摘要：變電站內(nèi)部電力設(shè)備種類較多且運行環(huán)境復雜，在長期運行過程中存在較大風險。文章提出基于大數(shù)據(jù)挖掘技術(shù)的變電站智能巡視方法。該方法從變電站配置的監(jiān)控系統(tǒng)中提取變電站設(shè)備巡視數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換等預(yù)處理，通過巡視數(shù)據(jù)發(fā)現(xiàn)設(shè)備缺陷狀態(tài)，基于挖掘結(jié)果優(yōu)化巡視并安排檢修。實驗結(jié)果表明，利用該巡視方法變電站內(nèi)設(shè)備缺陷命中率高達98.24%，實際巡視效果良好。

關(guān)鍵詞：大數(shù)據(jù)挖掘技術(shù)；變電站；智能巡視；巡視方法

中圖分類號：TM715" 文獻標志碼：A

0 引言

隨著智能電網(wǎng)技術(shù)的不斷進步，變電站作為電力系統(tǒng)的關(guān)鍵組成部分，其高效穩(wěn)定的運行狀態(tài)對于保障我國電力供應(yīng)質(zhì)量具有重要作用。然而，變電站內(nèi)部電力設(shè)備種類繁多、運行環(huán)境復雜，日常運行過程中極易發(fā)生故障，不僅影響設(shè)備的安全運行，還會影響整個變電站的供電質(zhì)量。因此，管理人員應(yīng)對變電站設(shè)備進行及時、準確地巡視，及時發(fā)現(xiàn)和處理潛在的安全隱患，確保變電站安全運行。

彭明智等^［1］應(yīng)用人工智能技術(shù)對變電站內(nèi)設(shè)備運行狀態(tài)進行識別，及時排除潛在風險，完成變電站巡視，但人工智能技術(shù)成本較高，不適合大規(guī)模應(yīng)用。陳南凱等^［2］通過改進生物激勵神經(jīng)網(wǎng)絡(luò)算法進行變電站多任務(wù)點的巡視，具有較高的巡視效率，但是該神經(jīng)網(wǎng)絡(luò)算法需要大量訓練數(shù)據(jù)，實際應(yīng)用中容易因數(shù)據(jù)質(zhì)量問題影響巡視精度。陳智雄等^［3］設(shè)計了一種無人機結(jié)合地面機器人的變電站巡視方法，可以實現(xiàn)變電站的全范圍且高精度巡視，但是該算法對環(huán)境因素較為敏感，實際應(yīng)用中如果天氣惡劣則難以保障巡視效果。

針對現(xiàn)有研究成果的不足，本文提出一種基于大數(shù)據(jù)挖掘技術(shù)的變電站智能巡視方法，進一步提高變電站巡視的效率和準確性，降低人為因素的干擾。

1 提取變電站設(shè)備巡視數(shù)據(jù)

在我國智能電網(wǎng)技術(shù)高速發(fā)展的背景下，各城市的變電站已廣泛配置了不同型號的后臺監(jiān)控系統(tǒng)。這些系統(tǒng)實時采集各變電站的遙測、遙信等海量數(shù)據(jù)，為變電站的安全、穩(wěn)定運行提供了強有力的數(shù)據(jù)支撐。本文將通過對變電站后臺告警監(jiān)控系統(tǒng)提供的巡視數(shù)據(jù)進行挖掘分析，實時監(jiān)控變電站設(shè)備運行狀態(tài)。本文主要采用一種遠程數(shù)據(jù)庫連接的方式進行變電站設(shè)備巡視。數(shù)據(jù)遠程提取如圖1所示。

在變電站配置的監(jiān)控系統(tǒng)中提取變電站設(shè)備巡視數(shù)據(jù)時，采用ODBC技術(shù)，建立遠程數(shù)據(jù)庫與變電站后臺告警監(jiān)控系統(tǒng)數(shù)據(jù)庫之間的連接；在建立連接后，采用輪詢的方式對各個子站的電力設(shè)備巡視數(shù)據(jù)進行提取。輪詢是指按照一定的時間間隔或順序，依次訪問各個子站并提取其電力設(shè)備巡視數(shù)據(jù)，這樣可以確保所有子站的電力設(shè)備巡視數(shù)據(jù)都能被及時、完整地提取出來。不同子站的電力設(shè)備巡視數(shù)據(jù)可能存在格式差異，因此須要對提取出的數(shù)據(jù)進行格式轉(zhuǎn)換。格式轉(zhuǎn)換主要通過編寫告警處理子程序?qū)崿F(xiàn)，將各個子站的電力設(shè)備巡視數(shù)據(jù)統(tǒng)一轉(zhuǎn)換為數(shù)據(jù)庫可識別的格式并接入遠程用于大數(shù)據(jù)挖掘的本地數(shù)據(jù)庫。通過以上步驟，可以實現(xiàn)對變電站后臺告警監(jiān)控系統(tǒng)中設(shè)備巡視數(shù)據(jù)的提取和存儲，為后續(xù)的數(shù)據(jù)分析和處理提供數(shù)據(jù)基礎(chǔ)。

