大數據對于電力故障智能預警與分析

張一瑋

摘要：現階段，社會進步迅速，我國的電力行業的發展也有了提高。我國終端的數據接入量和采集量不斷增長，每天采集器采集的數據就高達28.8億，高強度的運行為現場帶來了大量故障，使用人員維護起來十分困難。因此需要研究出有效的電力計量裝置故障診斷方法，通過該方法幫助企業優化系統流程，提高電網的運行效率，節約維護時候花費的工作成本。目前用的比較廣泛的電力計量裝置故障診斷方法有3類，分別是利用信號診斷、利用數據模型診斷和利用知識經驗診斷，這些診斷方法都十分依賴人工操作，不具備智能性。近年來，人工智能診斷技術迅速發展，科學家不斷在人工智能診斷技術中加入創新思路，使該技術愈加成熟。在采集海量數據時，電力計量終端很容易出現問題。電力計量裝置采集的數據量超過50G，并且呈現增長模式，傳統的數據庫很難在短時間內推算出所有存在的故障，因此工作效率難以達到用戶的需求，導致診斷延時狀況的出現。工作人員在分析電力計量裝置故障時，多是利用以往的工作經驗結合現場故障情況判斷問題所在，這種方法需要多次嘗試，才能解決問題，成本高、效率低。

關鍵詞：大數據;電力故障;智能預警與分析

引言

社會的發展和正常運轉需要電力系統的支撐，隨著人們的生產和生活對于電力需求日漸增加，加之其本身的結構比較復雜，所以電力故障必然會發生。導致電力故障發生的原因主要有兩種，其一，受到自然因素的影響，比如地震、臺風、雷電等對電力系統產生不利影響，另一種則是人為原因所導致的電力故障，比如相關工作人員操作失誤，或者是一些不法分子的蓄意破壞等。電力故障可以分為不同的類型，主要包括橫向和縱向故障兩種類型。在傳統的電力自動化系統故障分析過程中一般會采用設備監控或者人工排查的方式。設備監控主要是通過通信網絡，只能夠對設備的運行狀態進行研究分析，無法判斷工作質量;人工排查方式則需要依靠大量的人工勞動者來排查現場，此種方式的準確性和工作效率都比較低。

1基于大數據的電力計量裝置故障智能化診斷

1.1電力計量裝置故障智能化診斷知識庫建立

本文建立的電力計量裝置故障智能化診斷知識庫除了具備儲存電力計量裝置數據的能力之外，還要具備刪除、修改和查詢的功能。將診斷和監測的結果存入診斷知識庫，同時知識庫還要記錄大量故障問題，并進行定期更新，方便更準確地診斷出結果。電力計量裝置故障智能化診斷知識庫包括兩部分：異常特征模型和專家規則庫，每部分都擁有自己的管理機制。異常特征模型的管理機制有3個模塊，分別為建立模塊、修改模塊、刪除模塊，專家規則庫同樣包括3個模塊：導入模塊、導出模塊和變更模塊。電力計量裝置故障智能化診斷知識庫的所有界面要使用web才能實現統一管理，知識庫在得到數據后，要主動與異常特征模型和專家規則庫進行對比，靈活地進行分類。在每次診斷中，故障智能化診斷知識庫就要建立一個異常特征模型庫，選取電力計量裝置中的異常故障特征，根據得到的特征建立故障模型。由于知識庫中的異常特征模型庫很難包含全部的異常記錄，所以為了更加高效地診斷出異常故障特征，要進行定期修改和維護。通常一個電力計量裝置故障智能化診斷知識庫內部會擁有大量的異常特征模型庫，為了防止所占空間過大，要周期性地對一些不適用于實際應用的異常特征模型庫進行刪除，保證智能診斷知識庫有充足的空間。

