大数据挖掘助力全面提升电网监控水平
吴晓芸，李 刚，高小芊，杨 熙，尹 晗，高 镇
(国网武汉供电公司，湖北 武汉 430000)
摘 要： SCADA系统是支撑电网调度运行的基础，监控人员主要通过此系统获取电网运行状态的一系列海量信息。随着电网规模的不断增大，监控信息海量增长。电网监控工作缺乏有效分析手段，监控人员压力大、疲于应付，不利于事故和异常信号的处理。本文采用大数据分析工具，利用SCADA系统现有的海量电网运行信息，深入探究了主变油温和负载率的关系，给出主变油温和负载率之间的变化函数，并得到重过载边界主变油温阈值；构建10 kV配电线路负荷快变预警模型，结合10 kV线路的15分钟负荷数据变化特点，快速判断配网线路运行状态，及时给出预警；融合外部天气等数据，建立主变重过载趋势预警模型，为电网运行潜在风险的分析识别及指导电网的科学规划建设奠定了坚实的基础。
关键词： 大数据挖掘；电网运行；监控信息；状态评估；风险评判；自动预警
近年来，随着“复兴大武汉”和国务院“十三五”规划支持武汉建设国家中心城市的战略实施推进，对武汉电网的智能运行水平和发展规模提出了更高要求，这也对调控人员处置电网事故和异常提出了更高要求[1-3]。然而，在现有的监控模式和运行环境下，存在以下问题：一是监控报文海量增长，二是电网监控工作被动，三是缺乏有效分析手段。
3、要善于感化群众。一是将卫生计生宣传贯彻于各类服务群众活动中，通过开展各类义诊、送医送药、孕前优生检测、走访慰问、“三下乡”等活动，给群众带去实惠。二是结合健康促进行动，通过请进来、走出去、送到家等方式，开展健康大讲堂、巡回健康讲座、母婴课堂等活动，让更多的群众享受到更多的卫生计生宣传服务。三是在重要时点开展宣传服务活动，在手足口病、禽流感及其他疾病易发的季节，要有温馨提示和科普宣传；在入学的时候，对困难计生家庭要有帮学扶助；在寒暑假期，要有成百上千的“爱心课堂”“健康驿站”会为留守儿童提供安全提醒。
1 研究目标与思路
1.1 研究目标
为利用好SCADA系统现有的海量电网运行信息，深度挖掘出设备的潜在隐患，提高电网的安全运行水平，将监控员从海量数据中解放出来，我们使用大数据分析工具，挖掘出电网的运行特征及潜在运行安全隐患，实现对电网设备进行主动监控研判，为武汉电网的安全运行保驾护航。
妻子抓痒，每天有两个时段抓得最多，一个是白天从忙碌中闲下来，一个是夜深人静一觉睡醒过来。白天，妻子身上穿衣服，抓痒不方便，或者说隔一层衣服抓痒不解恨，就卷裤腿捋衣袖，大动干戈地抓一抓。一般情况下，妻子都回避开，躲一边静悄悄地，一个人偷偷摸摸地抓。要是我看见，妻子就会说，去、去、去，抓痒有什么好看的。过一会，妻子强调说，医生说神经性皮炎不传染，你不要这样皱着眉头看着我。
1.2 研究思路
本成果是在实时监控的基础上继续创新，开展电网运行风险研判，首先通过相关性分析深入探究了主变油温和负载率的关系，给出主变油温和负载率之间的变化函数，得到重过载边界主变油温阈值；然后通过构建10 kV配电线路负荷快变研判模型，结合10 kV线路的15分钟负荷数据变化特点，判断出该线路的运行状态，若存在运行方式变更、馈线跳闸、支路跳闸等情况，及时给出研判； 最后融合外部天气等数据，建立主变重过载趋势研判模型，为提升电网监控研判水平打好基础。
1.3 研究创新点
2.5.3 主变重过载趋势研判分析
(2)内外部数据融合，监测全方位。
SCADA系统记录了主变的有功和温度等数据，经过海量监测报文特征值提取，获得主变油温和负载率数据，定性定量相结合开展分析，首先利用相关性分析给出主变油温和负载率的皮尔逊相关系数[10-11]，然后利用多项式拟合的方式给出两者之间的函数关系，最后结合重过载的业务定义和函数关系给出主变重载阈值油温和过载阈值油温[12-13]，帮助业务人员更精准的判断主变运行状态，另外还可以根据函数关系给出主变油温变化1℃主变负载率的变化情况。根据本成果研究结论，事先设定告警判断条件及阈值，超过阈值后告警，提醒业务上采取相应措施。
(4)变被动接受信息为主动研判，增强预见性。
2 做法与结论
2.1 数据来源
