对电力设备状态大数据分析

《对电力设备状态大数据分析》由会员分享，可在线阅读，更多相关《对电力设备状态大数据分析（21页珍藏版）》请在装配图网上搜索。

1、对电力设备状态大数据分析摘要：随着智能电网的发展和电网规模的迅速增长, 及时、准确地掌握电力设备运行 状态面临巨大的问题和挑战。近年来,电力信息化日臻完善,电力设备状态监测、生产管 理、运行调度、环境气象等数据逐步实现集成共享,大数据技术为电力设备状态评估和故障 诊断提供了全新的解决思路和技术手段。结合大数据技术及数据挖掘分析方法在电力设备状 态评估中应用的现状,说明了电力设备状态大数据分析的内涵、目的、数据特征和基本架 构,阐述了电力设备状态大数据集成、转换、清洗、分布式存储和处理、高效挖掘以及数据 驱动的设备状态分析模型等关键技术。通过分析电力设备状态评估的总体需求, 总结和探讨 了大数据

2、技术在电力设备状态评价、异常检测、故障预测、智能诊断等典型业务场景中应用 的方法和效果,提出了研究和应用中面临的主要问题,并对相关技术的发展趋势进行了展 望。关键词：大数据;电力设备; 状态评估; 故障诊断; 状态监测;数据挖掘;异常检测; 故障预测;Abstract：With the development of smart grid and the rapid expansion of power grid scale, it is very difficult to grasp the operational state of power equipment timely and acc

3、urately.In recent years, the informationization of electric power has reached a high level.Data from condition monitoring system, power production management system, operation dispatching system, and environmental meteorology system are gradually integrated and shared.Big data technologies provide n

4、ew technical methods and tools for power equipment condition assessment and fault diagnosis.We put forward the connotation, purpose, data characteristics, and basic framework for big data analysis of power equipment condition, in consideration of the status quo of big data technology and data mining

5、 analysis in power equipment condition assessment.The key techniques of big data integration, conversion, cleaning, distributed storage and processing, data mining with high efficiency, and data-driven analysis model for power equipment condition assessment are comprehensively elaborated.According t

6、o the total demand analysis of power equipment condition assessment, the methods and effects of big data techniques in application scenarios such as condition evaluation, anomaly detection, fault prediction and intelligent diagnosis are summarized and discussed.Finally, the major problems in researc

7、h and application are proposed, and the development trend of the relative technologies is prospected.Keyword：big data analysis; power equipment; condition assessment; fault diagnosis; condition monitoring; data mining; anomaly detection; fault prediction;0引言电力设备是构成电网的基础元件, 设备故障会严重影响电网的安全稳定运行, 造成巨大 的

8、经济损失。根据行业统计分析, 由于设备运行环境复杂恶劣、设备质量潜在缺陷等问题长 期存在, 设备故障一直是引起电网停电事故的主要源头。全面、及时、准确掌握电力设备运 行状态是保障设备安全运行的首要问题和难点, 也是电力设备智能化的主要技术瓶颈1。 近年来, 电网规模迅速增长, 安全可靠供电的要求也越来越高, 设备状态准确评估和状态检 修面临更大的挑战, 主要问题表现在:1) 传统的状态评估主要采用基于理论分析、计算仿真和试验测试等手段建立的因果关 系物理模型, 然而设备故障影响因素众多、机理复杂, 难以建立完善、精确的状态评估物理 模型。2) 现有方法主要基于单一或少数状态参量以及统一的诊断标

9、准, 参数和阈值的确定主 要基于大量实验数据的统计分析和主观经验, 分析结果片面, 无法全面反映故障演变与表现 特征之间的客观规律, 统一标准的固定阈值判定方法也难以保证对不同设备的适用性。3) 电力设备的故障诊断很大程度上依赖专家分析, 近年来状态检测数据爆发式增长加 上与设备状态密切相关的电网运行、气象环境等信息数据量巨大, 人工进行诊断分析的效率 很低。4) 电力设备状态相关信息分散于各业务应用系统, 数据结构复杂多样、数据接口各不 相同、平台间数据通信困难、交互性差, 导致信息与资源分散, 异构性严重, 横向共享和纵 向贯通困难, 而且数据质量参差不齐, 数据集成和融合分析的难度较大,

10、 影响设备状态评估 诊断的效果和效率。随着智能电网的建设与发展, 电力设备状态监测、生产管理、运行调度、环境气象等数 据逐步在统一的信息平台上的集成共享, 推动电力设备状态评价、诊断和预测向基于全景状 态的综合分析方向发展。然而, 影响电力设备运行状态的因素众多, 爆发式增长的状态监测 数据加上与设备的状态密切相关的电网运行、气象环境等信息数据量巨大, 现有方法难以对 这些数据进行融合分析, 这种背景下, 大数据分析技术提供了一种全新的解决思路和技术手 段。近年来, 现代通信信息技术的快速发展引发了数据迅猛增长, 面向数据挖掘、机器学习 和知识发现的大数据分析和处理技术得到广泛的关注, 成为推