2 預(yù)處理變電站設(shè)備巡視數(shù)據(jù)

設(shè)數(shù)據(jù)集中第i個數(shù)據(jù)Xi的缺失值為X0i，該數(shù)據(jù)的非缺失值集合為X1i，X2i，···，Xni，則可以利用均值來估計缺失值：

X0i=1n∑nj=1Xji（1）

進行數(shù)據(jù)轉(zhuǎn)換以統(tǒng)一數(shù)據(jù)格式和量綱，主要采用歸一化方法進行巡視數(shù)據(jù)預(yù)處理，即將原始變電站設(shè)備巡視數(shù)據(jù)按一定比例進行縮放操作，使之落入一個特定的區(qū)間內(nèi)［0，1］，表達式如下：

x=X′-X′minX′max-X′min（2）

其中，x為歸一化轉(zhuǎn)換后的變電站設(shè)備巡視數(shù)據(jù)；X′min、X′max分別為歸一化處理前的變電站設(shè)備巡視數(shù)據(jù)的極小和極大值。通過數(shù)據(jù)清洗、數(shù)據(jù)集成和數(shù)據(jù)轉(zhuǎn)換等預(yù)處理步驟，有效地提高了變電站設(shè)備巡視數(shù)據(jù)的質(zhì)量，為后續(xù)的大數(shù)據(jù)挖掘提供更加準確、可靠的數(shù)據(jù)基礎(chǔ)。

3 基于巡視數(shù)據(jù)的大數(shù)據(jù)挖掘結(jié)果優(yōu)化巡視

在獲取了高質(zhì)量的變電站巡視數(shù)據(jù)后，對巡視數(shù)據(jù)的深度挖掘至關(guān)重要。挖掘結(jié)果能夠更好地幫助管理人員理解設(shè)備缺陷狀態(tài)，預(yù)測潛在故障，優(yōu)化巡視與檢修策略。因此，本文引入大數(shù)據(jù)挖掘技術(shù)進行變電站巡視數(shù)據(jù)的挖掘。具體挖掘流程如下：生成變電站設(shè)備巡視數(shù)據(jù)的頻繁項集，即對原始變電站設(shè)備巡視數(shù)據(jù)集進行掃描，分別計算各個項的支持度，從而生成候選項集。表達式如下：

S（A）=N（Ax）|K|（3）

其中，S（A）為項A的支持度；N（Ax）為待挖掘的變電站設(shè)備巡視數(shù)據(jù)集x中A的樣本數(shù)量；|K|為樣本數(shù)據(jù)庫中所有樣本的數(shù)量。根據(jù)式（3）分別計算每個項的支持度并設(shè)定一個合理閾值，當支持度超過設(shè)定閾值時，認為該項是頻繁的，組成一個頻繁項集。當?shù)玫筋l繁項集后，對于每個頻繁項集，生成以其為前件的所有可能的后件，形成關(guān)聯(lián)規(guī)則，關(guān)聯(lián)規(guī)則的置信度記為：

C（A→B）=M（AB）N（Ax）（4）

其中，C（A→B）為關(guān)聯(lián)規(guī)則A→B的置信度；M（AB）為項A和項B同時出現(xiàn)的樣本數(shù)量。計算出各候選項集的置信度后，篩選出置信度gt;最小置信度的頻繁項集，即可獲得變電站電力設(shè)備缺陷狀態(tài)與巡視數(shù)據(jù)之間的強關(guān)聯(lián)規(guī)則，根據(jù)強關(guān)聯(lián)規(guī)則可以挖掘出實際巡視數(shù)據(jù)對應(yīng)的設(shè)備缺陷狀態(tài)，以此實現(xiàn)變電站的智能巡視。

