大数据对于电力故障智能预警与分析

张一玮

摘要：现阶段，社会进步迅速，我国的电力行业的发展也有了提高。我国终端的数据接入量和采集量不断增长，每天采集器采集的数据就高达28.8亿，高强度的运行为现场带来了大量故障，使用人员维护起来十分困难。因此需要研究出有效的电力计量装置故障诊断方法，通过该方法帮助企业优化系统流程，提高电网的运行效率，节约维护时候花费的工作成本。目前用的比较广泛的电力计量装置故障诊断方法有3类，分别是利用信号诊断、利用数据模型诊断和利用知识经验诊断，这些诊断方法都十分依赖人工操作，不具备智能性。近年来，人工智能诊断技术迅速发展，科学家不断在人工智能诊断技术中加入创新思路，使该技术愈加成熟。在采集海量数据时，电力计量终端很容易出现问题。电力计量装置采集的数据量超过50G，并且呈现增长模式，传统的数据库很难在短时间内推算出所有存在的故障，因此工作效率难以达到用户的需求，导致诊断延时状况的出现。工作人员在分析电力计量装置故障时，多是利用以往的工作经验结合现场故障情况判断问题所在，这种方法需要多次尝试，才能解决问题，成本高、效率低。

关键词：大数据;电力故障;智能预警与分析

引言

社会的发展和正常运转需要电力系统的支撑，随着人们的生产和生活对于电力需求日渐增加，加之其本身的结构比较复杂，所以电力故障必然会发生。导致电力故障发生的原因主要有两种，其一，受到自然因素的影响，比如地震、台风、雷电等对电力系统产生不利影响，另一种则是人为原因所导致的电力故障，比如相关工作人员操作失误，或者是一些不法分子的蓄意破坏等。电力故障可以分为不同的类型，主要包括横向和纵向故障两种类型。在传统的电力自动化系统故障分析过程中一般会采用设备监控或者人工排查的方式。设备监控主要是通过通信网络，只能够对设备的运行状态进行研究分析，无法判断工作质量;人工排查方式则需要依靠大量的人工劳动者来排查现场，此种方式的准确性和工作效率都比较低。

1基于大数据的电力计量装置故障智能化诊断

1.1电力计量装置故障智能化诊断知识库建立

本文建立的电力计量装置故障智能化诊断知识库除了具备储存电力计量装置数据的能力之外，还要具备删除、修改和查询的功能。将诊断和监测的结果存入诊断知识库，同时知识库还要记录大量故障问题，并进行定期更新，方便更准确地诊断出结果。电力计量装置故障智能化诊断知识库包括两部分：异常特征模型和专家规则库，每部分都拥有自己的管理机制。异常特征模型的管理机制有3个模块，分别为建立模块、修改模块、删除模块，专家规则库同样包括3个模块：导入模块、导出模块和变更模块。电力计量装置故障智能化诊断知识库的所有界面要使用web才能实现统一管理，知识库在得到数据后，要主动与异常特征模型和专家规则库进行对比，灵活地进行分类。在每次诊断中，故障智能化诊断知识库就要建立一个异常特征模型库，选取电力计量装置中的异常故障特征，根据得到的特征建立故障模型。由于知识库中的异常特征模型库很难包含全部的异常记录，所以为了更加高效地诊断出异常故障特征，要进行定期修改和维护。通常一个电力计量装置故障智能化诊断知识库内部会拥有大量的异常特征模型库，为了防止所占空间过大，要周期性地对一些不适用于实际应用的异常特征模型库进行删除，保证智能诊断知识库有充足的空间。