经过深入理解和分析[4-5]，基于电网运行信息的主动监控研判及应用所需的数据分为内外两部分，如表1所示。
2.2 数据预处理
本成果所分析的数据系统来源包括：SCADA系统、PMS系统、国家气象局网站及国家假日办网站等。下面针对系统中的数据进行清洗、归类、变换、降维、关联等大量的数据准备工作[6-7]，形成电网主动监控研判及应用大数据分析数据宽表。
2.2.1 提取特征值
电网的主动监控研判及应用主要是基于现有SCADA系统，对海量报文进行实时的特征值提取，通过建立设备运维检修试验周期标准及告警值与特征值的关联[8-9]，实现对设备的运行特征值获取及主动研判功能。
表 1基于电网运行信息的主动监控研判及应用数据来源
Tab. 1 Data sources for active monitoring， evaluation and application based on grid operation information
2.2.2 数据映射
表 2日期数据映射关系
Tab. 2 Relationship between date and mapping value
从郭徐岭1号主变油温与负载率二元回归模型拟合结果来看，拟合函数如下：
首先利用SCADA系统的配电线路某主变历史日负荷曲线数据进行聚类分析[14]，由于视觉聚类算法能够直接给出最优聚类个数，得到历史负荷聚类结果，如正常运行曲线类、变更运行方式曲线类、馈线跳闸曲线类、支路跳闸类等，然后设定时间窗口，该时间窗口至少要包含每类曲线负荷变化的完整周期，如按照日时间窗口或者45分钟三个点依次提取每类负荷曲线时间窗口内的特征，由于傅里叶变换剔除了时间的因素，相当于对各类负荷特征区域做了特征对齐，所以尽可能的将每类曲线变化的特征情况进行了汇总表征，然后结合SCADA系统中配电线路实时负荷数据，在设定的时间窗口内，匹配每类运行状态傅里叶变换特征值，匹配算法采用余弦相似度算法，计算特征向量和实时曲线频域特征的向量夹角，按照最小原则匹配结果，智能化研判出当前配电线路的运行状态。研判方案如图1所示。
投运年限=系统当前时间-主变投运日期
陈老师于文革后期入学，物质生活和精神生活双重严重匮乏，不仅学校提供的学习环境艰苦，就连老师的授课内容都和文化教育无关，而相对多的是政治活动。
2.2.3 数据宽表
经过特征值数据提取、汇总及数据映射等操作，最终形成的数据宽表如表3所示。
表 3基于电网运行信息的主动监控研判及应用数据宽表
Tab. 3 Data wide table for active monitoring， evaluation and application based on grid operation information
2.3 方案设计
2.3.1 主变油温与负载率关系研究
(3)多类算法融合，挖掘更智能。
2.3.2 配电线路运行状态研判
投运年限数据映射：从PMS系统中抽取可以得到武汉所有主变投运日期数据，该数据可通过数据映射得到主变投运年限数据，映射关系如下：
图 1配电线路运行状态研判方案
Fig. 1 Research and judgment scheme for operation
state of distribution line
2.3.3 主变重过载趋势研判
构建主变重过载研判模型的过程如下：①获取研判模型因素的历史数据，包括重过载历史值、天气因素历史值、假日因素历史值、昨日最高负荷历史值及主变油温。其中重过载历史值取历史每天主变是否重过载的标志数据，天气因素历史值取历史日度最高温度、最低温度等数据，假日因素取日期类型数据，分为工作日和假日两类[15-16]。②为了分析影响主变的主要影响因素，本成果开展了重过载影响因素方差分析，为重过载建模分析奠定基础[17]。③获取方差分析后的影响因素数据，把数据分为训练集和测试集，对训练集进行C4.5决策树模型[18]的构建，由于该算法产生的分类规则易于理解，且准确率较高，故可建立主变重过载研判模型。④获取研判模型的情报数据，如天气因素数据可从中国天气网获取，目前中国天气网提供未来40天的天气预报数据。假日因素情报数据可从国家假日办网站上获取，昨日最高负荷可直接获取。⑤利用主变重过载趋势研判模型和因素情报数据，得到未来日的主变重过载研判结果，对提升主网精益化管理水平具有一定的参考价值，降低主网运行风险。具体实现过程如图2所示。
