何清素

(甘肅同興智能科技發(fā)展有限責(zé)任公司，甘肅 蘭州 100053)

0 引 言

隨著云大物智等現(xiàn)代信息技術(shù)和能源技術(shù)深度融合、廣泛應(yīng)用。近年，能源行業(yè)由信息化向數(shù)字化、智能化進(jìn)一步轉(zhuǎn)型。國家電網(wǎng)建設(shè)“統(tǒng)一堅(jiān)強(qiáng)”智能電網(wǎng)目標(biāo)的提出，使電網(wǎng)和通信及信息網(wǎng)兩大人造網(wǎng)絡(luò)高度融合，電網(wǎng)的電氣設(shè)備從事故檢修到定期檢修，再到狀態(tài)檢修及故障態(tài)勢感知的轉(zhuǎn)變是其技術(shù)發(fā)展的必然趨勢，而云計(jì)算、人工智能等領(lǐng)域?qū)Υ似鸬郊夹g(shù)支撐作用[1-2]。

目前，智能電網(wǎng)的發(fā)展其規(guī)模和復(fù)雜性的不斷增加，電網(wǎng)安全、穩(wěn)定運(yùn)行也隨之受到了極大的挑戰(zhàn)，其態(tài)勢感知不足易導(dǎo)致運(yùn)行管理人員難以做出正確決策，是近年國內(nèi)外多次大規(guī)模停電事故的一個(gè)關(guān)鍵原因。此外，國內(nèi)外研究學(xué)者僅是針對(duì)變、輸、配電中的單個(gè)環(huán)節(jié)的數(shù)據(jù)分析進(jìn)行態(tài)勢感知和故障預(yù)警，并沒有將這些環(huán)節(jié)的故障點(diǎn)數(shù)據(jù)進(jìn)行相關(guān)關(guān)聯(lián)分析研究。葛磊蛟等人[3]只是針對(duì)配電網(wǎng)建立了態(tài)勢感知實(shí)現(xiàn)效果綜合評(píng)估模型，包括綜合評(píng)估指標(biāo)體系和評(píng)估方法，該模型客觀準(zhǔn)確反映配電網(wǎng)運(yùn)行狀況，消除單一評(píng)估方法的片面性，有效提高智能配電網(wǎng)的可觀測度。俞剛等人[4]針對(duì)低壓配電網(wǎng)絡(luò)，假設(shè)電源端點(diǎn)的總功率、三相注入電流幅值和電壓幅值，以及負(fù)荷端點(diǎn)的三相功率和電壓幅值等量測量都可以獲得，提出了三相四線制低壓配電網(wǎng)的狀態(tài)估計(jì)模型。上述2篇文獻(xiàn)側(cè)重于配電網(wǎng)，而對(duì)于輸電網(wǎng)而言，周華鋒等人[5]從電網(wǎng)運(yùn)行管理人員的角度出發(fā)，設(shè)計(jì)了基于一體化電網(wǎng)運(yùn)行智能系統(tǒng)的電力系統(tǒng)運(yùn)行駕駛艙，提出應(yīng)將可視化技術(shù)納入輸電網(wǎng)態(tài)勢感知的范圍當(dāng)中。目前輸變配用環(huán)節(jié)故障關(guān)聯(lián)態(tài)勢感知相關(guān)研究較少，例如如何抽取數(shù)據(jù)中臺(tái)存儲(chǔ)的電網(wǎng)繁雜海量的數(shù)據(jù)和信息，如何利用單點(diǎn)及多點(diǎn)故障數(shù)據(jù)分析電網(wǎng)系統(tǒng)輸變電配用各環(huán)節(jié)的關(guān)聯(lián)關(guān)系，如何利用故障分析實(shí)現(xiàn)電網(wǎng)系統(tǒng)的管理優(yōu)化等[6]。

