摘要：本文针对当下智能电网技术蓬勃发展和电力设备管理不尽人意的矛盾而展开研究, 目的是找出一条可以快速实现电力设备的安全和高效运行的道路。本文所使用的理论和对象, 均已获得业内普遍认可, 包括以往电力设备的管理和检修策略、智能电网时代的电力设备检测技术方法以及大数据和可视化技术的发展现状和趋势等, 因而具有坚实的理论和实践基础。通过定性与定量研究、经验比较与描述性研究、跨学科与探索性研究等方法, 得出结论, 随着信息技术的迅速发展和大数据时代的到来, 电力设备管理一直无法实现突破的障碍已经被打破。进而提出, 只有结合电力行业大数据特征设置关键性指标, 并以此为核心打造内在数据逻辑体系和外在可视化体系, 才能实现电力设备管理的迭代。文章最后对新时代电力设备管理进行了展望, 并以设置财务分析指标体系为例, 对电力设备管理智能系统进行了框架性构建。
关键词：大数据; 可视化; 财务分析指标; 电力设备管理;
Abstract：This article aims at the contradiction between the booming of smart grid technology and the unsatisfactory management of the power equipment. The purpose is to find a way to quickly realize the safe and efficient operation of the power equipment. The theory and object used in this paper have been widely recognized in the industry, including the management and maintenance strategy of power equipment, the technology method of power equipment detection in the age of smart grid, the development status and trend of big data and visualization technology and so on, and thus has a solid theoretical and practical basis. Through qualitative and quantitative research, empirical comparison and descriptive research, interdisciplinary and exploratory research, the conclusion is that with the rapid development of information technology and the coming of the era of big data, the obstacles that power equipment management has been unable to achieve breakthrough have been broken. Then, it is proposed that only key indexes should be set up in combination with the characteristics of big data in the power industry, and the internal data logic system and external visualization system can be built at the core to realize the iteration of the power equipment management. In the end, the paper looks forward to the power equipment management in the new era, and takes the financial analysis index system as an example to make a frame construction of the power equipment management intelligent system.
Keyword：big data; visual financial analysis index; power equipment management;
实现电力设备的安全和高效运行是电力企业永恒的课题之一。当今, 智能电网技术不断发展, 在高度融合传统电力技术的基础上, 结合了制造、信息、控制、互联网、自动化等技术, 通过对电力全过程中各个环节收集大量数据信息, 对信息进行分析、挖掘和延伸, 并以此优化决策[1-3], 为实现电力设备的安全和高效运行提供了良好的技术基础。本文将从以往一般电力设备的管理和检修、智能电网时代的电力设备检测分析、大数据与可视化的应用和以设置财务分析指标体系为例的创新应用四个部分, 探讨新时代发展趋势。