11、动行业技术进步和科学发展的 重要手段2。由于大数据对经济、社会和科研的巨大价值, 美国、英国、日本和欧盟等世 界主要发达国家和地区纷纷给予高度关注, 将大数据技术的研究和应用提升到国家战略层 面，投入大量人力和财力进行研究3。谷歌、亚马逊、微软、IBM和Facebook等国际著名 IT 企业也将大数据技术列入重点发展计划。国内相关的研究起步稍晚, 但呈现蓬勃发展的 态势， 以百度、腾讯、阿里巴巴、科大讯飞为代表的企业已将大数据技术成功应用于电子商 务、金融、智能交通、公共管理、语音识别等领域。2015年9月， 国务院发布了促进大 数据发展行动纲要， 为推动我国大数据技术和产业进一步快速发展提供

12、了有力支撑。电力行业大数据的应用涉及整个电力系统在大数据时代下发展理念、管理体制和技术路 线等方面的重大变革， 是下一代智能化电力系统在大数据时代下价值形态的跃升4。近年 来， 电力大数据基础技术及其应用的研究逐步开展， 并在智能配用电、电力系统仿真、电网 安全分析、电力负荷预测等方面取得一定的应用成效5，6，7，8，9，10，11。为了更好地掌握 电网设备运行状态， 提高设备运行风险管控水平， 国家科技部、国家自然科学基金、国家电 网公司和南方电网公司等单位 2015 年以来陆续立项开展了大数据分析技术在电力设备状态 评估方面的研究和应用， 取得了阶段性的研究进展， 成为电力大数据的重要应用

13、领域。本文结合大数据技术及数据挖掘分析方法在设备状态评估中应用的现状， 阐述电力设备 状态大数据分析的内涵和目的、数据来源和特征、基本框架以及涉及的关键技术问题， 总结 和探讨大数据技术在电力设备状态评估中的典型应用场景和应用效果， 并提出研究和应用中 面临的挑战以及未来的发展趋势。1 电力设备状态大数据分析概述1.1 内涵和目的电力设备状态大数据分析主要利用日渐完善的电力信息化平台获取大量设备状态、电网 运行和环境气象等电力设备状态相关数据， 基于统计分析、关联分析、机器学习等大数据挖 掘方法进行融合分析和深度挖掘,从数据内在规律分析的角度发掘出对电力设备状态评估、 诊断和预测有价值的知识,

14、建立多源数据驱动的电力设备状态评估模型, 实现电力设备个性 化的状态评价、异常状态的快速检测、状态变化的准确预测以及故障的智能诊断, 全面、及 时、准确地掌握电力设备健康状态,为设备智能运检和电网优化运行提供辅助决策依据。电 力设备状态大数据分析是传统数据挖掘技术的提升和变革5, 核心优势是从全量数据中提 取客观规律,不需要建立复杂的物理数学模型,主要应用价值体现在:1) 从数据分析的角度揭示电力设备状态、电网运行和气象环境参量之间的关联关系和 内在变化规律,捕捉设备早期故障的先兆信息,追溯故障发展过程, 预测故障发生的概率, 从而及时发现、快速诊断和消除故障隐患,保障电力设备运行安全。2)

15、利用多维统计分析、关联分析、机器学习等方法获得不同条件、不同维度电力设备 状态变化的个性化规律,实现多维度、差异化的全方位分析,大幅提高电力设备状态评价和 预测的准确性。3) 推动新一代信息技术与设备运维检修的深度融合, 实现多源海量数据的快速分析、 主动预测预警和故障智能研判,提升设备状态评估的效率和智能化水平。1.2数据来源和特征电力设备状态大数据分析所需要的数据主要包括:设备台账、技术参数、巡检和试验数 据、带电检测和在线监测数据、电网运行数据、故障和缺陷记录、气象信息等, 涵盖能够直 接和间接反映电力设备状态的信息。根据电力设备状态信息的更新频率, 可以将上述不同来 源的状态信息划分为

16、3大类:静态数据、动态数据、准动态数据。静态数据主要包括设备台 帐、技术参数、投运前试验数据、地理位置等;动态数据通常按分钟、小时或天为周期更新, 是反映设备状态变化的关键数据,主要包括运行数据、巡视记录、带电检测数据、在线监测 数据、环境气象等;准动态数据通常按月或年定期或不定期更新, 主要包括检修试验数据、 缺陷/故障/隐患记录、检修记录等。电力设备状态数据具备典型大数据特征,传统的数据处理和分析技术无法满足要求, 主 要体现在:1)数据来源多。数据分散于各业务应用系统,主要来源包括设备状态监测系统、 生产管理系统 (统 (production management system, PMS

17、) 、能量管理系统 (energy management system, EMS) 、地理信息系统 (geographic information system, GIS) 、天 气预报系统、雷电定位系统、山火/覆冰预警系统等, 各系统相对独立、分散部署,数据模 型、格式和接口各不相同;2)数据体量大、增长快。电力设备类型多、数量庞大, 与设备状 态密切相关的智能巡检、在线监测、带电检测等设备状态信息以及电网运行、环境气象等信 息数据量巨大且飞速增长;3)数据类型异构多样。电力设备状态信息除了通常的结构化数据 以外、还包括大量非结构化数据和半结构化数据,如红外图像、视频、局部放电图谱、检测 波

