0 引言

随着电网进入大幅度跨越式发展时期，电网规模的增长速度与运检人员数量及劳动强度之间的配置矛盾日益突出，加之“特高压线路”“直流线路”的加入使得电网结构复杂化，给电网安全运行带来了巨大的压力。以保障安全电网、高效运检为目标，实现整体运检业务和管理技术、装备及平台的信息化、自动化和智能化有机融合，打通数据壁垒，准确提供电力设备健康状态的实时评估结果，是当前全面提升电力设备状态管控力和运检管理穿透力的任务要求。其工作核心是实现对电力设备海量数据进行快速准确地分析。本文结合电网典型数据分析方法，将影响设备评价结果的海量电气特征量进行融合，构建电力设备状态智能预警平台，从而实现不同维度数据之间的关联分析，达到自动对故障设备准确定位并判断故障类别的预警目标。同时，利用图形处理技术，将融合结果转化为简洁直观的可视信息，加深对隐藏数据的挖掘深度，提高对数据的解释能力。

1 电力设备信息数据分析处理现状 1.1 电力系统数据分类

以内蒙古电力（集团）有限责任公司为例，目前拥有变电站570座，主变压器1150台，容量109 259 MVA，输电线路长达45 164 km，如此大规模的电力系统，日产生数据量以GB甚至TB计算。按数据形成方式可分为静态和动态2类，其中静态数据包含设备台账基础信息、固定植入的技术标准评价导则等；动态数据是指在线监测数据、带电检测数据、巡视数据、缺陷数据、检修数据、试验数据、电网负荷、状态评价信息等。按数据处理流程可分为人员和设备的基础管理数据、设备在线与离线运行检修数据、发供电单位的营销管理数据3类^[1]。随着电力系统在生产、运维、营销等环节的运转节奏加快，如何将众多不同结构数据加以融合，挖掘到真正有利用价值的信息，才是在市场中赢得竞争的关键。

1.2 电力系统数据分析处理现状 1.2.1 大体量、多样性数据融合程度严重不足

当前各大省网公司对电力系统海量视频图像信息、设备台账信息、运检管理信息、通道环境信息和调度系统等大体量、多样性数据的深入挖掘及融合程度都不足。各数据平台呈现独立性及分散性，无法同步实现设备状态、故障预警和运维检修作业路径优化的自动匹配，资源合理调配途径存在断层，故障甄别几乎全靠人工。各类状态数据的广度、深度都不足以真实反映设备的实际运行状况，管理穿透力明显不足。

1.2.2 数据准确性和时效性与管控需求不匹配

2017年国家电网提出“大物云集”的智能运检模式^[2]，数据的准确性与时效性将成为直接影响设备运检决策的首要因素。而现阶段由于各项检测和监测技术仍处于发展期，数据来源的唯一性、稳定性较差，加之数据结构并不单一，造成数据存在不够完整、逻辑不清、无法准确及时回传等问题，严重制约了集约化智能运检管控策略的部署实施。

1.2.3 数据利用率低

生产管理信息系统（Power Production Manage ment System，PMS）、在线监测系统、调度系统等应用系统之间缺乏数据交互，数据重复存储，各专业部门根据各自的管理职能进行数据条块分割，无法实现多源数据的有效提取与融合，造成数据利用率低，无法提供高级状态评价、故障预警等所需的实时状态量数据，对故障定位的准确性、可视性和评价结果的可靠性产生直接影响。

2 电力设备状态智能预警系统设计

为实现电力系统在运设备的故障信息预警及可视化展示等设备状态检修高级应用，基于数据融合及经典分析算法，内蒙古电力（集团）有限责任公司设计了一套包含设备状态阈值预警、显著性差异预警、纵横比预警、同类型设备监测数据同比预警等多种数据预警模型的智能预警系统。

该系统通过对电力设备静态和动态运维等数据信息的高效分析，经由设备预警模型规则和设备预警标准逻辑判断后生成预警信息，在统一界面实现地理图形和图表等多种实时直观展现，并以电子邮件、手机短信和即时通信工具等方式进行设备状态预警信息的实时发布。

2.1 系统架构

由于PMS系统构建在Maximo平台之上，并在Maximo平台上进行二次开发，而状态智能预警的相关功能模块，包括专家规则库、逻辑推理机、设备评价、检修策略等是完全基于J2EE架构自主开发的Web模块，所以要实现PMS系统与智能预警系统相融合，主要采用“Maximo定制开发+页面集成”的手段，只需部署设备评价、检修策略等Web模块，即可通过页面集成的方式在Maximo平台上实现统一展示，并通过门户的统一认证来实现单点登录。电力设备智能预警系统总体架构如图 1所示。

2.2 功能设计

根据系统的总体架构设计开发出功能架构，数据集合层、数据融合层、告警级别配置层、告警信息展示层功能设计如下。

2.2.1 数据集合层

数据集合层的主要功能是调取各生产运检相关系统的基础台账，以及运行、巡视、缺陷、检修、试验、带电测试等运维信息，为数据融合层提供多源数据。智能预警系统采用Oracle关系型数据库，可实现对常用数据库操作语句的自动编译，消除数据库间相对独立而无法自由调用的弊端。

