论文部分内容阅读
摘 要：变电站运维大数据的挖掘和应用在智能技术日渐成熟的情况下，将不断地深入发展且功能完善。整合变电站运维大数据，形成可高效利用的结构化数据，合理选取运用相应数据挖掘技术，提供客观的分析结果，为设备运维检修提供决策帮助。
关键词：变电运维;大数据;挖掘应用
0引言
电网结构越来越复杂，设备呈现类型众多、数量庞大、技术新等特点。电网运行过程中变电站各个元器件随之产生大量数据，数据的多样化考验变电运维人员的处理能力，如何对数据进行存储、挖掘、分析、应用，尽可能发挥变电运维数据的作用，成为新时代下变电运维技术的研究重点和难点。
1运維大数据类型
变电站的运维数据由于设备类型多、来源广、数量大、零散化、结构复杂等特点，以运维数据的刷新周期作为主分类标准进行运维大数据类型划分，分为固有数据、动态数据和随机数据，再以设备类型、采集方式等进行细分。
1.1固有数据
包括：设备台账参数、出厂试验报告、说明书等。
1.2动态数据
气象数据：温度、湿度、天气状况、风速等。负荷数据：计量、测量等各类电压电流数据、电能质量数据。测量和试验记录数据：一次设备试验报告、GIS局放在线监测、高压柜局放数据、油色谱监测、微水、设备介损、主变绕温油温油位、主变分接开关动作次数、油流继电器示数、断路器动作次数、避雷器动作次数和泄漏电流、铁芯及夹件泄漏电流、液压机构打压次数和液压表压力、SF6压力、套管油位、红外测温、设备声音记录、蓄电池电压内阻测量、电压互感器N600接地电流测量和电流互感器二次电压测量等。
1.3随机数据
包括：设备试验和检修记录、开关跳闸记录、保护动作记录、故障录波及测距数据、装置告警信息记录、设备缺陷记录、节假日特殊活动等社会数据。
2变电站运维数据的挖掘方法
数据挖掘有别于传统的简单数据分析。数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中但又潜在有用的信息和知识的过程。数据挖掘基于大数据技术从多种类型的数据中快速获取知识，为决策人员提供客观的决策支持。借助数据挖掘方法分析变电站运维大数据，可以从海量运维数据中找出潜在信息，帮助运维人员更有效地评估设备状态。
数据挖掘基本流程大致可分为6大模块，分别是业务理解、数据理解、数据准备、建立模型、模型评估和应用改进。业务理解即确定目标和明确分析需求;数据理解即数据收集和数据清洗，其中数据收集所抽取数据必须能够正确反映业务需求，否则所得到的分析结论将会无效化甚至误导化，数据清洗作用为“去噪”和“补全”，剔除原始数据中的坏数据和拟合缺失数据;数据准备即探索数据内部规律和数据转换，如归一化、标准化等;建立模型即综合考虑业务需求目标，选择全局最优的模型;模型评估即根据评价标准对所建模型的精度、效率和通用性进行客观评估，然后基于评估结果判断所建模型是否满足业务需求;应用改进即将模型应用于业务实践，切实解决业务需求，挖掘数据的最大价值，同时基于应用情况及时跟踪改进现有模型，以达到模型优化的目标。
具体运维大数据分析的关键技术包括数据清洗、数据转换、分类与回归、聚类分析、关联分析、时序模型和结构优化等。电力运维大数据的挖掘重点在于综合运用上述技术对海量的数据进行统计学分析，通过各种计算结果依次相互承接，得出相应结果。
3变电站运维大数据的挖掘应用场景
变电站运维大数据的挖掘应用场景众多，基于规范化、系统化、结构化的运维数据可高效进行数据分析决策，对现有的生产运维工作提供巨大帮助，提升工作质量，弥补人工分析处理的不足，为变电站乃至电网的可靠、稳定、持续运行提供坚实保障。
3.1运维数据结构化存储系统
运维数据结构化存储系统不仅有助于运维数据挖掘，还能提高运维人员的工作效率。通过整合离散、非结构化的运维数据，提供结构化查询功能，可根据工作需求快速获取所需实时数据和历史数据。同时，可保留基础纸质化的规范表单留痕，然后利用OCR图像识别技术将纸质化表单快速电子化存储，或者充分利用巡视PAD的功能，进行电子表单记录，共享巡视机器人数据库并获取相应信息。