18、形、试验报告文本等,各类数据的采集频率和生命周期各不相同;4) 数据关联复杂。各类 设备状态互相影响,在时间和空间上存在着复杂的关联关系。1.3基本架构电力设备状态大数据分析的参考基本架构如图1所示。首先, 利用跨平台多源异构数据 获取技术从电力系统内部多个信息系统中获得在线监测、带电试验、停电试验、人工巡检、 电网运行、环境气象等设备状态数据。然后,对异构数据进行规范化转换和清洗, 利用统一 的电力设备状态全景信息模型和分布式处理技术实现大数据的分布式存储、快速检索和实时 处理。在此基础上,基于内存计算框架和并行化计算技术建立设备状态数据高效挖掘和耦合 分析的大数据挖掘分析平台。结合电力设备

19、状态评估的主要业务场景和分析模型, 基于该平 台对大量设备状态实时数据和历史数据进行关联关系和内在规律的分析, 实现电力设备异常 检测、动态评价、状态预测和故障诊断等功能。最后,利用多维度、多角度的可视化技术展 示综合评估诊断结果和分析过程,为设备运维检修、电网调度运行和资产管理等业务提供优 化决策支持。2电力设备状态大数据分析的关键技术大数据技术主要包括数据预处理、数据存储与检索、数据分析和可视化展示等重要技 术。结合图1电力设备状态大数据分析的总体架构,除了建立大数据分析平台的通用技术 外,电力设备状态大数据分析涉及的关键技术还包括:多源异构设备状态数据的集成和预处 理、面向设备状态大数据

20、的分布式存储和处理、数据高效挖掘和并行化计算以及数据驱动的 设备状态分析模型等。2.1多源异构设备状态数据集成和预处理技术2.1.1多源数据集成和规范化转换电力设备状态大数据分析平台一方面需要从PMS、EMS、设备状态监测系统、气象信息 系统等多个内部系统中获取相关数据,另一方面通过物联网、移动互联等技术, 收集无人机 巡线、机器人巡检、移动巡检、智能穿戴等外部实时检测信息,形成设备全景信息库, 为电 网运行、设备状态、气象环境等多源信息的展示和融合分析提供数据支撑。依据数据完整 性、可用性和安全性等要求,可以采用企业服务总线 (enterprise service bus, ESB) 、 W

21、ebservice、数据中心数据库共享、安全文件传输等数据接口方式，从各类电网业务系统中抽取数据, 解决跨平台数据库高效访问、数据文件高速并发读取、数据安全传输与同步等问题。2.1.2 非结构化数据转换通过人工巡检、在线监测、智能巡检等方式采集的大量红外热像、视频图像、紫外成 像、局部放电图谱、频响和波形曲线等目前大都以非结构化的形式存储和处理, 这些非结构 化数据可以有效地发现电力设备外观、环境、局部过热、局部放电等主要缺陷, 为设备状态 评估诊断提供重要依据。此外, 大量的试验文档、巡检文档、检修工单、故障缺陷案例报告 等以非结构化文本的形式存储, 也是设备状态评估和预测的重要参考信息。需

22、要利用图像处 理、文本挖掘等技术实现设备状态检测图形、图像、文本数据的特征提取和结构化转换 12, 为数据的统计分析和知识挖掘提供支持。运塩怡谨人成彊产管理人氏一tJi1异常诀遮栓.測名绘歧杭嗇评柠EZ狀总广战障预囚按懈討龍陰曲1 111两雜机计廿晳| 1别琵学胡数捂捋鉗1可屣大载刎灿布冑与f扒惶冰悅盖云.禹锻处库i I分苛过隔示11舞瞬屣亍11天医矢辐長示11结录歩樂屈示| i I,1m佝L荷埶处理 备 I爭渦益把的兀我邦.沉处理歡抵第咸、清沉、规克化.转拱一_ L EI時牢含菸诵鞍挺佥嵐韶錢赛能址甘 理盂扯2.1.3 状态数据质量评估和数据清洗数据质量是是保证数据挖掘分析效果的前提条件。电

23、力设备状态信息相关数据具有来源 多、信息异构、数量庞大、属性繁多等特点, 存在数据不完整、冗余、冲突、遗漏、错误等 问题, 尤其是设备状态监测系统可靠性不高, 传感器的短时失效、测量值错误、通讯端口异 常、设备系统扰动等情况时有发生, 监测数据中不可避免的存在各类无效的异常值, 影响设 备状态分析和评估的结果。电力设备状态数据清洗是数据预处理必不可少的环节, 也是保证设备状态大数据分析效 果的关键技术。数据清洗的主要方法是通过统计分布、聚类、关联分析、时间序列分析以及 机器学习等手段进行数据质量的检验、离群点识别、缺失值填充、噪声平滑等, 剔除无用的 错误数据,填补关键的缺失数据,确保数据的有

