基于人工智能技術的電力信息系統運維數據整合方法

國網湖北省電力有限公司營銷服務中心 蔡文嘉 李玲華 湖北華中電力科技開發有限責任公司 廖陽春 沈 誠

關鍵字：人工智能技術；電力信息系統；運維數據

1 引言

電力信息系統中存在著各種各樣的問題，信息孤島以及資源浪費等現象較為常見，導致數據整合存在較大的難度。在電力信息系統中，運維數據整合已經成為一種趨勢，其主要是借助輔助工具，根據用戶的需求，將一些信息整合起來。在目前的數據整合方法中，比較常見的有數字資源整合方法等，但這些方法在實際應用中均存在數據整合不夠全面這一缺點，且用時比較長。因此，通過應用人工智能技術，借助其中的深度學習算法，合理應用在運維數據整合中，有效改善以往方法中存在的問題，從而提升數據整合的效果。

2 電力信息系統運管理存在的問題

2.1 運維制度不完善

首先，系統變更需求通常由檢修人員提出，基層人員在檢修后，若發現與信息規范不吻合的內容，就需要申請變更，方便維修人員進行維護，由于申請機制不夠完善，導致信息反饋不及時，在一定程度上拉長了檢修周期。其次，在電力信息系統管理中，工作人員以解決現存的問題為主，解決問題之后沒有進行深入分析，對于可能出現的類似問題，也無法有效進行預防，一些基層人員在進行操作時，只是根據操作流程執行，不具備風險抵御能力。最后，對于數據質量的監控，缺乏有力的手段，電力信息系統運維數據一般是定期通報，高級部門對數據檢測過之后，能夠使數據質量有所提升，但現有的監控系統大多為事后監管，不具備預警作用，實際效果不夠理想，無法達到真正目的。

2.2 運維體系較為混亂

在電力信息系統中缺少完善的運維管理模式，具體的分工不夠清晰，通常是由技術人員進行維護，加重其工作負擔，影響運維效率。由于分工不夠明確，無法制定科學的運維管理流程，在問題處理當中呈現混亂狀態，對運維質量產生影響。運維工作和信息化建設需要共同進行，只有這樣才能夠提升運維水平，但在目前的建設中，兩者割裂嚴重，無法有效進行配合，進而影響工作效率。

2.3 基層維護力量薄弱

在當前信息時代背景下，電力信息系統運維數據的處理對系統的功能有著一定的關系，想要提升系統運行效果，就應確保系統的響應精準度。基層建設是系統運行中的重要基礎，基層建設的規范化，對之后的升級有著重大意義，由于一些部門對電力信息缺乏足夠重視，對基層的系統建設質量較為忽視。同時，國家對于電力系統建設的投入不夠多，基層的設備以及技術等不夠先進，在一定程度上影響系統運行穩定。在系統建設中，對于系統運行、維修、建設等，沒有有效結合，導致運維人員對信息技術的掌握程度較低。

3 基于人工智能技術的電力信息系統運維數據整合方法

3.1 整體架構設計

在電力信息系統運維數據整合中，人工智能技術的應用起著重要作用，深度學習算法作為其中的一大研究熱點，在數據處理中可以發揮較大的作用。在具體應用中，通過網格服務的調用，實現數據共享，在執行完成之后，將資源進行釋放，能夠減少等待時間，并降低資源占有量，擴大覆蓋范圍。在深度學習算法基礎上，體系架構中分為服務層、核心層、資源層，其中資源層儲存資源，負責采集數據；核心層提供資源封裝，負責數據集成；服務層提供XML生成服務，提供多個對象進行拼裝，最后全部返回相應的文件，負責數據建模[1]。在數據整合當中，借助在線數據，對離線數據進行更新，獲得設備運行參數。