為有效解決變、輸、配電關(guān)聯(lián)態(tài)勢感知及故障預(yù)警，筆者以甘肅省多源、異構(gòu)、大量等典型的故障數(shù)據(jù)為基礎(chǔ)，結(jié)合人工智能、云計(jì)算、大數(shù)據(jù)設(shè)計(jì)搭建基于電網(wǎng)故障的態(tài)勢感知平臺(tái)。該平臺(tái)首先通過對(duì)電網(wǎng)數(shù)據(jù)中臺(tái)采集的穩(wěn)態(tài)和動(dòng)態(tài)、電量和非電量信息進(jìn)行脫敏，隨后采用企業(yè)云和混合云為數(shù)據(jù)存儲(chǔ)計(jì)算技術(shù)為支撐，在態(tài)勢感知平臺(tái)利用人工智能的算法模型、數(shù)據(jù)挖掘、動(dòng)態(tài)參數(shù)辨識(shí)、超實(shí)時(shí)仿真、可視化等手段，進(jìn)行故障數(shù)據(jù)關(guān)聯(lián)、分析和預(yù)測，使傳統(tǒng)電網(wǎng)實(shí)現(xiàn)三大智能板塊，即計(jì)算智能、感知智能、認(rèn)知智能，最終平臺(tái)可實(shí)現(xiàn)電網(wǎng)各環(huán)節(jié)故障的關(guān)聯(lián)預(yù)測，有效提升電網(wǎng)系統(tǒng)運(yùn)行水平，為安全穩(wěn)定運(yùn)行提供有力保障。

1 研究現(xiàn)狀

1.1 態(tài)勢感知的研究現(xiàn)狀

態(tài)勢感知和態(tài)勢可視化，是一種適合人機(jī)協(xié)同來進(jìn)行復(fù)雜動(dòng)態(tài)系統(tǒng)判斷、決策的理論與技術(shù)[7]；態(tài)勢感知技術(shù)首次提出于美國，后在航空飛行領(lǐng)域、海上航行領(lǐng)域及應(yīng)急管理領(lǐng)域廣泛應(yīng)用[8-11]，隨后逐漸應(yīng)用在電網(wǎng)領(lǐng)域中[12-18]，也被視為智能電網(wǎng)的核心技術(shù)之一。電網(wǎng)故障態(tài)勢感知主要包括故障態(tài)勢要素獲取、態(tài)勢理解、態(tài)勢預(yù)測。態(tài)勢要素獲取主要對(duì)電網(wǎng)設(shè)備進(jìn)行實(shí)時(shí)數(shù)據(jù)采集、數(shù)據(jù)規(guī)范化處理，通過數(shù)學(xué)模型分析出異常網(wǎng)絡(luò)活動(dòng)。態(tài)勢理解主要是識(shí)別攻擊活動(dòng)、找到攻擊源。態(tài)勢預(yù)測則是通過識(shí)別的故障判斷電網(wǎng)系統(tǒng)可能遭受的威脅，進(jìn)而預(yù)測下一步故障的變化趨勢[19]。

1.2 人工智能的研究現(xiàn)狀

機(jī)器學(xué)習(xí)代表了現(xiàn)代人工智能，是數(shù)據(jù)通過計(jì)算手段通往智能的技術(shù)途徑?；诜植际侥茉吹母弑壤凉B透和分布式儲(chǔ)能形式的介入，使能源系統(tǒng)模型結(jié)構(gòu)復(fù)雜度、不確定性和隨機(jī)性等問題的突出，本項(xiàng)目主要采用傳統(tǒng)機(jī)器學(xué)習(xí) 和深度學(xué)習(xí)進(jìn)行數(shù)據(jù)分析。

傳統(tǒng)機(jī)器學(xué)習(xí)根據(jù)使用的數(shù)據(jù)是否有標(biāo)簽，可以分為監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)包括支持向量機(jī)、決策樹、隨機(jī)森林、近鄰算法、前饋神經(jīng)網(wǎng)絡(luò)等。半監(jiān)督學(xué)習(xí)包括半監(jiān)督核均值漂移聚類、轉(zhuǎn)導(dǎo)支持向量機(jī)。無監(jiān)督學(xué)習(xí)包括K均值聚類、主成分分析、自組織映射神經(jīng)網(wǎng)絡(luò)等。