3.1.1 万华生态板业（信阳）有限公司基本概况 万华生态科技园位于河南省信阳市工业城工十四路19号，其公司成立于2007年是万华生态板业股份有限公司的子公司，每年生产5万m3禾香板。公司产品是使用秸秆生产的禾香板，供货给好莱客、亚丹、欧派等知名厂商。
图 2重过载趋势研判方案框架图
Fig. 2 Framework diagram of research and evaluation
scheme for heavy overload trend
2.4 分析工具
本成果运用到的分析工具有：Eviews、Tableau、SPSS Modeler和R语言。
2.5 研究成果
2.5.1 主变油温与负载率关系研究
在人类社会的发展过程中，资源和环境起着十分重要的作用，其是人类能够生存的基本条件。随着环境污染的加剧以及资源消耗量的不断增加，水工环地质勘察工作的重要性日益凸显出来。通过深入了解相关的地质情况，才能有效解决环境污染及能源过度消耗问题。
本成果抽取了武汉电网所有110 kV及以上变电站所有主变数据开展分析，数据跨度为2015年1月1日到2017年11月7日，共计变电站数量195个，主变数量411个。考虑到主变的个体差异，以下分别选择郭徐岭1号主变和锅顶山8号主变为例进行说明。
(1)郭徐岭1号主变分析结果。郭徐岭1号主变油温与负载率曲线图如图3所示。
图 3郭徐岭 1号主变油温与负载率曲线图
Fig. 3 Curve diagram of oil temperature and load rate of
Guoxuling No. 1 main transformer
两者之间相关性较为显著，皮尔逊相关系数为0.65。为了进一步分析两者之间的内在规律，绘制散点图如图4所示。
图 4郭徐岭 1号主变油温与负载率二元回归图
Fig. 4 Bivariate regression chart of oil temperature and load
rate of Guoxuling No. 1 main transformer
日期类型数据映射：日期类型可以分为两种情况，包括：工作日及假日，本成果采用手工编码的方式达到数据的映射功能，映射关系如表2所示。
Y =0.011 5X -0.066 1
(1)
可决系数为R 2=0.413 9，表明拟合效果较好，模型具备推广性。
(2)锅顶山8号主变分析结果。锅顶山8号主变油温与负载率曲线图如图5所示。
图 5锅顶山 8号主变油温与负载率曲线
Fig. 5 Oil temperature and load rate curve of No. 8 main
transformer in Guodingshan
两者之间相关性较为显著，皮尔逊相关系数为0.70。为了进一步分析两者之间的内在规律，，绘制散点图如图6所示。
图 6锅顶山 8号主变油温与负载率二元回归模型
Fig. 6 Bivariate regression chart of oil temperature and load
rate of Guodingshan No. 8 main transformer
从锅顶山8号主变油温与负载率二元回归模型拟合结果来看，拟合函数如下：
Y =0.008 9X -0.024 5
(2)
可决系数为R 2=0.483 9，表明拟合效果较好，模型具备推广性。
美国容量市场和备用服务市场均运行多年，在供需平衡的情况下，容量市场的价格等于发电成本减去在能量市场和辅助服务市场中已补偿的成本。目前多数国家的容量市场与美国的设计理念一致，即系统装机容量将平衡在基准峰荷机组成本刚好回收的点上。
After going on a diet,a woman felt really good about herself especially when she was able to fit into a pair of jeansshehad outgrown longago.
