運檢大數據及狀態評估優化技改大修項目

吳建軍++崔慧明++吳正功++段堯

摘 要：近年來，隨著智能電網建設的不斷發展，各類電力故障發生的頻率不斷增加，給電力行業安全生產帶來巨大隱患，大數據技術近年來在電力狀態檢修領域也得到廣泛應用。本文基于目前電力狀態檢修現狀，介紹了用于電力狀態評估領域的大數據理論，闡述了電力大數據信息聚合模型。

關鍵詞：大數據；狀態評估；技改大修

中圖分類號：TM73 文獻標識碼：A 文章編號：1671-2064（2017）07-0126-02

1 研究背景和意義

隨著智能電網建設的快速發展，電網規模逐漸擴大，同時電力設備的故障發生頻率和次數也不斷增加，導致出現大停電事故。

為了能夠及時預防電力設備故障，需要對電力設備做狀態在線監測，保證在設備發生故障前及時預測并對設備開展維修，確保電網安全經濟運行。電網可靠性取決于電網設備的運行可靠性，而對電網設備的可靠性的監測及評估是狀態維修重要內容。在電力企業中實施狀態檢修的目的是應用現代管理理念和管理技術，采用有效的監測手段和分析診斷技術，準確掌握設備狀態，保證設備的安全、可靠和經濟運行；科學地進行檢修需求決策，合理安排檢修項目、檢修間隔和檢修工期，有效降低檢修成本，提高設備可用性；形成符合狀態檢修要求的管理體制，提高電力企業檢修、運行的基礎管理水平。

如何利用電力公司現存各系統如PMS等提供的信息對電網設備進行監測，并及時預測故障，已成為當前智能電網發展重點，面對電力系統的海量信息，需要采用全新的大數據技術，對電網設備狀態做準確評價，從而為技改大修項目的精準投資和精益化管理提供有力技術手段。

2 目前研究現狀

2.1 當前狀態檢修存在問題

當前電力狀態檢測發展迅速，多種監測設備和狀態評估方法投入應用，但是從實際使用情況來看，還是存在如下問題：

（1）效率和及時性不佳。由于對電力設備監測的頻率很高，因而產生海量監測數據，在惡劣天氣或故障情況下，監測數據會劇增，現有監測手段往往難以及時處理，信息利用率低下，因而導致狀態評估出現滯后。

（2）數據冗余大，準確性不夠。極端情況下產生的大量數據具有冗余性，這種數據對于現有狀態評估方法干擾大，數據處理時間過長，并且傳統閾值判定具有局限性，難以結合設備運行工況的差異，因而嚴重影響評價結果準確率。

（3）信息孤島問題。目前電力設備在線監測系統都是針對特定設備開發的，如輸電線路在線監測系統，油色譜在線監測系統，局放監測系統，變壓器在線監測系統等，這些系統之間缺乏信息共享，形成信息孤島，各種設備重復配置，資源浪費嚴重。

（4）擴展性和適應性差。狀態在線監測系統所處環境變化大，原有監測方法多為在實驗室理想狀態下使用，對新環境適應性差，不能準確反映出設備實際狀況，現有的技術手段對海量數據難以利用，因而導致數據浪費。

2.2 設備狀態檢修的技術難點

（1）狀態監測數據中異常數據占比很小，按照規范中設定閾值難以劃分正常與異常數據邊界。（2）設備狀態量之間的相互關系非常復雜，難以建立精確數據模型來描述。（3）設備在線監測系統采集頻率快，信息量大，通常以數據流形式傳輸到后臺并要求能快速檢測出異常數據。

2.3 當前電力大數據研究面臨的挑戰

國網公司開展大數據的研究應用已有2年多時間，數據來源已經日益成為當前研究遇到的突出問題，在產生維度，統計口徑，存儲方式，異常辨識，采集密度等都存在障礙，當前的數據源難以支持全行業的大數據研究，成為數據融合的挑戰。當前設備狀態在線監測面對海量在線監測數據時，遇到“數據海量，信息不足”這一問題，因而使得狀態在線監測系統的使用效果受到嚴重制約。主要原因：（1）狀態在線監測系統采集數據海量，價值密度偏低；（2）對設備故障精確判斷關注多，對設備狀態趨勢關注少；（3）數據融合差，無法提供監測設備全景信息。

3 用于電力設備狀態在線監測的大數據理論

3.1 以狀態預測為首要目標

當前電力設備在線狀態監測取得長足發展，從國家電網各使用單位現場反饋情況來看，收效不夠理想，造成這一問題的原因有數據采集精度問題，數據傳輸的抗干擾問題，數據分析不到位問題，另外運維人員對設備狀態的判斷還是依靠個人經驗和國網設備評價導則進行，對設備狀態預警重視不夠。目前一線電力運檢人員對電力設備故障信息和規程閥值極為關注，對設備狀態在線監測還停留在比較測量數據和設備閥值差距的大小，對監測數據潛藏的趨勢或變化信息未做挖掘分析，因而難以實現狀態估計和壽命預測。通過對設備監測海量數據做分析，有助于減少設備故障率，節約維修成本。

3.2 重速度輕精度

當前電力設備狀態在線監測數據以年增長60%速度增長，原有的數據統計分析方法顯得過時，大數據分析技術基于數據驅動，更容易發現新的信息；大數據分析技術更注重快速獲得整體輪廓和脈絡，傳統數據分析過于重視數據精度，只見樹木，不見森林。