24、效性、一致性、完整性13,14,15, 满足设 备状态数据挖掘分析的要求。特别要注意的是数据本身的异常应该与设备状态异常变化有效 区分,以免造成设备状态异常的漏判或误判16。2.2面向设备状态大数据的分布式存储和处理技术考虑到系统的成熟性和先进性，目前一般采用Hadoop平台作为电力设备状态大数据存 储、处理和云计算平台,但考虑到电力设备状态数据自身的特点和状态分析的性能需求, Hadoop平台在应用时仍存在很大的优化空间17,18,19,20。2.2.1设备状态数据高效存储技术:传统的设备状态数据存储多采用关系型数据库或以关系数据库为基础的并行数据库, 在 海量数据装载以及查询时性能下降明显

25、,不能很好地适应设备状态大数据分析的应用需求。 面向电力设备状态大数据的存储系统需要满足结构化和非结构化相结合、可靠性高、容量 大、存储速度快等要求，一般采用主流的分布式文件存储和分布式No SQL列存储数据库 （Hbase或HDFS）。为了提高访问的性能，需要针对电力设备状态数据的特点优化存储策略, 加快数据处理速度,如:考虑设备状态数据相关性和时空属性的分布式存储算法,按照设备 主属性、时间戳和相关系数使具有相关性的数据在集群中聚集;对Hadoop平台的数据划分策 略、调整数据块尺寸以及集群网络拓扑规划进行优化等18。2.2.2设备状态数据快速检索技术大数据分布式存储并没有完全解决数据高效

26、检索问题,尤其是面对电力设备状态分析复 杂、灵活多条件时空查询的需求,单一行键查询难以满足需要。为提高设备状态评估数据检 索和分析的效率,针对设备状态数据查询业务虽然频繁发生,但其类型相对固定的特点, 可 采用多数据源并行连接的查询方法和二级索引技术,设计复合行键结构, 在查询的性能以及 业务的灵活性之间进行平衡。该技术基于增量索引和动态索引的数据检索方法, 资源利用率 高、稳定性高、容错性高,能够较好地满足设备状态大数据快速、灵活查询的需要19。2.2.3设备状态数据处理技术大数据计算处理技术主要包括内存计算技术（如Spark）、即席查询技术（如Impala）、实时流处理技术（如Storm）

27、和并行批处理技术（如Map-reduce）等20。实时 流处理技术特点是处理速度快,可以简单、高效、可靠地处理大量的数据流, 但是无法精确 反映数据的全貌。批处理技术可以实现数据自动分隔、任务均衡、并行处理和结果融合。设 备状态大数据分析可以根据业务特点和对处理时间的要求综合应用不同的处理技术:设备状 态评价和故障诊断分析等需要处理数据库中海量历史数据的场景, 可采用并行批处理技术; 设备异常状态快速检出以及视频监控图像识别等需要实时处理传感网络监测数据等场景, 可 采用实时流处理技术和内存计算技术。2.3面向设备状态评估的大数据挖掘分析算法与并行化技术数据挖掘分析的研究方式不同于基于数学模型

28、的传统研究方式, 大量数据可以不依赖模 型和假设,只要数据间有相互关系,经过分析计算就可以获得传统方法发现不了的新模式、 新知识甚至新规律。数据分析的主要方法分为3类:1）统计分析, 包括传统统计分布模型、 时间序列分析、多元统计分析以及新兴的高维随机矩阵分析方法等;2） 挖掘分析, 包括关联 规则挖掘、聚类、分类和异常检测等;3）机器学习,根据学习模式分为监督学习, 无监督学 习和强化学习,根据学习方法分为传统机器学习和基于多层神经网络的深度学习, 另外, 还 包括迁移学习、主动学习和演化学习等类型。由于大数据具有海量、复杂多样、变化快等特性,当数据量增大到一定规模的时候, 传 统数据挖掘分

29、析算法很多不再适用,需要利用并行计算模型加快数据的处理速度。因此, 不 少科研机构以及高校都积极致力于高性能的大规模数据集挖掘算法的研究21,22,利用不 同的技术对传统的数据挖掘算法进行了修改、优化，使其能够通过大数据存储架构的Map Reduce并行计算模型加快计算速度，以适应大数据背景下的数据高效挖掘和融合分析要 求。主要的思路是利用经典的数据统计和挖掘算法 （包括回归分析、关联分析、分类、聚 类、时间序列分析等）构建大数据挖掘平台，将建模过程与Spark内存计算框架相结合，由 多个分布式节点并行地进行计算，提高挖掘分析速度。考虑到每种数据挖掘分析算法都有其应用特点，在电力设备大数据分析

30、的应用中， 需要 针对具体的业务场景采用一种或多种算法。2.4多源数据驱动的电力设备状态分析模型电力设备状态大数据分析的核心是充分利用设备状态、电网运行和环境气象等多源、海 量数据进行深度融合分析和机器学习，提高设备状态评价、故障诊断和预测的实时性和准确 性。根据应用场景，可以构建3类分析模型:1）通过多维统计分析、聚类、关联分析、回归 分析、时间序列分析等大数据挖掘手段分析各类状态数据的关联关系及变化规律， 构建历史 知识模型;2）通过大量数据的多维统计和挖掘分析，建立基于数据驱动的状态评价、故障诊 断和预测模型;3）利用大量样本数据进行智能学习，对现有状态评价和故障诊断物理和数学 模型进行

