基于数据挖掘的电力设备缺陷分析研究

《基于数据挖掘的电力设备缺陷分析研究》由会员分享，可在线阅读，更多相关《基于数据挖掘的电力设备缺陷分析研究（5页珍藏版）》请在金锄头文库上搜索。

1、电气安全 基于数据挖掘的电力设备缺陷分析研究 在线监测技术的成熟与推广为 电力设备缺陷数据的分析及变量错综复杂的大数据背景下 ，从数 提供了更宽阔的维度空间。针对 传统缺陷数据分析的不足， 据到结论的过程升级为 一 个非常复杂的 利用数据挖掘方法对设备缺陷数据进行了多维展示分析、 相 人机互动比较和 选择的过程。数据挖掘 关性分析和对应 分析， 并结合在 线监测数据和 数据 工具能够 辅助 人 们探索和分析数据中 一 对设备缺陷数据进 行了潜在特征规律的发现尝试。基于数据 些有启发性的结构，发现数据中有价值 挖掘的数据分析思路对电力设备缺陷数据的应用分析研究具 細励辨難 分析方法对电力设备缺陷

2、数据进行深入 黄荣辉 李 勋吕启深深圳供电局有限公司刘典安深圳市康拓普信分析和探讨 。 息技术有限公司 髙质量的电力设备是保证电网安 数据挖掘 全运行、提高供电可靠性的基 础。在实 数据挖掘是从大量的、不完全的、 际运行中， 有些电力设备虽然能继续使 有噪声的 、 模糊的和随 机的实际应用数 用， 但运行状态发生异常 或 存在隐患 ， 据中发现隐含的 、规律性的信息 和知识 并将影响人身 、设备和电网安全，电网 的技术，是统计学、 数据雜术和人工 和设备的可靠经济运行，设备出力或寿 智能技术的综合。 命以及电能质量等。这种异常或隐患称 数据挖掘的任务就是发现隐 藏在 数 为缺陷。南方电网公司输

3、变电设备缺陷据中的模式 。 根据模式特征，可将模式 管嘛准奴了襲严難分类，大細分如下： 明确了缺陷处理流程及单位职责，建立 分类模式。分类就是构造 一 个分 黄荣辉高级工程师 了缺陷指标考核 体系，并通过建设安全 类函数，把具有某些特征的数据 项映射 生产管理信息系统来实现对电力设备缺 到某个 给定的类别上。 陷的流程化 管理。 聚 类模式。聚类就是将数据项 目前 对设备缺陷的分折主 要集中在 分组成多个类或簇，类 之间的数据差别 缺陷发生类型和数量、 缺陷消缺率和消应 尽可能 大，类内的数据差别应尽可能 缺及时率的统计方面 。实际上 ，缺 小。与分 类模式不同的是，聚类中要划 关键词 陷数据

4、包含的内容十分丰富， 且随着在 分的类别是未知的 。 设备缺陷 线监测技术的不断成熟与大力推广，为 回归模式 。回归模式的函数定义 数据挖掘 设备缺陷数据的分析提供了更宽阔的维 与分类模式相似，主要差别在于分类 模 多维展示度空间 。 式采用离散预 测值，而回归模式采用连 相关性分析传统的数据分析工作 一 般在处理 续的预测值。许多问题可以用线性回归解 数据时 ， 会预先假定事物之间存在某种 决 ，对于许多非线性问题可以对变量进行 因果 关系，然后 在此因果 关系假定 的基 转换，从而转换为线性问题来解决。 础上构 建模型并验证预先 假定的因果关 关联模式。关联模式是数据项之 系。在数据规模

5、剧增、数 据结构复杂以 间存在 的关联规则，是在同 一事 件中出 建筑电气年第卷第期 描于数挖挪的山力设济缺陷分析研究 电气安全 现的不同项之间的相关性。整体情况有 一个 定性的概念 ，如哪个部门发生的 序列模式。序列模式是描述基于时间或其 缺陷多 ，哪个厂家的设 备发生的缺陷多，哪类缺 他序列 的经常发生的规律或趋势， 并对其建模。 陷发生的次数多等。图采用散点矩阵图对缺陷数 序列模式将关联模式和时间序列模式 结合起来，据中的所属部门、设备生产厂家、设备投 运年限 重点考虑数据之间在时间维度上的 关联性。 和缺陷类别个维度信息 进行了展示。图中密度 偏差模式。偏差模 式是对差异和极端特例 的