3.3 以整體數據分析為依托，弱化隨機采樣

傳統隨機采樣做法會丟失許多個性化和差異化的樣本，因而遺漏許多重要潛在信息，大數據分析方法是在全部整體數據基礎上做分析的，因而可以發現微觀層面細節數據。

3.4 重視對數據相關關系的分析，弱化因果關系分析

大數據分析技術建立在相關關系分析基礎上，相比因果關系更容易建模和實現。

4 電力大數據信息聚合模型

電力設備種類多，結構復雜，無法通過一個可直接觀測的量來衡量設備健康程度，需要對多個特征參量綜合分析才能得出正確結論，通過信息聚合技術，可以對不同來源，不同設備，不同時間，不同形式的數據進行分析處理，針對電力設備狀態在線監測數據快速增長的局面，必須采用信息聚合技術，在架構、思路、算法等方面做出改進，才能滿足大數據分析的要求。根據電力設備在線監測的特點，提出分層聚合的架構，如圖1所示。

從單一數據源得到的數據關聯性是單一的，而從多個數據源獲得的數據關聯性是模糊的，為了能挖掘出豐富清晰的關聯關系，就必須要采用多維信息聚合模式，其過程：（1）對數據做清洗，去除無關噪聲，并做初步歸一化處理；（2）數據級聚合，反映的感知層采集的數據較為直觀，屬于二維的低級聚合。（3）將多組二維關聯信息，根據決策級對象分析需求進一步聚合，形成信息多維聚合，（4）決策級聚合，即根據上傳多維信息，做出相應評估判斷。

（1）數據預處理。電力設備在線監測系統通過各類傳感器采集的信息種類多，信息海量，含義不夠清晰，同時海量數據中還包含一定數量的空數據，壞數據，噪聲數據等，因而有必要對其作初步的信號處理及數據分類，以便后續的信息聚合。主要步驟如下：

數據清洗：通過算法將采集來的監測數據中空數據和壞數據處理掉，將臟數據清洗干凈，以便轉換成可以進一步聚合的數據。

數據變換：將來自不同數據源的數據在規格定義上作統一，在數據表現形式上實現一致；

數據壓縮：由于海量數據占據大量存儲空間，為了解決存儲空間以及提高聚合時效率，因而不損失信息前提下，對數據作適當壓縮。

（2）數據聚合。為了方便數據聚合時分層次、分類別，電力設備狀態在線監測采集來的數據大致分為電氣量、過程量、狀態量，這樣可以提高聚合效率。在數據預處理過程中，把同類型的數據做二維關聯分析，再根據物理模型、人工經驗等進行跨類別的二維關聯，這種同類別的關聯目標明確、定義清晰，結果準確率高。

電力設備狀態在線監測的數據級處理，是以現有電力設備狀態在線監測采集到的數據為數據源，目標定位于滿足下一級聚合，其特征如下：

以物理模型和實驗經驗為基礎數據級聚合的目標定位清晰明確，采用的模型和人工經驗都經過驗證；

信息級聚合以數據級聚合為基礎數據級聚合按照信息級聚合要求，做如下工作：1）數據存儲備份。即按照同一數據格式把數據存儲到某一位置，同時做備份處理；2）數據的二次處理（重新排序、篩選、特征提取）。針對不同數據源，聚合技術采用不同特征提取方法，再根據不同應用對象做針對處理，同時依據數據屬性和可靠性做篩選，最后按照聚合需要的特征量做特征提取；3）數據關聯與融合。為實現發現數據間潛藏關聯及其規律，需要采用數據挖掘技術，以多個數據量的相互關系為基礎，更加全面的表示被監測設備的狀態以及未來情況的估計，數據融合技術可以通過對數據的識別、分類、聚類、融合得到數據中包含新的信息。

（3）信息聚合。經過數據級二維關聯后的監測數據，無法全面體現，被測對象的全部面貌，所以還不能被特征聚合直接采用。信息聚合主要任務就是完成監測信息從二維關聯到多維關聯的過程，對電力設備狀態評估，需要關注多種信息：如出廠時電氣參數額定值，投運前測試狀態，各參量的屬性，定期巡檢后記錄，同類設備的告警信息，故障信息，檢修信息，投運處的環境信息。設備各監測量相互關聯及屬性在信息層做評價后，可以進一步挖掘出數據相關性，形成面向設備的特征信息，為決策層聚合提供基礎信息。

（4）決策層聚合。決策層聚合就是針對分析需求制定相應決策分區，根據所得信息做出決策和指示，決策層聚合使用多維建模算法，集合各類信息如設備出廠數據、巡檢信息、故障數據、狀態評價信息、歷史數據等，形成多維數據下的狀態表達形式，把當前設備狀態數據和特征與特征狀態作關聯分析，相關性最大數據為當前設備運行狀態。決策層聚合結論提供給電力設備全壽命周期管理，用于設備狀態評估及健康狀態預測。

在一個電氣設備如變壓器評估基礎上，可以擴展到同類設備、不同間隔甚至不同變電站之間。

5 結語

本文介紹了大數據理論的主流技術，描述數據處理的具體算法，通過這些算法，可將多種數據類型整理成可用于狀態檢修的數據類型。本文探討了大數據技術在電力狀態檢修領域中的應用，并以變壓器故障診斷為例，研究大數據挖掘分析技術在故障診斷中的具體應用。最后結合項目管理知識和狀態檢修流程，給出基于大數據技術的狀態檢修流程。通過對電力設備的精準檢修，實現了電力行業狀態檢修的精準立項和精益化管理。