基于大数据处理技术的智能变电站应用

摘要：阐述了智能变电站的特点和大数据处理技术的概念，分析了智能变电站中大数据处理技术的应用，研究了基于大数据处理技术下智能变电站设备检测平台设计，希望使变电站的应用管理更高效、完善。

关键词：大数据处理技术;智能变电站;应用分析;

智能变电站与传统变电所相比，实现了信息报警与控制在运行过程中的集成、可视化控制，产生大量无序数据。本文论述了智能环境下大数据处理的主要特点，并介绍了大数据处理在智能环境下的应用，为我国电力技术的长远发展提供相应的保障[1]。

1 智能变电站的特点

智能化变电站是指利用智能对象、数字技术和网络通信平台，通过信息交换技术，实现对变电站的采集、测量、自动控制、在线分析、智能调节和交互等功能，实现变电站的智能化、互联。电脑是变电所的大脑，对发电厂的正常运行至关重要。电脑能对变电所的运行情况进行实时监控，有效减少故障的发生概率，保证变电站的正常运行。此外，变电所要想实现部分或全部智能控制，就需要在智能变电所在设备上划分一级和二级智能变压器，充分体现其控制优势。智能变电站相关人员需要具有管理技术方面的知识和专业的管理技巧，主要利用光栅和电流互感器，以此来实现智能控制和调节[2]。

2 大数据处理技术

大规模数据处理技术主要有分布式计算、存储器计算、数据流处理等。分布式计算主要用于大规模数据的存储和处理。存储器的计算方法解决了数据有效读取和联机实时数据处理问题。流水处理技术能够解决实时、连续、不可控的数据流问题。分布计算技术能够解决许多分配到多台计算机的小任务。开放型hadoop系统已经成为分布式计算技术的主要来源，分布式文件系统和并行分布式软件框架是两个具有扩展优势、设备使用效率高、可靠性高的技术，分布式计算技术适合在企业电力采集中应用。存储器的计算方法是将大量数据放入存储器中进行查询和运算分析，智能变电站中的存储计算技术通过借助大数据处理技术可以缩短在工作中存在大量磁盘的读写时间，加快了变电站内数据资料的计算速度。Spark是新兴的内存计算技术引擎，其优点在于可以抽象地使用分布式集群内存。Spark把需要的数据读入内存，然后直接从内存请求数据，所以比基于磁盘的Map Reduce要快得多，减少I/O操作。顾名思义，数据流处理的方法就是把连续的数据数组作为数据流处理，在处理结果发生后立即返回处理结果，及时进行计算、分析和提交最新数据。由于智能化变电站的迅速发展，对实时监测数据的需求也越来越高，过程处理技术及智能化变电站的集成必将成为未来发展的趋势。

3 智能变电站中大数据处理技术的应用

3.1 智能变电站的大数据

计算机系统的主要知识体系是知识建立过程中最常见的测试部分。工具检查、监控和通信的两部分组件很多，可以生成大量组件。基于该模型，可以观察和控制组件模拟。发电运行时，对于控制器、高压母线、高压电机、灯温控制、气压控制、部分变流器等需要长期监控的设备类型，该设备的整个工作计划都被记录在案，并且所有文件都通过基础数据进行规划。

3.2 基于大规模数据处理技术相关的智能数据处理系统

需要对平台进行大规模的数据存储和适当的数据分析，以建立一个大规模的检测平台。重要的基于信息的条款应包含在多个类别中，以便组件可见。在智能流程设计过程中，数据存储是设计过程中首先要解决的问题。分布式存储技术不仅提高了组件的存储容量，还减少了数据的复杂性。例如，HDFS可以降低成本并提高兼容性，生成的数据分析可以从许多来源得出有用的结论，检查组件的控制状态，并在发生错误时检查组件。通过分析标准化信息水平来处理数据，并根据管理文件与分部管理控制的关系，通过文件分析对分部管理文件进行实时检查。

