国家电网有限公司 冷喜武，陈国平等：智能电网监控运行大数据分析系统总体设计

电网监控数据具有多源、高维、先验、异构的特点，现有支撑电网监控业务的智能电网调度控制系统（D5000）完成了监控信息采集、综合智能告警等多套监控业务应用系统建设，实现了全局数据的采集共享和对单个业务的有效支撑。但随着电网规模的不断扩大，传统电网监控运行分析方法涉及相关数据范围有限，业务数据多源、多地、多时序地分散性异质异构存储，缺乏在监控专业分析理论层面的突破，难以处理海量告警信息，无法支撑电网协同控制和一体化的发展要求，需要实现电网监控运行全过程信息的高效汇集和智能挖掘分析，以提高监控人员对电网实时运行状态的主动感知能力。

本文紧扣业务数据关联融合及数据驱动建模理念，结合大数据及云平台技术优势，设计涵盖数据接入至业务应用自下而上的电网监控运行大数据分析系统整体架构，构建统计分析中心、趋势预警中心、智能搜索中心及可视化展示中心的功能体系，提出以监控业务需求为引领的“数据到模型，模型到应用”的技术路线，取得规范化数据接入、全过程数据处理及大数据因果分析建模等关键技术的突破，形成事前异常趋势预警，事中快速处置和事后闭环分析的管理模式。

系统依托现有云平台及各类业务系统，应用大数据技术，从数据接入至业务应用自下而上实现整体架构，如图1所示。

图1  监控运行大数据分析系统整体架构

在数据接入层，系统汇总整合数据来自EMS、PMS、OMS、气象、配电系统及云平台等多个系统，保证调控相关数据的全面性、统合性、高质性；在数据存储层，系统利用分布式文件系统，提升对调度视频、音频、文本文件等非结构化数据的存储手段；在公共服务层，系统以大数据并行计算框架为基础，实现安全、分析、计算、管理、展示五方面公共服务组件；在业务模型层，系统整合预处理、分类、回归、聚类、关联规则等大量数据挖掘算法，形成五大业务的51项应用模型；在业务应用层，系统建设形成数据对比统计分析中心、设备趋势性故障预警中心、运行检索中心、可视化展示中心大数据等。

本文基于整体架构中的业务应用层构建了监控运行大数据分析系统的四大应用功能中心，提出了从多源多维业务数据到业务应用自动转化的功能体系，如图2所示。

图2  监控运行大数据分析系统功能体系

系统建立统计分析中心，完成对常态化监控业务和异常事件发生原因的推断，以及多维度对比关联性综合评价，实现“相关关系检测”到“因果关系检测”的飞跃；建立趋势预警中心，将设备运行故障异常趋势预警能力转化为主动发现的能力，实现电网安全防线从“事后分析”至“事前预控”的飞跃；建立智能搜索中心，大大提升系统在搜索方面的人性化及实用度，实现信息搜索从“对象检索”至“行为检索”的飞跃；建立可视化展示中心，提升对电网统计数据、系统运行、设备状态的掌控水平，实现数据展示从“单模弱表达”至“多模强表达”的飞跃。

监控运行大数据分析系统以监控业务需求为牵引，采用“数据到模型，模型到应用”的技术路线，涵盖数据源端规范处理、全过程数据处理、大数据应用模型构建、大数据分析功能研发四个步骤。

从多维数据源中经过相关性分析、因果关系检测技术，生成基于数据驱动方法的初筛大数据模型，通过人工经验（信息分析师）完成初筛大数据模型与具体业务的对接，完成数理统计模型向更加精准的因果型业务模型转化，支撑电网监控运行实际工作，实现从研究数据与数据关联性，到研究模型与业务关联性的转变。

系统所需数据源分散在跨部门的多个业务系统中，包括电网监控运行相关的EMS、OMS和配电自动化系统；电网设备运维监测相关的输变电设备在线监测系统、山火监测系统、PMS、雷电监测系统和覆冰监测系统；用户侧的用电采用系统和营销95598系统；以及气象台支撑的水文气象外接系统。如图3所示。

图3  监控运行大数据分析系统数据流框图

规范化数据接入技术包括数据源端规范和静态数据点召两部分。实现多源、多地、多时序业务数据的关联融合，有效的解决数据范围有限和数据关联缺乏的两个问题，扩展监控业务分析的相关数据范围，提升数据质量，为开展监控业务的深化应用提供强有力数据支撑。

系统完成所需信息接入，并不能立刻支撑应用层的大数据分析业务，数据处理的好坏将直接影响上层数据应用的质量和效率。本文在对现有大数据处理技术研究的基础上，根据数据特征，提出了全过程数据处理技术，主要包括自荐式自适应全寿命数据标签技术、数据集技术及混合计算技术。

自荐式自适应全寿命数据标签技术对接入大数据系统的数据进行业务标签处理，实现多源多维数据分类标识；数据集技术是对标签后的数据归集成数据集，实现数据结构管理和数据源安全管控；计算技术是对增量数据采用混合式计算技术，在正常运行情况下采用定时批量计算，在设备故障等紧急情况下采用实时流式计算。

由于大数据分析技术属于数据驱动的研究范畴，电力监控系统属于模型驱动的研究范畴，直接将大数据分析模型应用到电力监控运行生产中存在挑战，本文创新性的提出大数据因果分析技术如图4所示。

图4  监控运行大数据因果关系应用逻辑图

大数据因果分析技术应用逻辑分为设备监控业务影响因素相关性检测、格兰杰因果关系假设检验、贝叶斯因果网络建模和业务模型转化四个步骤，将不同角度的监控业务由传统电力系统的因果关系确定性分析转变到相关性不确定分析，实现针对设备、实时监控等单项业务数据驱动建模。

智能电网监控运行大数据分析系统经过近两年的建设，现已初见成效，系统在江苏示范应用时，接入3107座变电站、3亿条告警信息和PB级遥测数据，解决了数据多源、弱关联、信息孤岛、噪点数据等问题，建设完成4大中心5类应用51个功能模块，包括运行风险趋势预警模型、监控设备异常侦测、电网事故协同处置、监控业务流程管控和监控报表统计分析模型等类型。

1）在数据处理方面，系统应用规范化数据接入和全过程数据处理技术，实现对主站端设备模型、缺陷、故障、告警及电压越限等多源数据，及子站端的故障录波、设备全景模型和状态点招等历史数据的关联大数据存储及监控特征的标签化处理。

2）在业务分析模型方面，系统应用大数据因果分析技术，实现对主变油温异常侦测、变电站直流系统异常侦测、电力设备缺陷性故障预警、连锁跳闸故障诊断预测等业务分析模型的构建及应用。

3）在监控业务管理方面，系统实现日常监控运行由完全依赖人工经验向大数据辅助研判的转变，监控工作模式由单一统计分析至多维数据挖掘的优化，加强对监控专业的管理力度，提升监控工作效率。

截至目前监控运行大数据分析系统研究与应用处于起步阶段，仍需加强数据综合治理，不断提炼规律，深化应用，增值服务，推进大数据在电网运行管理中的全维度应用。下一步将从三个方面进行系统应用深化，一是开展事件化技术研究，二是深化监控运行评价，三是完善监控全景管理。其中事件化技术是在监控大数据平台的基础上，提炼事件化的规律和经验，形成设备信息分类汇集处置的规则，避免多源数据融合下的单一事件重复处理，提升信息处置效率和监控运行宏观掌控能力；监控运行评价将建立变电站监控运行多维评价体系，对设备实时运行状态进一步评估，为调度员、监控员、监控分析师以及检修管理者提供更加直观的决策支持。