深度學(xué)習(xí)的概念源于對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究拓展。深度學(xué)習(xí)可分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneural network，CNN)是一種深度監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型，而深度置信網(wǎng)絡(luò)(deepbeliefnet，DBN)、堆疊自編碼器(stackedauto-encoder，SAE)及受限玻爾茲曼機(jī)等則是無監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型，人工智能技術(shù)在電力系統(tǒng)的發(fā)展歷程如圖1所示。

2 平臺(tái)需求

2.1 用戶需求

2.1.1 態(tài)勢感知不足

近年來，世界各國在電力系統(tǒng)的運(yùn)行控制過程中，因態(tài)勢感知不足而發(fā)生的大規(guī)模停電事故日益增多，電力系統(tǒng)開始關(guān)注故障的態(tài)勢感知。

2.1.2 全網(wǎng)聯(lián)動(dòng)預(yù)警

現(xiàn)有的對(duì)特征數(shù)據(jù)的關(guān)聯(lián)研究基本在單一環(huán)節(jié)，此項(xiàng)目的目的是打破單一環(huán)節(jié)的關(guān)聯(lián)分析，打通電網(wǎng)全流程的故障關(guān)聯(lián)，將單一故障點(diǎn)、單一臺(tái)區(qū)故障與全網(wǎng)故障和全網(wǎng)運(yùn)行數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析。

2.1.3 安全穩(wěn)定運(yùn)行

電力系統(tǒng)的故障態(tài)勢感知主要要求對(duì)電力系統(tǒng)的故障態(tài)勢實(shí)時(shí)預(yù)警，保證系統(tǒng)的安全穩(wěn)定運(yùn)行，最終實(shí)現(xiàn)對(duì)電力系統(tǒng)態(tài)勢的感知。

2.2 故障特征數(shù)據(jù)

平臺(tái)首先需要梳理輸電、變電、配電的重要故障特征。平臺(tái)的目的就是打破單一環(huán)節(jié)的關(guān)聯(lián)分析，打通電網(wǎng)全流程的故障關(guān)聯(lián)，將單一故障點(diǎn)、單一臺(tái)區(qū)故障與全網(wǎng)故障進(jìn)行關(guān)聯(lián)分析。因此，將特征數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，不僅對(duì)單一環(huán)節(jié)的故障點(diǎn)進(jìn)行關(guān)聯(lián)分析，而且要對(duì)各環(huán)節(jié)的故障點(diǎn)進(jìn)行關(guān)聯(lián)分析，故障特征數(shù)據(jù)如表1所列。

2.3 技術(shù)需求

2.3.1 數(shù)據(jù)預(yù)處理

態(tài)勢感知的大數(shù)據(jù)種類復(fù)雜，數(shù)據(jù)源多樣化。大數(shù)據(jù)處理首先從數(shù)據(jù)源采集數(shù)據(jù)并進(jìn)行預(yù)處理操作。數(shù)據(jù)的采集包括電氣量和非電氣量。電氣量的采集結(jié)果通常集成在SCADA、WAMS等監(jiān)測系統(tǒng)中。對(duì)于已經(jīng)采集到的數(shù)據(jù)，通過適當(dāng)?shù)念A(yù)處理，可以為之后的數(shù)據(jù)分析奠定良好的基礎(chǔ)。

