洪凯

（国家电投集团黄河上游水电开发有限责任公司 青海省西宁市 810008）

随着智能电网建设进程的不断推进，电力设备运行数据呈现出了指数增长规模，所有信息集中到调控中心，给数据分析存储工作带来了不小的压力。在此背景下，传统调控分析手段已经无法满足实际需求，研究和推广大数据分析系统势在必行。

1 应用大数据设计电力设备运行数据分析系统

1.1 监测电力设备运行状态

电力设备运行过程中，常会因为设备缺陷、信号干扰、不良天气等因素的影响，出现超负荷运行、跳闸等情况，为整个系统的运行埋下安全隐患，而利用大数据技术，设备运行参数得以被实时传输到监控终端，工作人员只需要对系统传回的图像进行查看和分析，就可以发现这些异常，大大提升可监测工作的灵敏度。其次，在日益激烈的竞争环境下，电力企业的发展需求也在日益高涨，通过大数据设备运行数据分析系统，企业方可以深入挖掘消费者用电需求，为战略发展计划的制定提供科学的数据支撑，同时为班组工作、运维计划等的安排提供依据。再者，通过大数据技术的分析，还可以实现对用户停电情况的监测，通过绘制停电原因、时间等因素的关系图，便于工作人员了解用户停电实况。

1.2 实现设备故障动态分析

随着社会经济的发展，我国对电力能源的需求规模不断扩大，大部分地区的电网都进入了不停机状态，给电力设备带来运行压力的同时，故障动态分析工作也受到了不小的阻力。应用大数据分析技术，一是可以提升主线故障分析效率，当主线开关跳闸时，大数据分析系统可以直接对系统展开由上至下的拓扑分析，从而完成信息直采。当主线出现故障，但并未出现跳闸情况时，大数据系统也可以以各分支线路数据为基础[1]，以电源和开关为起点开展闭环拓扑分析，从而构建出停电模型，得出主线故障原因。二是可以对支线故障进行动态分析，支线的分析方式与主线有异曲同工之处，系统不仅可以在故障线路中完成拓扑分析，也可以以告警方式在整个线路中进行系统分析。此外，利用大数据分析系统，还可以检测出设备失电故障和接地故障，为检修工作提供依据。

2 基于大数据的电力设备运行数据分析系统设计

2.1 技术框架

本文采用Hadoop 作为基础技术框架，它具有较强的延展性与稳定性，适用于多种场景下的异构性数据处理。在电力设备运行数据分析系统中，HDFS 负责存储用户数据、设备参数等，MapReduce 则负责分析处理这些数据。分布式存储模式下，多个数据节点的使用能有效保障数据安全，客户端识别功能还可以提高数据读取效率，结合操作日志文件与元数据镜像文件的使用，操作更新记录也得以实现，大大减少了系统崩溃带来数据丢失的风险。应用分布式并行处理系统，则可以同时完成设备变配电情况、网线运行、用电负荷等变化剧烈数据的处理，同时，任何一个map 的故障都不会影响其余节点运行，整个框架运行更加顺畅和稳定。此外，利用MapReduce 还可以实现大数据挖掘，通构建相关性模型，有助于挖掘停电设备、停电区间、影响因素等项目之间的内在关联度，从而有效地规避风险，以防代修，提升电网运行稳定性。

2.2 系统结构

在宏观设计思路中，电力设备运行数据分析系统大体可以被分为数据采集层、管理层、访问层以及应用层，采集层为基础环节，主要负责获取设备运行状态数据；管理层为核心环节，可以通过OLPA 完成仓库数据提取[2]，负责数据存储和分析；访问层则是应用环节，集统计、查询与分析为一体，同时通过用户接口提供数据访问功能，应用层则主要负责实现面向用户进行查询统计、数据挖掘等，以提升变配电、售电决策的科学性，详见图1。具体设计中：我们采用了B/S 系统结构，服务器部署于Hadoop 之上，信息内容则通过tomcat 发布，运用RESTful Web 作为服务器和浏览器之间的通信工具。实际操作过程中，工作人员只需要登录浏览器，并点击相应板块的页面，就可以发出内部资源共享申请，工作完成后，Hadoop 会以MapReduce 作为基本编程模型，同时借助聚类算法等调取数据库内部资源，重新使网站回到电力设备状态评估页面。作为远程通信的主要技术，RESTful Web 可以将数据以JSON 的格式打包，发送给分析层，经过数据统计和挖掘，将结果传输回业务平台，一旦落实确认，就可以再次以JSON 格式打包发回客户浏览器，以直观的表格形式呈现在页面上。