(3)小结。通过相关性分析和二元回归分析技术，本报告在充分考虑主变个性差异的情况下，分析了每台主变油温和主变负载率的变化关系，并且利用主变油温与负载率的函数关系，还可以得到主变油温每升高1℃对应的主变负载率变化值。
2.5.2 配电线路运行状态研判分析
本文采用Eviews8.0软件作为统计分析工具，将表1中各项指标的数据输入软件，通过对模型（1）各项参数的数据处理，得到初步回归计算结果（见表2）及初步回归计算参数（见表3）．
由于各个配电线路的个体差异，本成果以澳门路变电站澳浙线澳80开关数据为例进行说明，数据范围：2017年1月1日到2017年10月31日每天15分钟频次的负荷曲线数据，共计304条日负荷曲线。
2.5.2.1 负荷曲线聚类
首先利用2017年1月1日到2017年6月30号的历史负荷曲线进行聚类分析，共计181条负荷曲线，聚类输入为每天的负荷曲线，聚类算法选择视觉聚类算法，聚类结果如图7～图13所示。
图 7澳门路变电站 Z澳浙线澳 80开关配电线路聚类 1
Fig. 7 Distribution line clustering No. 1 of
Aomenlu transformer substation Z Aozhe
line Ao 80 switch
图 8澳门路变电站 Z澳浙线澳 80开关配电线路聚类 2
Fig. 8 Distribution line clustering No. 2 of
Aomenlu transformer substation Z Aozhe
line Ao 80 switch
图 9澳门路变电站 Z澳浙线澳 80开关配电线路聚类 3
Fig. 9 Distribution line clustering No. 3 of
Aomenlu transformer substation Z Aozhe
line Ao 80 switch
图 10澳门路变电站 Z澳浙线澳 80开关配电线路聚类 4
Fig. 10 Distribution line clustering No. 4 of
Aomenlu transformer substation Z Aozhe
line Ao 80 switch
图 11澳门路变电站 Z澳浙线澳 80开关配电线路聚类 5
Fig. 11 Distribution line clustering No. 5 of
Aomenlu transformer substation Z Aozhe
line Ao 80 switch
图 12澳门路变电站 Z澳浙线澳 80开关配电线路聚类 6
Fig. 12 Distribution line clustering No. 6 of Aomenlu
transformer substation Z Aozhe line Ao 80 switch
图 13澳门路变电站 Z澳浙线澳 80开关配电线路聚类 7
Fig. 13 Distribution line clustering No. 7 of
Aomenlu transformer substation Z Aozhe
line Ao 80 switch
从以上聚类结果可得到配电线路7类运行状态。
(1)聚类1为正常运行时的曲线。
范秋虎 男，1979年8月出生，黑龙江密山人.2010年获国防科学技术大学电子信息与通信工程专业硕士学位，现为中国洛阳电子装备试验中心工程师.主要从事电磁环境效应、电磁环境效应试验及评估方面的研究.