3.2设备状态评估系统
设备状态评估系统基于大数据技术实现运维大数据分析，根据运维人员需要或自动完成设备状态评估，实时快速检测设备运维数据得到全面客观的状态评估结果，为运维人员提供决策帮助。
3.2.1数据预处理
运维数据本身可能存在噪声数据、缺失数据等严重影响数据分析的情况，首先需要通过数据清洗提高数据质量，从而使数据挖掘更有效。数据挖掘往往基于高维度数据开展，通过特征选取、分布结构等初步发现数据规律并进行标准化等数据转换，为下一步数据挖掘的效率提高和判断精准提供帮助。
3.2.2数据挖掘
数据挖掘主要针对设备不同状态下的运维数据、电网运行状况和气象数据等多源异构多维数据进行整合，然后根据业务需求建立模型综合开展关联性、相关性、分类判断和预测分析，最终输出分析结果。
3.2.3状态评估决策
根据数据挖掘输出结果，建立设备性能状态评价体系，分性能分等级区分设备性能状态。结合当前甚至未来的设备状态、电网运行状态和气象因素进行预警，为调整设备运维策略提供可靠指导。根据分析结果可提供特征数据的可视化结构，如运维数据对比、数据主成分分析结果、设备性能等级热力图和重点关注设备实时遥视。
4结束语
综上，随着信息技术的高速发展，电网正从自动化时代迈向智能化时代，“云大物移智”的发展趋势对电网升级转型，建设智能化可靠电网有着极其重要的意义。变电站作为电网中的重要一环，其设备运维质量很大程度上决定着电网运行的可靠性。通过分析变电站运维大数据的类型特征，结合数据挖掘方法及其关键技术，探究变电站内数据分析应用场景，最终提高运维大数据的利用率和站内设备运行的可靠性。
参考文献：
[1]变电站远程运维平台设计与实现[J].潘晓华.科技风.2019（36）
[2]变电站运维一体化实施中存在的问题及对策[J].余洋.科技创新导报.2019（25）
[3]基于智能变电站倒闸操作的全方位变电运维实践和应用[J].韩立影.科技创新导报.2019（35）
关键词：变电运维;大数据;挖掘应用
0引言
电网结构越来越复杂，设备呈现类型众多、数量庞大、技术新等特点。电网运行过程中变电站各个元器件随之产生大量数据，数据的多样化考验变电运维人员的处理能力，如何对数据进行存储、挖掘、分析、应用，尽可能发挥变电运维数据的作用，成为新时代下变电运维技术的研究重点和难点。
1运維大数据类型
变电站的运维数据由于设备类型多、来源广、数量大、零散化、结构复杂等特点，以运维数据的刷新周期作为主分类标准进行运维大数据类型划分，分为固有数据、动态数据和随机数据，再以设备类型、采集方式等进行细分。
1.1固有数据
包括：设备台账参数、出厂试验报告、说明书等。
1.2动态数据
气象数据：温度、湿度、天气状况、风速等。负荷数据：计量、测量等各类电压电流数据、电能质量数据。测量和试验记录数据：一次设备试验报告、GIS局放在线监测、高压柜局放数据、油色谱监测、微水、设备介损、主变绕温油温油位、主变分接开关动作次数、油流继电器示数、断路器动作次数、避雷器动作次数和泄漏电流、铁芯及夹件泄漏电流、液压机构打压次数和液压表压力、SF6压力、套管油位、红外测温、设备声音记录、蓄电池电压内阻测量、电压互感器N600接地电流测量和电流互感器二次电压测量等。
1.3随机数据
包括：设备试验和检修记录、开关跳闸记录、保护动作记录、故障录波及测距数据、装置告警信息记录、设备缺陷记录、节假日特殊活动等社会数据。
2变电站运维数据的挖掘方法
数据挖掘有别于传统的简单数据分析。数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中但又潜在有用的信息和知识的过程。数据挖掘基于大数据技术从多种类型的数据中快速获取知识，为决策人员提供客观的决策支持。借助数据挖掘方法分析变电站运维大数据，可以从海量运维数据中找出潜在信息，帮助运维人员更有效地评估设备状态。
