基于大數據的配電設備運行狀態監控與故障預警系統設計

徐曉虹，鄭 昀

(北京市化工職業病防治院，北京 100093)

配電設備處于電力配電系統的末端，直接向企業與用戶分配與供應電能，其穩定性與可靠性對于工業生產及人類生活均十分重要。為了將人工操作失誤率降低，減少人力資源浪費，提供便利且可行的控制方式于配電設備的自動化監控與維護，必須以合理的控制邏輯為支持，對配電設備施以計算機管理[1]。目前，我國不少供電公司存在著配電設備類型多、人員配置緊湊的問題，致使公司面臨較大的設備運行維護與故障搶修壓力，故障搶修時間長，一旦有大面積多點故障出現，將會難以應對。所以，需要借助先進的科技手段進行配電設備運行監控與故障診斷系統的設計，在遠程故障診斷與預(告)警系統的支持下縮短故障搶修時間，實現配電設備監控智能化[2]。劉明祥等[3]提出一種配電設備運行狀態綜合評估方法，并以此為基礎進行了設備狀態多維度評估指標體系的構建，但體系涉及的設備自身運行狀態因素中的關鍵硬件狀態與環境因素等數據通常在配電設備中并未采集，故此評估方法很難在實際應用中取得理想結果。張鐵峰等[4]通過研究一體化配電網智能運行與維護系統，明確了系統的技術架構及實現技術，但該項研究主要以配電網一次系統的運行與維護為重點，并未涉及到配電設備運行狀態的監控與維護管理。針對配電設備傳統運行與維護存在的不足以及所需解決的相應問題，文章提出一種以大數據為基礎的配電設備運行狀態監控與故障預警系統設計方案，以此方案為指導，利用大數據技術對所采集的配電設備運行數據進行實時分析，實現對配電設備的采集監控、預警分析與閉環管理，提供可靠的決策支持于檢修策略的優化、設備的選型以及備品備件等的管理。

1 系統總體設計

配電設備運行狀態監控與故障預警系統主要由數據采集層、集成計算層、數據分析層以及應用層組成[5]，在集成信息通信一體化調度運行支撐平臺的基礎之上，統一管理配電設備資源，高效挖掘大量的配電設備數據信息，及時定位、分析、預警并解決設備運行故障，達到全面提升配電設備運行與維護整體水平的目的。系統總體架構如圖1所示。

圖1 配電設備運行狀態監控與故障預警系統總體架構Fig.1 Overall architecture of power distribution equipment operation status monitoring and fault early warning system

數據采集層以數據采集協議為基礎采集配電設備的運行與應用數據，系統采集的各種數據信息主要涉及基礎設施數據、系統運維數據以及外部數據等；集成計算層匯聚、存儲并清洗多元異構數據，提供批量數據以及實時流數據計算服務；數據分析預警層基于大數據挖掘技術及海量的配電設備運行狀態歷史數據對設備的先期故障特征進行分析，在實時分析設備狀態數據的基礎之上發布設備異常預警[6]；應用層基于底部支撐實現上層應用，提供前臺交互服務，系統主要包括采集監控、預警分析、閉環管理與決策輔助4大功能應用。

2 系統監控與預警方案

基于大數據的配電設備運行狀態監控與故障預警系統通過實時流處理技術以及自行編寫的業務模塊完成數據挖掘分析(異常檢出)、預警通知與可視化3項功能。

2.1 配電設備運行數據日志模式提取

配電設備運行數據日志的異常檢測應將非結構化原始日志向結構化日志模式的轉化作為首要任務[7]。根據異常檢測算法的輸入要求，日志模式提取程序將結構化數據輸入生成，在分析端以分布式流處理技術為支持執行對日志模式的提取任務，結合全局異常檢測算法以及綜合時序模型的具體輸入生成經過聚合與轉換的結構化輸入。

日志模式提取任務由在Storm集群中部署的定制化Topology來執行。Storm集群基于Kafka消費者模式進行流數據源(Spout)的建立，連續讀取存儲于消息隊列的日志。Topology完成日志模式提取之后，將生成的分類結果存儲于Redis中，為數據挖掘模塊的查詢與調用提供便利。Storm集群與Zookeeper集群共同擔負起對分布式流式處理過程的監控與任務分配職責。