1.2电力计量装置故障在线监测

利用分布式系统Hadoop对电力计量装置进行在线监测。监测时，首先要监测电力计量装置的内部存储数据，存储数据是电力计量装置的核心数据，关系到整个装置的安全运行，并且基数很大，存储数据一旦出现故障，电力计量装置将立刻无法正常工作，因此监测存储数据是重要目标之一;其次要监测数据访问形式，通常电力计量装置数据都是通过流式数据访问，如果数据不能以该方式进行访问，则很有可能出现问题;再次监测电力计量装置是否支持大文件计量，正常运行的计量装置能够支持数百GB甚至TB的大文件，并精准地计量出内部数据，如果不能支持，则很有可能出现问题;最后监测是否支持数据再平衡，电力计量装置可以根据设定的阈值，把某一个监测的数据点移到另一个数据点中，如果不能支持，则存在故障。

2优化措施分析

2.1数据的抽取、转换、清洗及监控

在大数据处理过程中，对于数据的预处理机制是至关重要的。本系统中，子站将采集到的现场数据以及初步分析结果以主动或者查询的机制传送到主站。主站将收集不同子站传送而来的海量数据并进行进一步的分析处理。减少子站传往主站的垃圾数据可以减轻主站处理负担，从而提高系统的工作效率。为了实现该目标便要对传送数据进行预处理，剔除其中重复、过时的垃圾数据。本系统采用三层数据提取过滤模式：抽取转换、清洗和监控，实现数据的预处理。数据抽取是从子站上传数据流中进行数据的抽取工作，在本系统中，为了保证数据的完整性，采取的抽取模式为全量抽取。经过数据抽取之后便要进行数据转换，将数据转换成系统的数据格式。经过转换工作之后，数据格式理论上完全一致，接下来要完成的是数据清洗工作。数据清洗的主要目的是为了保持数据的一致性，同时减少冗余数据、过时数据等垃圾数据。清洗数据之后还要对数据源上的数据进行监视，监视数据是否发生变化，当发生变化时要重新对数据进行新一轮的抽取转换、清洗处理。

2.2主站结构设计

想要更加全面地分析电力故障，让系统能够更为高效、有序地开展工作，需要设计专门的系统结构。本文分别从主站和子站等不同的角度出发来进行设计。主站的主要功能是汇总子站所采集到的数据，而且按照系统中不同的功能，将这些数据分别交付出去，让系统能够得到更有效的使用。主站和子站之间存在着一种通信网络连接，这种连接方式分为两种，一种是通过TCP/IP的方式来进行连接，实现通信的目的，另一种则是通过电话拨号方式连接通信。为了提高数据的共享性，使电力系统当中的海量信息得到更为有效的分析，需要设计专门的SCADA/EMS系统，另外，需要设计防火墙来保障两個系统的独立性。

2.3故障预测过程

本次研究中所选择的这个系统，子站需要在对从现场采集到的相关数据进行初步分析之后，将这些数据和分析结果通过主动的方式或者是查询机制等传递到主站当中。整个系统当中必然不可能只包含一个子站，因此，主站需要接收来自不同子站的数据，而且还需要对于这些数据进行进一步的分析和处理。数据预处理工作能够减少子站中的一些垃圾数据或者无用数据进入主站中。这一目标的实现需要对传输的数据开展预处理工作，将过时、重复的垃圾数据清除干净。数据在预处理的过程中通过抽取、转换、清洗和监控，实现数据的处理。数据抽取、清洗每个工序都有特定的任务，在完成这些工序之后，就需要完成故障的监视和预测。监控电力系统当中的数据是否发生异常变化，如果发生异常必须要及时进行处理，发挥数据的监视功能，需要开展新一轮的数据预处理工作。

结语

为了对电力故障进行实时性的分析预警，本课题设计了基于大数据处理的电力故障分析系统。该系统采用分层式结构，以主从式的分级结构构建了有效的分析系统。

参考文献

[1]于磊，王双，韩宇龙，等.基于大数据技术的电网故障智能诊断方法[J].中国科技信息，2016，26（2）：32-33.

[2]李伟，郁章伟，李娜，等.基于大数据的电力变压器智能在线监测方法研究[J].科技创新导报，2018，33（2）：191-195.