tài)具有多樣性，采集時間的不確定性使得狀態(tài)之間產生異常的數(shù)據(jù)，由于時間是不確定的，因此建立時間順序模型是不可或缺的數(shù)據(jù)清洗步驟。通過建立異常的數(shù)據(jù)模型和干預模型判斷哪些數(shù)據(jù)是有用信息、哪些數(shù)據(jù)需要清洗。異常值數(shù)據(jù)會出現(xiàn)大量的數(shù)值殘差，通過殘差值可判斷模型類型。異常數(shù)據(jù)對于時間序列擬合具有一定的影響，這種影響可通過干預模式進行解決，故障時數(shù)據(jù)狀態(tài)會產生水平遷移或快速變化，且這些數(shù)據(jù)不可做清洗，只能通過時間序列干預模型進行擬合。

判斷異常值的種類需對殘差逐一計算，事實上序列的參數(shù)一般是未知的，須通過反復的計算去估計，但又由于異常值的存在，會使得參數(shù)產生大量的偏差，因此通過反復的擬合過程可識別出序列中的異常值?；谶@一原因，雙迭代循環(huán)的方法被有效的利用在時間序列模型識別異常數(shù)據(jù)中，這種方法能清除數(shù)據(jù)中的噪聲點和缺失點，也可在在分離噪音的過程中對噪聲點進行修正。時間序列的建立方法是針對數(shù)據(jù)的整體規(guī)律而言，能修復造成缺失點的數(shù)據(jù)矩陣，但對于非常平穩(wěn)的季節(jié)性數(shù)據(jù)差清洗的效果檢查具有明顯的局限性，通過雙迭代循環(huán)方法的引入，可防止時間序列中有用信息的丟失，在反復的迭代過程中增加數(shù)據(jù)的準確性，不僅可刪除壞數(shù)據(jù)，也能提升數(shù)據(jù)的質量，避免狀態(tài)的評估錯誤[3]。

3 輸變電設備狀態(tài)大數(shù)據(jù)分析應用探討

影響輸變電狀態(tài)的因素較多，在運行過程中時刻受到天氣、線路運行狀態(tài)和設備狀態(tài)的影響，各種突發(fā)情況都有可能導致偏離狀態(tài)評價的準確性。通過大數(shù)據(jù)結合技術，應將變電設備狀態(tài)的大樣本數(shù)據(jù)進行采集，建立足夠的數(shù)據(jù)庫，整體對設備狀態(tài)進行有效發(fā)展趨勢的分析，構建多元增量的關聯(lián)性，將大數(shù)據(jù)信息進行模擬和分析，從概率和統(tǒng)計學的角度展示數(shù)據(jù)內部特有的規(guī)律。

3.1 設備關鍵性能應用

設備關鍵性主要從故障類型和狀態(tài)間的關聯(lián)進行分析，設備出現(xiàn)故障時的歷史數(shù)據(jù)可作為感覺狀態(tài)量和故障模式關聯(lián)性的依據(jù)，建立起關鍵性能對應的狀態(tài)量集，最后結合矩陣下列有關數(shù)據(jù)分析的數(shù)學模型。關聯(lián)規(guī)則就是找出出現(xiàn)在同一個視線中不同相之間的關聯(lián)性。故障歷時數(shù)據(jù)形成的量集在故障分析時可作為對比樣，因此這種類型的錯誤數(shù)據(jù)也需要進行分析和分類。

3.2 構建大數(shù)據(jù)模型

隨著理論的發(fā)展，在信息化和信號處理等方面獲得了廣泛關注，這種技術也初步進行了應用，設備的數(shù)據(jù)可逐漸拼成高維矩陣，但由于高維矩陣的分析較困難，可通過階段拼接的操作，最后得到優(yōu)化的行列數(shù)比值，簡化數(shù)據(jù)分析過程。每個狀態(tài)的測量原始觀測值都可通過變化形成高維矩陣，因此關鍵性能的高維矩陣應對應狀態(tài)測量，由于每個狀態(tài)測量的不同，所以應截取某一段時間內所有的狀態(tài)量、根據(jù)最后形成的矩陣采集信息。高維隨機矩陣的基本原理就是和ARMA 模型結合研究樣本寫方差的分布評價關鍵性能。