(2)聚类2为低负荷正常运行时的曲线。
(3)聚类3为采集异常。
(4)聚类4为状态方式变更。
(5)聚类5为支路跳闸状态。
(6)聚类6为停电状态。
本成果抽取了武汉电网所有变电站每台主变数据开展分析，数据跨度为2015年1月1日到2017年11月7日。下面以郭徐岭1号主变为例进行模型结果说明。
(7)聚类7为馈线跳闸状态。
经测算该方案仅地下通道这块需要新增加建安费4400万元，占比整个大明路该造工程总建安费4.1亿中的10.7%。
2.5.2.2 负荷曲线频域特征提取与匹配
针对以上视觉聚类的结果，频域特征提取结果如图画14所示。
图 14澳门路变电站 Z澳浙线澳 80开关线路
聚类特征傅里叶变换
Fig. 14 Fourier transform of clustering characteristics of
Aomenlu transformer substation Z Aozhe
line Ao 80 switch
以2017年7月-10月的负荷运行数据作为测试集，共计123条负荷曲线，利用R编程实现匹配算法，得到结果汇总如表4。
可知在2017年7月-10月的负荷运行状态包括低负荷正常运行、变更运行方式、正常运行、采集器故障四种，分类准确率分别为80.00%、77.78%、96.55%、69.23%，综合分类准确率为86.18%，准确性较高，说明该算法具备一定的实用价值。
表 4配电线路运行状态研判模型结果汇总
Tab. 4 Summary of the results of the model for evaluating the operation status of distribution lines
(1)海量数据特征值处理，化繁为简。
课程后的考试平均分高于课程前，分别为（18.8±1.7）分、（12.2±2.1）分，差异具有统计意义（t=-7.177 5，P＜0.001）（见表3）。所有学生均认为该课程强度合适（100%）、对临床实践有帮助（100%）。
2.5.3.1 主变重过载影响因素方差分析
图 15重过载影响因素方差分析结果
Fig. 15 Variance analysis on the influence factors
of heavy overload
利用SPSS Modeler开展关键因素方差分析，分析结果如图15所示。
从因素方差分析结果来看，因素重要性排行分别是昨日主变油温、昨日最高负荷、最高温度、最低温度、日期类型、投运年限，考虑到郭徐岭1号主变的投运年限标准差较小，故在后续建模中，该变量应该从建模数据中剔除。
2.5.3.2 主变重过载建模结果
利用2015年1月1日至2016年8月14日的数据进行建模，利用2016年8月15日至2017年11月7日的450条数据做测试集对模型结果进行测试，模型在测试集下的符合矩阵如表5所示。
表 5主变重过载趋势研判符合矩阵
Tab. 5 Coincidence matrix for judging heavy overload
trend of main transformer
根据符合矩阵数据可见：
模型查全率
(3)
模型查准率
(4)
模型准确率
(5)
模型的准确率较高，为98.8%。更进一步的，绘制出模型的ROC曲线如16所示。
图 16主变重过载模型 ROC曲线
Fig. 16 ROC curve of heavy overload model of main transformer
从结果来看，本报告提出的重过载模型相比较于随机选择模型效果好很多，也印证了模型方案的可行性高，效果好，具备很强的推广价值。
2.7 结论及下一步计划
本成果深度挖掘了电网运行信息的诸多数据，包括主变油温与负载率关系研究、配电线路运行状态研判及主变重过载趋势研判三大模块，整体提升电网监控水平。
下一步计划在本报告的基础上继续创新，丰富风险防御模块：①在主变油温和负载率关系研究中考虑主变温升、主变型号、生产厂家等因素，提升模型的普遍性。②在配电线路运行状态研判分析模型中，增加联络线路的负荷变化数据，实现更加精准的状态研判。③主变重过载趋势研判增加考虑电网运行方式变更的影响，提升重过载趋势研判的精准性。
3 预期成效
3.1 社会效益
开展电网监控信息的大数据分析应用，一是有效降低了电网设备故障率，减少了故障修复时间；二是有效的降低了用户投诉率；三是为电网建设和电网改造提供了方向，为地区经济发展提供坚强的电力保障。
3.2 经济效益
以武汉公司2017年同期电网设备故障检修次数等数据与2016年对比发现，采用大数据挖掘研判应用后的电网在设备故障次数和检修次数方面大约下降17%和15%左右，故障处理时间缩短了23%，每年减少设备故障更换费用约90万元，有效节约设备材料费用以及抢修车辆费、人工费大约60万元，减少用户损失以及电量损失约90万元，节约费用约150万元。2017年公司有效节约成本约400万元。
全国政协农业和农村委员会副主任陈晓华认为，休闲农业和乡村旅游，根植于农业、发展在农村，生产的主体是农民、消费的主体是市民、连接的对象是城乡，三产融合度高、利益联结范围广、综合效益突出，作用明显。旅游业属于劳动密集型产业，就业门槛低，普通农民的参与机会大。
3.3 推广价值
本成果分析方法具备可推广性，分析过程以数据挖掘CRISP-DM标准流程为依托，形成了一整套科学、严谨的监控研判模型，不仅着眼于电网运行数据的实时监控，更着重于主动识别电网运行风险，提升了工作的主动性和精准性，且能够通过固化模型，开放数据接口等措施，结合自主研发的大数据挖掘平台，实现湖北乃至国网系统内其他供电公司电网运行的精准监控研判，共同推进国网运行监控工作效能提升。
参考文献：
[1] 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，2018，21(02)：8-12.