31、修正、补充和完善。3电力设备状态大数据分析的典型应用3.1总体需求分析电力设备的状态变化和突发故障是在高压电场、热、机械力以及运行工况、气象环境等 多种因素的作用下发生的,要及时和准确地发现设备在运行中产生的潜伏性故障是十分困难 的,必须多角度综合分析不同特征参量值及其变化趋势,来提高设备状态评价、诊断和预测 的准确性。而电力设备的状态变化和故障演变规律蕴含在带电检测、在线监测、巡检试验以 及运行工况、环境气候、电网运行等众多状态信息中,随着智能电网的建设和不断发展, 设 备检测手段的不断丰富,电网运行和设备检测产生的数据量呈指数级增长, 逐渐构成了当今 信息学界所关注的大数据,充分利用这些数

32、据需要相应的大数据分析技术作为支撑。3.2典型应用场景3.2.1面向设备状态评估的历史知识库对设备状态相关的状态监测、带电检测、试验、气象、运行以及设备缺陷和故障记录等 海量历史数据进行多维度统计分析和关联规则挖掘,从电压等级、设备厂家、设备类型、运 行年限、安装地区等多个层面和多个维度揭示设备状态变化的统计分布规律、设备缺陷和故 障的发生规律及设备状态的关联变化规则,形成基于海量数据挖掘分析的历史知识库, 为设 备家族性缺陷分析、状态评价、故障诊断和预测提供支撑,也可以为状态检修辅助决策提供 科学依据。3.2.2设备状态异常的快速检测电力设备在实际运行过程中会受到过负荷、过电压、突发短路、恶

33、劣气象、绝缘劣化等 不良工况和事件的影响使设备状态发生异常变化,这些异常运行状态如不及时发现并采取措 施,会导致设备故障并造成巨大的经济损失。从不断更新的大量设备状态数据中快速发现状 态异常变化的信号,是设备状态大数据分析的重要优势之一。设备异常或故障类型很多,但故障样本很少,反映故障发展过程数据变化的样本更少, 很难利用少量数据样本建立准确的异常检测模型、设定异常检测判断参数和阈值。大数据分 析可以改变传统固定阈值的检测方法,基于海量的正常状态数据建立数据分析模型, 利用纵 向 （时间）和横向 （不同参数、不同设备）状态数据的相关关系变化判断设备状态是否发生 异常,及时地发现潜在故障隐患。目

34、前,一些研究采用聚类分析、状态转移概率和时间序列 分析等方法进行状态信息数据流挖掘实现设备状态异常的快速检测, 取得了一定的效果 23,24,25,基于高维随机矩阵、高维数据统计分析等方法建立多维状态的大数据分析模型, 利用高维统计指标综合评估设备状态变化, 也展现了良好的应用前景25,26。3.2.3 设备状态的多维度和差异化评价由于电力设备的分布性和电网的复杂性, 要对电力设备进行全面和准确的状态评价, 需 要考虑电网运行、设备状态以及气象环境等不同来源的数据信息, 同时结合设备当前和历史 状态变化进行综合分析。近年来, 考虑多参量的设备状态评价方法受到较多的关注, 主要利 用预防性试验、

35、带电检测、在线监测的数据结合故障记录、家族缺陷等对设备整体健康状态 进行分析, 采用的方法包括累积扣分法、几何平均法、健康指数法等简单数学方法以及模糊 理论、神经网络、贝叶斯网络、证据推理、物元理论、层次分析等智能评价方法 27,28,29。但现有方法主要基于某个时间断面的数据对设备状态进行评价, 大数据的主要 优势是通过融合分析实时和历史数据, 实现多维度、差异化评价。在多维度评价方面, 基于电力设备物理模型特征参量的内在联系结合主成分分析法、关 联分析法等数据挖掘分析方法, 确定与设备关键性能相关的特征参量及其与设备关键性能状 态间的耦合关系, 建立不同部件、不同性能对应的关键特征参量集,

36、 形成电力设备多维度状 态评价的指标体系30。在差异化评价方面, 传统的设备状态评价大都采用统一标准的计算模型参数、权重和阈 值, 难以保证对不同类型、不同地区设备的普遍适用性。大数据技术通过对大量设备状态历 史数据、变化趋势以及缺陷和故障记录进行多维度统计分析和关联分析, 获得数据的统计分 布规律、相关关系和演变趋势, 从而对不同设备类型、不同地区、不同厂家、甚至不同时间 段的评价模型参数、权重和阈值进行修正和完善, 实现设备状态的差异化评价 31,32,33,34。其中, 各状态量的关联度、权重以及差异化阈值的确定是设备状态大数据 评价的核心。3.2.4 设备状态变化和故障预测设备状态预测

