基于大数据的电力设备运行数据分析研究

张中超，江志敏，程梦成

（广东电网有限责任公司河源供电局，广东 河源 517000）

随着近些年电力事业的高速发展，电力设备自动化、智能化水平不断提高，其运行过程中产生的数据呈现出海量化、多样化等特征。传统电力设备运行数据分析方法已经无法满足实际需求，如何高效采集、处理、分析、应用这些数据成为电力企业关注与思考的重点问题之一。大数据技术的提出与推广为电力设备运行数据分析优化发展提供了技术支持，有利于对海量数据的价值进行高效挖掘、采集、分析与利用，对电力设备运行状态监测、电力设备运行故障防控提前感知，保障电力系统稳定运行。

1 电力设备运行数据分析的重要意义

1.1 对电力设备运行管控的意义

随着电网规模的不断扩大，电力系统中运行的电力设备数量逐渐增多且电力设备结构日益复杂，电力设备运行管控难度与要求大幅度提高。利用大数据技术能够实现对电力设备的集成化、网络化、数据化、智能化管理，便于相关工作人员实时掌控电力设备运行状态，及时发现和处理电力设备运行过程中存在的异常问题，让电力设备运行管理更具时效性、准确性、全面性、科学性、可靠性。与此同时，大数据技术的科学使用，便于电力企业从海量化的电力设备运行数据中挖掘出有价值、有意义的数据信息，如消费者用电需求信息、区域内用电低谷期信息、区域内用电高峰期信息、电力设备停电故障规律等，从而为相关工作人员电力调度、电力设备管控等工作开展提供数据信息依据，促进电力调度质量、电力设备管控质量提升。

1.2 对电力设备故障检修的意义

电能已经成为日常生产与生活过程中不可缺失的能源，随着电网大规模互联，缺电、停电等对社会与经济产生的影响不断扩大。例如，2021年5月13日、17日台湾大面积停电故障导致半数以上地区商业、工业、交通业等陷入瘫痪，造成的经济损失高达10亿美元；2022年8月美国加州大面积停电故障导致200万以上居民受到影响，各地发生不同程度交通瘫痪、商业区混乱、电梯被困、工业停产等问题，所造成的经济损失相当严重。因此，为最大化程度降低缺电、停电，特别是大面积停电的影响，有必要加强电力设备运行故障分析力度，及时发现和处理电力设备运行安全隐患，最大程度保证电力系统处于不停机状态。基于大数据的电力设备运行数据分析，能够对电力系统主线、直线进行拓扑分析，可在电力系统未发生跳闸停电问题时，找到安全隐患并发出告警，为电力设备故障检修工作人员提供指导，实现对电力设备运行故障的预防性处理。与此同时，在大数据分析下，相关工作人员能够深入了解与掌握电力设备故障规律、类型、原因，并在大数据指导下更为及时、准确评估故障、识别故障、判断故障、处理故障，切实提高电力设备故障防控能力。

2 电力设备运行数据分析的核心技术

2.1 大数据采集技术

电力设备运行数据分析过程中，数据有效采集是关键。为提高电力设备运行数据采集质量与效率。基于大数据支持，可采用多种传感器技术、电力设备画像技术、多线程数据采集技术等进行电力设备运行数据分析系统设计，满足数据采集需求。以多线程数据采集技术为例，该技术应用后能够对多个电力设备运行数据进行独立同步采集与处理，既提高了电力设备运行数据采集效率，也保证了各电力设备运行数据处理的安全性。电力设备运行数据类型众多，如台账信息、检修信息、调度时间信息、量测数据、告警数据、测试报告、在线监测运行信息、在线监测状态信息、故障滤波文件、监控信息点表、带电检测数据等，部分数据属于实时数据，部分数据属于非实时数据，在对其进行采集时，可引入数据标签技术进行数据准确与规范描述，提高数据采集、存储、处理效率。