由于數(shù)據(jù)在采集傳輸過程中不可避免地存在噪聲和干擾項(xiàng)，有可能出現(xiàn)數(shù)據(jù)錯(cuò)誤甚至遺漏、缺失。尤其是當(dāng)大數(shù)據(jù)存在不同數(shù)據(jù)源時(shí)，容易出現(xiàn)相似、重復(fù)或不一致數(shù)據(jù)的現(xiàn)象。因此，需要對(duì)數(shù)據(jù)進(jìn)行去噪并恢復(fù)丟失數(shù)據(jù)，即進(jìn)行數(shù)據(jù)清洗。濾波是最為常見的降噪方法，在此次項(xiàng)目中主要采用維納濾波、卡爾曼濾波和粒子濾波進(jìn)行數(shù)據(jù)的降噪處理。

2.3.2 數(shù)據(jù)分析

對(duì)于數(shù)據(jù)分析算法而言，常用的有貝葉斯算法和SVM算法，貝葉斯分類算法是統(tǒng)計(jì)學(xué)的一種分類方法，它是一類利用概率統(tǒng)計(jì)知識(shí)進(jìn)行分類的算法。在許多場合，樸素貝葉斯(Naive Bayes，NB)分類算法可以與決策樹和神經(jīng)網(wǎng)絡(luò)分類算法相媲美，該算法能運(yùn)用到大型數(shù)據(jù)庫中，而且方法簡單、分類準(zhǔn)確率高、速度快。由于對(duì)事件的復(fù)雜性而進(jìn)行簡化，提出樸素貝葉斯分類器(Na?ve Bayes Classifier)，其用了“屬性條件獨(dú)立性假設(shè)”(attribute conditional independence assumption)：每個(gè)屬性獨(dú)立地對(duì)分類結(jié)果發(fā)生影響。SVM算法，即支持向量機(jī)(support vector machines)，它是一種二分類模型，它將實(shí)例的特征向量映射為空間中的一些點(diǎn)，SVM的目的就是想要畫出一條線，以 “最好地”區(qū)分這兩類點(diǎn)，以至如果以后有了新的點(diǎn)，這條線也能做出很好的分類。SVM適合中小型數(shù)據(jù)樣本、非線性、高維的分類問題，樸素貝葉斯算法的分類流程如圖2所示。

圖2 樸素貝葉斯算法的分類流程

3 平臺(tái)設(shè)計(jì)方案

3.1 平臺(tái)設(shè)計(jì)基礎(chǔ)

目前，平臺(tái)建設(shè)基礎(chǔ)包括國網(wǎng)數(shù)據(jù)中臺(tái)以及物聯(lián)網(wǎng)管理平臺(tái)。電網(wǎng)相關(guān)企業(yè)經(jīng)過十多年的信息化建設(shè)，信息系統(tǒng)已全面覆蓋企業(yè)經(jīng)營、電網(wǎng)運(yùn)行和客戶服務(wù)等業(yè)務(wù)領(lǐng)域及各層級(jí)應(yīng)用，為各項(xiàng)業(yè)務(wù)有效運(yùn)轉(zhuǎn)提供了有力支撐。數(shù)據(jù)中臺(tái)的建設(shè)可進(jìn)一步提升電網(wǎng)企業(yè)數(shù)據(jù)共享服務(wù)水平。

數(shù)據(jù)中臺(tái)通過數(shù)據(jù)建模實(shí)現(xiàn)跨業(yè)務(wù)域的數(shù)據(jù)整合和數(shù)據(jù)能力沉淀；通過統(tǒng)一數(shù)據(jù)服務(wù)實(shí)現(xiàn)對(duì)于數(shù)據(jù)的封裝和開放共享，快速、靈活滿足應(yīng)用的要求；通過數(shù)據(jù)開發(fā)工具滿足個(gè)性化數(shù)據(jù)和應(yīng)用的需求，實(shí)現(xiàn)數(shù)據(jù)應(yīng)用的服務(wù)化，推動(dòng)數(shù)據(jù)運(yùn)營，為數(shù)據(jù)“存、通、用”提供強(qiáng)有力的技術(shù)支持。

