莫剑森
广西鸿泰勘察设计有限公司 广西玉林 537000
摘要：经济的发展，社会的进步推动了我国各个行业的发展，电力行业的发展亦是如此，当前，随着电网公司对于智能变电站的二次设备的要求逐渐提高，二次设备在使用过程中存在的缺陷问题也被放大。以往智能变电站在进行消缺工作时仅仅为了满足正常运行，所以处理方式上相对比较简单。所以在消缺工作结束后二次设备往往会出现缺陷复发的情况。因此，有必要对智能变电站二次设备的缺陷试验验证方法展开分析。
关键词：220kV；智能变电站；二次设备；缺陷试验；验证方法
引言
随着智能电网建设规模的不断增长、电网拓扑结构和运行方式等日趋复杂，电网公司加大了变电站设备管控技术的推广，智能变电站设备数量的快速增长使得设备管控的信息数据量也在大幅增长。该类数据不仅仅包含设备异常运行时的状态信息数据，同时还包含设备稳定、湿度以及图像等数据，逐渐构成智能变电站设备管控大数据。如何对智能变电站设备管控大数据进行高效处理和分析是当前重点研究课题。通过对设备管控大数据的存储、管理和分析，设备管控人员能够在大数据中心获取设备的历史和实时运行状态，对变电站设备的安全稳定运行提供重要技术支撑。然而，智能变电站设备管控系统的大量监测节点向数据平台传送所采集到的设备数据，形成海量的多源异构复杂数据。数据中心不仅需要对海量的数据进行存储，而且需对存储的数据进行快速分析和处理，并感知变电站设备的运行状态。目前，智能变电站设备管控大数据分析系统所面临的问题和挑战主要集中在如下几个方面：ａ．智能变电站设备管控数据的体量巨大。据统计，一个数字变电站一天内所产生的数据量高达３ＴＢ，随着设备管控监测系统的扩大，数据体量还会增加。ｂ．多源异构数据的关联关系。海量多源异构数据的关联性分析需要处理巨大的数据体量，对数据挖掘的效率是一个挑战。ｃ．数据多维度属性。变电站设备具有地理位置属性，而某一设备数据则具有时间属性。ｄ．快速的数据处理需求。智能变电站设备管控要求对海量数据进行批量处理，对数据的处理速度提出了挑战。针对上述智能变电站设备管控大数据分析系统所面临的问题和挑战，目前被广泛应用的方法之一是基于云平台的数据分析技术。其中Hadoop分布式文件系统在数据处理和分析方面具有独特的优势，其具有高吞吐量的数据处理能力，目前在计算机、互联网公司等领域应用广泛。但是与互联网领域的云服务技术相比，智能变电站设备管控大数据分析在数据存储、管理和分析方面都是具有一定的差异性。将Hadoop技术应用于智能变电站设备管控大数据分析是未来的发展趋势，也面临着较大的挑战。
1缺陷试验验证体系
智能变电站二次设备因为缺陷定位以及分析问题的存在，导致其缺陷在整改过程中的难度大大增加。这些问题的存在也导致很多时候在整改缺陷时只能通过更换电子元件的方式来完成，既增加了缺陷处理成本，同时又扩大了缺陷的整改范围。尤其是对整机设备的更换，在提升整改成本的同时，也让替换下来的设备元件没有被完全开发利用，给设备资源带来了浪费。此外，由于在更换设备及元件时，因为没有查明二次设备的具体缺陷原因，也使得在整改结束后依然有可能出现相同的缺陷。
2220kV智能变电站二次设备缺陷试验验证方法
2.1基于Kohonen网络的典型绝缘缺陷局部放电模式识别
目前，局部放电识别研究中常见的分类方法包括:统计识别，如Bayes分类、Fisher分类;人工神经网络，如误差方向传播(BP)神经网络、径向基函数(RBF)神经网络、对偶传播神经网络(CPN);支持向量机等。神经网络因其优异的并行处理、自适应、非线性求解能力而应用广泛，但在可靠性及实用性方面存在缺陷。
