一种智能变电站实时风险分析系统及分析方法

摘要

本发明的目的在于提供一种智能变电站实时风险分析系统及分析方法，其基于Spark大数据处理平台对智能变电站设备监测数据进行分析，调用数据权重归一化处理算法、风险时刻实时判定方法来判定智能变电站风险点，一旦判定智能变电站有风险，则通过风险关联模型进行风险分析，定位出风险诱发因素，并将风险分析结果实时同步传输到巡检员的手持巡查仪，从而提高智能变电站系统高速流数据的实时处理速度，使得风险分析的实时性得到保障。

说明书

技术领域

本发明涉及电力系统领域，具体的涉及一种智能变电站实时风险分析领域。

背景技术

智能变电站是采用先进、可靠、集成和环保的智能设备，以全站信息数字化、通 信平台网络化、信息共享标准化为基本要求，自动完成信息采集、测量、控制、保 护、计量和检测等基本功能，同时，具备支持电网自动控制、智能调节、在线分析 决策和协同互动等高级功能的变电站。

随着智能变电站的发展，对智能变电站的监测和巡检技术、风险评估方法的研 究也逐渐增多，较为常见的一种智能变电站监测手段为通过传感器等监测单元采集 设备信息，再将信息传至后台进行处理，再风险预警，同时通过在变电站设备上贴 置扫描标签，只需扫描即可快速获取设备信息，并传至后台处理。

现有技术中，专利201110382500.2中记载了由智能变电站综合监测单元的一端采 集状态监测数据，另一端完成状态监测数据的上传。该系统为后续智能变电站在线 监测系统建设提供规范化的解决方案和实施方案，为一次设备状态可视化及电力设 备的状态检修提供强大的支持。

专利201410199981.7记载了一种智能控制装置，该智能控制装置包括变电站智能 控制终端、环境监测装置、内置调节装置、外置调节装置、报警装置、监控平台、 通讯装置和人机交互界面，这些装置与变电站智能控制终端直接相连，监控平台通 过通讯装置与变电站智能控制终端相连。装置集成了降温通风、火灾报警、有毒气 体安全排放、水灾控制等辅助装置的功能。

专利201410402320.X记载了一种智能巡检装置，该智能巡检装置包括设置在设备 上的电子标签，手持式巡检终端和MIS数据库。手持式巡检终端通过扫描标签，获 取设备信息，再将信息通过无线信号传送到MIS数据库，能有效提高变电站重点设 备巡检质量和巡检效率。

但是现有技术对智能变电站的巡检仍然存在以下问题：现有的监测巡检方式，有 的仅涉及一个后台处理系统，并没有考虑在线下部署巡检终端；有的虽然综合考虑 了后台处理系统和移动终端，但是仅适用于变电站室内环境的监控，需要人工巡检， 或者终端没有数据处理和实时显示功能，仅起到扫描仪的作用。尤其是对智能变电 站系统中需要高速传输的检测数据流，没有切实可行的风险实时处理和分析方案。

发明内容

本发明的目的在于提供一种智能变电站系统中实时风险分析系统。

一种智能变电站实时风险分析系统，包括变电站系统监测层的设备，数据层的通 信控制装置，变电站后台处理机，其特征在于：变电站系统监测层的设备均通过传 感器或者监测装置连接到数据层的通信控制装置，通信控制装置将监测到的数据信 息传递给变电站后台处理机，变电站后台处理机的处理结果通过接线盒/接口适配器 的有线方式，将处理结果实时同步传输到巡检员的手持巡查仪，或者将处理结果通 过无线电台无线实时同步传输到巡检员的手持巡查仪；

优选地，手持巡查仪通包括外部通信模块，核心处理器ARM9，操作显示模块以 及数据初步处理模块；

一种智能变电站实时风险分析方法，其特征在于：获取变电站系统的设备数据信 息，将所述数据信息上传至后台数据服务器，然后后台数据服务器将接收到的数据 信息输入至智能变电站实时风险分析系统的Spark数据处理平台，Spark数据处理平 台先将接收到的流数据进行预处理，然后对流数据进行实时计算，根据实时计算的 结果判定是否有风险，如果有风险则通过建立的智能变电站的风险关联模型推理得 出风险分析结果，并将该风险分析结果同步传输至巡查人员的手持巡查仪中；