37、是从现有的状态数据出发寻找规律, 利用这些规律对未来状态或无法观测 的状态进行预测。传统的设备状态预测主要利用单一或少数参量的统计分析模型 （如回归分 析、时间序列分析等） 或智能学习模型 （如神经网络、支持向量机等） 外推未来的时间序列 及变化趋势35,36, 未考虑众多相关因素的影响。大数据分析技术可以挖掘设备状态参数 与电网运行、环境气象等众多相关因素的关联关系, 基于关联规则优化和修正多参量预测模 型, 使预测结果具备自修正和自适应能力, 提高预测的精度37,38,39。设备故障预测是状态预测重要环节, 主要通过分析电力设备故障的演变规律和设备故障 特征参量与故障间的关联关系, 结合多

38、参量预测模型和故障诊断模型, 实现电力设备的故障 发生概率、故障类型和故障部位的实时预测。目前的研究主要采用贝叶斯网络、Apriori等 算法挖掘故障特征参量的关联关系, 进而利用马尔科夫模型、时间序列相似性故障匹配等方 法实现不同时间尺度的故障预测40,41,42。3.2.5 设备故障智能诊断对已发生故障或存在征兆的潜伏性故障进行故障性质、严重程度、发展趋势的准确判 断, 有利于运维人员制定针对性检修策略, 防止设备状态进一步恶化。传统的故障诊断方法 主要基于温度分布、局部放电、油中气体以及其它电气试验等检测参量, 采用横向比较、纵 向比较、比值编码等数值分析方法进行判断1。由于设备故障机理

39、复杂、故障类型和现场 干扰的种类繁多, 简单数值分析的诊断方法准确率不高, 许多情况下需要多个专家进行综合 分析确诊, 诊断效率很低, 且容易受到不同专家主观经验的影响。随着人工智能及机器学习 算法的快速发展, 神经网络、支持向量机、模糊推理、贝叶斯网络、故障树、随机森林等智 能方法在电力设备故障诊断中得到不少应用, 取得较好的成效43,44,45,46。基于一定规 则综合利用多种智能算法、建立故障诊断相关性矩阵等融合分析方法, 可以有效提高诊断的 准确性47,48。近年来, 带电检测、在线监测、智能巡检技术大量推广应用, 采集了海量的状态检测数 据。利用大数据分析平台和人工智能技术可以对海量

40、数据样本进行自动学习实现故障智能诊 断, 达到甚至超过多个专家分析会诊的能力。基于大数据样本智能学习需要构建足够数量的 缺陷、故障和现场干扰样本数据库, 一方面通过深度学习等先进的机器学习手段建立设备故 障智能诊断模型, 另一方面可以通过大数据匹配和关联算法搜索相似的缺陷或故障案例, 为 设备故障分析提供参考。另外, 利用智能学习算法对海量的状态检测图像和声音进行设备故 障的自动辨识也是颇具应用价值的关键技术。目前深度信念网络、深度卷积网络等深度学习 方法已在局部放电、油中气体故障诊断以及红外图像处理等方面取得了研究和应用进展 49,50。4 面临的挑战和发展趋势4.1 面临的挑战目前, 大数

41、据分析技术在电力设备状态评估中的应用已经在我国电网公司逐步开展。国 家电网公司在电网运检智能化分析管控平台上利用大数据分析技术对设备状态进行多维度评 价和故障预警;山东、上海、浙江、广州、宁夏等电网公司也陆续开发了基于大数据分析的 电力设备状态评估系统, 取得了初步的应用成效。大数据技术为突破设备状态评估的瓶颈提 供了全新的思路和手段, 但要完全满足智能电网的要求, 推动电力设备智能运检模式的变 革, 在管理上和技术上还有不少难题需要解决, 面临的挑战主要包括:1) 设备状态数据来源涉及多个业务部门、数据结构和种类繁多、时间尺度跨度大, 全 面获取设备状态数据, 尤其设备全寿命周期的历史数据难

42、度较大, 数据集成和规范化转换、 数据质量的提升以及非结构化数据的有效利用仍需要大量的协同工作和技术攻关。2) 与设备状态相关的电网运行、气象环境数据量较大, 但反映设备核心状态变化的试 验测试和带电检测数据间隔时间长、数据量较小。需要解决在线监测的可靠性和经济性以及 带电检测效率的问题, 推动在线监测和高效带电检测技术的广泛应用。3) 取得突破的机器学习对训练样本往往有数量上的要求, 而设备异常和故障样本的数 据相对较少, 使机器学习的效果受到制约。如何将设备状态评估的专家经验融入机器学习、 将知识分析与数据挖掘相结合, 实现专家知识的共享和传承是需要解决的重要问题。4) 电力设备状态大数据

43、分析需要电气工程、计算机、信息和数学等专业的深度融合, 交叉学科人才的缺乏是影响技术发展和应用的重要因素。4.2 发展趋势设备状态大数据分析的发展趋势主要体现在以下几个方面:1) 设备状态全面感知, 提高设备状态监测的信息化水平。随着智能传感器、物联网和移动互联技术的发展, 高可靠、低成本的分布式智能传感网 络以及传感元件与本体一体化设计的智能设备将在未来电网中广泛应用, 为设备状态的大数 据分析提供更全面、更完备的基础数据。2) 大数据挖掘分析技术与业务需求深度融合。为设备状态分析提供更强劲的动力引 擎。数据挖掘分析的技术发展趋势是分布式实时处理实现大规模数据的深度分析和实时挖 掘, 以及数

