輸變電設備狀態大數據分析應用探討

三峽新能源五家渠發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境因素所造成，因此在保證輸變電設備穩定運行以及修護檢查方面要提供更多的研究。輸變電運行狀態檢查是否成功的關鍵是把握變電設備的運行狀態，并對此狀態進行全面和準確的評估。隨著傳感器技術和狀態檢測技術的越發成熟，電網數據爆發式增長，近年來大數據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 大數據結構下的輸變電設備狀態評估的大框架

輸變電設備的大數據應用技術是要將數據進行融合分析和深度挖掘，從數據方面進行有價值的規律分析，實現檢測和狀態評估可全面及時掌握輸變電設備的健康狀態，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。在大數據結構下的輸變電設備狀態評估主要包括以下部分[1]。

1.1 構建關鍵參數體系

輸變電設備的分類形成了整體的參數體系，包含了各類傳感數據，因此設備參數可分為三層，第一層是狀態信息層，第二層是傳感數據層，第三層應用交互層。狀態信息層是將各個數據狀態進行評估時所對應的狀態量，包括人工顯示、運行信息和環境信息等，交互增量是作為狀態評估的參考信息，根據狀態量的更新速度，可分為實時數據、真實數據和靜態數據，作為建立關鍵參數體系的依據。構建關鍵參數的整體體系需對電力設備整體情況進行調研，根據數據的收集和梳理獲得靜態實時的狀態信息進行分析，運用關聯的規則，數學模型可提取關鍵的參量，與故障缺陷參數相關聯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監測技術確定整體線路的基礎參數；另一方面，是針對準實時信息的獲取，將分析法數學模型應用到輸變電設備，分析法數學模型的核心是通過正交變換的方法獲得參數中的相關信息，把各參量的貢獻率作為參數提取的依據。最后針對于實時狀態信息，提取出序列，本身具有較強關聯性的關聯參量可提取變化率相近的時間序列。

1.2 數據清洗

對于不同來源的數據需進行統計和分析才能達到數據清洗工作，數據清洗中的主要作用，是保持數據的完整性和有效性的前提下對數據的格式進行統一分類、主要信息建立與趨勢相關的數學模型。噪音數據是指數據內部錯誤數據或和期望值距離太遠的孤立點，這種數據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，數據的連續性就會被破壞，對設備狀態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范化的分類，將相關數據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據，這些數據可觀測電力的外觀環境和局部過熱、局部放電等主要問題[2]。

2 輸變電設備狀態數據清洗方法

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據分類，這些實時數據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，這種觀測值統稱為異常值，對于運行中的輸變電設備來說，異常數據通常表現為缺失點和噪聲點，輸變電設備的狀態數據進行清洗是保證狀態正確和故障診斷的前提。可清洗的輸變電異常數據要確實是錯誤數據、外界干擾數據、壞數據以及水平遷移的數據。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，進而將可清洗的數據通過雙迭代循環方法進行清洗。

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據庫的形式不能應用于之后的數據分析，因此所有狀態的量應形成矩陣，通過矩陣再進行深化分析。非平穩的時間序列應按數據的特征進行不同形式的綜合，按時間序列進行設備狀態數據的分類。

設備狀態具有多樣性，采集時間的不確定性使得狀態之間產生異常的數據，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據清洗步驟。通過建立異常的數據模型和干預模型判斷哪些數據是有用信息、哪些數據需要清洗。異常值數據會出現大量的數值殘差，通過殘差值可判斷模型類型。異常數據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，故障時數據狀態會產生水平遷移或快速變化，且這些數據不可做清洗，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。基于這一原因，雙迭代循環的方法被有效的利用在時間序列模型識別異常數據中，這種方法能清除數據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據的整體規律而言，能修復造成缺失點的數據矩陣，但對于非常平穩的季節性數據差清洗的效果檢查具有明顯的局限性，通過雙迭代循環方法的引入，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據的準確性，不僅可刪除壞數據，也能提升數據的質量，避免狀態的評估錯誤[3]。

3 輸變電設備狀態大數據分析應用探討

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

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間的關聯進行分析，設備出現故障時的歷史數據可作為感覺狀態量和故障模式關聯性的依據，建立起關鍵性能對應的狀態量集，最后結合矩陣下列有關數據分析的數學模型。關聯規則就是找出出現在同一個視線中不同相之間的關聯性。故障歷時數據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據也需要進行分析和分類。

3.2 構建大數據模型

隨著理論的發展，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，設備的數據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，最后得到優化的行列數比值，簡化數據分析過程。每個狀態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測量，由于每個狀態測量的不同，所以應截取某一段時間內所有的狀態量、根據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、只需要求解斜方差和特征值的優點，并可消除噪音數據和缺失值的影響，設備在運行過程中的突發故障會導致數據逐漸偏離分布，反映在模型參數影響較大，通過ARMA 模型參數短時間內的缺失者不會被判定為狀態異常，減少了操作步驟。再考慮到狀態量的時間和空間具有一定的聯系，所以應將歷史數據的每個階段的圓環曲線和譜分布曲線進行對比反映狀態量的變化趨勢，尋找其中的關聯性。

3.3 關鍵性能狀態評價應用

關鍵性能的分析和時間空間都相關：第1步需將各狀態的量進行歸一化和平穩化，所有的數據整合成關鍵性能狀態矩陣，方便接下來的數據分析和整理；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矩陣，當狀態評估值和閾值進行對比時，如狀態值大于閥值表明性能偏離了正常狀態，也就是設備可能出現了異常；第4步是針對數據出現異常的高維矩陣，通過ARMA 模型進行向量的擬合，分析異常數據出現的位置，找出所對應的有故障的設備。根據關鍵性能的狀態評估分析和檢測出狀態量的異常所在和異常所發生的時刻[4]。

3.4 輸變電設備狀態評估系統的測試應用

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

在對系統采集到的色譜數據經清洗后可進行評估，識別出異常數據所屬種類，得到不含噪音的數據。輸變電設備的運行狀態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據可增加狀態評估的準確性。在對變壓器的關鍵性能進行評價時，應以信號為色譜數據進行收集。一個月作為空窗期將所有數據集成為高維矩陣，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。

4 結語

大數據對于輸變電設備的狀態評價是非常好的發展方向，通過挖掘數據之間的相關知識，從數據的角度解釋設備的狀態具有非常高的科學性，也有很大的應用價值。大數據分析對于智能電網具有很好的應用和借鑒意義，系統的大數據分析可對當地的電網做出有效的預測和預警，幫助監控員能夠發現設備的缺陷及設備在運行過程中可能出現的問題環節，同時監控員日常工作中也可建立大數據的分析的意識，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。

基于大數據的分析，可科學正確地對電網運行狀態進行直觀性的預測。結合電網調控技術發現，大數據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。