基于大數據挖掘的變電設備故障診斷與預警研究

王連莊，王海天

（國網天津市電力公司寶坻供電分公司，天津 301800）

引言

近年來，隨著國家對電網運行維護檢修重視度和關注度的不斷提高，電網“大檢修”體系不斷完善，全國各地的電網建設如火如荼，變電站規模穩步擴大，電網運行系統結構日趨復雜，突發性設備故障、外界環境等時常影響電網的正常運行，變電設備發生故障的概率隨之增大。一方面，在電網系統運行過程中，傳統故障排查方法的可靠性、科學性不斷降低；另一方面，不同來源的維護檢修數據相互獨立，形成數據孤島的問題，導致難以滿足現階段快速發展的市場需求，電網運行維護效率降低。因此，針對國家電網的維護檢修現狀，利用目前成熟且廣泛應用的大數據挖掘技術和分析方法，探討變電設備的故障檢測、預警示警和動態維護檢修等，具備重要理論價值和現實意義。

1 變電設備故障的影響因素

根據設備發生故障的原因，變電設備的故障可以分為三種類型，針對不同數據的相關特征，本研究以皮爾遜相關性分析方法探究設備故障發生的影響因素。在研究變電設備故障發生的因素前提下，建立相關性系數反應變量之間指標的線性相關關系，以溫度、連線負載率和油溫等諸多參數為例，通過皮爾遜相關分析方法探究設備發生故障的可能性和概率。首先，就設備負載率問題而言，變電設備運行故障的主要影響因素以月平均負載率為基本特征向量，通過皮爾遜相關性分析方法，分析得到其相關系數為0.931，整個設備故障率和負載率存在著強相關關系，結果示意見圖1[1]。

圖1 設備故障率和負載率關系

其次，探究設備運行年限對變電設備發生故障可能性的影響，為了探討該故障發生可能和投資運行年限之間的關系，利用皮爾遜相關性分析方法得到最終的相關系數為0.748 4[2]，也就是說，設備故障率和投資運行的具體年限存在著較強的正相關關系，其試驗結果見圖2。

圖2 設備故障率和投資運行年限關系

接著，對溫度和濕度等影響變電設備發生故障的可能性因素進行分析，分別計算其故障發生的相關性可知，變電設備溫度因素與故障發生的相關性系數為0.617，因為濕度原因發生設備故障的可能為0.062。整個試驗研究表明，溫度和濕度均與設備的故障率發生存在著較強的正相關關系，試驗結果見圖3、圖4[3]。

圖3 設備故障率和濕度關系

圖4 設備故障率和溫度關系

2 基于大數據挖掘的變電設備故障診斷系統構建

2.1 系統架構

基于大數據挖掘技術的變電設備故障診斷系統架構示意見圖5，由圖可知，變電設備故障診斷系統主要包括了處理層、通信層和數據采集層等。其中，數據采集層主要負責對變電設備故障發生的可能進行全方位的數據信息采集，采集設備主要利用多種傳感器設備和裝置，設備所采集到的數據信息包括變電設備正常運行過程中的狀態、標志屬性及所處的外部環境和內部運行條件等[4]；通信層主要負責將所采集到的相關數據信息以快速高效的方式傳遞到信息平臺中，并進一步將信息平臺中心運營的相關控制指令反向傳遞到數據信息采集層，同時指導數據信息采集層獲取相關參數。考慮到設備故障診斷過程中可能存在的某些需要，本研究構建的診斷系統的通信方式以有線傳輸為主，以總線采集的方式將相關數據信息傳遞到信息平臺，其他距離較遠的部分設備的數據信息采集則主要以無線網絡通信技術來實施。處理層是由數據信息平臺和設備故障診斷兩大模塊組成，其中，數據信息平臺主要負責接收所收集到的相關數據信息，并對其進行存儲和分析，設備故障診斷模塊則主要基于大數據挖掘技術對變電設備故障發生的相關原因進行深入分析，結合數據挖掘技術和信息融合方法等，對變電設備發生故障的可能性進行全面科學且快速實時的判定。

圖5 系統架構示意

2.2 變電設備故障診斷信息處理與融合

變電設備故障診斷系統的故障診斷信息處理與融合，主要包括了基于數據信息分類的變電設備故障信息診斷融合和基于模糊理論的故障信息融合處理兩部分內容。就基于模糊理論的故障信息處理問題而言，由于設備的故障診斷往往需要綜合考量變電設備運轉狀態及診斷過程中其他參數信息，而不同因素和變電設備發生故障的因果關系較為錯綜復雜，如何對變電設備故障發生涉及到的多種信息進行高效率的分析處理，成為變電設備故障診斷和分析的關鍵。

在變電設備正常運轉的過程中，變電設備存在著部分模糊性較強的數據信息內容，該類信息內容往往并不能夠以正常和不正常為分界線區分，對此可引入數學模糊理論，將該類數據信息以0～1 區間內的任意參數值進行預處理，從而構建適當的隸屬函數，以模糊數學理論的方式對變電設備運行的相關參數信息進行處理，采取模糊統計等方式確定其實際參數，并將該參數應用到變電設備故障診斷過程中，充分挖掘該類參數信息所含的各項數據價值，為變電設備故障診斷提供技術支撐[5]。