1 以往一般电力设备的管理和检修
首先要了解电力设备状态检修的现状, 寻找国内外成功案例进行详细分析学习, 提出框架性检修策略和备选方案[4-6]。然后对能否可以在规定的时间之内, 使得电力设备完成预定的使用效能进行更加细致的分析, 即可行性分析, 包括评价电力设备的可靠性, 综合分析导致电力设备故障的所有因素, 预测能够产生的经济效益, 对电力设备进行寿命评估和故障预防等等。经过不断的反复分析、调查及论证, 总结出当下最好的总体检修方案。
整个过程中尽管引入了部分计算机辅助系统, 但是基本上还处于需要熟练工人的丰富经验来进行判断决策的阶段。所以行业内外都在建议加强引进更加高端的现代计算机辅助决策系统, 以及更加先进的数据库技术, 以便于有效整合全过程的电力设备检修, 完善监测系统, 促进科学决策。
2 智能电网时代的电力设备检测分析
智能电网时代, 基于大量故障不会在同一时间发生的判断, 电力设备管理更加注重各种先进技术的应用[7-10], 来使得设备劣化的发展过程能够及时反映出来。反映设备运行状态的参考量很多, 要进行全方位的监测, 不仅要含纳基本的电力设备状态参数, 鉴于其对不同电力设备的不同意义, 还要对电压、电流、声音、温度、振动、光亮等物理量和油、气分析等化学量进行科学设计统筹。
比如一次设备的共同特点是与高电压、大电流直接关联, 在监测中需要注意监测设备的绝缘安全, 不得影响一次设备的可靠运行。输电线路运行环境更为恶劣, 一是雷电、树木、小动物等无法控制的情况的干扰, 二是输电线路一般路径较长, 采用的常规监测手段往往是依靠人力。大型电力变压器多是油浸式的, 过热和放电故障, 都会伴随着特定气体的产生, 在线检测氢气含量是简单实用的方法。二次设备都是电子设备及其二次回路, 不过分依赖传感器及其他监测装置, 主要是通过自检功能及二次回路的设计来监测。
总的来说, 自2006年国家电网公司开始推行电力设备状态检修, 由于其更强的针对性、更好的延寿性、更好的经济性, 不断的朝着全新的阶段发展进步。但基于没有形成全过程的电力系统的设备生命管理和电力设备监测技术手段的不完善, 一直无法实现质的突破。随着信息技术的迅速发展和大数据时代的到来, 设置关键性指标并以此为核心打造内在数据逻辑体系和外在可视化体系, 成为电力设备管理的一个创新趋势。
3 大数据与可视化的应用
大数据概念自从出现以后, 深刻影响着世界, 尤其是在有关消费的各领域环节, 得到了广泛的应用。电力行业大数据也成为新时期电网职能的主要支撑体系之一, 通过对电力设备的数据采集、传输、存储、处理, 使得众多电力工作中对相关数据的挖掘成为电力主业工作的重点内容。
电力行业大数据主要是指以智能电网为联结中心[11-13], 在发电、配电、输电环节以及营销、管理环节的海量数据。随着智能化设备的广泛应用和原有厂站设备的智能化改造升级, 大数据的来源包括了安装于千家万户的智能电表、遍布全国各地的发电机、变压器、不计其数的开关设备、超长里程的架空线路、高压电缆等设备中高速增长的各种数据, 还包括天然气、地热、光伏和风力发电等新型能源发展所需的大量的运行数据和地理、气象监测数据等。
这使得电力行业大数据具有很多有别于其他大数据的特征, 比如体量大、类型多、速度快、专业程度高、联结范围广等, 想要真正体现电力行业大数据的价值, 提升智能电网各个环节的管理水平, 需要建立更加科学的智能数据库系统。
完善的智能数据库系统包括在架构上, 首先应匹配好动态数据与静态数据两个模块, 能够建立数据体系来记录电力设备出厂到调试安装的试验数据、可追溯的出现过的故障及检修记录, 运行状态完整详细在线监测实时数据等。之后应当具备数据挖掘的能力, 即从大量的数据中挖掘出有用的信息, 包括隐含的、规律性的, 以及是潜在有用的信息和知识。近年来, 数据挖掘技术发展迅猛, 各种数据挖掘算法的研究和应用随着相关学科的发展也出现了较好的实现。电力系统中应用数据挖掘方法[14-17], 决策树是主流, 具体应用范围主要有安全评估、故障诊断、系统控制、负荷相关等。实际上, 数据挖掘技术还有进一步发展的空间, 只要能够满足数据选择、数据预处理和特征提取、寻找数据库中隐藏模式, 以及评价和解释挖掘结果等几个方面, 即可以根据具体情况, 结合其他研究领域如统计分析、机器学习、可视化技术等, 研究具有特色的数据挖掘技术。目前, 致力于这方面的研究和应用越来越多, 并取得了一定的成果。但电力系统中数据挖掘的处理过程要求有具备深厚专业知识的人才、完善的监测设备和强大的公共数据平台为支撑, 国内数据挖掘的技术本身和在状态检修中的应用还处于相对比较初级的阶段。此外, 这个智能数据库系统还应当可以通过和其他行业的行业数据进行交换, 来实现数据深度挖掘与分析。
可视化技术作为一种新兴的技术, 科学计算可视化、信息可视化和数据可视化等各方面都是其重点应用方向。随着我国科技的发展, 带动了可视化技术在社会生活中的运用, 其优势也比较明显, 不仅可以让人们直接感知到他们希望看到的事物, 而且还可以运用相关的技术手段将图像所包含的信息量表达出来, 经过一定的形式, 更加有利于深入理解数据信息的内涵, 并有利于专业人士对这种数据进行科学分析。