优选地，获取变电站系统的设备数据信息的方式有三种，分别是：通过监测装置 或传感器获取二次设备运行数据信息，或者是智能变电站操作人员人工监测/统计数 据信息，或者是巡查人员通过手持巡查仪获取巡查数据信息；

优选地，流数据进行预处理的方法为：让不同属性的监测数据m_it映射到同一个评 判标准的坐标轴上，正常值均映射到0-1区间，再根据其对智能变电站的影响程度赋 予不同的权重wc，异常数据采用超大值表达，得到监测数据属性权重归一化集合d_it；

优选地，风险关联模型的构建方法为：首先基于专家群决策确定智能变电站的设 备风险及风险诱发因素，建立风险分析决策表，利用粗糙集求取最佳风险约简组合； 然后，根据约简决策表自动建立风险关联贝叶斯网络图，即模型的图形结构，模型 的条件概率分布则采用伽玛分布函数联合专家知识并融入监测数据来更新；

优选地，通过流数据实时计算和判定，当结果大于等于风险分析阈值，则基于构 建的风险关联模型，采用贝叶斯推理中应用较广的联合树推理算法进行反向推理， 该算法将贝叶斯网络图转换为联合树，此时输入证据为：变电站有风险，输出为： 风险诱发因素的边缘概率；当不考虑实时监测数据，风险诱发因素的条件概率为初 始专家先验概率，当考虑实时监测数据，则需更新先验概率表，在这两种情况下， 推理发生概率排名前5的风险诱发因素，以此作为风险分析结果。

本发明提供的智能变电站系统中实时风险分析系统通过对智能变电站实时监测流 数据的处理分析，得到实时的风险诱发因素排名，并通过有线无线方式，将分析结 果显示在手持巡检仪上。本发明充分利用Spark其流数据及内存运算能力，通过流数 据权重归一化处理方法、风险时刻实时判定方法来实时计算智能变电站高速监测流 数据并判定风险触发时刻；仅当判定有风险时，基于风险关联模型进行风险诱发因 素推理，使得方案的实时性得到保障，能提高智能变电站高速流数据的实时处理速 度，且能在有效保障智能变电站安全的情况下，不必频繁调用风险关联模型，节约 系统资源；采用手持巡检仪实时同步后台运行数据，使得变电站工作人员即使在现 场检修或巡检，也能通过巡检仪了解最新的风险动态，而且还可以将巡检的非自动 监测信息通过手持巡检仪录入传至后台进行实时处理，方便巡检人员实时现场查看 分析结果，并且能将人员观测结果通过巡检仪录入，使得观测结果实时被分析，以 便于高速、可靠、稳定地实现智能变电站系统的风险实时分析处理。

附图说明

图1智能变电站实时风险分析系统硬件连接图

图2手持同步巡检仪内部结构框图

图3实时风险分析流程图

图4监测数据权重归一化映射图

图5Spark环境下的数据戳滑动窗口模型实时计算抽象图

图6风险关联模型的条件概率分布设置过程

图7智能变电站风险关联模型构建流程图

图8智能变电站风险关联模型

具体实施方式

结合具体实施例对本发明内容进行具体说明如下：

图1本发明智能变电站实时风险分析系统硬件连接图，其中对于变电站系统监测 层的变压器、母线、断路器、电流/电压互感器、隔离开关、避雷器等设备均通过传 感器或者监测装置连接到数据层的通信控制装置，通信控制装置将监测到的数据信 息传递给变电站后台处理机，变电站后台处理机的处理结果通过接线盒/接口适配器 等有线的方式，将处理结果实时同步传输到巡检员的手持巡查仪，或者将处理结果 通过无线电台无线实时同步传输到巡检员的手持巡查仪。

图2为本发明中巡检员的手持同步巡查仪的内部结构图，手持同步巡查仪通过外 部通信模块的有限串口或者无线模块接收来自站内后台处理机的处理结果，并由核 心处理器ARM9进行处理后在操作显示模块的LCD显示屏显示，并且巡检员可以通过 操作显示模块的按键输入相应的控制指令，同时，手持同步巡查仪也具备数据初步 处理模块，对巡检数据进行初步的处理，而并非必须上传到站内后台处理机进行处 理，并且通过有线或者无线的方式，使得智能变电站后台处理系统的风险分析结果 与手持巡检终端保持同步。