1.2電力計量裝置故障在線監測

利用分布式系統Hadoop對電力計量裝置進行在線監測。監測時，首先要監測電力計量裝置的內部存儲數據，存儲數據是電力計量裝置的核心數據，關系到整個裝置的安全運行，并且基數很大，存儲數據一旦出現故障，電力計量裝置將立刻無法正常工作，因此監測存儲數據是重要目標之一;其次要監測數據訪問形式，通常電力計量裝置數據都是通過流式數據訪問，如果數據不能以該方式進行訪問，則很有可能出現問題;再次監測電力計量裝置是否支持大文件計量，正常運行的計量裝置能夠支持數百GB甚至TB的大文件，并精準地計量出內部數據，如果不能支持，則很有可能出現問題;最后監測是否支持數據再平衡，電力計量裝置可以根據設定的閾值，把某一個監測的數據點移到另一個數據點中，如果不能支持，則存在故障。

2優化措施分析

2.1數據的抽取、轉換、清洗及監控

在大數據處理過程中，對于數據的預處理機制是至關重要的。本系統中，子站將采集到的現場數據以及初步分析結果以主動或者查詢的機制傳送到主站。主站將收集不同子站傳送而來的海量數據并進行進一步的分析處理。減少子站傳往主站的垃圾數據可以減輕主站處理負擔，從而提高系統的工作效率。為了實現該目標便要對傳送數據進行預處理，剔除其中重復、過時的垃圾數據。本系統采用三層數據提取過濾模式：抽取轉換、清洗和監控，實現數據的預處理。數據抽取是從子站上傳數據流中進行數據的抽取工作，在本系統中，為了保證數據的完整性，采取的抽取模式為全量抽取。經過數據抽取之后便要進行數據轉換，將數據轉換成系統的數據格式。經過轉換工作之后，數據格式理論上完全一致，接下來要完成的是數據清洗工作。數據清洗的主要目的是為了保持數據的一致性，同時減少冗余數據、過時數據等垃圾數據。清洗數據之后還要對數據源上的數據進行監視，監視數據是否發生變化，當發生變化時要重新對數據進行新一輪的抽取轉換、清洗處理。

2.2主站結構設計

想要更加全面地分析電力故障，讓系統能夠更為高效、有序地開展工作，需要設計專門的系統結構。本文分別從主站和子站等不同的角度出發來進行設計。主站的主要功能是匯總子站所采集到的數據，而且按照系統中不同的功能，將這些數據分別交付出去，讓系統能夠得到更有效的使用。主站和子站之間存在著一種通信網絡連接，這種連接方式分為兩種，一種是通過TCP/IP的方式來進行連接，實現通信的目的，另一種則是通過電話撥號方式連接通信。為了提高數據的共享性，使電力系統當中的海量信息得到更為有效的分析，需要設計專門的SCADA/EMS系統，另外，需要設計防火墻來保障兩個系統的獨立性。

2.3故障預測過程

本次研究中所選擇的這個系統，子站需要在對從現場采集到的相關數據進行初步分析之后，將這些數據和分析結果通過主動的方式或者是查詢機制等傳遞到主站當中。整個系統當中必然不可能只包含一個子站，因此，主站需要接收來自不同子站的數據，而且還需要對于這些數據進行進一步的分析和處理。數據預處理工作能夠減少子站中的一些垃圾數據或者無用數據進入主站中。這一目標的實現需要對傳輸的數據開展預處理工作，將過時、重復的垃圾數據清除干凈。數據在預處理的過程中通過抽取、轉換、清洗和監控，實現數據的處理。數據抽取、清洗每個工序都有特定的任務，在完成這些工序之后，就需要完成故障的監視和預測。監控電力系統當中的數據是否發生異常變化，如果發生異常必須要及時進行處理，發揮數據的監視功能，需要開展新一輪的數據預處理工作。

結語

為了對電力故障進行實時性的分析預警，本課題設計了基于大數據處理的電力故障分析系統。該系統采用分層式結構，以主從式的分級結構構建了有效的分析系統。

參考文獻

[1]于磊，王雙，韓宇龍，等.基于大數據技術的電網故障智能診斷方法[J].中國科技信息，2016，26（2）：32-33.

[2]李偉，郁章偉，李娜，等.基于大數據的電力變壓器智能在線監測方法研究[J].科技創新導報，2018，33（2）：191-195.