对于电网企业来讲, 可视化对促进企业的可持续发展同样意义重大。通过外在的展示层、应用层和内在的数据层、源系统层, 可以对电力运营监控进行可视化管理, 实现对企业的全面监测, 全面分析和协调, 以及全景的展示, 建立科学的管理模式, 对企业的核心资源进行有效地控制和利用。
4 大数据和可视化在电力设备管理中的创新应用
新型智能系统开发的关键技术, 主要包含云计算技术 (主要针对大数据的数据量和分布式、商业智能应用等需求特点) 、区域点密度可视化技术 (可以使用点密度来直观表示区域用电负荷) 、等高绘制技术 (利用数据的连续性反映节点运行状态并对未来状态做出预测) 、电网潮流和GIS可视化技术 (统合电网数据与地理信息) 、历史流展示技术 (电网历史数据的管理与展示) 等。
从现有的技术研究和发展形势来看, 重点还是要提高智能系统的实用性[18-22], 这个实用性针对现代企业来讲, 就是提高企业的效率和效益。不管未来的智能系统如何在展示模式功能上持续扩展完善, 如何显示异常信息实现三维虚拟仿真, 其生命力在于怎样与企业的效益效率指标直接挂钩。因为财务指标是对企业最直观最主流的分析指标之一, 这里以设置财务分析指标体系为例进行探讨[23]。
一般情况下, 企业财务指标包括偿债能力指标 (速动比率越高, 企业偿债能力越强;但却会因企业现金及应收账款占用过多而大大增加企业的机会成本) 、长期偿债能力指标 (产权比率越低, 企业的长期偿债能力越强, 但也表明企业没有充分地发挥作用) 、运营能力指标 (周转速度越快, 资产的使用效率越高) , 获利能力指标和发展能力指标等, 综合指标分析则是将各方面指标纳入一个有机整体之中, 全面对企业经济效益的优劣作出准确的判断和评价。对于电网企业这种工业类企业来讲, 财务指标主要包括固定资产、流动资金、成本和利润等, 但要满足新时代的电力设备管理要求, 还需要满足指标要素齐全导向适当、主辅指标功能强大且匹配、满足多方信息联结需要等特征。
电网企业因其公共事业属性, 需要同时考虑社会效益和经济效益, 而且因业务的不同考虑的权重也不尽相同。要了解指标生成的运算过程、计算口径, 合理设计分析逻辑, 把握指标中的辨证关系, 比如同期指标的绝对值比较和相对值比较、正指标与反指标比较、比率的子项和母项如何相关、如何使用因素分析、范范分析与重点分析等等, 还要剔除偶发性项目的影响, 使作为分析的数据能反映正常的经营状况。更重要的是企业要增强竞争实力, 考虑社会效益的同时要强调系统内对标以及行业内对标等。
比如日常的运行监控, 对运行各设备运行参数以及终端用电量参数等经过处理后数据进行检测, 结合分析技术, 以多种图表、多维度、多方式的展示出来, 目前我们已经基本可以做到, 但是要想把这些数据的价值发掘出来, 不仅仅需要数据源头梳理和相关技术发展, 还需要转变理念, 在系统模块中设置财务分析指标体系, 并以其为核心之一进行关联, 对电网、非电网全部影响到电网运行的实时信息进行监测, 包括地质动态、气象信息、卫星云图、历史数据等, 使得最终提供的系统提醒告警能够直观地提供对企业经济效益的影响范围和程度, 从而为管理层决策提供支持。
再比如应急指挥模式, 可以有针对性的开发和应用快速仿真模型, 同样设置财务分析指标体系, 结合市场购电售电数据、当地法律法规、风险分析和控制等因素, 统一纳入系统模型并量化, 形成快于实时的超前仿真, 据此进行状态估计和在线分析, 不仅可以实时评价当前系统及设备运行状态, 还可以根据其安全性、稳定性、可靠性数据分析, 在发生紧急情况时, 智能调用各子系统实时、历史数据, 实现现场状况捕获、应急处置方案形成、现场时效处置、资源协调一体化的最优化应急指挥方案。
还可以自定义模式, 根据企业自身的需求, 面向财务分析指标体系, 自定义数据源、显示方式、显示位置等内容, 着力于数据图形展示、挖掘等综合应用, 甚至同时支持应急指挥的快速响应与日常的故障隐患排除处理, 实现差异化、精细化、全面化发展。
5 结语
这里对以设置财务分析指标体系为例, 进行大数据和可视化创新应用的思考, 其仅仅代表了将来科技革命和产业变革的一个方向, 只有继续加强基础技术研究, 拓宽融合技术研究, 才能开阔思路、提升站位, 更好地促进相关技术和产业的发展。
参考文献
[1]李占英.智能配电网大数据应用技术与前景分析[J].电力大数据, 2017 (11) :18-20.LI ZHANYING.Application technology of big data in smart distribution grid and Its prospect analysis[J].Power Systems and Big Data, 2017 (11) :18-20.
[2]张嵩, 刘洋, 许芳等.配电网中大数据的挖掘应用[J].电力大数据, 2018 (02) :8-12ZHANG SONG, Application of big data mining in distribution grid[J].Power Systems and Big Data, 2018 (02) :8-12.
[3]中国电机工程学会.中国电力大数据发展白皮书[R].北京:中国电机工程学会, 2013.