图3为本发明智能变电站实时风险分析系统中数据处理流程，对于智能变电站系 统中的数据监测，有三种途径：(1)通过监测装置或传感器监测变压器、母线、断 路器、电流/电压互感器、隔离开关、避雷器、其他二次设备的运行数据信息，并将 数据信息上传至后台数据服务器；(2)智能变电站操作人员人工监测/统计数据信息， 并将数据信息录入至后台数据服务器；(3)巡查人员通过手持巡查仪将巡查数据信 息上传至后台处理机的数据服务器，然后后台数据服务器将接收到的数据信息输入 至智能变电站实时风险分析系统的Spark数据处理平台，Spark数据处理平台先将接收 到的流数据进行预处理，然后进行风险时刻实时判定，根据所述判定的结果结合智 能变电站的风险关联模型，计算得出风险分析结果，并将该风险分析结果同步传输 至巡查人员的手持巡查仪中，以便于巡查人员及时获知风险分析结果，进行风险排 查。

对于智能变电站实时风险分析系统的Spark数据处理平台的处理方法，具体内容 如下：

(1)流数据进行预处理的方法为：

首先过滤掉应用系统不关心的记录字段、补全不全面或有漏缺的监测记录等， 最后将待用的数据进行权重归一化处理。采用的思想是让不同属性的监测数据m_it映 射到同一个评判标准的坐标轴上，均映射到0-1区间，再根据其对智能变电站的影响 程度赋予不同的权重wc，得到监测数据m_it权重归一化值d_it。

具体映射方法如图4所示：

当监测数据m_it不在正常浮动范围内时，此时d_it为一个超大值，比如99999；

当监测数据m_it无浮动空间时，即变电站对某m_it的值要求严格，只能为固定的某 个值，当m_it为预期值时，d_it取值为0，否则取值为超大值，如99999；

当监测数据m_it在正常浮动范围内时，则d_it＝[0-1]*wc；

(2)流数据实时计算的方法为：

流数据实时计算则充分利用Spark数据处理平台的内存快速运算和Spark Streaming子框架在流数据处理方面的优势，对已权重归一化后的流数据进行实时计 算，一旦计算结果触发风险阈值，则调用数据应用系统进行相应的操作。

(a)流数据实时计算

本发明基于数据戳滑动窗口模型，利用窗口处理思想，对单位窗口内的权重化 流数据进行实时累加，如果小于触发阈值，则自动滑动到下一个窗口，重新计算累 加值。一旦累加值大于等于触发阈值，则单线程调用风险关联模型，进行风险分析， 并强制切换到下一个窗口，其他线程继续进行实时累加操作。

数据戳滑动窗口模型，主要是考虑了数据戳的变动对时间窗口大小、窗口滑动 大小等参数的影响，能实时判定异常事件的出现，其中数据戳是指在单位窗口内对 已权重归一化的流监测值进行实时计算后的结果。在单位窗口内，时间戳和数据戳 同时递增，只要他们任一方到达切换窗口条件，则切换到下一个时间窗口。当数据 戳触发数据应用系统调用条件，则调用应用系统进行数据应用。

数据戳滑动窗口模型的处理对象即监测数据流的形式化定义如下：时间序列监 测数据按照其时间的顺序前来，并假设每条记录的各个属性值的监测频率freq(单位 次/秒)一致。用m(t)表示t时刻的一条监测记录，则{m(t),t＝1,2,3,...,T}是一时间序列。 监测记录m(t)＝{m_1t,m_2t,...,m_nt}(m_it为记录属性值,i∈(1,2,...n))。

数据戳滑动窗口模型的主要参数及限定如下：数据流切片时间为batchDuration； 时间窗口大小为TW(单位秒)，TW＝N*batchDuration(N为正整数)；数据戳窗口大 小为DW，DW因TW的变化而变化，DW＝TW*freq*n(n为正整数)；数据戳窗口比率 dr；数据戳安全窗口大小SW，SW＝DW*dr；上次清零时刻lct，初始化为0；数据计算 范围是{m_max(0,lct),...,m_T}，其中T为当前时间点。

数据戳按公式1计算：

$IV=\underset{1\le i\le n}{\underset{lct<t\le T}{\Sigma }}{d}_{it}---\left(1\right)$

式中，d_it是监测数据m_it经过权重化处理后的值；m_it是单条记录中第i个数据字段 在第t时刻的值；lct为上次清零时刻；T为当前时刻；n为单条记录的字段个数。