分布式流處理程序為模式分類計算的并行化實現提供保證，與傳統批處理算法相比有更為突出的實時性特點。全部分類結果均在Redis中存儲，并接受globalinfo的維護，全局數據的一致性由此能夠得到保證。

2.2 基于日志的異常檢測

在完成日志模式化與統計工作之后，各類配電設備及相關模塊的日志模式化信息以及分時間窗的統計信息全部暫存于Redis中。此時，綜合時序分析模塊與全局異常檢測模塊對Redis上的結構化日志數據進行讀取，執行時序分析與異常檢測的任務。大量結構化中間數據存儲于Redis上，可結合異常檢測模塊的差異化需求提取并調用這些數據。具體抽取方法及聚合粒度通過程序模塊來實現，綜合時序分析模型根據系統配置的日志模式進行各時間單元內日志模式的抽取，生成時間序列，以此為基礎執行綜合時序分析與異常檢測任務。全局異常檢測模塊利用Storm集群在高維場景下計算異常因子，并結合設定好的閾值對異常點作出判別。如果日志模式有較多分類，則采用數據降維法降維處理全局異常檢出模塊的數據輸入，達到節省算法計算時間的目的。如果檢測結果為異常，預警通知模塊將會發出短信或郵件告警，提醒運維人員及時采取措施規避故障的發生。

2.3 基于檢測結果的實時預警

出于對配電設備故障發生具有緊急性與時效性特點的考慮，系統采用短信形式優先向運維人員發出通知，為其提前做出響應提供便利。為了在故障解決過程中提供有效參考于故障的恢復，系統還應將可能出現故障的配電設備的基礎信息、異常檢出結果等采用郵件的方式發送給運維人員與設備供應商，為問題的快速定位提供便利。

在解決相應故障之后，業務人員與數據分析人員還要執行對日志的溯源與經驗歸納任務，對此，系統應采用可視化方式將日志統計信息、異常檢測數據結果等呈現出來，便于形成有效的知識進行真實環境的部署。

3 系統應用設計

3.1 采集監控

采集監控模塊對數據的采集頻率為5 min/次，模塊采集的內部數據信息包括基礎設施數據以及系統運維數據2種類型，前者由各類配電設備、數據庫以及中間件的實時與歷史數據構成；后者則主要包括配電設備運行狀態監控與故障系統各主要頁面的響應數據以及響應時長等指標。

針對實時產生的數據，使用Flume實時數據采集技術進行收集，此方式可將最新數據發送至分布式集群執行實時處理操作，快速生成分析結果；針對歷史數據，使用Storm對其進行分析，通過Kafka消息生成器對歷史數據流進行逐條讀取，并將其發送至分布式集群作進一步的分析，該模式可復現與回溯以往發生的故障案例，有利于故障的復核及問題歸因。采集監控模塊的功能在于監控并采集各類數據信息，對內外部數據進行高效傳輸與匯聚，為上層應用奠定基礎。

3.2 預警分析

原始數據的產生到故障預警的生成需要經歷模式化、指標計算以及算法分析等流程，以分布式大數據技術為支持，為配電設備運行產生的海量日志的及時處理提供保證。運維人員與業務人員需要分別對設備異常檢測結果進行故障追因與業務求證，在對比并認證原始日志與故障樣本之后，生成新的規則并將其在知識庫中存儲。運維人員、業務人員以及數據分析人員共同參與故障預警規則及相關知識的生成。以多方檢驗及求證為基礎，配電設備運行狀態監控與故障預警系統可以在持續的運行過程中不斷將異常檢測精度提高，同時，實現對各類故障預警覆蓋范圍的擴大。基于配電設備運行數據的日志處理及故障預警流程如圖2所示。

圖2 配電設備運行數據日志處理與故障預警流程Fig.2 Distribution equipment operation data log processing and fault warning process

由圖2可知，配電設備產生的日志數據在模式化、指標計算、算法檢測、故障確認、數據分析以及規則發現等一系列處理之后生成可用知識存儲在知識庫中，并在系統運行過程中對后續異常問題的檢出結果產生影響，以此實現對運行狀態分析效率以及故障預警準確度的提高。