ZHANG Song，LIU Yang，XU Fang，et al.Application of big data mining in power distribution network[J].Power systems and big data，2018，21(02)：8-12.
[2] 张东霞，苗新，刘丽平，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.
[3] 杜小勇，卢卫，张峰.大数据管理系统的历史、现状与未来[J].软件学报，2019，30(01)：127-141.
DU Xiaoyong，LU Wei，ZHANG Feng.History，present and future of big data management systems[J].Journal of Software，2019，30(01)：127-141.
[4] 卢建昌，樊围国.大数据时代下数据挖掘技术在电力企业中的应用[J].广东电力，2014，27(09)：88-94.
LU Jianchang，FAN Weiguo.Application of data mining technology in electric power enterprises in era of big data[J].Guangdong Electric Power，2014，27(09)：88-94.
[5] 张凌云，肖惠仁，吴俊豪，等.电力系统负荷预测综述[J].电力大数据，2018，21(01)：52-56.
ZHANG Lingyun，XIAO Huiren，WU Junhao，et al.Review of power system load forecasting[J].Power systems and big data，2018，21(01)：52-56.
[6] 顾卓远.基于响应的电力系统暂态稳定控制技术研究[D].北京：中国电力科学研究院，2014.
[7] 李红，牛成英，孙秋碧，等.大数据时代数据融合质量的评价模型[J].统计与决策，2018，34(21)：10-14.
LI Hong，NIU Chengying，SUN Qiubi，et al.Evaluation model of data fusion quality in big data era[J].Statistics & Decision，2018，34(21)：10-14.
[8] 李佳，徐胜超.基于云计算的智能电网大数据处理平台[J].计算机工程与设计，2018，39(10)：3073-3079.
LI Jia XU Shengchao.Smart power system big data processing platform in cloud environments[J].Computer Engineering and Design，2018，39(10)，3073-3079.
[9] 宋鑫，赵家庆，丁宏恩，等.智能电网调度控制系统的省地一体化架构设计[J].电力系统及其自动化学报，2018，30(12)：118-124.
SONG Xin，ZHAO Jiaqing，DING Hongen，et al.Design of province-prefecture integrated architecture for smart grid dispatching and control system[J].Proceedings of the CSU-EPSA，2018，30(12)：118-124.
[10] 王德文，刘晓萌.基于虚拟机动态迁移的电力仿真云计算平台资源调度策略[J].电力系统自动化，2015，39(12)：97-105.
WANG Dewen，LIU Xiaomeng.A resource scheduling strategy for cloud computing platform of power system simulation based on dynamic migration of virtual machine[J].Automation of Electric Power Systems，2015，39(12)：97-105.
[11] WEN Long，LI Xinyu，GAO Liang，et al.A new convolutional neural networkbased>[12] WONG PC，SHEN HW，JOHNSON CR，et al.The top 10 challenges in extreme-scale visual analytics[J].IEEE computer graphics and applications，2012，32(04)：63-67.
[13] 邱小耕，董向瑜，张鹏．基于大数据的配变重过载预警分析[J].电力大数据，2018，21(10)：38-42.
QIU Xiaogeng，DONG Xiangyu，ZHANG Peng.Early warning analysis of heavy overload for power distribution transformer based on large data[J].Power systems and big data，2018，21(10)：38-42.
[14] 胡丽娟，刁赢龙，刘科研，等.基于大数据技术的配电网运行可靠性分析[J].电网技术，2017，41(01)：265-271.