ARMA 模型和圓環(huán)譜分布具有一一對應關系，因此應用到電力設備時，可通過圓環(huán)中的散點密度進行更深層次的分析，具有不需要精準球模型參數(shù)、只需要求解斜方差和特征值的優(yōu)點，并可消除噪音數(shù)據(jù)和缺失值的影響，設備在運行過程中的突發(fā)故障會導致數(shù)據(jù)逐漸偏離分布，反映在模型參數(shù)影響較大，通過ARMA 模型參數(shù)短時間內的缺失者不會被判定為狀態(tài)異常，減少了操作步驟。再考慮到狀態(tài)量的時間和空間具有一定的聯(lián)系，所以應將歷史數(shù)據(jù)的每個階段的圓環(huán)曲線和譜分布曲線進行對比反映狀態(tài)量的變化趨勢，尋找其中的關聯(lián)性。

3.3 關鍵性能狀態(tài)評價應用

關鍵性能的分析和時間空間都相關：第1步需將各狀態(tài)的量進行歸一化和平穩(wěn)化，所有的數(shù)據(jù)整合成關鍵性能狀態(tài)矩陣，方便接下來的數(shù)據(jù)分析和整理；第2步是計算出樣板間方差的特征值和特征向量，求出譜分布和散點分布；第3步是將所有的散點分布進行對比，找出當前密度值和平均密度值計算得到相對應的狀態(tài)矩陣，當狀態(tài)評估值和閾值進行對比時，如狀態(tài)值大于閥值表明性能偏離了正常狀態(tài)，也就是設備可能出現(xiàn)了異常；第4步是針對數(shù)據(jù)出現(xiàn)異常的高維矩陣，通過ARMA 模型進行向量的擬合，分析異常數(shù)據(jù)出現(xiàn)的位置，找出所對應的有故障的設備。根據(jù)關鍵性能的狀態(tài)評估分析和檢測出狀態(tài)量的異常所在和異常所發(fā)生的時刻[4]。

3.4 輸變電設備狀態(tài)評估系統(tǒng)的測試應用

輸變電狀態(tài)的監(jiān)測系統(tǒng)具有非常全的信號收集功能，可對數(shù)據(jù)電網運行、氣象運行等多元的信息進行融合分析。大數(shù)據(jù)分析技術應用于系統(tǒng)，主要包含數(shù)據(jù)的轉換、集成和分析、異常檢測和狀態(tài)評估及可視化[5]。

在對系統(tǒng)采集到的色譜數(shù)據(jù)經清洗后可進行評估，識別出異常數(shù)據(jù)所屬種類，得到不含噪音的數(shù)據(jù)。輸變電設備的運行狀態(tài)和信號分布可通過異常檢測方法對設備進行異常檢測，定期檢測采集具有較長周期的數(shù)據(jù)可增加狀態(tài)評估的準確性。在對變壓器的關鍵性能進行評價時，應以信號為色譜數(shù)據(jù)進行收集。一個月作為空窗期將所有數(shù)據(jù)集成為高維矩陣，計算每個樣本中的斜方差的特征值和特征向量，求出圓環(huán)和特征譜分析每個月的特征跟離散的變化趨勢，并在理想化變化異常時判斷為異常狀態(tài)。

4 結語

大數(shù)據(jù)對于輸變電設備的狀態(tài)評價是非常好的發(fā)展方向，通過挖掘數(shù)據(jù)之間的相關知識，從數(shù)據(jù)的角度解釋設備的狀態(tài)具有非常高的科學性，也有很大的應用價值。大數(shù)據(jù)分析對于智能電網具有很好的應用和借鑒意義，系統(tǒng)的大數(shù)據(jù)分析可對當?shù)氐碾娋W做出有效的預測和預警，幫助監(jiān)控員能夠發(fā)現(xiàn)設備的缺陷及設備在運行過程中可能出現(xiàn)的問題環(huán)節(jié)，同時監(jiān)控員日常工作中也可建立大數(shù)據(jù)的分析的意識，快速檢測出不正常運行的設備的位置，更能直觀的了解到電網的運行情況及電網目前的問題所在。

基于大數(shù)據(jù)的分析，可科學正確地對電網運行狀態(tài)進行直觀性的預測。結合電網調控技術發(fā)現(xiàn)，大數(shù)據(jù)分析不僅能夠高效地提高工人的工作效率，也可更準確地排查出安全隱患，保護電網的設備安全運行。