2.2 大数据预处理技术

电力系统规模的不断扩大，导致电力设备数量日渐增多，电力设备运行数据具备了海量化、多样化等特征。电力设备运行海量化的数据中并非所有数据均为有价值、有意义的数据。因此，在电力设备运行数据分析中，可利用大数据预处理技术进行数据清洗，将不完整数据、无价值数据、复杂多变数据等有效去除，一方面减轻数据分析压力，提高数据分析效率，另一方面降低冗余数据分析的影响，提高数据分析结果准确性、真实性、有效性、可靠性。在大数据下可使用的数据清洗方法较多，如分箱法、聚类法等。以聚类法为例，根据电力设备某一特征进行数据集合分组，通过清除集合噪声，达成数据清除目标。

2.3 大数据挖掘技术

大数据挖掘技术是实现电力设备运行数据深度分析的重要手段，是从已知信息中获取未知有价值的过程。通常由数据准备、数据挖掘、结果解释3个环节构成，涉及到算法、手段众多。目前应用较为广泛的大数据挖掘算法有神经网络算法、遗传算法、决策树算法、模糊计算法、统计分析算法等。

3 电力设备运行数据分析系统设计与实现

3.1 系统整体结构分析

基于大数据各类技术在电力设备运行数据分析中的推广使用，提出如下电力设备运行数据分析系统设计方案。

系统采用浏览器/服务器（Browser/Server，B/S）结构进行设计，以Hadoop为基础进行框架构建。设计采用RESTful Web服务实现客户端与服务端分离与沟通。系统运行过程中，用户经身份验证成功登录客户端后，可根据自身实际需求选择功能界面，发出资源共享申请，系统根据用户提出的申请执行数据调取、分析、统计、挖掘、转换、显示等任务，最终将用户所需资料以图形、表格等形式呈现，满足用户申请需求。

系统设计分为4层：一是采集层，由传感器、变电设备状态接入控制器（condition acquisition controller，CAC）、变电设备状态接入网关机（Condition information Acquisition Gateway，CAG）等构成，用于采集电力设备运行各种数据资料。二是存储层，主要由HDFS分布式文件系统与MapReduce分布式计算框架构成，前者在电力设备运行数据分析系统中承担着用户数据、电力设备参数等信息存储责任，后者在电力设备运行数据分析系统中承担着用户数据、电力设备参数等信息分析处理职责。在HDFS+MapReduce的数据存储模式下，电力设备运行数据分析系统能够有效提高数据处理效率，保障数据传输、处理、存储安全。与此同时，可建立较好数据关联模型，准确挖掘电力设备运行数据（包括运行状态数据、故障设备数据、故障区域数据、故障影响因素数据等）之间的关系，为电力设备运行故障预防性管理提供指导。三是数据分析层，在MapReduce、大规模并行处理技术（Massively Parallel Processing，MPP）等支持下，实现对数据资源的有效统计、分析、处理、挖掘等。四是数据应用层，属于面向客户的应用环节，通过用户接口可实现人机互动，为用户提供系统访问、数据查询、数据统计、数据分析、数据挖掘、信息决策等服务。电力设备运行数据分析系统具体见图1。

图1 基于大数据的电力设备运行数据分析系统结构

3.2 系统功能模块分析

基于大数据的电力设备运行数据分析系统实施了功能模块设计，对其进行分析大致可分为以下几部分：

（1）用户管理功能：主要包括用户注册、用户登录、用户登录密码修改等。与此同时，系统基于人性化、信息安全化等考虑，进行了差异化设计。即不同层级电力工作人员、不同岗位电力工作人员、不同等级用电用户等，可根据其职责、需求等赋予不同权利，用户经身份信息核实后，系统进入相应权限界面，为其提供权限范围内的服务。

（2）数据监测功能：主要包括电力设备运行各项数据采集、记录、传出、存储、统计、分析、更新、存储等。该模块在大数据及其相关技术支持下能够将系统覆盖范围内所有电力设备运行数据采集，并将其输送到系统服务器中，用于系统对电力设备运行数据进行处理与显示。