構(gòu)建數(shù)據(jù)中臺(tái)，需要充分應(yīng)用“大云物移智鏈”等現(xiàn)代信息技術(shù)和先進(jìn)通信技術(shù)。數(shù)據(jù)中臺(tái)的三層服務(wù)架構(gòu)為貼源層(基礎(chǔ)數(shù)據(jù))、共享層(公共數(shù)據(jù)和萃取數(shù)據(jù))、分析層(模型服務(wù))，通過應(yīng)用構(gòu)建需求迭代，沉淀共性數(shù)據(jù)及服務(wù)，形成企業(yè)級(jí)分析主題，并提供服務(wù)統(tǒng)一檢索與展示門戶對(duì)內(nèi)支撐企業(yè)管理、電網(wǎng)運(yùn)營、客戶服務(wù)等數(shù)據(jù)應(yīng)用，對(duì)外面向政府行業(yè)、外部企業(yè)、用電客戶及上下游合作伙伴打造數(shù)據(jù)產(chǎn)品和服務(wù)，國網(wǎng)數(shù)據(jù)中臺(tái)的架構(gòu)如圖3所示。

圖3 國網(wǎng)數(shù)據(jù)中臺(tái)架構(gòu)

3.2 平臺(tái)設(shè)計(jì)原理

在深入了解近幾年電網(wǎng)態(tài)勢感知和人工智能發(fā)展現(xiàn)狀之后，克服現(xiàn)有技術(shù)的不足，利用近年來人工智能技術(shù)的不斷發(fā)展進(jìn)步，開發(fā)了基于感知預(yù)測、管理控制、安全維護(hù)為主的電網(wǎng)全量故障數(shù)據(jù)態(tài)勢感知平臺(tái)。平臺(tái)融合關(guān)聯(lián)分析技術(shù)、人工智能技術(shù)、可視化技術(shù)于一體，為電網(wǎng)的變輸配用整體流程構(gòu)建基于電網(wǎng)故障的態(tài)勢感知平臺(tái)。國網(wǎng)數(shù)據(jù)中臺(tái)為平臺(tái)提供數(shù)據(jù)接口服務(wù)，通過數(shù)據(jù)清洗采集電網(wǎng)各環(huán)節(jié)的多元、異構(gòu)故障數(shù)據(jù)。通過關(guān)聯(lián)規(guī)則和人工智能模型對(duì)輸變配用的電網(wǎng)故障數(shù)據(jù)進(jìn)行相應(yīng)的關(guān)聯(lián)分析、電網(wǎng)故障拓?fù)錁?gòu)建等。通過態(tài)勢感知平臺(tái)提供數(shù)據(jù)可視化、報(bào)表分析、自助式分析能力。故障分析結(jié)果通過表格、圖表方式，對(duì)數(shù)據(jù)進(jìn)行多維展示。

平臺(tái)設(shè)計(jì)方案主要包含平臺(tái)設(shè)計(jì)、系統(tǒng)架構(gòu)、業(yè)務(wù)架構(gòu)和平臺(tái)部署4個(gè)方面。

3.3 系統(tǒng)架構(gòu)

系統(tǒng)架構(gòu)整體分為數(shù)據(jù)層、模型層和應(yīng)用層3個(gè)部分。通過甘肅省電網(wǎng)數(shù)據(jù)中臺(tái)的接口接入電網(wǎng)數(shù)據(jù)，開放外部數(shù)據(jù)接口接入溫濕度數(shù)據(jù)、氣象數(shù)據(jù)等大量的外部數(shù)據(jù)。模型層中數(shù)據(jù)處理于融合模塊主要進(jìn)行數(shù)據(jù)的去重清洗、數(shù)據(jù)融合、打標(biāo)簽、故障特征提取等，通過故障態(tài)勢模型倉庫建立專家級(jí)別的人工智能故障分析預(yù)測模型，利用通用處理引擎和專用處理引擎實(shí)現(xiàn)數(shù)據(jù)及模型的調(diào)用。應(yīng)用層主要在平臺(tái)頁面上實(shí)現(xiàn)數(shù)據(jù)分析結(jié)果的可視化展示。平臺(tái)設(shè)計(jì)的系統(tǒng)架構(gòu)如圖4所示。