3.3 故障閉環管理

為了提高配電設備消缺管理流程的規范化程度，系統以Activiti工作流為基礎提供配電設備故障閉環流程管理功能，整個流程由設備故障提取、故障確認、消缺派工管理、現場消缺與信息反饋、反饋信息審核等子環節[8]共同構成。

3.4 輔助決策

(1)設備運維檢修計劃優化。根據配電設備故障預警的實際情況對運維檢修計劃進行優化安排，在減少不必要的檢修工作、保證工作效率的同時，防患于未然，采取提前、主動的維護措施對故障的發生加以規避。例如針對存在嚴重故障風險的配電設備立即安排維修；針對存在異常運行狀態的設備優先安排維護檢修計劃；針對需引起注意的設備應將其列入日常運維觀察列表之中。

(2)家族性缺陷分析。在聚類與關聯分析各類配電設備故障的基礎之上，對設備故障缺陷所表現出來的家族性特征進行識別，制定運行維護策略及計劃。舉例而言，若通過家族性缺陷分析發現某廠家某一型號的特定版本或批號的配電設備出現某類故障的次數比較多，可針對其制定統一批量維護與升級的計劃。

(3)備品備件管理優化。圍繞廠家、型號、版本以及年限等角度對配電設備展開深入的分析，與設備運行狀態監控及故障預警相結合，預測今后特定時期內所需配電設備備品備件的種類及數量，以此為基礎進行備品備件采購計劃的優先安排。①規避在配電設備出現故障之時由于備品備件的欠缺而延誤故障處理時間這一問題的發生；②減少不必要的備品備件采購。

4 應用實例分析

上述系統使用配電設備運行數據日志的實時采集，通過時序分析模塊與全局異常檢測模塊進行故障檢測，并在發現故障時基于預警通知模塊，及時提醒運維管理人員，以溫度監控為例，在選定監控設備后，系統界面可實時顯示設備溫度變化的數據日志，可見，通過異常檢測，可得設備溫度未出現明顯變化，較為平穩，此時未見故障。

為檢驗上述系統的可行性，本文選用人工檢測方法、文獻[3]指標評價方法作為參照對象，以實地采集的配電網設備運行數據日志為測試源，其中無故障、存在故障的配電網設備日志分別為86、72個，故障主要表征為導線、絕緣纖芯等損傷。配電設備運行數據日志中的故障信息見表1。

根據表1配電設備運行數據日志中的故障信息，選用變壓器漏油數據日志為實驗組，遵循上述故障預警流程進行異常檢測，所得結果如圖3所示。可見，利用人工檢測與指標評價方法進行故障預警后，變壓器漏油量差異較小，而對比之下，上述研究所提出的方法因能夠高效、精準的進行故障預警，極大的減少了變壓器漏油量，故而，漏油量最少，驗證了其應用的優勢性。

圖3 各方法對變壓器漏油故障預警結果Fig.3 Early warning results of various methods for transformer oil leakage fault

同時，為驗證上述方法故障預警的可靠性，本文以表1中的故障為例，選用檢測正確率、召回率和F

表1 配電設備運行數據日志中的故障信息Tab.1 Fault information in operation data log of distribution equipment

值作為評價指標，分析其與人工檢測方法、指標評價方法的差異性，所得結果如圖4所示。

圖4 各方法故障預警的可靠性結果Fig.4 Reliability results of fault early warning of each method

顯然，從故障預警的正確率看，研究所提出的方法正確率優于其他2類方法，且正確率變幅較小，較為平穩；而且，檢測召回率最高，并隨著實驗次數的增加大幅增加，表明研究所提方法對于配電設備運行故障的檢測查全率最優，由此，也可推理得出研究方法的F值最高，驗證了其在配電設備運行故障預警中具有高度可靠性，具有應用可行性。

5 結語

圍繞具體的業務需求，文章進行基于大數據的配電設備運行狀態監控與故障預警系統設計，研究配電設備采集監控、預警分析、故障閉環管理以及輔助決策等主要應用，有利于彌補傳統配電設備運行與維護管控方式中存在的不足，提高配電設備運行狀態監控及故障預警效率，提供有效支撐于配電設備的可靠運行。今后，研究人員應進一步擴大配電設備大數據來源，制定更為詳細與完善的監控與預警方案，與配電設備的遠程運維支持相結合，進一步優化配電設備的運行、維護及管理水平。