基于大数据挖掘技术的变电站智能巡视方法

摘要：变电站内部电力设备种类较多且运行环境复杂，在长期运行过程中存在较大风险。文章提出基于大数据挖掘技术的变电站智能巡视方法。该方法从变电站配置的监控系统中提取变电站设备巡视数据，经过数据清洗、数据集成、数据转换等预处理，通过巡视数据发现设备缺陷状态，基于挖掘结果优化巡视并安排检修。实验结果表明，利用该巡视方法变电站内设备缺陷命中率高达98.24%，实际巡视效果良好。

关键词：大数据挖掘技术；变电站；智能巡视；巡视方法

中图分类号：TM715" 文献标志码：A

0 引言

随着智能电网技术的不断进步，变电站作为电力系统的关键组成部分，其高效稳定的运行状态对于保障我国电力供应质量具有重要作用。然而，变电站内部电力设备种类繁多、运行环境复杂，日常运行过程中极易发生故障，不仅影响设备的安全运行，还会影响整个变电站的供电质量。因此，管理人员应对变电站设备进行及时、准确地巡视，及时发现和处理潜在的安全隐患，确保变电站安全运行。

彭明智等^［1］应用人工智能技术对变电站内设备运行状态进行识别，及时排除潜在风险，完成变电站巡视，但人工智能技术成本较高，不适合大规模应用。陈南凯等^［2］通过改进生物激励神经网络算法进行变电站多任务点的巡视，具有较高的巡视效率，但是该神经网络算法需要大量训练数据，实际应用中容易因数据质量问题影响巡视精度。陈智雄等^［3］设计了一种无人机结合地面机器人的变电站巡视方法，可以实现变电站的全范围且高精度巡视，但是该算法对环境因素较为敏感，实际应用中如果天气恶劣则难以保障巡视效果。

针对现有研究成果的不足，本文提出一种基于大数据挖掘技术的变电站智能巡视方法，进一步提高变电站巡视的效率和准确性，降低人为因素的干扰。

1 提取变电站设备巡视数据

在我国智能电网技术高速发展的背景下，各城市的变电站已广泛配置了不同型号的后台监控系统。这些系统实时采集各变电站的遥测、遥信等海量数据，为变电站的安全、稳定运行提供了强有力的数据支撑。本文将通过对变电站后台告警监控系统提供的巡视数据进行挖掘分析，实时监控变电站设备运行状态。本文主要采用一种远程数据库连接的方式进行变电站设备巡视。数据远程提取如图1所示。

在变电站配置的监控系统中提取变电站设备巡视数据时，采用ODBC技术，建立远程数据库与变电站后台告警监控系统数据库之间的连接；在建立连接后，采用轮询的方式对各个子站的电力设备巡视数据进行提取。轮询是指按照一定的时间间隔或顺序，依次访问各个子站并提取其电力设备巡视数据，这样可以确保所有子站的电力设备巡视数据都能被及时、完整地提取出来。不同子站的电力设备巡视数据可能存在格式差异，因此须要对提取出的数据进行格式转换。格式转换主要通过编写告警处理子程序实现，将各个子站的电力设备巡视数据统一转换为数据库可识别的格式并接入远程用于大数据挖掘的本地数据库。通过以上步骤，可以实现对变电站后台告警监控系统中设备巡视数据的提取和存储，为后续的数据分析和处理提供数据基础。

2 预处理变电站设备巡视数据

设数据集中第i个数据Xi的缺失值为X0i，该数据的非缺失值集合为X1i，X2i，···，Xni，则可以利用均值来估计缺失值：

X0i=1n∑nj=1Xji（1）

进行数据转换以统一数据格式和量纲，主要采用归一化方法进行巡视数据预处理，即将原始变电站设备巡视数据按一定比例进行缩放操作，使之落入一个特定的区间内［0，1］，表达式如下：

x=X′-X′minX′max-X′min（2）

其中，x为归一化转换后的变电站设备巡视数据；X′min、X′max分别为归一化处理前的变电站设备巡视数据的极小和极大值。通过数据清洗、数据集成和数据转换等预处理步骤，有效地提高了变电站设备巡视数据的质量，为后续的大数据挖掘提供更加准确、可靠的数据基础。