2.2.2 数据融合层

数据融合的过程是对多元数据进行联想、相关、组合能力和多层次、多方面实时连续过程^[3]，通过多种典型数据分析方法将预处理过的逻辑信息进行目标融合。数据融合层通过对在线监测的告警表和原始数据表等建立物化视图，使得分析过程更加透明，并将解析出的设备信息插入到触发表中，与触发评价系统同步评价在运设备。

2.2.3 告警级别配置层

利用输变电设备状态检修辅助决策系统^[4]中设备状态评价结果的变化趋势，对告警级别进行配置。为便于设备告警分级维护，可人为灵活配置告警信息权限，并根据告警设备地点通知相关人员进行故障处理。表 1为告警分级级别对照表。

2.2.4 告警信息展示层

将状态评价系统设备评价结果和在线监测系统采集的实时信息作为系统数据来源。当设备评价结果发生改变或在线监测系统实时采集数据生成设备异常信息时，通过设备预警模型规则和设备预警标准生成可信的预警信息，在统一界面进行实时直观展现，展现方式包括地理图形展现和图表展现等。展示信息包括设备编码、设备名称、电压等级、所属单位、所属变电站、告警级别、告警来源、告警时间和告警数据。

3 基于不同预警模型的典型数据分析方法

电力设备状态智能预警系统是基于当前已有PMS系统的设备基础台账、在线监测系统的实时监测数据和状态检修辅助决策系统的设备状态评价等数据，采用数据融合理论实现对设备运维信息数据的全面分析，进而对设备的健康状况进行评估与预警。智能预警系统植入的数据分析方法较多，本文仅选取3大典型数据分析法举例说明。

3.1 阈值预警

结合电力系统数据现状，阈值预警模型应设置为多维数据来源输入、单一结果输出的基本结构。由于电力设备正常运行与否的关联状态量来源多样，其中最简单是单一状态量与预设阈值（注意值、告警值等）直接比较，根据运算结果判断是否生成预警信息。常见的是将所有影响设备运行的状态量数据集合细化为n个子集合，将单一状态量构建为一个包含若干隐含层节点数的平面网络，在各网络之间进行数据分类融合，建立高维网络拓扑关联矩阵，子集合即为矩阵集合。将超出阈值范围的输出设为1，未超出阈值范围的输出设为0，只需要判断某一网络输出值等于或无限接近1，则该类数据信息显示预警。

3.2 显著性差异预警

显著性差异预警主要用于判断同一运行环境下设计材质和制造工艺相同的同类设备之间的样本状态量是否存在显著性差异，该类状态量应不随环境变化而变化，注意值和告警值的阈值不作为该类预警的第一判断标准。显著性差异预警按照“选择子项目→选择样本→差异分析→结果预判”过程进行，任何设备的试验值（某子项目值）均可进行显著性差异分析，但必须同时满足如下2个条件：一是状态量样本数据需达到5个以上；二是必须是同一台设备或者是同厂家、同类型、同设备型号的设备。

《Q/GDW-10-J206—2010输变电设备交接和状态检修试验规程》 ^[5]中规定了显著性差异分析方法。设n（n≥5）台同一家族设备，某个状态量为X的当前试验值的平均值为X，样本偏差为S（不含被诊断设备），被诊断设备的当前试验值为x，则具有显著性差异的条件如下：

（1）劣化表现为状态量值减少时（例如绝缘电阻）：x < X -kS；

（2）劣化表现为状态量值增加时（例如介损值）：x < X + kS；

（3）劣化表现为偏离初值时（例如电容量）：x ∈(X -kS, X + kS)。

其中k为常数，k值根据n的大小来选取，n与常数k的取值对应关系见表 2。

以主变压器油中溶解气体的氢气体积分数显著性差异分析为例，选取11组某主变压器U相例行色谱氢气试验数据进行差异化计算，氢气体积分数显著性差异分析试验结果见图 2。

3.3 纵横比预警

纵横比预警分析法适用于U、V、W三相一组的设备，至少具备2组状态量样本，2组样本不同相别，状态量值分别为a₁，b₁，c₁和a₂，b₂，c₂。如分析U相设备样本是否正常，应根据公式（1）判据^[5]进行判定，如果超过30%，则判定为异常。

(1)

以上述主变压器油中溶解气体的氢气体积分数为例进行U、V、W三相状态量纵横比预警分析。氢气体积分数纵横比分析试验结果见图 3。

4 结语

基于电网运维数据的电力设备状态智能预警系统以电力系统各类有效数据为融合基础，结合阈值分析、纵横比分析、显著性差异分析等典型数据分析方法，形成高效集约型算法库，并通过阈值、截集等数据分析手段，对预警信息的展示范围进行优化筛选。该系统具有较强的自适应能力，能够提供整个电网不同层面、任一时段运行情况的监视预警信息，有助于消除电网运行的薄弱环节，达到指导预知性检修的目的。对提高当前电网运行的可靠性及经济性具有重要意义，将成为电网安全稳定运行必不可少的支柱。