[4]张东霞, 苗新, 刘丽萍, 等.智能电网大数据技术发展研究[J].中国电机工程学报, 2015, 35 (01) :2-12.ZHANG Dongxia, MIAO Xin, LIU Liping, et al.Research on development strategy for smart grid big data[J], Proceedings of the CSEE, 2015, 35 (01) :2-12 (in Chinese) .
[5]彭小圣, 邓迪元, 程时杰, 等.面向智能电网应用的电力大数据关键技术[J].中国电机工程学报, 2015, 35 (03) :503-511.PENG Xiaosheng, DENG Diyuans, CHENG Shijie, et al.Key technologies of electric power big data and its application prospects in smart grid[J].Proceedings of the CSEE, 2015, 35 (03) :503-511 (in Chinese) .
[6]张云涛, 龚玲.数据挖掘原理与技术[M].北京:电子工业出版社, 2004.
[7]张沛, 杨华飞, 许元斌.电力大数据及其在电网公司的应用[J].中国电机工程学报, 2014, 34 (11) :85-92.ZHANG Pei, YANG Huafei, XU Yuanbin.Power big data and its application scenarios in power grid[J].Proceedings of the CSEE, 2014, 34 (11) :85-92 (in Chinese) .
[8]何友全.数据挖掘方法及其在电力系统故障诊断中的应用研究[D].西南交通大学, 2004.
[9]李国太, 程学旗.大数据研究:未来科技及经济社会发展的重大战略领域——大数据的研究现状与科学思考[J].中国科学院院刊, 2012 (06) :647-657.LI Guoye, CHENG Xueqi.Research status and scientific thinking of big data[J].Bulletin of the Chinese Academy of Sciences, 2012 (06) :647-657 (in Chinese) .
[10]WU X, ZHU X, WU G Q, et al.Data mining with big data[J].IEEE Transactions on Knowledge&Data Engineering, 2014, 26 (01) :97-107.
[11]巩雪清, 金澈清, 王晓玲, 等.数据密集型科学与工程:要求与挑战[J].中国计算机学报, 2012, 35 (08) :1563-1578.GONG Xueqing, JIN Cheqing, WANG Xiaoling, et al.Data-intensive science and engineering requirements and challenges[J].Chinese Journal of Computers, 2012, 35 (08) :1563-1578 (in Chinese) .
[12]孟小峰, 慈祥.大数据管理:概念、技术与挑战[J].计算机研究与发展, 2013, 50 (01) :146-169.MENG Xiaofeng, CI Xiang.Big data management:concepts, techniques and challenge[J].Journal of Computer Research and Development, 2013, 50 (01) :146-169 (in Chinese) .
[13]任崇广.面向海量数据处理领域的云计算及其关键技术研究[D].南京:南京理工大学, 2013.
[14]魏雄.网络存储的智能化管理与服务研究[D].武汉:武汉大学, 2011.
[15]聂雪军.内容感知存储系统中信息信息生命周期管理关键技术研究[D].华中科技大学, 2011.
[16]DANAH BOYD, KATE CRAWFORD.Critical questions for big data[J].Information Communication&Society, 2012, 15 (05) :662-679.^
[17]BRYNJOLFSSON E, MCAFEE A.Big data's management revolution[J].Harvard Business Review, 2012, 90 (10) :60.
[18]陈康, 郑纬民, 云计算:系统实例与研究现状[J].软件学报, 2009, 20 (05) :1337-1348CHEN Kang, ZHENG Weimin.Cloud computing:system instances and current research[J], Journal of Software, 2009, 20 (05) :1337-1348 (in Chinese) .
[19]王秀磊, 刘鹏.大数据关键技术[J].中兴通讯技术, 2013, 19 (04) :17-21WANG Xiulei, LIU Peng.Key big-data technologies[J].ZTE Technology Journal, 2013, 19 (04) :17-21 (in Chinese) .
[20]WEISS A.Computing in the cloud[J].ACM Networker, 2007, 11 (04) :18-25.
[21]CHEN M, MAO S, LIU Y.Big data:a survey[J].Mobile Networks&Applications, 2014, 19 (02) :171-209.
[22]姜涛, 杨军, 荀华.电力设备状态智能预警系统的设计与应用[J].内蒙古电力技术, 2017, 35 (06) :45-49.JIANG Tao, YANG Jun, XUN Hua.Research and application of intelligent alarm system for power equipment status[J].Inner Mongolia Electric Power, 2017, 35 (06) :45-49.
[23]郑一鸣, 孙翔.基于多源监测数据挖掘的电力设备状态诊断[J].浙江电力, 2016, 35 (05) :1-6.ZHENG Yiming, SUN Xiang.State diagnosis of power devices based on multi-source monitoring data mining[J].Zhejiang Electric Power, 2016, 35 (05) :1-6.