3.2 運維數據分類

在電力信息系統運維數據整合期間，需要先對其進行分類，以便更好地開展數據整合，縮減整合時間，提升整合效率。在數據整合過程中，應設定統一標準，以此作為參考，有效進行分類，對歷史數據結構、內容等進行全面描述，結合相互之間的關系進行定義。如表1所示，根據不同的原則，將運維數據進行劃分。在電力信息系統中，運維數據較多，其中難免存在一些重復性或已經損壞掉的數據，由于這些數據的存在，對分類的效果會產生一定的影響，只有在合理劃分之后，將這些數據除掉，才能夠真正完成分類，從而方便業務處理期間獲取相應的數據。

表1 運維數據分類原則

3.3 運維數據編碼

完成運維數據分類后，應根據具體結果來編碼，制定統一標準，在完成編碼之后，可以在整合期間快速定位目標，促進數據整合速度的提升。以往的編碼方式過于死板，所以使用歸零碼這一方法能夠更加靈活地完成編碼，在具體編碼中，先在數據庫中獲得所需的數據，對其結構進行轉換，形成對應的數據報表以及物理數據，通過核對，確定是否滿足標準要求，如果滿足要求則編碼結束，如果沒有滿足要求則需要重新編碼[2]。數據的編碼標準各不相同，通過編碼，能夠使運維數據更加準確地錄入，從而保證數據整合的質量。

3.4 運維數據整合的實現

結合深度學習算法，有效整合電力系統運維數據，通過計算，從節點上的原始運維數據獲取離散數據，將數據時空相關性去除掉，防止數據損壞，避免無用資源占比過大。在數據整合當中，需要結合實際需求找到對應協調服務，確保整合與獲取的任務相對應，在整合期間，應將離線數據拓撲進行更改，建立小支庫，將極端節點合并起來，分類進行計算，使其能夠獨立運行[3]。同時，確定數據的具體應用方向，明確電網管轄范圍，對于在線數據，將其中低電壓等級電網進行簡化，并化為等值網處理。在完成數據整合之后，全部錄入管理軟件當中，便于之后的查詢和使用，在使用時，應借助編碼方式，對數據進行編碼，確保數據的規范化。在電力信息系統運維數據的整合中，通過應用人工智能技術，可以確保系統結構不發生變化，數據交換的格式也全部保持一樣，能夠進行多系統的轉換，實現數據的整合。

3.5 構建完善的運維體系

電力系統運維是實時進行監控，實現智能化運維數據分析，對于設備檔案的巡檢、故障檢修、交接班等，提前預警設備維修計劃，實現全生命周期管理。人工智能技術在電力系統運維數據整合中的應用是當前研究的重點，對于運維體系中現存的問題，應增設監控系統，在電網運行中，對于出現的故障問題，應及時處理，加強事前管控，最大限度降低電網運行故障。在電力系統運維建設中，模糊運維、建設人員之間的界限感，應注重全方位培養，確保運維質量，為數據整合提供便利。對于運維體系，電力部門應在省市級別以及基層，設立一樣的技術以及指導崗位，開放運維權限，使更多的人參與其中，減輕高級別技術人員工作壓力，有效提升運維效率。

3.6 試驗論證

以某城市的電網數據為例展開試驗，試驗數據是2020年3～9月的數據，其中有多種數據類型，包括異構電網數據、損壞的數據、多部門的數據，如表2所示，為數據類型的分布表格。根據數據類型的實際分布情況，借助Matlab軟件進行分析，在輸入數據之后，生成文件夾，將數據發送給試驗數據顯示器，利用試驗控制終端，對試驗流程進行把控，由服務器為其提供相應的支撐[4]。

根據表2試驗數據，借助人工智能技術進行數據整合，經過試驗可知，數據整合花費的時間最高為1min，用時短、效率高，其主要原因是將數據按照不同類別進行劃分，并進行編碼，所以在數據整合過程中不需要花費較多的時間。對于數據的覆蓋率，基于人工智能技術進行數據整合，相比其他技術而言，數據覆蓋范圍比較廣，能夠提供更多的數據支撐，滿足實際應用需求。