以BP神经网络为例，其存在易受非典型数据干扰、初始权值阈值难确定、算法计算收敛慢等缺陷，限制了其在实际工程中的应用。由于变电站设备工作环境复杂，不可控干扰多，传统的神经网络识别测得的局放信号往往效果不佳。因此，文中引入Kohonen网络来解决变电站的局部放电识别问题。Kohonen网络属于自组织竞争型神经网络，由TeuvoKohonen提出，以无导师方式进行自组织训练和判断，在其他领域的聚类分析中已有广泛应用。此外，Kohonen网络具有良好的抗干扰能力，对变电站环境局部放电信号识别具有较大优势。
2.2基于地震动聚类的变电站设备易损性分析
电气设备易损性分析主要有三种方法：震害统计分析方法，试验方法以及计算分析方法。震害统计分析法方面，熊明攀，贺海磊通过统计汶川地震中变电站地震灾害历史记录，采用统计回归方法拟合了多种变电站设备的易损性曲线。国外，Anagnos基于加州变电站地震灾害详细数据，绘制了变电站设备失效概率曲线。Straub改进了经验脆弱性模型，降低了地震观测与结构响应之间的统计依赖性。试验法方面，李圣通过对绝缘子的试验，得到其动力特性与弯曲刚度，进而结合有限元分析得到易损性曲线。Ahmad对多座框架结构进行振动台试验并建立破坏等级，得到其地震损失曲线。通过计算分析法对电气设备进行易损性分析逐渐成为电力系统抗震研究热点。然而，为考虑地震动的不确定性，需根据大量地震动输入下的有限元计算结果得到易损性曲线，时间成本高。此外，易损性曲线只考虑PGA单一变量，未考虑其他地震动参数对曲线的影响，对差异较大的多类地震动采用同一条易损性曲线估计失效概率，影响结果精确性。聚类分析可基于样本的多个参数的统计特征对大量样本分类，从而可从每一类中选择少量具有代表性的样本组成典型样本库代替整体样本，对目标问题进行分析。这对上述问题的解决提供了部分思路基
2.3缺陷试验验证流程
通过将二次设备的缺陷验证体系与二次设备缺陷试验的实际验证案例相结合，可以构建出合理的缺陷试验验证流程：试验开始——二次设备的运行情况分析——故障录波分析——推测设备缺陷原因——试验验证缺陷产生的原因——试验结果是否符合推测（若结果不符合推测，则需要重新进行缺陷推测）——根据原因提出二次设备整改对策——缺陷整改——常规试验（若未通过常规试验则需要重新提出整改措施）——对整改结束的设备针对缺陷进行专项试验。缺陷验证可以分为两个阶段，分别是缺陷原因分析阶段以及缺陷整改验证阶段。
2.4设备状态评估模型
在完成智能变电站设备大数据处理工作后，需采用数据挖掘算法来构建设备的状态评估模型。在Hadoop集群计算框架基础上，文中采用基于分类算法的数据挖掘算法来建立智能变电站设备状态评估模型。分类算法是一种监督学习算法，文中采用基于决策树的分类算法来构建状态评估模型，首先定义已知数据集的类别，依据所采集数据集的数据特征来构建数据分类器，然后利用此分类器对数据进行分类和预测并输出离散结果。
结语
总之，智能变电站二次设备的缺陷试验验证十分重要，通过试验验证能够找出二次设备出现缺陷的具体原因，针对性解决完成后便能有效提升二次设备的运行稳定性以及运行安全性。相信随着科技的发展，会有更多人意识到找出二次设备缺陷原因的重要性。
参考文献
[1]李霞，周文越，朱鑫，等.智能变电站二次设备缺陷试验验证方法[J].四川电力技术，2020，43（02）：67-69+94.
[2]甘卫星.浅谈变电站二次设备的运行维护与管理[J].科技创新导报，2020，17（05）：158-159.