（3）设备检测功能：主要用于电力设备运行状态针对性处理。即在该模块设置下，基于大数据的电力设备运行数据分析系统发现异常数据后，能够根据异常数据具体表现对相关联的电力设备进行全面排查，以便快速、准确找到异常数据形成原因，确定具体的风险设备或故障设备，为电力设备检查维修提供指导。

（4）信息管理功能：主要包括电力设备型号信息、电力设备出厂信息、电力设备运行信息、电力设备维修保养信息等记录、存储、更新、修改、删除等。用户可凭借该模块全面掌握电力设备运行情况，便于智能电网电力设备全生命周期管理。

性能检测功能：主要是针对电力设备电池性能的检测与监管。在该模块支持下，系统可实现电力设备电源指标系统化、全面化、智能化分析，为电力设备电源管理提供科学、合理方案，促进电力设备电源使用稳定性、可靠性、持久性提升。

3.3 系统数据分析处理

以Hadoop为基础构建电力设备运行数据分析系统时，需要根据系统实际情况合理选择数据存储模式，以便提高数据分析与处理效率和质量。通常情况下，Hadoop技术领域中较为常见的数据存储方式有Hive、HBase、Impala 3种。其中Hive在结构化数据处理中具有较强适用性，能够满足结构化查询语言汇总分析需求。与此同时，Hive可根据MapReduce任务要求对数据进行转化处理。HBase在非结构数据处理中具有较强适用性，采用该方式进行数据存储，利于数据更新、删除等处理效率提升。Impala能够与HBase配合促进数据查询效率提升，能够满足结构化查询语言实时查询需求。电力设备因类型多样、规模庞大，故在其运行数据分析处理过程中，设计根据数据类型合理选择上述3种数据存储模式，如结构化数据以Hive、Impala为主，半结构化、非结构化数据以HBase为主。此外，针对异常数据，系统构建了异常数据处理机制，该机制能够对异常数据类型，从数据库中提取经验解析内容，根据数据提取结果进行常态化处理或特殊化处理。与此同时，该机制能够对异常数据进行记录、分析，形成二进制流文件，发出异常数据告警等。

3.4 系统实验及其结果

为验证基于大数据的电力设备运行数据分析系统应用效果进行了实验分析。本次实验分析以某电力企业220kV电力设备（基础信息见表1）为对象，通过系统数据清洗能力、系统对电力设备运行异常检出率、系统对电力设备运行异常检测时间等指标观察评价系统应用效果。

表1 电力设备基础信息表

实验结果显示基于大数据的电力设备运行数据分析系统对电力设备运行数据的清洗率达到90%以上，平均值（95.60±3.50）%，说明基于大数据的电力设备运行数据分析系统数据清洗能力较强，能够保证电力设备运行数据分析的可靠性、准确性。与此同时，基于大数据的电力设备运行数据分析系统对电力设备运行异常的检出率高达97%，数据量为5GB时异常数据检测时间不足1s，数据量为35GB时异常数据检测时间不足4s，数据量为60GB时异常数据检测时间不足6s。可见，基于大数据的电力设备运行数据分析系统电力设备运行异常检出率较高，且检测速度加快，能够满足电力设备运行状态异常监测需求，为电力设备安全与稳定运行提供保障。

4 结语

基于大数据的电力设备运行数据分析已经成为新时期电力设备运行管理的客观要求与必然趋势。在大数据技术支持下电力设备运行数据分析质量、速度、安全等水平全面提升，电力设备运行状态监测与管理能力有效提高，电力系统运行稳定性、可靠性、安全性得到显著保障。因此，相关企业以及工作人员重视大数据技术及其在电力设备运行管控中的推广使用，能够在不断探究下进行系统优化设计，充分发挥大数据技术应用优势，给予电力设备运行科学管控。