当满足IV≥SW或T-LCT＝TW时，则令lct＝T，IV＝0，并切换到下一个窗口， 即在新的窗口中重新计算数据戳。

当N足够小，如小于10，则不必强制切换下一窗口，可以等待窗口自动滑动。当 IV＞SW时则风险已触发，单线程启动数据应用系统，其他线程继续数据戳计算工作。 (b)Spark环境下数据戳滑动窗口模型实时计算抽象图

实时计算过程充分利用SparkStreaming的RDD分割思想，将实时到来的监测流数 据用时间切片的方式分成一个个小的Batch，并把他们交由Spark处理引擎去处理。 SparkStreaming不断计算一个时间段内即一个窗口内的切片数据，并设置一个滑动间 隔，使窗口不断滑动，以处理最新最近的监测数据。

Spark环境下的数据戳滑动窗口模型实时计算抽象图如图5所示。

(3)智能变电站的风险关联模型的构建方法

首先基于专家群决策确定智能变电站的设备风险及风险诱发因素，建立风险分 析决策表，利用粗糙集求取最佳风险约简组合，即获得约简后的风险分析决策表； 然后，根据约简后的风险分析决策表自动建立风险关联贝叶斯网络图-即模型的图形 结构，而模型的条件概率分布则采用伽玛分布函数联合专家知识并融入监测数据来 更新。

具体来说，建立风险分析的决策表的步骤如下：风险关联系统S用五元组 {U,A₁,A₂,V,f}表示，其中U为风险因素的集合；A1为条件属性集合，A2为结论属性集 合；V为属性值Va集合，Va表示设备有风险的情况下，风险诱发因素发生的可能性， 且有f(a₁,a₂)＝V_a，由这种“属性-值”关系就构成了一张风险分析决 策表。其中数据Va必须离散化，其大小0，1，2可以理解为当设备有风险时风险诱发 因素发生的概率几乎没有，较小，较大。

约简风险分析决策表的步骤如下：

1)删除表中相对冗余度大的风险诱发因素。

2)根据设备的复杂性及重要性来决定消去每一决策规则中的冗余属性。

风险关联模型的条件概率分布则采用伽玛分布函数联合专家知识并融入监测数 据来更新的具体步骤如图6所示。

其中智能变电站风险关联模型构建流程图如图7所示，经上述方法构建的风险关 联模型(略去条件概率)如图8所示，图8中的符号含义参见表1。风险关联模型的图形 结构采用贝叶斯网络图来表达，设计为三层结构，最上层节点为风险诱发因素；中 间层节点为设备风险；最下层节点为变电站风险。

具体而言，智能变电站风险关联模型可用一个二元组B＝<G,θ>表示。其中，G是 一个有向无环图，其节点与风险因素一一对应，有向边表示风险因素之间的条件依 赖关系；并有条件独立假设：给定一风险因素Ri，它独立于由风险因素Ri的父节点给 定的非风险因素Ri子孙节点构成的任何风险因素子集。θ是刻划模型局部条件概率 的参数集合表示设备风险Ei的每一个取值e_i，在其对应的风 险诱发因素集合RS_i处于某个特定的分布rs_i下的条件概率，表示变电站风 险IS的取值is在设备风险集合ES_i处于某个特定的分布es_i下的条件概率。e_i和is均可取 值1或2，1代表不存在风险，2代表存在风险。若某设备风险受n个风险诱发因素影响， 那么该设备风险的父节点分布rs有2n种取值。

表1变电站及变电站重要设备列表E

Tab.1Importantsubstationequipments

(4)风险分析结果

基于构建的风险关联模型，采用贝叶斯推理中应用较广的联合树推理算法进行 反向推理，该算法将贝叶斯网络图转换为联合树，减少了概率推理计算的难度，提 高了推理的速度。通过流数据实时计算，结果大于等于风险分析阈值时，则基于构 建的风险关联模型，采用贝叶斯推理中应用较广的联合树推理算法进行反向推理， 该算法将贝叶斯网络图转换为联合树，此时输入证据为：变电站有风险，即 evidence{IS}＝2，此时输出为：风险诱发因素的边缘概率。当不考虑实时监测数据， 风险诱发因素的条件概率为初始专家先验概率，当考虑实时监测数据，则需更新先 验概率表。可分别在这两种情况下，推理发生概率排名前5的风险诱发因素。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创 造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解 释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的 精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技 术的范围之内，则本发明也意图包含这些改动和变型在内。