4 仿真實驗

4.1 實驗準備

本文引入基于人工智能技術(shù)的變電站智能巡視方法和基于生物激勵神經(jīng)網(wǎng)絡(luò)的變電站智能巡視方法，展開變電站智能巡視的仿真對比實驗，以驗證設(shè)計方法的有效性和優(yōu)越性。實驗采用我國某變電站公開的電力設(shè)備巡視數(shù)據(jù)集作為實驗數(shù)據(jù)集，其中包含了6種不同設(shè)備缺陷類型的變電站巡檢數(shù)據(jù)。由于該數(shù)據(jù)集中沒有明確規(guī)定訓練樣本和測試樣本的數(shù)量，本次實驗采用隨機的方式，從中抽取70%的數(shù)據(jù)作為訓練樣本，其余30%的數(shù)據(jù)作為測試樣本。數(shù)據(jù)分布情況如表1所示。

以MATLAB軟件作為仿真實驗平臺，構(gòu)建一個包含多臺二次設(shè)備的變電站仿真環(huán)境，在各設(shè)備上設(shè)置如表1中所示的6種缺陷類型。實驗采用各設(shè)備缺陷類型的變電站巡視數(shù)據(jù)訓練樣本，對基于大數(shù)據(jù)挖掘技術(shù)的變電站智能巡視方法、基于人工智能技術(shù)的變電站智能巡視方法和基于生物激勵神經(jīng)網(wǎng)絡(luò)的變電站智能巡視方法進行訓練優(yōu)化。模擬變電站環(huán)境，應(yīng)用訓練完成后的各方法進行智能巡視測試，對比測試結(jié)果。

4.2 結(jié)果分析

在本次仿真對比實驗過程中，分別應(yīng)用基于大數(shù)據(jù)挖掘技術(shù)的變電站智能巡視方法、基于人工智能技術(shù)的變電站智能巡視方法和基于生物激勵神經(jīng)網(wǎng)絡(luò)的變電站智能巡視方法，在包含多種設(shè)備缺陷的變電站仿真環(huán)境中進行模擬巡視，在各方法巡視過程中，記錄對缺陷樣本的命中情況，即發(fā)現(xiàn)或處理的缺陷樣本數(shù)量。實驗結(jié)果對比如圖2所示。

由圖2可知，在變電站智能巡視中，本文設(shè)計方法表現(xiàn)最佳，變電站內(nèi)電力設(shè)備的缺陷命中率達98.24%，較基于人工智能技術(shù)的變電站智能巡視方法和基于生物激勵神經(jīng)網(wǎng)絡(luò)的變電站智能巡視方法分別提升了7.82%、11.06%。由此可知，該方法在變電站智能巡視中具有良好的應(yīng)用效果，可以準確反映設(shè)備缺陷狀態(tài)，保障變電站整體安全與穩(wěn)定。

5 結(jié)語

本研究提出了基于大數(shù)據(jù)挖掘技術(shù)的變電站智能巡視方法，通過挖掘變電站設(shè)備的運行數(shù)據(jù)，實現(xiàn)了對設(shè)備狀態(tài)的全面監(jiān)測和智能分析，有效提升了巡視效率和準確性。盡管本研究取得了一定的成果，但仍有許多值得進一步探索和研究的問題。未來將繼續(xù)優(yōu)化數(shù)據(jù)挖掘算法，提高數(shù)據(jù)處理的效率和準確性。

參考文獻

［1］彭明智，許堯，胡永波，等.基于人工智能技術(shù)的變電站二次設(shè)備智能巡檢技術(shù)［J］.高電壓技術(shù)，2023（增刊1）：90-96.

［2］陳南凱，王耀南，賈林.基于改進生物激勵神經(jīng)網(wǎng)絡(luò)算法的多移動機器人協(xié)同變電站巡檢作業(yè)［J］.控制與決策，2022（6）：1453-1459.

［3］陳智雄，楊家偉，肖楠，等.基于無線攜能傳輸和多級邊緣卸載的空地協(xié)作巡檢算法［J］.電網(wǎng)技術(shù)，2022（10）：3961-3969.

（編輯 王雪芬編輯）

Substation intelligent inspection method based on big data mining technology

LI" Lu

（Jinzhong Power Supply Company，State Grid Shanxi Electric Power Company， Jinzhong 030600， China）

Abstract：" Because there are many kinds of power equipment in the substation and the operating environment is complex， there are great potential risks in the long-term operation process. This article puts forward an intelligent inspection method of substation based on big data mining technology. The inspection data of substation equipment is extracted from the monitoring system of substation configuration. After data cleaning， data integration， data conversion and other pretreatment， the inspection data finds the defect state of the equipment， and based on the mining results， the inspection is optimized and the maintenance is arranged. The experimental results show that the hit rate of equipment defects in the substation is as high as 98.24% under the inspection of the design method， and the actual inspection effect is good.

Key words： big data mining technology; substation; intelligent inspection; inspection method