大數據背景下電網系統故障診斷分析技術

劉 穎，趙志剛

（國網遼寧省電力有限公司檢修分公司，遼寧 沈陽 110003）

在電力系統日漸擴大的背景下，其內部結構愈加復雜，電網系統出現安全問題的概率也不斷增加。為保障電力系統安全，提升設備運行效率，電力企業應采取有效的故障診斷分析技術，對故障進行識別和分析，實現對故障隱患的及時消除。因此，對該課題進行研究，其意義十分重大。

1 大數據背景下電網故障診斷分析的應用價值及現狀

1.1 應用價值

大數據技術可對電網中產生的數據信息進行挖掘，找出其中具有價值的數據，有助于提升電網企業的經濟效益。具體表現在以下方面：（1）電網企業可以借助大數據技術，從海量的數據信息之中挖掘有價值的數據，利用該項數據，預測電網系統在運行過程中可能會出現的故障隱患，并基于電網當前階段的資源利用和生產調度數據，統計并明確不同事故之間的區別，找出內在關聯，從而采取預防控制手段，降低故障發生概率[1]。（2）借助大數據分析技術，合理劃分電力系統內部的負荷等級，并將負荷變化情況轉化為圖形，展示給工作人員，為電網系統故障的分析和檢測創造有利的條件。

1.2 應用現狀

大數據的優點較多，主要包括海量的數據、多樣的類型以及高效的速率。其中，海量數據是指電力系統故障診斷和分析過程中產生的數據量較大，隨著智能故障診斷分析技術的應用，數據總量保持快速增長的勢頭。而速率快是指應用大數據技術可以在短時間內完成數據分析和處理，并獲得分析結論。在應用大數據分析故障時，關聯性是必須遵循的原則。所謂關聯性原則，是指電網中各類設備和故障的關聯性，通過對關聯性的分析，可在短時間找出故障診斷分析所需的數據，提升分析的效率。

2 電網系統故障診斷分析技術

2.1 基于專家系統的診斷方法

該診斷方法的核心是利用計算機模型實現對電網系統故障的有效診斷，由于其具備顯著的優勢，備受業內人士的關注。以故障診斷知識表示和推理策略作為依據，可以將該系統細化為兩類：（1）啟發式規則推理系統。基于大數據技術構建的系統，可以在數據庫中存儲故障診斷專家系統的知識，主要內容包括斷路器動作邏輯和專家診斷經驗，以此為基礎，通過實際數據與數據庫內數據的對比，獲得準確的故障診斷結論。目前，該故障診斷方法屬于主流的診斷方法。（2）集正反推理于一體的系統。該類系統集正反系統于一體，在建立推理規則時，可以將斷路器與保護設備間的邏輯關系作為依據，通過反向推理的運用，進一步縮小故障范圍，降低故障診斷難度。簡言之，混合推理的應用，賦予了故障診斷專家系統自主學習的能力，其適應性也顯著增加。

總而言之，基于專家系統的診斷方法，在表示專家經驗以及保護裝置動作時較為簡單，同時工作人員還可以在數據庫中對部分規則進行增加或刪除。專家系統診斷方法是增強診斷系統有效性的重要途徑，將其應用于中小型電網故障診斷分析中，可以取得良好的效果[2]。

2.2 基于人工神經網絡的診斷方法

與常規方法相比，基于人工神經網絡（ANN）的故障診斷方法具有非常強的魯棒性和學習能力，故容錯率較高，發展潛力巨大。在大數據技術的支持下，ANN發展逐漸趨于成熟，方法種類逐漸增加，主要包括前向神經網絡和徑向基函數神經網絡兩種類型。以某研究機構設計開發的典型故障診斷神經網絡BP模型為例，該模型在分析和診斷電網故障時，能夠將繼電保護信息轉化為ANN，用以輸入，同時將電網可能會出現的故障作為輸出，在此基礎上完成樣本集的選擇。其流程如下：（1）選擇繼電保護信息作為故障診斷分析方法的輸出，采取計算的方式對輸入樣本進行處理；（2）對實際輸出與期望輸出之間的差值進行對比，如果差值與條件相符，則完成訓練，否則，使信號反向輸出，以實現對權值和閥值的逐層調整，在多次重復且差值與標準相符后方可停止。

該方法屬于智能診斷方法的一種，無需構造推理機。在大數據技術的支持下，該方法解決了諸多方面的不足，但就實際情況而言，其在大型電網系統中的應用效果并不顯著。

2.3 基于優化技術的診斷方法

該電網系統故障診斷分析方法的基礎為數學模型，在診斷和分析電網系統故障時，可以實現對故障診斷問題的有效描述，在描述完成后，問題就會變為0-1的整數規劃問題。在此基礎上構造數學模型，在模型解析后通過優化技術的應用確定問題最優解，即可達成預期的目的。某研究機構在大數據技術的支持下，將保護動作和故障信息識別元件作為依據，完成了數學模型的構造。首先應用大數據技術匯總和分析診斷結果，然后對全部報警信息進行解釋，在解釋后獲得與故障診斷問題存在密切關聯的函數，達到將故障問題轉化為整數規劃問題的目的。