表2 試驗數據類型分布

4 實例分析

某220kV變電站發生跳閘事故，以整合處理過程為例對當前的運維模式進行分析。電力公司運維班組對220kV甲線路斷路器進行定期檢查，乙路線全站負荷運行，整個跳閘事故的定檢處理過程為，在10:30發生跳閘事故后，報文、錄波分析，下令試送，試送失敗，開始事故巡線，調整變電站運行的方式，12點確定故障，出現過負荷告警，暫停定檢工作并轉運行。從整個檢修過程可以看出，對于檢修停電方案的制定，以及對風險的預測，沒有全面進行考慮，忽略了當地的天氣情況，并在事故高發時期進行檢修；對于跳閘事故的定位和排查，耗費時間比較長；該事故的處理需要多方協同作業，在處理期間過于依賴專業人員，缺少科學數據支撐。

4.1 檢修管理系統數據融合

結合案例可知，當前的運維策略存在一定的問題，數據支撐不夠完善，沒有合理應用科學手段，應對現有的運維系統進行優化。當前的運維類型主要包括檢修管理、運行監控、事故搶修等，在檢修管理過程中，一些電力企業對于檢修計劃的制定，通常是根據上次檢修時間、檢修相關要求等進行的，相對忽略了一些客觀因素，設備運行的環境、年限、缺陷率等，都對設備的運行有著一定影響，設備檢修周期反映出了設備檢修的真實需求，但檢修周期可能和實際運行計劃存在一定的沖突，因此要將天氣、生產計劃、歷史負荷數據等全部考慮進去，以此判斷檢修時間是否與各方需求相吻合[5]。除此之外，借助非常規數據，建立事故預警模塊，對停電期間電網運行風險系數進行有效評估，在該案例中，天氣、線路植被等都是需要考慮的因素，如果不能夠更改時間計劃，就需要在審批環節加以提醒，制定相應的應急方案。

4.2 線路運行監控系統數據融合

在線路運行監控中，電力GIS系統起著重要的作用，但目前存在各種問題，如地理環境數據更新速度比較慢，所以改造GIS系統十分有必要。在該系統中，引入天氣、水利等預測機構的實時預測數據，構建GIS模型，并以醒目的顏色將其凸顯出來，使工作人員清晰地了解線路運行的有關環境信息。對于災害歷史數據的分析，可在自然災害高發區域構建觀測點，借助紅外測溫以及圖像測距等方式，有效處理數據源，并在GIS系統中構建相應的模型。在無人機巡線時，對于有關數據，應借助視頻測距等方式，有效提取重要數據，將地理環境有關信息還原出來，為運維人員提供數據支持。在GIS系統中，借助有關數據建立線路運行模型，用于地理環境數據的更新，完成定期更新。

4.3 SCADA系統數據融合

在該案例中，SCADA系統中的數據不夠全面，遇到突發狀況時，無法為工作人員的決策提供有效的數據支撐，不利于突發事件的高效處理。因此，在遇到電網跳閘故障時，應根據相應的故障測距信息，將GIS模型數據傳至該系統內，工作人員可以根據推送的消息了解故障周邊的天氣、地理環境等各種信息，方便判斷具體的故障類型，并為故障分析提供依據，如果GIS系統視頻觀測點在測距范圍之內，便可以傳送實時視頻信息，工作人員也可以對攝像頭進行操控，從而了解現場情況，盡可能快速將事故現場還原。然后，借助EMS歷史負荷曲線與該系統，建立負荷預測模塊，一旦電網運行方式發生變化，便會根據實時數據，對電網拓撲進行計算，并依據新運行方式計算負荷，若線路有過負荷風險的話，則會發出預警消息，提醒工作人員及時控制，或者更改電網運行方式。

5 結語

在人工智能技術的應用下，電力信息系統運維數據整合方式獲得創新，通過對數據進行分類、編碼，有效減少冗余數據，使運維數據更加完整。經過試驗證明，與傳統的方法相比，該方法不僅能夠提升運維數據整合的效率，還能夠擴大數據覆蓋范圍，提升數據應用水平。