3 基于大數據分析的設備狀態評價關鍵技術

3.1 聚類算法

聚類算法是基于大數據挖掘技術判別變電設備故障的重要診斷方法之一，主要是利用成熟聚類方法，該方法是目前使用較為廣泛的方法，主要是將變電設備簇中心與離其最近的中心點連接，再確定簇中心點過程中，首先應該確定整個變電設備發生故障可能涉及的具體對象，在確定了聚類的選擇后得到較為理想的聚類效果，從而通過引入輪廓系數判別聚類效果的有效性。在對分離度進行量化的基礎上，計算類的相關元素和所有元素距離該元素之間的距離，找到其中距離最小的簇中元素，再計算其他元素的相關系數，最終得到類的整個輪廓系數。

3.2 狀態參量相關性分析算法

狀態參量相關性分析算法，主要是基于變電設備運轉的狀態參量，針對設備之間的相關性關系進行充分挖掘，加強對設備故障發生原因的更科學的系統性認識。狀態參量相關性分析方法，能夠實現設備不同狀態參數之間的高效率組合的特征量的提取，進而確定變電設備故障的影響因素。

3.3 基于相關性矩陣的故障診斷

基于相關性矩陣的故障診斷方法，主要是考慮變電設備運轉過程中不同的狀態參數之間、變電設備狀態參數之間、狀態參數對應的故障模式之間的相關性關系。同時，應考慮在變電設備某一具體的狀態參量發生異常時，與之對應的故障模式發生的可能性，在求得不同的狀態參量和設備故障發生可能的相關信息后，得到設備故障模式的診斷結果，進一步計算診斷矩陣的相關性參數，再利用皮爾遜相關方法進行計算。

4 基于大數據挖掘的設備故障診斷預警案例

本研究以某電網公司500 kV 電壓等級的變壓器套管中的故障案例作為其數據挖掘對象，對其進行故障診斷分析。首先，對數據進行預處理，將待挖掘的相關參數之間的數據進行提煉，重點包括變電設備故障點缺陷點的相關案例數據，在設計案例代號和狀態參數代碼的基礎上，根據變電設備的具體故障類別和表征信息進行相應的狀態材料復制，通過知識圖譜構建變電設備狀態參量或者是變電設備運行異常過程中相關參數等值挖掘的數據信息，從而明確該狀態材料是否處于異常。在這一過程中，僅需要設置二元化模式，并不需要對變電設備的具體狀態等級、狀態量優化或者劣化程度進行計算。根據本研究所收集到的原始數據當中的22 組故障案例進行層次的聚類分析，在初步分析狀態下，將變電設備的故障類型分為4～8 類，進一步選取45678 作為聚類系數，然后通過計算不同聚類的參數值得到輪廓系數，具體結果見圖6，由圖可知，將其故障模式分為6 類時，實際的聚類效果最為理想，也就是說，本研究所研究的變壓器套管的故障設備主要分為6 類。

圖6 不同K 值下的輪廓系數

最后，對本研究所研究的案例進行設備狀態參量的相關性分析和基于相關性矩陣的故障診斷分析，在對其相關性參數進行分析時，以置信度和支持度作為其關聯規則中最重要的參數，確保合理的置信度參數和支持度參數值，保證該設備的故障參數挖掘得到有價值的關聯規則。由于狀態量數據多，因此本研究所設置的支持度不宜過大，文章設定為0.1，而為了獲得更高的可信度和關聯度，將其置信度參數設置為0.8，由此得到較為高關聯度的關聯規則。圓的面積越大，則其對應的支持度越大，圓的顏色較淺，則表示相關性較小，由此能夠得到高強度關聯規則，進而能夠根據其關聯度規則進一步分析變電設備的狀態參數量，說明狀態參數量所對應的不同故障類型后，能夠進一步得到參數值異常時的具體表現，使變電設備運行時的電阻數值降低，也就使整個判斷過程和現場實際操作過程情況相符。針對不良連接等故障類型以及紅外測溫、套管接線等狀態量出現明顯的異常，在該類狀態提取的結構模式下，能夠得到異常狀態參量和狀態參量的相關性系數，最終能夠得到狀態參數和故障模式的相關性關系，其結果示意見圖7。由此可知，紅外測溫、套管接線等關鍵性能的相關性系數均較高，在變電設備連接處于不良狀態時，連接不良點導致的電阻值的增加，會使得變電設備的發熱現象較為明顯，紅外測溫能夠較好地測得其具體的連接不良點位置，從而為變電設備的狀態分析和故障排查提供依據。

圖7 相關性關系結果示意

5 結論

本研究以基于大數據挖掘的變電設備故障診斷與預警為研究內容，在探究變電設備故障的影響因素的基礎上，對變電設備故障診斷系統構建中的系統架構、變電設備故障診斷信息處理和融合等內容進行深入分析，然后詳細梳理了聚類算法、狀態參量相關性分析算法、基于相關性矩陣的故障診斷等設備狀態評價關鍵技術，最后對設備故障診斷預警案例進行分析，通過對大數據挖掘技術和智能機器的深度學習，對電網系統運行過程中的變電設備故障可能性進行探究，分析兩者之間的關聯性，構建出基于變電設備特征的故障識別和風險判斷模型，實現對電網運行過程中變電設備運轉狀態，尤其是非正常運轉狀態的超前預警和示警，以輔助電網系統管理人員做好設備故障的排查與防范工作，制定具有可操作性和實踐性的差異化的運行維護措施，進而通過對變電設備進行維護保養、周期巡視等措施，確保電網系統變電設備的運營安全，最終實現電網“零搶修、零故障、零跳閘”的“三零”維護目標。