6、大小直接反映了缺陷发生次数的多少。 的描述，如聚类外的离群值 。 大部分数据挖掘方 法都将这种差异信息视为噪声而丢弃，然而在 一 ；一 一 些应用中， 罕见数据可能比正常数据更有用。 ！ “ ！ 在数据挖掘过程中 ， 每个模型和算法具有不 ” 丨 ： 同的适用场景，最终评价的结果 一 定是以 业务价 、 、 ： 值为导向，而非模型自身的评价指标。 二一 二彳 ： 丨 、場 、 ； ： ， ： ； ； ； “ ： ， ： 音口 ：一二 、 、： “ 卜 、 设备缺陷自身包含的数据信息很丰富，以生： ： 产管理系统中的 一 条缺陷数据为例，数据内容包 括：缺陷设备、设备 类型、缺陷设备生产厂家、

7、投运日期 、出厂日期、所属站线、电压等级、所由图可知，红色框内的数据 表示渗漏油缺陷 属部门、缺陷部件 、 缺陷描述 、缺陷严重等级 、发生的次数最多，紫色框内的 数据表示某变压器 缺陷类别、缺陷来源、缺陷状态、发现时间、发厂生产的主变压器容易发 生冷却系统缺陷，而蓝 现人员、 消缺人员 、 计划消缺时间 、 实际消缺时 色框的数据表示这两个部门的变压器设备发生缺 间、是否停电、缺陷原因、处理措施、处理结果陷的次数更多 。 和验收时间等。针对如此多的 数据内容，如果仅 （缺陷主题河 凭 数据表 格和表单方式 ， 想要清晰准 确地掌 握缺在了解缺陷 整体情况的基础上 ，可能需要了 陷信息比较困难

8、。解 某些历史数据在时间维度上的统计情况。采用 本文以深圳供电局年变压器缺陷 主题河（技术来可视化展示缺陷部 数据为例，首先采用可视化技术实现缺陷数据的件和缺陷类别的统计结果，如图所示。 多维展示，然后分别采用相关性分析、对 应 分析通 过图可直观地发现风机和油枕是 最常发生 方法对主变压器缺陷各主要参量的内在关系进行 缺陷的设备部件 ，而渗漏油则是发生次 数 最多的 了描述性研究。 因为数据 样本有限，数据挖掘分缺陷类型。 析结果可能与实际有差别 ，本文仅 涉及对数据挖（缺陷脸谱图 掘方法的应用研究 。 睑谱图是用脸谱来表达多变量的样品，是将 缺陷数据多维展示观察的各变量分别用睑 的某 一部

9、 位的形状或大小 数据挖掘的第 一 个工作目标是增进对复杂数来表示。图是采用脸谱图来表示所属部门、设 备 据内容的了解 。可视化技术强调数据便捷形象的生产厂家、设备投运时间和缺陷类别 个维度的统 展现，可帮助对数据进行准确的描述，并找到进计信 息。 一 步研究和解释的 途径。 其中脸高度所 代表的某变压器厂在水贝的髙 缺陷概貌 度最高， 即表明该变压器厂的变压器设 备在水贝 分析缺陷历史数据， 一般需 要对缺陷数据的发生的缺陷次数最多；而 鹏城、马坳的睑形状小 年 月下建筑电气 名 电气安全 接 触器散热器 潜油泵本体 散热器阀 门法兰 别 渗漏油 冷却系统 机械损坏指示异常 。 电源故障分接

10、开关严重 发热仪表故障机构异常短路操作机构 图缺陷 主题河展示 深圳欢乐 容济 效 水贝坪山紫荆線 姑 。： ， “ 公明 象山鹏城 曠 西乡龙塘 马坳图缺陷类型间相关性分析结果 表正相关性越强 ；粉红色代表负相关 ，颜色越 且嘴形小 ，即表明这两个地方的 变压器各项缺陷深代表负相关性越强 。 由图可知 ，以油杯和风扇 指标数 都较小。 破裂为 代表的 机械损坏与冷却系统故障 、 机械 损 缺陷相关性分析坏与电源故障之间有较强的关联关系 ，即表明某 相关分析就是探索现象之间相关关系的密切些变压器在发生机械损坏缺陷时可能 也会出现冷 程度和表现形式，利用相关系数反映随的变化 却系统故障或电源故障

11、。 情况 ，其值的 大小代表关系的强弱关系 。采用相 图是缺陷类型与投运年限之间的相 关分析结 关性分析对缺陷类型之间 、 缺陷类型与投运年限 果。投运年限 年与冷却系统具有很强的相 之间的关系进行研究 ，可以增 进 对缺陷发生原因关性，说明主变压器在投运 年以上容易发生冷 的理解。 却系统的缺陷 ； 而投运 年以上与机 械损坏之间 采用可视化技术 展示缺陷类型间的相 关 分 也有强相关性，说明主变压器在投运 年以上发 析，结果如图 所示。蓝色代表正相关 ，颜色越深生的机械损坏次数会增多 。 渗漏油冷却系统机械损坏指示异常电源故障 分接开关严重 发热 投运年 投运年 投运 年 投运年以上 仪表