3 基于巡视数据的大数据挖掘结果优化巡视

在获取了高质量的变电站巡视数据后，对巡视数据的深度挖掘至关重要。挖掘结果能够更好地帮助管理人员理解设备缺陷状态，预测潜在故障，优化巡视与检修策略。因此，本文引入大数据挖掘技术进行变电站巡视数据的挖掘。具体挖掘流程如下：生成变电站设备巡视数据的频繁项集，即对原始变电站设备巡视数据集进行扫描，分别计算各个项的支持度，从而生成候选项集。表达式如下：

S（A）=N（Ax）|K|（3）

其中，S（A）为项A的支持度；N（Ax）为待挖掘的变电站设备巡视数据集x中A的样本数量；|K|为样本数据库中所有样本的数量。根据式（3）分别计算每个项的支持度并设定一个合理阈值，当支持度超过设定阈值时，认为该项是频繁的，组成一个频繁项集。当得到频繁项集后，对于每个频繁项集，生成以其为前件的所有可能的后件，形成关联规则，关联规则的置信度记为：

C（A→B）=M（AB）N（Ax）（4）

其中，C（A→B）为关联规则A→B的置信度；M（AB）为项A和项B同时出现的样本数量。计算出各候选项集的置信度后，筛选出置信度gt;最小置信度的频繁项集，即可获得变电站电力设备缺陷状态与巡视数据之间的强关联规则，根据强关联规则可以挖掘出实际巡视数据对应的设备缺陷状态，以此实现变电站的智能巡视。

4 仿真实验

4.1 实验准备

本文引入基于人工智能技术的变电站智能巡视方法和基于生物激励神经网络的变电站智能巡视方法，展开变电站智能巡视的仿真对比实验，以验证设计方法的有效性和优越性。实验采用我国某变电站公开的电力设备巡视数据集作为实验数据集，其中包含了6种不同设备缺陷类型的变电站巡检数据。由于该数据集中没有明确规定训练样本和测试样本的数量，本次实验采用随机的方式，从中抽取70%的数据作为训练样本，其余30%的数据作为测试样本。数据分布情况如表1所示。

以MATLAB软件作为仿真实验平台，构建一个包含多台二次设备的变电站仿真环境，在各设备上设置如表1中所示的6种缺陷类型。实验采用各设备缺陷类型的变电站巡视数据训练样本，对基于大数据挖掘技术的变电站智能巡视方法、基于人工智能技术的变电站智能巡视方法和基于生物激励神经网络的变电站智能巡视方法进行训练优化。模拟变电站环境，应用训练完成后的各方法进行智能巡视测试，对比测试结果。

4.2 结果分析

在本次仿真对比实验过程中，分别应用基于大数据挖掘技术的变电站智能巡视方法、基于人工智能技术的变电站智能巡视方法和基于生物激励神经网络的变电站智能巡视方法，在包含多种设备缺陷的变电站仿真环境中进行模拟巡视，在各方法巡视过程中，记录对缺陷样本的命中情况，即发现或处理的缺陷样本数量。实验结果对比如图2所示。

由图2可知，在变电站智能巡视中，本文设计方法表现最佳，变电站内电力设备的缺陷命中率达98.24%，较基于人工智能技术的变电站智能巡视方法和基于生物激励神经网络的变电站智能巡视方法分别提升了7.82%、11.06%。由此可知，该方法在变电站智能巡视中具有良好的应用效果，可以准确反映设备缺陷状态，保障变电站整体安全与稳定。

5 结语

本研究提出了基于大数据挖掘技术的变电站智能巡视方法，通过挖掘变电站设备的运行数据，实现了对设备状态的全面监测和智能分析，有效提升了巡视效率和准确性。尽管本研究取得了一定的成果，但仍有许多值得进一步探索和研究的问题。未来将继续优化数据挖掘算法，提高数据处理的效率和准确性。

参考文献

［1］彭明智，许尧，胡永波，等.基于人工智能技术的变电站二次设备智能巡检技术［J］.高电压技术，2023（增刊1）：90-96.

［2］陈南凯，王耀南，贾林.基于改进生物激励神经网络算法的多移动机器人协同变电站巡检作业［J］.控制与决策，2022（6）：1453-1459.

［3］陈智雄，杨家伟，肖楠，等.基于无线携能传输和多级边缘卸载的空地协作巡检算法［J］.电网技术，2022（10）：3961-3969.

（编辑 王雪芬编辑）

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