引言：文章结合变电设备带电检测，对检测数据进行统计分析，提出带电检测量化评估指标，分析变电站和设备的健康状况，通过对实际检测数据的统计分析，梳理出高风险度的设备和变电站，形成差异化运维清单，提升设备运维效率和质量。
1.检测数据模型
信息建模是依据业务需求进行信息规范化的过程，定义了数据的数字化表达方法。数据建模的目的是设计和实现满足系统信息需求的数据库结构。数据建模一般从业务需求出发[1]，提取出业务模型的特征量，建立数据模型。结合实际带电检测工作，信息模型涵盖设备台账信息和带电检测数据。设备台账信息包括备名称、生产厂家、型号、出厂日期、投运日期。检测数据包括检测缺陷类型、检测部位、检测图谱、红外或局放数据、天气/季节、缺陷性质。带电检测分为红外检测、局部放电检测，缺陷性质包括有一般缺陷、严重缺陷和危急缺陷。
2.缺陷智能分析两层架构
影响变电设备现场运行情况的因素较多，缺陷的诊断需要根据实际问题、数据类型来选择和设计合适的算法模型。当前运维中多依赖于人员的知识和经验，其本质是基于历史样本总结的一般规律。但由于不同运维数据分散存储以及管理上的约束、设备的高可靠性降低了设备故障率等原因，站内有效的缺陷/故障样本数较少，难以支撑智能算法的应用。因此本文建立运维后台和“变电站”两层信息知识库架构，上层汇总多个现场故障信息，归纳缺陷-故障-因素的对应关系，形成不同厂家、不同设备、不同缺陷类型的故障率知识模型。知识可下沉到各分布式变电站，结合现场检测数据生成设备运维巡视优先级列表。多个变电站运维现场构成分布式大数据结构[2]，基于知识生成的巡视排查清单，现场运维并反馈巡检结果，将有效信息上传至上层知识模型中，基于新增样本，修正因素与故障、缺陷间的相关性，提高模型准确性。现场运维信息和监控等信息的融合，管理上的闭环，实现抽象知识层和现场决策层动态交互。其分析架构如图1所示。
图1.缺陷智能分析两层架构：
变电设备差异化运维策略
根据上述变电设备带电检测的统计分析和指标的定义，综合评估站和变电设备风险，在周期性运维的基础上，优化变电设备运维策略，周期性检测时间如下表1所示。具体优化判据为：(1)根据行业标准公式计算{设备类型，设备部位，缺陷类型，厂家}特征组合下缺陷率，得到不同厂家下同一设备类型、设备部位、同一缺陷类型的缺陷率，并动态排序[3]，同一类型缺陷率高的设备类型和厂家疑似存在家族性缺陷，重点关注，优先运维。(2)根据行业标准公式计算设备和全站的风险度，通过动态排序得到高风险的设备和站点清单，重点运维，提高检测频次。在重大保电期间根据区域划分和风险度高低，列为重点检测变电站。(3)根据带电检测的缺陷危急程度，制定不同运维策略。红外一般缺陷，观察其缺陷的发展。红外严重及危急缺陷，应尽快安排处理。局放缺陷，进行重点巡视，缩短检测周期，观测其检测信号增长趋势。(4)根据变电设备维修投运情况重点巡视，针对新投运设备，经过检修、改造或长期停运后重新投入系统运行的设备，发生过负载或负载剧增、超温、发热、系统冲击、跳闸等异常情况的设备间隔进行重点巡视。
表1.标准检测周期：
结论：
简而言之，随着带电检测大规模的应用，海量检测及运维检修数据未得到充分利用，不能指导和优化运维周期。提出基于检测数据的设备状态评价和全站状态评价方法，形成基于历史数据和风险度指标的设备和全站风险排序，依据变电站的运行状况和缺陷危急程度制定不同的策略，辅助现场运维。通过对实际检测数据的统计分析，结果表明提升了设备运维效率和质量。
参考文献：
[1]廖毅，罗炜，蒋峰伟，等.换流阀冷却能力多维度分析与预警模型[J].南方电网技术，2020，14(7)：1-9.
[2]全国高电压试验技术标准化分技术委员会.带电设备红外诊断应用规范：DL/T664—2016[S].北京：中国电力出版社，2017：8-10.
[3]国家电网公司.气体绝缘金属封闭开关设备局部放电带电测试技术现场应用导则第2部分特高频法：Q/GDW11059.2—2013[S].北京：中国电力出版社，2017：5-6.