HU Lijuan，DIAO Yinglong，LIU Keyan，et al.Operational reliability analysis of distribution network based on big data technology[J].Power System Technology，2017，41(01)：265-271.
[15] 袁兴德，张亚，王传辉，等.电力气象服务系统的设计与实现[J].计算机系统应用，2017，26(04)：256-259.
YUAN Xingde，ZHANG Ya，WANG Chuanhui，et al.Design and implementation of the meteorological service system for electricity industry[J]．Computer Systems & Applications，2017，26(04)：256-259.
[16] 张炀，汪洋，祝宇翔，等.基于PAM和ELM的电力短期负荷预测相似日选取算法[J].电力大数据，2017，20(12)：84-87.
ZHANG Yang，WANG Yang，ZHU Yuxiang，et al.Similarity day selection algorithm for power short-term load forecasting[J].Power systems and big data，2017，20(12)：84-87.
[17] 张素香，赵丙镇，王风雨，等．海量数据下的电力负荷短期预测[J].中国电机工程学报，2015，35(01)：37-42．
ZHANG Suxiang，ZHAO Bingzhen，WANG Fengyu，et al.Short-term power load forecasting based on big data[J].Proceedings of the CSEE，2015，35(01)：37-42．
[18] SANG JEEN HONG，WOO YUP LIM，TAESU CHEONG.Fault detection and classification in plasma etch equipment for semiconductor manufacturing e-diagnostics[J].IEEE Transactions on Semiconductor Manufacturing，2012，25(01)，83-93.
Big data mining helps to improve power grid monitoring level
WU Xiaoyun，LI Gang，GAO Xiaoqian，YANG Xi，YIN Han，GAO Zhen
(Wuhan Power Supply Company of State Grid，Wuhan 430000 Hubei，China)
Abstract ：SCADA is the foundation of the power dispatching.Monitoring stuffs primarily obtain status information from this system，such as grid running state.With the increasing of the scale of the power grid，the amount of status information increases.For lacking of effective analysis methods，the monitoring stuffs are under pressure and exhausted，This paper makes use of large data analysis tool and the existing large amount of power grid operation information of SCADA system，deeply explores the relationship between the main oil temperature and the load rate，and gives the function of the change between the main oil temperature and the load rate.The main oil temperature threshold of heavy overload boundary is obtained.The load fast change warning model of the 10 kV distribution line is constructed，and combined with the 15-minute load data of the 10 kV line，the operating status of the distribution line is quickly judged，and the early warning is given in a timely manner.Combining external weather and other data，the model of main variable overload trend warning has been established，which has laid a solid foundation for analyzing and identifying potential risks in power grid operation and guiding the scientific planning and construction of power grid.
Key words ：big data mining；grid operation；monitoring information；status assessment；risk assessment；automatic warning
文章编号： 2096-4633( 2019) 11-0077-09
中图分类号： C39
文献标志码： B
收稿日期： 2019-01-28
作者简介：
吴晓芸(1987)，女，硕士，工程师，主要从事线路运维及电网调控工作。
初中生有他们的特点，亲其师信其道，也就是说如果他们对某位教师有好感，他们便对这位教师的课堂感兴趣并分外重视，肯下大力气，花大工夫学这门课，因而会成绩优秀。反之，如果他们不喜欢某位教师，由于逆反心理，他们也就不愿学或不学这位教师所教的课，成绩当然不会理想。所以，教师要深入学生，和学生打成一片，了解学生的兴趣、爱好以及喜怒哀乐情绪的变化，时时处处关心、爱护、尊重学生，有的放矢地帮助学生，做他们的良师益友。当然，这并非说他们的缺点不可批评，可以听之任之。而批评和表扬应出于同一个目的——爱护他们，因而批评的方式比批评本身更重要，也只有这样，师生才能关系和谐，感情融洽，学生才能兴趣盎然地进行学习。
(本文责任编辑：范 斌)
标签：大数据挖掘论文; 电网运行论文; 监控信息论文; 状态评估论文; 风险评判论文; 自动预警论文; 国网武汉供电公司论文;