孙志军

摘要：由于目前在智能配电网中所采用的传统保护方法不仅整定复杂，而且配合困难，在适应性上较差，为满足故障智能分析的需要，本文提出基于智能配电网的大数据系统，以更好地进行状态监测和故障处理。

关键词：智能配电网;大数据分析;状态监测;故障处理方法

引言

智能配电网中引入新能源类DG容易在局部区域产生双向不定潮流，不仅使网络结构复杂化，改变配电网的众多故障特性，还给保护控制设计提出了一定的挑战。而大多数保护方法的故障判据均使用小样本的单一电气特征量，整定所需计算较为复杂，且在运行环境变化时需要重新进行整定，保护可靠性方面也存在着一定的风险。在通信或传感器异常时，也容易产生误动或拒动保护。

1故障处理方法

1.1提前分析相关数据

在进行配电网工作之前，对于相关的功能进行提前的测试，记录下来数据，对实际的工作效果进行判断，使得工作可以比较快速而且高效的完成。举个例子，在传感设备的设置上，对于其工作而产生的数据进行分析，将数据完整地进行记录，然后对数据进行选择，选择出其中有用的信息制定出比较符合客观规律的工作计划以及方法，利用这些工作计划以及方法来减少要分析的数据量，然后制定出一个故障排除以及设备监测的初始特征量矩阵。对这些特征量进行选取，网络关联矩阵构建就是区域数据的预备处理。

1.2各种数据的结合

为了更好的进行设备状态的监测，以及设备工作环节效率的保证，对于数据的融合必须要着手进行准备。对空间上的单电气特征量进行一定程度的融合，使得这些电气特征量可以在检测工作状态的时候融合在一起，成为一个单时段电气特征量的状态监测矩阵，在这些矩阵进行安装之后，可以将数据在时间序列上进一步的扩展，最终效果就是合成一个高维度时空的状态监测矩阵。这种矩阵还在进行检测分析的时候对故障的分析很有帮助。

1.3数据分析实体构建

紧跟着数据分析的就是这种对数据的多维度尺度分析，对高维度的时空状态监测矩阵进行工作处理，使得各种数据以及工作的状态在不变的情况下可以使得低维度的空间也可以显示高维度的数据，这样就把数据分析的难度大大降低了，数据实体建构就可以比较轻松的实现了，数据可视化也就大概成功了。数据的数据价值量会在一定的程度上降低，使得数据可以进一步在基础数据量的程度上进行融合，数据分析可以比较快速的进行。矩阵由于数据的可视化处理，使得数据的时间序列可以比较快速地进行扩大以及丰富，数据会在一定程度上形成一个非常严密的，维度比较高的时空状态监测矩阵，这样使得数据的实体化表现就更加明显了。

2大数据视角下智能配电网状态监测和故障处理的思路分析

2.1预处理数据

2.1.1做好特征量的选取

在智能配电网中，常见的故障类型较多，比如单相、两相短路接地，以及两相相间短路和三相短路等，不同的故障类型，其故障特点也不同。本文选取特征量如下：

（1）三相电流;

（2）零序电流;

（3）负序电流;

（4）零序有功功率;

（5）零序无功功率。

这主要是本文研究的需要而决定，这样能有效地将故障节点局部的异常因子识别，同时还能有效地进行故障识别。

2.1.2构建网络关联矩阵

构建网络关联矩阵需要按照以下方式来进行：第一步，每个配电网测控一体化终端作为一个节点，编号EJ;第二步：节点间区域编号ZJ;第三步根据节点区域关系和对应关联值形成网络关联矩阵，由于节点与编号对网络关联矩阵并无实质性影响，所以在编号时不用按照特定规则来编号。

2.1.3强化区域差分处理

配网在绝大多数的时间均在正常地运行，在配网状态监测时得到的数据也以正常数据为主。按照区域差分矩阵=网络关联矩阵×每个节点终端所上传的有关特征量数据组合而成的列矩阵原理，构建单时段、单特征量状态的监测矩阵，实现区域差分处理。

2.2融合数据--以高维时空状态监测矩阵为载体

（1）数据融合以高维时空状态监测矩阵得到单时段的状态监测矩阵;

（2）将空间拓展成单时段、多特征量的状态监测矩阵;

（3）将视角序列拓展成多时段、多特征量的高维时空状态监测矩阵。

3对相应数据故障处理的设计

3.1接收数据处理

接收数据处理的特征具有不确定性和区域分差性，选取合适的参考对象，不仅能提高数据接收的能力与强度，还能加快数据的预处理。选取合适的特征状态，对网络的矩阵关联也有一定的处理运用，但是这样的前提是必须明确对各个节点和区域之间的关联，以合理的状态对数据进行检测和规范化状态，还能进一步提高数据处理的质量。相对于结合过的大数据系统，设计其统计方法不仅需要完成对其功率和电气情况的统计，还应该在有合适推断的环境下进行。为了增加其概率的统计，都应该从有功功率，无功功率和其他方面加以合理的推测和分析。网络关联也是其影响因素之一，在配电系统中的网络信息，能加快对数据的统计速度，并且还能促進分析情况，对数据自动做出合理的分析和讨论。

3.2各种数据管理的合理具体化

在智能电网建立与管理的工程中，多种信息会进行融合与管理，建立可以方便于信息提取的信息互相操作模型。与传统的电网相比，智能电网的数据类型比较复杂，所包含的类型也非常的丰富。如何选择一种合适的方法是我们需要进行考虑的。我们需要综合利用统计方法，支持向量机、相关向量机等比较合理的理论进行融合与处理，研究异构数据融合以及挖掘数据的方式。设备会产生故障绝对不是一个直接发生的过程，而是一个慢慢积攒的过程，质变的发生并不是一蹴而就得到的。多年进行积累的时候会使得数据的分析以及提取更加具有意义，这种大数据下的研究以及积累会更具有使用度，更加具有参考价值。

3.3数据分析合理化

本文在建立数据统计和数据计划的条件下，将数据转化为二维的矩阵，然后再对其加以分析处理，也可以将高维的数据转化为低维的，再利用多维的尺度，在不影响大数据整体合理性的前提下，将数据密度可以加大，并且在离散程度加大的情况下，不仅能将距离定义为对象与之外的数字合理承包在大数据之中，之后再确定各个数据的局部进行整体的理论分析。再运用二维空间的矩阵，基于密度的局部因子提高其合理的灵敏性。

结语

综上所述，本文严格按照网络关联矩阵与区域差分规则，对每个节点测控一体化终端采集电流、功率数据，并对其进行预处理。并基于时间、空间的视角，对预处理结果实施数据融合处理，得到高维时空状态下的监测矩阵。将得到的高维时空状态监测矩阵实施多维度降维，并检测局部异常因子，将每个节点中局部存在的异常因子进行计算。最终研究结果表明，本文所提出方法的科学性和可行性达到了测试和验证的预期。

参考文献

[1]林道鸿.基于智能配电网大数据分析的状态监测与故障处理方法[J].数字技术与应用，2018，36（07）：100-101.

[2]柴谦益.基于大数据分析的智能配电网状态监测与故障处理方法研究[J].现代电子技术，2018，41（04）：105-108.

[3]赵庆周.基于智能配电网大数据分析的状态监测与故障处理方法[J].电网技术，2016，40（03）：774-780.

[4]柴谦益，郑文斌，潘捷凯，等.基于大数据分析的智能配电网状态监测与故障处理方法研究[J].现代电子技术，2018（4）：105-108.

[5]牛林.基于大数据的电网设备状态检测与预警技术的研究[D].浙江大学，2015.