北极星智能电网在线讯:摘要：为提高新一代智能变电站变电设备状态监测与评估的准确性和效率,文章研究了针对变电设备状态监测与评估的数据监测体系和手段,指出目前在线监测设备的大量应用可为大数据挖掘分析提供强有力的数据支撑,并分析了适用于新一代智能变电站变电设备状态监测与评估的大数据预处理方法,最后从建立设备异常知识库和状态评估2个方面展望了大数据在新一代智能变电站变电设备状态监测与评估领域的应用前景。
关键词 : 智能变电站; 变电设备; 状态监测; 状态评估; 大数据挖掘;
0 引言
智能变电站是智能电网的基础和支撑节点,是衔接智能电网发、输、变、配、用、调度六大环节的关键,也是实现能源安全、稳定、高效转换和控制的重要组成部分。国家电网公司于2009年进行了2批智能变电站的试点建设,并从2011年开始全面推广智能变电站。经过近几年来的研究和实践,目前推广建设的智能变电站初步实现了全站信息数字化、通信平台网络化、信息共享标准化、高级功能应用互动化,大大提升了变电站整体的运维自动化水平[1-2]。但与此同时,在推广建设智能变电站的过程中也遇到了各方面困难,制约了智能变电站的进一步深入发展。为更好地支撑运行、检修核心业务的集约化管理要求,突破智能变电站在建设、运行方面遇到的发展瓶颈,国家电网公司于2012年着手研究与建设新一代智能变电站,目前已有一批试点工程建成并投运。
在新一代智能变电站中,对变电设备的运维管理多维化、精益化是大趋势,大量采用集成了状态检测传感器和智能变电一次设备及新式传感器,监测程度和一次设备的智能化水平大幅提升。随着监测数据采集点周期的缩短,海量的状态监测数据源源不断地产生,这就让应用大数据技术对新一代智能变电站中变电设备进行更为准确和实时的状态监测与评估成为可能。
智能变电站与大数据理念的结合,会对智能电网的发展和智能变电站的变革产生深刻影响。在文献[3-6]中,结合云计算和智能电网的特点,详细说明了基于云思维的理想化智能变电站结构、智能电网的调度及扁平化结构的智能电网,并以此为背景提出了利用网络通信和分布式服务结构实现在虚拟环境下的资源共享和协同工作,实现通过界面直接访问变电站数据,提高了变电站的实时监测水平,充分体现了“电力流、信息流、业务流”高度一体化的理念。本文对在新一代智能变电站变电设备状态监测与评估中的大数据挖掘技术应用进行了总结和展望。
1 研究现状
大数据挖掘是指从海量、完全、多源、异构的数据中挖掘人们无法预知的,但又实际上蕴含着潜在的可被利用的知识的过程。图灵奖得主吉姆格雷曾描绘了数据密集型科研未来发展的愿景,未来的数据密集型科研可仅基于数学模型的海量数据,即可对数据进行分析,也就是将海量数据输入庞大的计算机器集群中,只要数据中存在相互的相关关系,经过计算机集群的计算分析便可挖掘出过去关注因果的科学方法很难发掘出来的新的模式、新的知识甚至是新的规律。新一代智能变电站中变电设备的众多状态信息中同样包含了电力设备的状态和故障演变机理,通过大数据的分析挖掘理论可直接发现这些规律。
适用于新一代智能变电站变电设备状态信息大数据挖掘的方法目前主要是基于计算机集群结合分布式并行计算的方式,包括高性能计算所广泛使用的信息传递界面[7]、应用于大规模计算机集群的MapReduce等。MapReduce模型如图1所示。
图1 MapReduce模型
Fig.1 MapReduce model
整体来说,大数据挖掘技术在新一代智能变电站变电设备状态监测与评估中的应用还处于起步阶段。目前已有一些学者使用人工神经网络算法、模糊推理、专家系统、动态聚类、支持向量机、小波分析等方法进行变压器故障诊断[8-9]。文献[10]给出了基于MapReduce的电力变压器并行故障诊断过程,应用4个MapReduce过程执行故障诊断算法的训练阶段,并得出分类模型,应用1个MapReduce过程完成对电力设备状态信息数据的故障诊断。文献[11-12]在智能变电站环境下,针对各种智能量测装置运行过程中产生的海量状态监测数据,提出在大数据环境下设备故障快速识别与预测的模型,对大数据进行深度挖掘,对故障的特征及与设备的关联关系进行提取,结合周边变电站信息定位发生故障或出现危险情况的具体设备和故障原因,协助运行人员及时分析和处理事故。文献[13]详细分析了变压器故障识别新方法的意义及措施。
2 新一代智能变电站变电设备状态监测与评估诊断数据源
目前,变电站主要通过人工巡视、离线实验、带电检测、在线监测等方式和手段获得设备的状态信息,根据评估模型进行设备状态评估,判断设备状态是否异常,并预判设备的故障情况,在故障发生前对设备安排合理的检修时间和项目[14]。但在传统的变电站中,多数对设备状态的监测依赖于人工实验等低智能化的或离线实验、带电检测等长时间周期的手段和方式,这对进一步精准监控并掌握设备状态造成了制约。
