基于智能配電網大數據分析的狀態監測與故障處理方法

孫志軍

摘要：由于目前在智能配電網中所采用的傳統保護方法不僅整定復雜，而且配合困難，在適應性上較差，為滿足故障智能分析的需要，本文提出基于智能配電網的大數據系統，以更好地進行狀態監測和故障處理。

關鍵詞：智能配電網;大數據分析;狀態監測;故障處理方法

引言

智能配電網中引入新能源類DG容易在局部區域產生雙向不定潮流，不僅使網絡結構復雜化，改變配電網的眾多故障特性，還給保護控制設計提出了一定的挑戰。而大多數保護方法的故障判據均使用小樣本的單一電氣特征量，整定所需計算較為復雜，且在運行環境變化時需要重新進行整定，保護可靠性方面也存在著一定的風險。在通信或傳感器異常時，也容易產生誤動或拒動保護。

1故障處理方法

1.1提前分析相關數據

在進行配電網工作之前，對于相關的功能進行提前的測試，記錄下來數據，對實際的工作效果進行判斷，使得工作可以比較快速而且高效的完成。舉個例子，在傳感設備的設置上，對于其工作而產生的數據進行分析，將數據完整地進行記錄，然后對數據進行選擇，選擇出其中有用的信息制定出比較符合客觀規律的工作計劃以及方法，利用這些工作計劃以及方法來減少要分析的數據量，然后制定出一個故障排除以及設備監測的初始特征量矩陣。對這些特征量進行選取，網絡關聯矩陣構建就是區域數據的預備處理。

1.2各種數據的結合

為了更好的進行設備狀態的監測，以及設備工作環節效率的保證，對于數據的融合必須要著手進行準備。對空間上的單電氣特征量進行一定程度的融合，使得這些電氣特征量可以在檢測工作狀態的時候融合在一起，成為一個單時段電氣特征量的狀態監測矩陣，在這些矩陣進行安裝之后，可以將數據在時間序列上進一步的擴展，最終效果就是合成一個高維度時空的狀態監測矩陣。這種矩陣還在進行檢測分析的時候對故障的分析很有幫助。

1.3數據分析實體構建

緊跟著數據分析的就是這種對數據的多維度尺度分析，對高維度的時空狀態監測矩陣進行工作處理，使得各種數據以及工作的狀態在不變的情況下可以使得低維度的空間也可以顯示高維度的數據，這樣就把數據分析的難度大大降低了，數據實體建構就可以比較輕松的實現了，數據可視化也就大概成功了。數據的數據價值量會在一定的程度上降低，使得數據可以進一步在基礎數據量的程度上進行融合，數據分析可以比較快速的進行。矩陣由于數據的可視化處理，使得數據的時間序列可以比較快速地進行擴大以及豐富，數據會在一定程度上形成一個非常嚴密的，維度比較高的時空狀態監測矩陣，這樣使得數據的實體化表現就更加明顯了。

2大數據視角下智能配電網狀態監測和故障處理的思路分析

2.1預處理數據

2.1.1做好特征量的選取

在智能配電網中，常見的故障類型較多，比如單相、兩相短路接地，以及兩相相間短路和三相短路等，不同的故障類型，其故障特點也不同。本文選取特征量如下：

（1）三相電流;

（2）零序電流;

（3）負序電流;

（4）零序有功功率;

（5）零序無功功率。

這主要是本文研究的需要而決定，這樣能有效地將故障節點局部的異常因子識別，同時還能有效地進行故障識別。

2.1.2構建網絡關聯矩陣

構建網絡關聯矩陣需要按照以下方式來進行：第一步，每個配電網測控一體化終端作為一個節點，編號EJ;第二步：節點間區域編號ZJ;第三步根據節點區域關系和對應關聯值形成網絡關聯矩陣，由于節點與編號對網絡關聯矩陣并無實質性影響，所以在編號時不用按照特定規則來編號。