3.3.1 數(shù)據(jù)層

電網(wǎng)數(shù)據(jù)主要是以設(shè)備監(jiān)控四遙信息、二次設(shè)備在線監(jiān)測數(shù)據(jù)等電網(wǎng)實(shí)時(shí)運(yùn)行信息為基礎(chǔ)，匯聚設(shè)備臺(tái)賬、歷史缺陷、狀態(tài)檢修周期、各類規(guī)程要求等基礎(chǔ)管理數(shù)據(jù)和工業(yè)視頻、氣象系統(tǒng)、在線安全分析等技術(shù)支持系統(tǒng)輔助信息等多維海量數(shù)據(jù)構(gòu)成的。

3.3.2 模型層

目前，電網(wǎng)故障的態(tài)勢感知平臺(tái)以故障態(tài)勢數(shù)據(jù)倉庫、通用處理引擎、專用處理引擎為三大核心方向，預(yù)計(jì)建立負(fù)荷預(yù)測模型、用電分析模型、故障定位模型、負(fù)荷特征分析模型、電能質(zhì)量評(píng)估模型、輸變電設(shè)備檢測模型、負(fù)荷數(shù)據(jù)短期預(yù)測模型、配電網(wǎng)故障關(guān)聯(lián)因素輸變電設(shè)備狀態(tài)檢測模型、配電運(yùn)行可靠性分析模型、電力系統(tǒng)暫態(tài)穩(wěn)定性評(píng)估模型、關(guān)聯(lián)聚類引擎模型、追蹤溯源引擎模型等19個(gè)模型。

圖4 平臺(tái)設(shè)計(jì)的系統(tǒng)架構(gòu)

3.3.3 應(yīng)用層

平臺(tái)采用大量多源異構(gòu)的電網(wǎng)故障數(shù)據(jù)及外部氣象、能源等數(shù)據(jù)，通過平臺(tái)系統(tǒng)豐富的統(tǒng)計(jì)分析、多維分析、挖掘算法庫、故障態(tài)勢感知模型和數(shù)據(jù)挖掘工具，利用平臺(tái)界面實(shí)現(xiàn)電網(wǎng)全環(huán)節(jié)的多維關(guān)聯(lián)結(jié)果、繪制電網(wǎng)故障畫像、追蹤故障軌跡、推送故障預(yù)警、提供故障分析報(bào)告、建立故障數(shù)據(jù)檔案體系、電網(wǎng)資產(chǎn)盤點(diǎn)等功能。

3.4 業(yè)務(wù)架構(gòu)

基于電網(wǎng)故障的態(tài)勢感知平臺(tái)業(yè)務(wù)架構(gòu)主要包含3個(gè)方面：動(dòng)態(tài)感知、智能分析和提前預(yù)警。通過歷史基礎(chǔ)故障數(shù)據(jù)的統(tǒng)計(jì)計(jì)算主動(dòng)感知預(yù)測電網(wǎng)輸變配用各環(huán)節(jié)的故障態(tài)勢，同時(shí)完成輸變配用全環(huán)節(jié)的故障數(shù)據(jù)統(tǒng)計(jì)及關(guān)聯(lián)分析。利用平臺(tái)系統(tǒng)的故障態(tài)勢模型倉庫實(shí)現(xiàn)智能化分析，完成故障數(shù)據(jù)的清洗整理、模型構(gòu)建、沙箱實(shí)驗(yàn)和故障知識(shí)體系的構(gòu)建。最后通過平臺(tái)的界面實(shí)現(xiàn)故障分析結(jié)果的可視化展示，故障態(tài)勢感知預(yù)警及聯(lián)動(dòng)處理和故障的脆弱性管理。平臺(tái)的業(yè)務(wù)架構(gòu)如圖5所示。

