大数据背景下大容量电力电子系统可靠性分析

王路飞

（浙江求是科教设备有限公司，浙江杭州，310011）

1 大数据背景下大容量电力电子系统的特征

1.1 数据量大

大容量电力电子系统在进行频繁采样时，服务器需要处理很多的数据信息，具有相当大的工作量，想要保证大容量电子电力系统的安全运行，需要在系统的组成部件（变压器、开关半导体等）上安装传感器和监控设备。

1.2 数据类型

传统的数据处理，待处理数据一般为可以通过数据库进行存储和查询的结构化数据。大数据背景下的大容量电力电子的处理方式丰富了，不但有结构化数据处理，还涵盖了非结构化数据和半结构化数据（图片、文档、视频等）。在实际工作中，需要进行多方面的数据参考与检测。

1.3 数据价值高

大数据背景下，数据的价值并不会因为数据的增多而降低价值，它的价值是随着某种具体的功能而产生的。数据的价值并不是来源于某个特定的用途，它可以被应用与不同的目的，同时也可以为了同一个目的而多次被使用。因此，大数据背景下的数据价值比传统的数据价值更高。

2 大数据背景下电力电子系统大数据关键技术

2.1 数据采集技术

数据背景带来了海量数据，在此基础上建立大数据处理系统是非常重要的。当在大容量电力电子系统中应用大数据技术时，需要半结构化数据与非结构化数据作为支撑。因此，大数据处理的基础时将各类型的信息进行提取整合及分类并保证这些数据的可用性，而电力电子系统的性能分析是需要数据源的同步性。例如功率开关管，当传感器采集到的各级电压数据发生同步性丧失，将会影响实际应用中器件的损耗计算和场路耦合分析结果。大数据背景下，数据采集技术起到的主要作用是将海量数据进行一系列处理（抽取、转换、分类、集成等），最后再将数据存储到相应的数据系统中。当数据生成和转化的速度过快时，就会影响数据的质量，而数据采集技术将会对各类数据进行集中和分类处理，最后在进行关联和聚合等统一的结构来存储。因为大数据背景下大数据的生产速度快、产量大，系统处理需要实时快捷的方式，因此在抽取、转换、压缩等工具选择上，也需要采用分布式内存数据、实时流处理系统等技术[1]。

2.2 数据存储技术

电子电力系统在进行工作时，无时无刻不在进行数据的传输、存储和读取，大量的数据会影响存储和读取的速度。当数据集过大时，就需要对数据进行独立计算机存储，业界将这种技术称为分布式文件系统（Distributed File System），即跨多台计算机存储文件的形式。Distributed File System只需要大量的计算机就可以实现数据的存储、读取和写入，当前应用较广的为Google GFS、Hadoop HDFS、Taobao File System以及Facebook Haystack等。如图1所示Google GFS系统架构，该架构的节点可以分为主控服务器、数据块服务器和GFS 客户端三种，是目前应用范围最广的数据存储架构。

图1 Google GFS系统架构

2.3 数据库技术

大数据背景下带来数据多样化、结构多样化。在大容量电力电子系统大数据中，数据存储需要经过一系列的关联与聚合（结构化、非结构化、半结构化等）。当前常用的数据库存储方式有关系型数据库（SQL）、非关系型的数据库（NoSQL）、关系型数据库（NewSQL）等。SQL不适合要求访问速度的情况，它一致性高，但是读写性差、处理能力低；NewSQL不适合种类丰富的数据库，它具有固定的表结构，对输入的数据有格式和属性要求；NoSQL是对传统数据库的优化，它在传统数据库的基础上具有了横向扩展性，可以满足各种半结构化和非结构化数据存储要求。同时，NoSQL还具有了数据查询性能，可以区分一部分的容错[2]。

3 大数据背景下大容量电力电子系统可靠性分析

3.1 器件级可靠性研究

大容量电力电子系统的核心部件为功率半导体器件，其可靠性水平直接影响变流器的安全运行。因此，大数据背景下对电力电子系统可靠性研究的首要切入点为器件。当前，世界上应用较为广泛的开关器件结温提取和健康管理数据提取方式多为多项式拟合与回归分析，器件发生损坏和失效的主要诱导因素为外部失效和内部失效，若能通过大数据处理技术充分挖掘这些数据信息，将会对器件可靠性研究带来很大帮助，如图2所示。

图2 器件层面可靠性

3.2 装置级可靠性研究

系统的装置部件结构复杂、耦合程度较高、组成部分多样化(功率元器件、储能部件和控制器等)，传统的装置部件对工程经验和标准依赖过大，可靠性分析不合理。大数据背景下，通过部件使用周期的历史数据进行装置可靠性、结构设计等研究如图3所示。

图3 装置层面可靠性

3.3 系统级可靠性研究

大数据背景下大容量电力电子系统的组成复杂多样，因此对于电力电子系统的稳定性判定和性能优化更为困难。大容量电力电子系统经大数据技术的基础，为其系统可靠性分析提供了更多工具和方式，具体如下：

（1）电能质量智能管理。电网的组成复杂多样，通常包含大量的非线性装置和不平衡负荷，其中一个发生问题就会引发严重的电能质量问题。相关部门一般通过对电力变换的控制优化，来维护和改善系统的电能质量。但是，在实际应用中是很难对谐波源进行准确定位的，也无法为每个潜在的谐波源配置分布式电源；而且，由于影响电能质量的各种因素具有不确定性，所以各次谐波也就具有不确定性。因此，想要实现电能质量的智能优化管理，需要对电网中各节点的实时运行数据进行把控和处理，并提取谐波源信息，从而实现对分布式电源进行实时控制的操作，大数据的出现为大容量电力电子系统的海量数据流处理提供了更多的技术和手段[3]。

（2）系统调控策略选择。大容量电力电子系统的多电平变换系统复杂多变，但同时也为调控自由提供了方便，如当变换器电平数为n 时，则空间矢量脉宽调制（SVPWM）共有n2个矢量，而且系统中的各冗余零矢量起到了不同的作用。在空间矢量数目庞大的5电平及以上多电平系统中，各SVPWM调制效果用常规数据处理方式是难以进行分析的，需要借助大数据的分布式计算技术、人工智能等。因此，大数据背景下咋无监督算法的基础上有望构建数据分析和模型，从而提高复杂工况和拓扑下的调控技术。

4 结语

大数据背景为大容量电力电子技术的发展带来了新的技术性突破，与传统的大容量电力电子系统可靠性分析相比，大数据背景下的相关技术更加便捷、可靠，为深层次挖掘和发展大容量电力电子系统的可靠性研究提供了新的思路与途径。