2.4 基于粗糙集的故障診斷分析方法

基于粗糙集的故障診斷分析方法，即模糊處理目標以獲得種類不同且數據不完全的診斷分析方法。計算約簡方式是粗糙集方法的重要內容，在目標集不發生變動的前提條件下，清除集合中多余且無用的信息，使集合不斷縮小，最終獲得最小子集。該方法的應用，能夠實現對故障的精準分類，并在此基礎上確定分類結果。與其他故障診斷分析方法相比，該方法對附加信息和先驗經驗的需求較少，僅需應用大數據技術分析和處理原始數據，找出其中的隱藏的信息，并把握其內在關聯和規律，即可達成預期目標。該方法的核心是以等價關系為依據劃分目標。比如，在電網診斷和分析過程中，工作人員可以利用大數據技術，完成電網設備故障記錄的采集和匯總，然后使用粗糙集方法，構造關鍵屬性集合?？紤]電網在運行階段容易在外界因素的影響下出現故障，致使電網運行效率和質量下降，建議工作人員重視該診斷方法的使用，準確分析和定位故障[3]。

3 大數據技術在電網設備故障診斷分析中的實際應用

在電網系統中設備是重要組成部分，文章將大數據技術與抽水蓄電站設備運行數據相結合，對設備全生命周期管理應用進行研究，所選的指標包括設備運行強度、設備健康狀態預測以及可靠性評價。

（1）運行數據概述。以國內某企業的抽水蓄能電站為參照對象，收集和匯總其生產運行數據，其中上下機架水平振動、上下導不同方向擺度以及水導不同方向的擺度屬于數據的關鍵信息。

（2）數據存儲方式。在實驗過程中，應用了實驗室原有的Hadoop集群環境，其組成部分包括多臺服務器，且性能十分顯著?？紤]測點采集數據的文件相對較大，故在存儲數據時，所采用的架構為分布式架構。

（3）轉換數值。在檢測過程中發現時間系列數據屬于十分常見的字段，但這些字段與所分析的數據模型存在差距，無法有效應用。為解決這一問題，實驗人員使用服務器對這些數據進行轉換，具體轉換內容為時間和日期。

（4）數據拆分。實驗人員對觀測點數據進行了分析，發現其中所蘊藏的數據由不同電站機組共同構成，故在實際分析階段，應采取拆分的方式，以保證分析結果的精確度。

（5）設備運行狀態。通過查閱資料得知，電力設備年久失修、長期老化運行是引發電網故障的重要原因。因此，將設備運行狀態作為切入點展開分析，有助于工作人員判別和診斷電網故障。

（6）相關理論。此次實驗所應用的理論為瑞麗小波包奇異熵算法，熵就是對熱力學系統隨機性量的衡量。該理論在出現之初，在熱力學氣體研究中應用廣泛，但在20世紀40年代熵的概念被首次提出之后，研究者將重點放在了信道內信號的傳輸過程。在此基礎上，瑞麗熵的理論正式形成。該理論將任意離散型隨機模型定義為 X={x1,x2,…,xn}，Pi為事件X=xi以及的概率，故瑞麗熵的離散表達式如下：

式中：q為瑞麗熵的階數，其定義域為[0，1]U(1，+∞)。

（7）電力設備健康狀態綜合評價分析。考慮電力設備運行時間較長，故在研究過程中將三類信息作為指標構建的依據，這些信息分別為設備基本信息、設備運行工況以及設備歷史數據。其中，設備基本信息包括技術參數和質量等級，設備運行工況包括設備運行狀態、時間以及環境，而設備歷史數據是指運行現狀、缺陷和維修情況[4]。在確定評價指標后，由專家確定每項指標的分數和權重，計算后得知，專家分數服從于正態分布。以此為基礎，完成了評分標準的設置，如表1所示。基于表1中的評分標準，對實驗所選的電力設備指標進行評分，其結果如表2所示。計算結果表明，該設備的分數約為94分，表明電力設備運行狀態良好，電網發生故障的概率相對較低。

表1 評分標準

表2 評價結果

4 結論

綜上所述，在大數據技術的支持下，電網系統故障診斷分析技術實現了快速發展，且克服了原有的不足。就當前實際情況而言，大數據技術在電網故障診斷分析中的作用十分顯著，以神經元網絡、粗糙集以及專家系統為基礎的診斷分析技術，被廣泛應用于電網故障診斷中。建議電網企業重視大數據技術的應用，以提升電網診斷效率和準確性。