12、故障 机构异常操作机构 仪表异常 套管缺陷铁心绝缘不良 投运 丨 年 投运年 投运 丨 年 投运年以上 图缺陷类型与投运年限间相关性分析结果 丨叱 名 建筑电气 年第卷第期 基 数椐挖 掘 的屯力设济缺陷分析 究电气安全 缺陷对应分析 缺陷与在线监测数据的分析 对应分析也是 一 种用来研究变量与 变量之 油色谱在线监测主要对变压器等油浸电力设 间联系紧密程度的分析技术 。对应分析是在因子 备进行 在线监测，并及时准确检 测出绝缘油中溶 分析的 基础上发 展起来，同时把变量与样本反映 解的各 种故障 特征气体浓度及变化趋势。这些气 到相同的坐标轴的 一 张图上 ，变量与样本距离越体包括氢气、 一

13、 氧化碳、甲烷、 乙烷 、 乙烯 和乙 近，说明越相似。 炔等。 目 前常用的三比值法 、大卫三角法等故障 缺陷原因与缺陷部件之间的对应分析 结果如分析方法都是通过经验总结出来的，预 先设定了 图所示。其中，红色表示缺陷发生 的原因，黑色气体 数据特征与设备状态的映射关系，然后通过 表示变压器设备的部件。由图可知，散热器 阀门对在线监测数据进行相应 的分析来确定变压器是 可能常因漏油、松动 等原因发生缺陷 ； 风机因卡否发生故障及其发生故障原因 。 涩、烧损等原因易发 生缺陷；而操作机构箱因元 针 对设备缺陷与在 线监测数据的大量样本， 器件故障易发生缺陷 。采用决策树方法来分析设备 不同状态

14、下油色谱气 体含量 ，以是否发生 缺陷为因变量，油色谱各气 体含量为自变量 ，建立分类模型 。决策树分折模 型如图所示。 ！决策树分类模型 爾厭 。 不舍 有彀 乙烯 一 ； 、 总经 ；否 ） 主 ： ： 乙烯 图 缺陷原因与缺陷部 件间对应分析结果 丨 ！ ； 氣气 缺陷与其他数据的挖掘 分析 在线 监测技术的成 熟使 得电力设备的在线监 测应用越来越广泛，如局部放电在线监测和变 压器油色谱在 线监测基本成为及以上变电在决策树分析 模型中， 乙烯含量是否大于 站的标准配置 。在 线监 测为设备管理提供了良好 是 一 个比较关键的节点，这在以后对变压 的 数据来源 ，加上电 力自动化系统采集

15、的实时电器状态的评估时，可以对乙烯含量值的这个指标 气量数据 ，以及生产管理系统中不断累积的工单更为关注些。 和表单数据，逐步形成了设备管理的大数据。 缺陷与在线监测数据、数据的分析 本文将以变压器设备为例 ，以大 数据观念分变压器电 气量数据包括有功 功率、无 折变压器缺陷数据弓油色谱 在 线监测数据 、变压功功 率、电流和电压的时序历史值。数据 器数据之间的 关系，尝试对设备状态与数和油色谱在线监测数 据都是实时采集的，并按照 据特征的关系进行重新发现。分析结果仅针对样 时间顺序进行历史保存 ，但两者的采集周期不 一 本数据有效 ，不具备通用参考价值， 但分析方法致 。由于关注对象及应用场

16、景 的不同，以前的研 在实际应用中具有借鉴作用 。 究很少将数据 、在线监测数据和变压器缺 年月下 建筑电气 电气安全 陷数据结合起来分析。析结果如图所示。油色谱中的乙烷、 甲烷、 一氧 本文采用大数据观念尝试对变压器缺陷数 化碳、 二氧化碳及氢气与电流 、功率间无明显相 据 、油色谱气体含量和数据间的关系进行关性； 乙烯 、总烃与 电流 、有功及无功间存在明 分析 。油色谱气体含量与 数据的相关性分显的相关性。 嫲鰣碱鸪七砑令驿令 年 蝈蜮降蝤璉洙皭癍降 乙烯 乙烷 甲烷 氧化碳 二氧化碳 氢气 总烃 最大电流 最小电流 平均电流 最大无功 最小无功 平均无功 最大有功 最 小有功 平均有功 图在线监测与数据的 相关性分析 以乙烯含量、平均 无功为例，设备缺陷数态与各类数据的特征 关系进行了重新发现。本文 据、油色谱数据及 数据的 相 关统计结果的分析思路对大数据背景下的设 备缺陷数据应用 如图所示。 结 果 表明 ，在乙烯 大于 研究具有