圖5 平臺(tái)的業(yè)務(wù)架構(gòu)圖

3.4.1 動(dòng)態(tài)感知

動(dòng)態(tài)感知系統(tǒng)以態(tài)勢感知為手段，以全面表征電網(wǎng)故障運(yùn)行軌跡的指標(biāo)體系為基礎(chǔ)，綜合利用電網(wǎng)信息物理融合技術(shù)、廣域量測技術(shù)、數(shù)值預(yù)測技術(shù)、氣象預(yù)測技術(shù)、電網(wǎng)分析控制技術(shù)等進(jìn)行多領(lǐng)域信息融合、海量數(shù)據(jù)挖掘、電網(wǎng)故障態(tài)勢預(yù)測，準(zhǔn)確獲得完整的電網(wǎng)故障信息，實(shí)時(shí)提取電網(wǎng)故障在運(yùn)行過程中的演變特征，實(shí)現(xiàn)電網(wǎng)故障不確定因素及全網(wǎng)各環(huán)節(jié)聯(lián)動(dòng)故障的風(fēng)險(xiǎn)評(píng)估與預(yù)警，為調(diào)度運(yùn)行人員提供輔助決策。

3.4.2 智能分析

采用機(jī)器學(xué)習(xí)良好的聚類、分類和辨識(shí)能力來進(jìn)行電網(wǎng)故障分析。

通過采集電網(wǎng)運(yùn)行數(shù)據(jù)、故障數(shù)據(jù)及外部即時(shí)的氣象水文數(shù)據(jù)，完成海量數(shù)據(jù)的清洗，提取故障特征，以大數(shù)據(jù)技術(shù)為支撐進(jìn)行數(shù)據(jù)的存儲(chǔ)管理，通過人工智能算法和故障態(tài)勢模型評(píng)估倉庫，進(jìn)行高精度的電網(wǎng)故障態(tài)勢感知預(yù)測。通過智能分析完成全網(wǎng)各類故障日志及故障檔案的構(gòu)建，實(shí)現(xiàn)全網(wǎng)的安全協(xié)防，進(jìn)行故障防護(hù)和威脅阻斷。

其中故障的多維分析是以智能電表計(jì)量功率、電壓、電流，歷史故障等數(shù)據(jù)為基礎(chǔ)，采用人工智能聚類和數(shù)據(jù)挖掘方法提取不同類型的故障特征，實(shí)現(xiàn)科學(xué)認(rèn)知、細(xì)分故障類型，進(jìn)而提供高精度的故障態(tài)勢感知預(yù)測。

3.4.3 提前預(yù)警

通過平臺(tái)管理界面以動(dòng)態(tài)可視的方式向相關(guān)干系人展示故障分析結(jié)果并預(yù)警。利用智能模型分析預(yù)測三相不平衡等引起電網(wǎng)運(yùn)行重大故障的發(fā)展態(tài)勢，提前發(fā)布故障即將發(fā)生的時(shí)間節(jié)點(diǎn)及故障類型，實(shí)現(xiàn)故障的實(shí)時(shí)追蹤和告警，建立電網(wǎng)的脆弱性管理體系，實(shí)現(xiàn)電網(wǎng)水邊裴勇各環(huán)節(jié)實(shí)時(shí)風(fēng)險(xiǎn)管理和漏洞管理。

3.5 平臺(tái)功能

3.5.1 故障態(tài)勢感知預(yù)測

實(shí)現(xiàn)對(duì)不同運(yùn)行環(huán)節(jié)、不同時(shí)間的全量故障畫像。對(duì)多來源故障相關(guān)事件和異常數(shù)據(jù)進(jìn)行多維度的關(guān)聯(lián)分析，實(shí)現(xiàn)關(guān)聯(lián)故障臺(tái)區(qū)的識(shí)別、關(guān)聯(lián)故障類型挖掘、關(guān)聯(lián)故障態(tài)勢感知預(yù)測。完成異常行為檢測和追蹤溯源分析，揭示和還原出真實(shí)的故障事件，識(shí)別真實(shí)的故障風(fēng)險(xiǎn)，并對(duì)重大故障事件進(jìn)行態(tài)勢預(yù)測及預(yù)警，高精度地檢測出未知的和潛在的電網(wǎng)運(yùn)行風(fēng)險(xiǎn)，提高對(duì)電網(wǎng)運(yùn)行的掌控能力。