4 基于大数据处理技术下智能变电站设备检测平台设计

4.1 传统变电站设备检测平台构架

第一，通过数据提取的方式，结合各种状态监测系统获取历史记录并不断更新监测数据。这是智能变电站决策分析和TB级甚至Pb级状态监测数据持续更新的重要数据，对数据的采样率进行采样，减少对原有系统的变化。第二，利用数据转化，这种数据转换主要是为了消除设备健康监测数据之间的不一致性，并调整监测数据的类型和格式。第三，数据清洗，基本清理了一些无用的数据，从数据属性中抽取下一步要使用的数据，过滤掉一些无用的字段，避免浪费磁盘空间，减少后续扫描的开销。后一种是数据加载，主要用于将已删除的脏数据记录按其类型放置到所需的datastore表格当中，具有数据恢复、错误提示、数据备份等功能。建立数据中心来监测变压器系统状态，其核心是数据存储和分析。利用传统的OLAP模型和工具，通过ROLAP技术访问数据仓库中存储的数据，利用ROLAP技术访问数据仓库或产生的数据块。其中，ROLAP模型在星形模型和雪花模型上的优势都存储在关系数据库中，随着关系数据库技术的发展，已被广泛应用于电力等领域。随着智能变电站状态监测数据量化程度的不断提高，现有OLAP系统的功能已不能满足当前能源供应商的需求，需要添加新的功能，如优化星形和雪花模型。MOLAP方法基于多维数据模型，其中数据聚类不是内在属性，而是存储健康监测数据的多维矩阵，可确定数据结构中的健康监测数据的位置，提高了O-LAP的响应速度，但其缺点是集中存储，占用空间大，存储成本高。平台主要功能包括对数据存储和分析层的支持，如需求统计和用户界面。数据存取提供一系列的用户接口，让用户可以申请存取和管理数据。企业在硬件、软件系统和资源上存在着巨大的差异，很难建立数据平台。常规变压器设备状态监测数据平台不能满足电力企业对数据优化与并行处理的存储控制要求。大型数据分析方法与变压器设备状态监测方法的有机结合，可显著提高数据利用效率，实现大规模数据的集成，保证高水平的信息共享和强大的数据分析能力。

4.2 大数据处理技术下的智能变电设施检测平台的设计

在状态监测平台上，将分布式数据存储方法与大规模数据挖掘方法相结合，为状态监测的数据存储和分析提供了一种新的途径。在数据采集系统中，主要通过访问控制、传感器等对变压器设备进行数据采集，包含结构性和非结构化数据。由于变压器数据非常庞大，需要将其从传统关系数据库迁移到非托管数据库，在一个结构中提取、转换、装载和存储所需的数据，由于数据源类型的复杂性，需要使用与sqoop等数据相关的开源软件。在完成搜索任务之后，sqoop的计算统计分析还可以将分析结果输出到一个外部的My SQL关系数据库，供用户查看。该平台其中含有大量复杂、重复、错误的数据，短期内需要昂贵的海洋数据是一项标准。根据HDFS和My SQL关系数据库在不同领域的优势，数据存档将提供合适的HDFS和My SQL的集成模式，并在各个领域发挥相应的作用。HDFS文件系统采用统一的状态规则存储大型数据，在正式操作之前，首先要对相关技术的应用模式进行集中探析，My SQL主要用来存储模型信息和管理实时元数据，从而跟踪设备上变压器的状态。域和作用域存储在My SQL中，当执行数据时，需要启动My SQL引擎来检查元数据的可用性。其中，数据显示层主要包括统计查询、辅助决策、数据提取等功能组件，可以为生产控制、改装设备辅助决策提供更加精确的信息服务。同时，还要对电力设备状态信息及其他相关系统状态监测数据进行预警、分析、诊断、评价和预测等各项功能，实现了变电站设备状态的整体控制与控制。

5 结语

在实际变电操作过程中，其应用技术是否先进往往对实际变电管理造成不可替代的影响，其优势充分结合计算机技术的发展趋势，不但能够实现大数据的全面整合，同时有利于实际管理效率的进一步提高，在突发情况下，能够帮助相关人员对实时情况进行判断，为我国电力领域的正常发展打下坚实的基础。

参考文献

[1] 谢翘楚.基于大数据处理技术的智能变电站应用研究[J].信息通信，2017(2):107-108.

[2] 刘莎莎.大数据处理技术在智能变电站管理中的应用研究[J].中国科技投资，2021(4):84-86.