数据挖掘基本流程大致可分为6大模块，分别是业务理解、数据理解、数据准备、建立模型、模型评估和应用改进。业务理解即确定目标和明确分析需求;数据理解即数据收集和数据清洗，其中数据收集所抽取数据必须能够正确反映业务需求，否则所得到的分析结论将会无效化甚至误导化，数据清洗作用为“去噪”和“补全”，剔除原始数据中的坏数据和拟合缺失数据;数据准备即探索数据内部规律和数据转换，如归一化、标准化等;建立模型即综合考虑业务需求目标，选择全局最优的模型;模型评估即根据评价标准对所建模型的精度、效率和通用性进行客观评估，然后基于评估结果判断所建模型是否满足业务需求;应用改进即将模型应用于业务实践，切实解决业务需求，挖掘数据的最大价值，同时基于应用情况及时跟踪改进现有模型，以达到模型优化的目标。
具体运维大数据分析的关键技术包括数据清洗、数据转换、分类与回归、聚类分析、关联分析、时序模型和结构优化等。电力运维大数据的挖掘重点在于综合运用上述技术对海量的数据进行统计学分析，通过各种计算结果依次相互承接，得出相应结果。
3变电站运维大数据的挖掘应用场景
变电站运维大数据的挖掘应用场景众多，基于规范化、系统化、结构化的运维数据可高效进行数据分析决策，对现有的生产运维工作提供巨大帮助，提升工作质量，弥补人工分析处理的不足，为变电站乃至电网的可靠、稳定、持续运行提供坚实保障。
3.1运维数据结构化存储系统
运维数据结构化存储系统不仅有助于运维数据挖掘，还能提高运维人员的工作效率。通过整合离散、非结构化的运维数据，提供结构化查询功能，可根据工作需求快速获取所需实时数据和历史数据。同时，可保留基础纸质化的规范表单留痕，然后利用OCR图像识别技术将纸质化表单快速电子化存储，或者充分利用巡视PAD的功能，进行电子表单记录，共享巡视机器人数据库并获取相应信息。
3.2设备状态评估系统
设备状态评估系统基于大数据技术实现运维大数据分析，根据运维人员需要或自动完成设备状态评估，实时快速检测设备运维数据得到全面客观的状态评估结果，为运维人员提供决策帮助。
3.2.1数据预处理
运维数据本身可能存在噪声数据、缺失数据等严重影响数据分析的情况，首先需要通过数据清洗提高数据质量，从而使数据挖掘更有效。数据挖掘往往基于高维度数据开展，通过特征选取、分布结构等初步发现数据规律并进行标准化等数据转换，为下一步数据挖掘的效率提高和判断精准提供帮助。
3.2.2数据挖掘
数据挖掘主要针对设备不同状态下的运维数据、电网运行状况和气象数据等多源异构多维数据进行整合，然后根据业务需求建立模型综合开展关联性、相关性、分类判断和预测分析，最终输出分析结果。
3.2.3状态评估决策
根据数据挖掘输出结果，建立设备性能状态评价体系，分性能分等级区分设备性能状态。结合当前甚至未来的设备状态、电网运行状态和气象因素进行预警，为调整设备运维策略提供可靠指导。根据分析结果可提供特征数据的可视化结构，如运维数据对比、数据主成分分析结果、设备性能等级热力图和重点关注设备实时遥视。
4结束语
综上，随着信息技术的高速发展，电网正从自动化时代迈向智能化时代，“云大物移智”的发展趋势对电网升级转型，建设智能化可靠电网有着极其重要的意义。变电站作为电网中的重要一环，其设备运维质量很大程度上决定着电网运行的可靠性。通过分析变电站运维大数据的类型特征，结合数据挖掘方法及其关键技术，探究变电站内数据分析应用场景，最终提高运维大数据的利用率和站内设备运行的可靠性。
参考文献：
[1]变电站远程运维平台设计与实现[J].潘晓华.科技风.2019（36）
[2]变电站运维一体化实施中存在的问题及对策[J].余洋.科技创新导报.2019（25）
[3]基于智能变电站倒闸操作的全方位变电运维实践和应用[J].韩立影.科技创新导报.2019（35）