2.1.3強化區域差分處理

配網在絕大多數的時間均在正常地運行，在配網狀態監測時得到的數據也以正常數據為主。按照區域差分矩陣=網絡關聯矩陣×每個節點終端所上傳的有關特征量數據組合而成的列矩陣原理，構建單時段、單特征量狀態的監測矩陣，實現區域差分處理。

2.2融合數據--以高維時空狀態監測矩陣為載體

（1）數據融合以高維時空狀態監測矩陣得到單時段的狀態監測矩陣;

（2）將空間拓展成單時段、多特征量的狀態監測矩陣;

（3）將視角序列拓展成多時段、多特征量的高維時空狀態監測矩陣。

3對相應數據故障處理的設計

3.1接收數據處理

接收數據處理的特征具有不確定性和區域分差性，選取合適的參考對象，不僅能提高數據接收的能力與強度，還能加快數據的預處理。選取合適的特征狀態，對網絡的矩陣關聯也有一定的處理運用，但是這樣的前提是必須明確對各個節點和區域之間的關聯，以合理的狀態對數據進行檢測和規范化狀態，還能進一步提高數據處理的質量。相對于結合過的大數據系統，設計其統計方法不僅需要完成對其功率和電氣情況的統計，還應該在有合適推斷的環境下進行。為了增加其概率的統計，都應該從有功功率，無功功率和其他方面加以合理的推測和分析。網絡關聯也是其影響因素之一，在配電系統中的網絡信息，能加快對數據的統計速度，并且還能促進分析情況，對數據自動做出合理的分析和討論。

3.2各種數據管理的合理具體化

在智能電網建立與管理的工程中，多種信息會進行融合與管理，建立可以方便于信息提取的信息互相操作模型。與傳統的電網相比，智能電網的數據類型比較復雜，所包含的類型也非常的豐富。如何選擇一種合適的方法是我們需要進行考慮的。我們需要綜合利用統計方法，支持向量機、相關向量機等比較合理的理論進行融合與處理，研究異構數據融合以及挖掘數據的方式。設備會產生故障絕對不是一個直接發生的過程，而是一個慢慢積攢的過程，質變的發生并不是一蹴而就得到的。多年進行積累的時候會使得數據的分析以及提取更加具有意義，這種大數據下的研究以及積累會更具有使用度，更加具有參考價值。

3.3數據分析合理化

本文在建立數據統計和數據計劃的條件下，將數據轉化為二維的矩陣，然后再對其加以分析處理，也可以將高維的數據轉化為低維的，再利用多維的尺度，在不影響大數據整體合理性的前提下，將數據密度可以加大，并且在離散程度加大的情況下，不僅能將距離定義為對象與之外的數字合理承包在大數據之中，之后再確定各個數據的局部進行整體的理論分析。再運用二維空間的矩陣，基于密度的局部因子提高其合理的靈敏性。

結語

綜上所述，本文嚴格按照網絡關聯矩陣與區域差分規則，對每個節點測控一體化終端采集電流、功率數據，并對其進行預處理。并基于時間、空間的視角，對預處理結果實施數據融合處理，得到高維時空狀態下的監測矩陣。將得到的高維時空狀態監測矩陣實施多維度降維，并檢測局部異常因子，將每個節點中局部存在的異常因子進行計算。最終研究結果表明，本文所提出方法的科學性和可行性達到了測試和驗證的預期。

參考文獻

[1]林道鴻.基于智能配電網大數據分析的狀態監測與故障處理方法[J].數字技術與應用，2018，36（07）：100-101.

[2]柴謙益.基于大數據分析的智能配電網狀態監測與故障處理方法研究[J].現代電子技術，2018，41（04）：105-108.

[3]趙慶周.基于智能配電網大數據分析的狀態監測與故障處理方法[J].電網技術，2016，40（03）：774-780.

[4]柴謙益，鄭文斌，潘捷凱，等.基于大數據分析的智能配電網狀態監測與故障處理方法研究[J].現代電子技術，2018（4）：105-108.

[5]牛林.基于大數據的電網設備狀態檢測與預警技術的研究[D].浙江大學，2015.