3.5.2 故障管理

將接入平臺(tái)的各類型故障統(tǒng)一管理，并基于融合不同來源、不同類型的電網(wǎng)數(shù)據(jù)基礎(chǔ)對(duì)故障進(jìn)行畫像分析，并在故障畫像的基礎(chǔ)上提供一鍵搜索功能。

通過故障數(shù)據(jù)的關(guān)聯(lián)分析和人工智能建模分析，有效挖掘故障軌跡特征、繪制故障臺(tái)區(qū)和關(guān)聯(lián)環(huán)節(jié)畫像，向相關(guān)人員推送預(yù)警；通過清洗故障數(shù)據(jù)、關(guān)聯(lián)故障及故障分析結(jié)果建立資料庫，為相關(guān)決策者提供決策參考情報(bào)。

3.5.3 追蹤溯源

平臺(tái)通過智能分析電網(wǎng)各環(huán)節(jié)的海量故障日志、故障動(dòng)態(tài)，分析預(yù)測電網(wǎng)的故障狀態(tài)和威脅來源，進(jìn)行實(shí)時(shí)保護(hù)。

平臺(tái)管理頁面通過透視調(diào)查可視化分析工具，對(duì)調(diào)用功能的結(jié)果集合數(shù)據(jù)進(jìn)行可視化分析，支持列表展現(xiàn)追蹤溯源分析保存的結(jié)果。

3.5.4 事件處置

為系統(tǒng)發(fā)現(xiàn)識(shí)別到的電網(wǎng)運(yùn)行中的故障事件、異常數(shù)據(jù)、漏洞隱患等重要處置工作提供統(tǒng)一的查詢、統(tǒng)計(jì)、核查處置、工單記錄等功能，提供追蹤溯源工作入口。

3.5.5 構(gòu)建管理中心

通過電網(wǎng)故障的各類靜態(tài)和動(dòng)態(tài)數(shù)據(jù)，進(jìn)而從故障細(xì)節(jié)點(diǎn)、故障軌跡、關(guān)聯(lián)數(shù)據(jù)、預(yù)測數(shù)據(jù)以及故障狀態(tài)變化等多維角度實(shí)現(xiàn)電網(wǎng)設(shè)備資產(chǎn)和電量資產(chǎn)的精細(xì)化管理。

4 結(jié) 語

通過采用電網(wǎng)系統(tǒng)變電、輸電、配電、用電四大環(huán)節(jié)電網(wǎng)數(shù)據(jù)和外部氣象、能源數(shù)據(jù)構(gòu)建了基于電網(wǎng)故障的態(tài)勢感知平臺(tái)，解決了電網(wǎng)故障特征的提取和態(tài)勢感知模型的構(gòu)建，并打破單一環(huán)節(jié)在線故障監(jiān)測，實(shí)現(xiàn)單點(diǎn)故障與關(guān)聯(lián)故障的實(shí)時(shí)預(yù)測，為電網(wǎng)系統(tǒng)實(shí)現(xiàn)故障的實(shí)時(shí)預(yù)測分析，使電網(wǎng)企業(yè)實(shí)現(xiàn)電網(wǎng)管理的動(dòng)態(tài)優(yōu)化。雖然平臺(tái)的態(tài)勢感知模型構(gòu)建解決了大量的故障問題，但是模型參數(shù)調(diào)整與故障數(shù)據(jù)的特征的實(shí)時(shí)對(duì)應(yīng)和不同故障的模型構(gòu)建仍存在問題，在今后的研究中，將主要解決數(shù)據(jù)特征的提取及模型優(yōu)化中。