崔林

摘 要：在电力设备运行的时候会产生许多的数据，云平台以及大数据分析会使得电力问题的分析、电力设备检修、电力装置信息系统的检测有完备的技术支持，并且结果的分析是比较可靠以及具体的，有利于信息检测。

关键词：大数据技术;智能配电网;状态监测;应用

1 智能配电网的特点

智能配电网融入了现代科技技术，与传统的配电网有一定的区别，其中比较突出的特点有三个。第一个：自助管理特点。智能配电网中加强了用户端和控制端之间的互动程度，用户日常使用电力时，可以随时了解供电的情况，如有问题，也能够及时的得到解决，保证供电情况，提升了用户对电能的体验感。第二个：可视化特征。电能与其他能源有很大的区别，在接收和配送的过程都存在很多不确定的因素，因此很容易出现配电失败的现象，而很多用户对配电专业知识的了解程度普遍不高，所以很难发现具体造成配电失败的原因。但是智能配电网利用大数据技术、自动化技术，以及优化配电网设备装置来实现可视化管理，用户可以更加直观的了解到供电的信息，加强对电能的管理。第三个：自动化。传统配电网出现单相接地故障后，很容以造成两点甚至多点接地短路，破坏了系统的安全运行，影响了用户电力的使用情况，为了恢复配电情况，配电网需要采用逐条线路拉闸停电的方法来找出出现故障的线路，然后在安排工作人员到现场沿着整条线路找出具体的故障位置，然后才能采取措施，恢复配电情况。整个过程中由人力确定故障位置时所消耗时间较长，很大程度上影响了用户的使用情况。而智能配电网自身具备自动化功能，当出现单相接地故障时，能够自动快速、准确的确定故障分支，并进一步确定故障点，工作人员可直接达到故障点进行维修，就可恢复供电。

2 智能配电网大数据分析

智能配电网的迅速发展，各种监控系统以及高级量测体系在智能配电网中大规模的部署产生了大量的数据。进一步的挖掘这些数据的重要价值对于智能配电网的发展具有非常重要的意义。这样的一种现状也间接表征着大数据在智能配电网中应用十分广泛，而且在将分析出的大数据进行融合之后，不仅可以满足智能配电网的整体业务的需求，同时可以使智能配电网的应用场景更加的广泛。

2.1状态监测

智能配电网在处于正常运行配电的状态下，配电网节点运行数据所构建的高维时空状态监测矩阵的行间差别度较为弱小，各个网络节点在高维时空中的状态是相同的、集聚的。因此，这种相同、集散的状态显示在监测装置上不会有特殊节点的出现。换言之，在智能配电网正常运行的状态下，其各个网络节点的运行状态是不会有差异出现的。

2.2故障处理

在状态监测装置监测出故障后，并且明确了故障发生的位置，要进行进一步的故障处理，以确保智能配电网系统能够正常发挥作用。

3 状态监测与故障处理方法

在这里值得一提的是，在现行的智能配电网大数据分析系统中，很多状态监测与故障处理方法是与数据的处理分不开的。在智能配电网中，如果出现故障运行的状况，首先会通过多维的尺度分析以及离群节点监测等方式表征出来，进而进行故障部位的定位，在定位后才会进行故障处理命令的下达。下达命令后，测控一体化终端会进行一系列的参数量测，其中主要包括数据的预处理、数据的融合，再通过数据的可视化分析将智能配电网的故障通过各网络节点的状态趋势展示出来，最后进行故障处理。

3.1数据预处理

数据预处理方法主要包括网络关联矩阵构建、特征量的选取以及数据的区域拆分处理。通过上述三种处理手段，将传感设备上传的原始数据进行第一次筛选和预处理以使数据量减少，并且生成智能配电网大数据状态监测和故障处理的初始特征量矩阵。

3.1.1网络关联矩阵构建

在明确网络关联矩阵是一种拓扑结构之后，首先，在构建网络关联矩阵的过程中应将智能配电网的测控一体化作为网络终端进行节点编号。然后，在对应节点之间的区域进行编号，形成一个拓扑结构。最后，根据在拓扑结构中节点与对应区域内的关联值，完成网络关联矩阵的构建。

3.1.2特征量的选取

在智能配电网中出现故障时，可能是单相、两相、三相短路接地或是两相相间短路，这就要求我们在判断故障类型的时候需要注意各种故障类型的基本特征量。

其中，单相接地故障是智能配电网出现故障次数最多的，其检测难度也较大。因此在检测的过程中，为保证进行故障识别的效率与可靠性，我们在进行特征量的选取的过程中必须结合智能配电网的不同特征量数据间的融合度、以及智能配电网和状态监测装置的实际情况。

在特征量的选取过程中必须保证电气的特征量在三相电流、负序与零序电流之中。更需要注意的是，在进行特征量类型辨识的过程中，必须以多个特征量数据融合而成的高维时空状态监测矩阵为基础，否则在辨识故障的特征量时仍可能误差。

3.1.3数据的区域拆分处理

尽管我们要进行智能配电网状态监测以及故障处理，但是其在大部分的时间都是正常运行的，因此在状态监测装置中显示的大部分都是正常的数据。另外，尽管配电网在处于故障状态下的网络节点状态与正常的网络节点状态并不一样，但是离散的程度并不是太过明显，因此在状态监测装置中反映的差异程度也不是太过明显，这就给数据的辨识和区分带来了很大的挑战。

为了更好区别正常数据与故障数据，我们需要将由状态监测装置反馈的数据进行区域拆分处理，这样做的目的是增强正常网络节点与故障节点的离散度（差异度）。

3.2数据融合

在完成数据预处理之后就要对第一步处理的数据进行融合。首先要将高维空间中不同的单时段单电气特征量的状态监测矩阵融合成一个单时段多电气特征量的状态监测矩阵;此后，将该矩阵在时间序列上进一步扩充，最终生成一个高维时空状态监测矩阵。

3.3 数据的可视化分析

在完成数据融合后，需通过数据可视化分析方式，对单时段多电气特征量状态检测矩阵的多维尺度算法，进行系统明确。值得注意的是，在该处理方法开展前，需确保节点与区域对应关系不变，只有这样才能确保在低维显示设备中显示高维数据。在分析工作完成后，需进一步融合各类数据，除了要以离群点，对时空状态监测矩阵进行系统监测之外，还应在线辨别智能电网运行状态。如果要全面實现多维尺度算法，需确保节点与区域相对应关系保持不变。

综上所述，智能电网是未来电网研究和发展的主要方向。对配电网设备进行状态监测，是确保设备安全可靠的运行关键所在。

参考文献：

[1]大数据技术在智能电网中应用 [J]. 王向前，嵇存娟. 通讯世界. 2017（01）A786B203-22C5-4AC6-9B33-07188F088EB4