图1：基于大数据技术的电力设备运行数据分析系统设计思路

2.3 功能模块

分析系统中一共设有五个功能模块，一是用户管理模块，用户可以通过输入账号和密码的方式完成登录，基于主体不同，该模块还进行了差异化设计，分为消费者和电力主管部门，可以根据实际需要进行权限赋予。在实际应用过程中，要注意保护用户隐私，对用户个人信息采取加密处理，同时简化页面信息，方便客户寻找使用板块，提升系统便捷性。二是电池性能检测模块，它可以对电力设备备用电源指标进行智能化分析，并自动产生重组方案，以达到延长适应时间，提升运行稳定性的目的。三是数据监测模块，这一模块架构可以在输变电系统内部进行数据收集和监测，并将数据实时更新记录到数据库中，方便管理人员查看。以电压等级分析为例，工作人员可以借助系统对油色谱、溶解气体产生率等进行大数据分析，结合GIS 系统，还能快速定位故障点。四是设备检测模块，当监测模块发现数据异常时，就可以启用这一模块，对一定范围内的电力设备进行地毯式排查，准确显示故障发生点，为检修工作提供依据。五是设备信息管理模块，主要负责对设备的型式、出厂日期、维修保养信息等进行记录、修改、删除，在电力设备全生命周期的管理工作中意义重大。

2.4 数据采集

电力设备数据分析系统的建立让嵌入式数据采集方式成为了可能，电力设备运行过程中，先由互感器对大电流进行预处理，然后由嵌入的单片机以周期性的工作方式定期完成采样工作，并借助RESTful Web 向远程调控中心传输信息。在B/S 架构中，单片机采集系统只能面向特定的客户黑匣子采集数据，不能进行智能删减，因此采集对象众多，采集数据体量也极大。针对这一情况，本设计中采用了多线程数据采集和处理技术，对动态化网络地址以及多个电力设备[3]进行数据采集，这样一来数据采集压力被分解，且不同数据之间的独立性也能得到有效保障。信息采集既包含设备技术参数属性、交接试验数据、缺陷台账记录等直接反映设备状态的信息，又包含诸如气象信息、带电检测数据等间接数据，数据采集附带时空标志，方便电力企业进行横向、纵向对比。

2.5 数据分析

Hadoop 领域中，常见的数据存储方案主要有三种，具体对比可见表1。对于台账信息、抢修记录等较为传统的结构化数据，可以采用Hive、Impala 等数据库工具进行存储，以提升其处理速度。而对于电气设备在线测试、云慈宁宫状态等半结构化或非结构性数据，则可以使用分布式HBase 数据库进行存储。

表1：常见的数据储存方案

由于电力设备运行数据体量庞大，其中还存在着大量的冗杂数据，因此在大数据挖掘之前，必要要经历数据预处理工作，保留电压、电流等价值数据，提升数据质量。数据清理之后，同样会发回HBase 存储，不会覆盖元数据，为新旧数据对比分析奠定基础。在实际分析挖掘阶段，工作人员首先要将HBase 中的样本数据下载到本地存储器中，并根据电力设备信号特点进行提取，通过迭代法提取聚类中心，通过一定算法得出结果，完成模型构建，实现分析结果的可视化。

2.6 异常处理

异常处理机制主要是为了对用户的违规输入进行中止和提醒，以降低系统崩溃机率。在本次电力设备数据分析系统设计中，主要是从以下几个方面开展异常处理设计的：一是异常持久化，当用户出现违背数据库或程序的操作时，系统会自动记录异常产生时间、类型、级别以及代码位置，在此基础上形成二进制流文件[4]，传送到数据库中。数据持久化则借助了PROTOBUF 技术，以蛇形间隙法对序列节点进行分配间隔，在优先级规则的约束下完成节点存储，并建立映射关系，完成异常信息的序列化。二是异常分析，系统可以根据异常类型，从数据库中调取与异常相对应的编号和提示，并根据以往经验解析异常的详细内容，如果数据库中没有与之相匹配的项目，则按照通用异常处理。

3 结论

大数据技术是近年来极为流行的一种前段科技，代表着企业甚至国家的软实力水平，神经网络算法、遗传算法等都是大数据技术中常用的算法类型，将之应用于电力设备运行数据分析系统，可以大幅度提升数据采集、处理效率，保障电网平稳运行。因此，电力部门应当充分重视大数据技术在电力设备运行状态分析中的重要性，积极探索和改进大数据分析系统，提升电网运行效率。