44、据挖掘过程可视化使知识发现的过程更易于理解。将最新的数据挖掘分析方法与 设备状态评估业务需求深度交叉融合, 开发出针对电力行业甚至电力设备状态大数据分析应 用的数据挖掘分析工具和开发环境, 可在多源异构数据高效处理、设备状态数据清洗和自动 修复、设备状态变化规律深层次发掘等方面发挥重要作用。3) 大数据和人工智能技术紧密结合, 提高设备状态分析的智能化水平。近几年以深度学习为代表的人工智能技术取得飞速的进展, 尤其在语义识别、语音识 别、图像识别等方面的分析效率和准确度已经远超过人类专家。2017年9月, 国务院发布 了新一代人工智能发展规划, 进一步推动了人工智能技术在我国的发展和应用。电力

45、设 备状态评估将在大数据分析的基础上, 实现数据驱动、领域知识和人工智能的有效结合, 在 异常状态快速甄别、状态检测图像自动处理、故障预测等方面取得突破性的进展。5结论1) 电力设备状态评估和故障诊断是大数据技术在电力系统的重要应用领域, 可以为智 能电网背景下设备状态检修、全寿命周期管理和智能调度等环节提供智能决策支持。2) 除了建立大数据分析平台的通用技术外, 电力设备状态大数据分析的关键技术要结 合设备状态数据的特征和应用业务的需求, 实现多源异构数据的集成、转换、清洗、存储、 处理和数据挖掘。3) 目前大数据在电力设备状态评估中的研究和应用还处于起步和探索阶段, 初步的研 究表明:大数

46、据分析可以有效提高电力设备状态评估的准确性, 在提炼历史知识、个性化评 价、异常快速检测、故障智能诊断和状态预测等应用场景方面展现了良好的效果, 应用前景 广阔。4) 设备状态大数据分析在数据集成、数据质量、样本数量等方面面临一些挑战, 未来 突破的关键是设备状态数据的全面获取以及数据挖掘分析与业务需求的深度融合, 大数据结 合人工智能技术的应用将是重要的发展方向。参考文献1 朱德恒，严璋，谈克雄，等电气设备状态监测与故障诊断技术M.北京：中国电力 出版社, 2009.ZHU Deheng, YAN Zhang, TAN Kexiong, et al.Condition monitoring

47、and fault diagnosis technology of electric apparatusM.Beijing， China：China Electric Power Press， 2009.2 王星大数据分析：方法与应用M.北京:清华大学出版社，2013.WANG Xing.Bigdata analysis：method and applicationM.Beijing， China：Tsinghua UniversityPress， 2013.3 李国杰， 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 (6) ：

48、647-657.LI Guojie, CHENGXueqi.Big data research：a major strategic area for future development in science， technology， economy and societyresearch status and scientific thinking of big dataJ.Bulletin of the Chinese Academy of Sciences, 2012(6) :647-657.4 中国电机工程学会信息化专委会中国电力大数据发展白皮书(2013) R.北京：中 国电机工程学

49、会信息化专委会, 2013.Chinese Society for Electrical Engineering Informatization Committee.Chinese electric power big data development white paper (2013) R.Beijing, China：Chinese Society for Electrical Engineering,2013.5 费思源大数据技术在配电网中的应用综述J.中国电机工程学报，2018, 38(1) ：85-96.FEI Siyuan.Overview of application of b

50、ig data technology in power distribution systemJ.Proceedings of the CSEE, 2018, 38 (1) ：85-96.6 张东霞，苗新，刘丽平，等智能电网大数据技术发展研究中国电机工程学报， 2015, 35 (1) ：2-12.ZHANG Dongxia, MIAO Xin, LIU Liping, et al.Research on development strategy for smart grid bigJ.Proceedings of the CSEE， 2015， 35(1) ：2-12.7 王继业，季知祥，史

51、梦洁，等智能配用电大数据需求分析与应用研究J.中国电机 工程学报， 2015， 35 (8) ：1829-1836.WANG Jiye， JI Zhixiang， SHI Mengjie， et al.Scenario analysis and application research on big data in smart power distribution and consumption systems， scenario analysis and application research on big data in smart power distribution and cons

52、um8ption systemsJ.Proceedings of the CSEE， 2015， 35 (8) ：1829-1836.8 HE X， AI Q， QIU R C， et al.A big data architecture design for smart grids based on random matrix theoryJ.IEEE Transactions on Smart Grid， 2017， 8(2) ：674-686.9 魏大千，王波，刘涤尘，等基于时序数据相关性挖掘的WAMS/SCADA数据融合方法J.高电压技术，2016, 42 (1) ：315-320.W

53、EI Daqian, WANG Bo, LIU Dichen, et al.WAMS/SCADA data fusion method based on time-series data correlation miningJ.High Voltage Engineering， 2016， 42 (1) ：315-320.10 黄彦浩，于之虹，谢昶，等.电力大数据技术与电力系统仿真计算结合问题研究 J.中国电机工程学报，2015, 35 (1) : 13-22.HUANG Yanhao, YU Zhihong, XIE Chang, et al.Study on the application

54、 of electric power big data technology in power system simulationJ.Proceedings of the CSEE， 2015， 35 (1) ：13-22.11 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 (1) :37-42.ZHANG Suxiang, ZHAO Bingzhen, WANG Fengyu, et al.Short-term power load forecasting based on bigdataJ.Proceedings of the CSEE，

55、 2015， 35 (1) :37-42.12 曹靖，陈陆燊，邱剑，等基于语义框架的电网缺陷文本挖掘技术及其应用J.电 网技术， 2017， 41 (2) :637-643.CAO Jing， CHEN Lushen， QIU Jian， et al.Semantic framework-based defect text mining technique and application in power gridJ.Power System Technology， 2017， 41 (2) :637-643.13 严英杰， 盛戈皞， 陈玉峰， 等.基于时间序列分析的输变电设备状态大数据清洗方

56、 法 J.电力系统自动化，2015, 39 (7) ：92-96.YAN Yingjie, SHENG Gehao, CHEN Yufeng, et al.Big data cleaning method for power equipment state data based on time series analysisJ.Automation of Electric Power Systems， 2015， 39 (7) ：92-96.14 齐波， 张鹏， 荣智海， 等.基于数据驱动和多判据融合的油色谱监测传感器有效性 评估方法J.电网技术，2017, 41 (11) : 3662-36

57、69.QI Bo, ZHANG Peng, RONG Zhihai, et al.Validity assessment method of DGA sensors based on data driven and multiple criterion integrationJ.Power System Technology, 2017, 41 (11) :3662- 3669.15 代杰杰, 宋辉, 杨祎, 等.基于栈式降噪自编码器的输变电设备状态数据清洗方法 J.电力系统自动化，2017, 41 (12) : 224-230.DAI Jiejie, SONG Hui, YANG Yi, e

58、t al.Status data of power transmission and transformation equipment cleaning method based on stacked denoising autoencodersJ.Automation of Electric Power Systems, 2017, 41 (12) :224-230.16 林峻，严英杰，盛戈皞，等考虑时间序列关联的变压器在线监测数据清洗J.电 网技术, 2017, 41 (11) :3733-3740.LIN Jun, YAN Yingjie, SHENG Gehao, et al.Onli

59、ne monitoring data cleaning of transformer considering time series correlationJ.Power System Technology, 2017, 41 (11) :3733-3740.17 王有元，蔡亚楠，王灿，等基于云平台的变电站设备智能诊断系统J.高电压技 术, 2015, 41 (12) :3895-3901.WANG Youyuan, CAI Yanan, WANG Can, et al.Intelligent diagnosis system for substation equipment based on

60、 cloud platformJ.High Voltage Engineering， 2015， 41 (12) :3895-3901.18 宋亚齐， 周国亮， 朱永利， 等.云平台下输变电设备状态监测大数据存储优化与并 行处理J中国电机工程学报，2015, 35 (2) ：255-267.S0NG Yaqi, ZHOU Guoliang, ZHU Yongli, et al.Storage optimization and parallel processing of condition monitoring big data of transmission and transforming

61、 equipment based on cloud platformJ.Proceedings of the CSEE, 2015, 35 (2) ：255-267.19 王德文，李静芳变电设备状态监测大数据的查询优化方法J.电力系统自动化， 2017, 41 (2) ：165-172.WANG Dewen, LI Jingfang.Optima query method of big data for status monitoring of substation equipmentJ.Automation of Electric Power Systems, 2017, 41 (2) ：1

62、65-172.20 宋亚齐，周国亮，朱永利，等智能电网大数据处理技术现状与挑战J.电网技术, 2013, 37 (4) ：927-935.SONG Yaqi, ZHOU Guoliang, ZHU Yongli, et al.Present status and challenges of big data processing in smart gridJ.Power System Technology， 2013， 37 (4) ：927-935.21 骆涛.面向大数据处理的并行计算模型及性能优化D.合肥：中国科学技术大学，2015. LUO Tao.Parallel computatio

63、nal model and performance optimization on big dataD.Hefei， China：University of Science and Technology of China， 2015.22 周斌.基于Hadoop的海量工程数据关联规划挖掘方法研究D.北京：北京交通大学,2016. ZHOU Bin.Research on association rule mining methods of massive engineering data based on HadoopD.Beijing， China：Beijing Jiaotong Univ

64、ersity， 2016.23 严英杰， 盛戈皞， 刘亚东， 等.基于滑动窗口和聚类算法的变压器状态异常检测 J.高电压技术，2016, 42 (12) : 4020-4025.YAN Yingjie, SHENG Gehao, LIU Yadong, et al.Anomalous state detection of power transformer based on algorithm sliding windows and clusteringJ.High Voltage Engineering, 2016, 42 (12) ：4020-4025.24 严英杰, 盛戈皞, 陈玉峰, 等.基于大数据分析的输变电设备状态数据异常检测方 法 J中国电机工程学报，2015, 35 (1) : 52-59.YAN Yingjie, SHENG Gehao, CHEN Yufeng, et al.An method for anomaly detection of state information of power equipment based on big da