摘要：信息技术的不断发展，在很多领域中都得到了广泛应用，尤其是在电力行业中的应用发挥出了显著作用。大数据挖掘分析技术作为一门新兴技术，应用在电力设备状态监测中，实现对电力设备运行状态的动态监管。通过对设备的管理与维护工作，确保各项设备运行的安全稳定性，促进电力行业的健康发展。
关键词：大数据；电力设备；故障分析；关联规则
一、大数据挖掘应用在电力设备监测的必要性
随着电网系统向大容量、超高压的方向飞速发展，电网设备的安全性、可靠性就愈发凸显得重要。因此，对相关电网设备的故障诊断与预测技术的研究与应用是有非常重要的现实意义。而预测故障则是可以根据历史故障数据，利用大数据技术进行综合分析，在故障发生之前就能预测到最可能发生故障的地点或者设备，并能有针对性地进行预防性维护，则能大大降低故障发生的概率，从而降低故障数量，提高电网供电可靠性。
从电力大数据分析和应用的情况来看，目前电力公司在数据分析方面还停留在指标计算和报表统计方面，业务决策方面还是基于传统的信息技术的人工判断为主。在业务决策中，信息系统仅仅是提供业务数据，决策靠人的知识和经验。虽然电力公司也认识到基于数据分析的辅助决策和未来预测将是未来信息技术发展的重要方向，也是大数据技术对企业最大的价值，但是现在并没有很好的解决问题之道。由此，具有电网大数据特点的数据平台设计对于电网企业是刻不容缓的，电网大数据平台能够满足对电网企业管理决策的高效支撑。
二、电力设备中数据挖掘分析的应用
（1）关联规则
关联原则在设备故障诊断中有着重要作用。关联规则挖掘是数据挖掘过程中的一项重要内容，对关联规则进行合理应用，可以实现对设备的缺陷、故障以及与设备各个状态的全景参数内容进行深入分析与探讨，实现设备中多个状态的合理组合，关键状态信息的合并、提取等关键操作。但是，从实际情况来看，在大数据背景下，目前的大数据挖掘分析并不一定可以满足电力设备状态评估思路。同时，电力设备状态监测数据结构也将会变得更多样化，在对电力设备进行检测期间，将会出现更多的音频、图像、视频等。正是因为数据量不断增多，传统方法已经无法满足在规定的时间内挖掘出有效的数据。因此，适用于大数据分析的深度关联原则应运而生。
（2）分析状态量关联度
传统数据设备状态评估系统中，通常都是通过单一的方式完成对状态量的选取，这也就致使设备运行过程中的故障/缺陷情况也是单一的，两者间的相互对应关系规律将会变得更弱，这对分析电力设备来说十分不利。在具体分析过程中，对设备状态评估大数据弯矩分析方法进行合理应用，对设备状态量的关联性进行重点考察。“状态量关联度”的核心是部件/设备等具体对象之间存在多维度状态间的相互关系。在具体问题分析过程中，多维度状态量的实质是对各种状态进行详细测定的一项基础内容，完成对部件/设备的运行过程中的故障情况进行准确评估。而针对一些规模较大的电网来说，设备状态和状态量将是复杂的非线性函数关系。
三、基于大数据技术下的电力设备故障分析
大数据平台架构在进行设备故障诊断和预测方面，对采集的设备故障记录数据、设备故障时间点的状态数据和设备故障时间点的气象数据进行了整合，并利用大数据平台提供的数据分析工作流进行了数据分析和模型计算。
期刊文章分类查询,尽在期刊图书馆
本文为了进行设备故障诊断和预测研究，采集和汇总了EMS（能量管理系统）、PMS、OMS、ERP、GIS、用电采集、营销的数据，并集成了气象数据，导入到电网大数据平台，进行了数据的清洗、转换和修正，将数据存储在电网大数据的存储系统。当前电力公司在设备故障诊断分析和预测方面的不足出发开发了设备故障诊断与预测算法，并进行了应用实践。算法包括故障信息智能关联、线路故障智能分析等，并用图形化方式进行分析结果展现，故障信息可以在地理信息视图进行展示，也可以对分析结果进行报表导出。
（1）利用大数据平台提供的数据分析工作流功能，建立设备故障诊断的工作流。
（2）首先把清洗、修正后的EMS、PMS和OMS的数据表引入工作流。
（3）以EMS的事故跳闸为索引，智能关联PMS和OMS以遥信分位为索引的数据集数据。
（4）建立智能关联四元组（区县名称、厂站名称、断路器调度号、事故时间），关联的条件是四元组的前三个条件一致，而事故时间又在给定的时间窗口内（5s），即可建立关联关系。
（5）断路器类型智能识别，主要采用递归搜索、深度优先搜索等算法。断路器的类型是的故障诊断自动化和预测智能化分析的基础。
（6）基于大数据的算法分析，发现故障发生前后，故障点附近电流、电压、负载、运行操作、气象（温度、湿度、风速、雷电、飓风）、重大活动和节假日等内外部因素结合起来，利用K-means聚类算法分析，首先对气象因素进行了分析，发现高温、下雨、雷电等因素明显对故障有影响。利用电力priori关联分析算法分析故障与线路负荷程度、电流、电压、设备出厂时间、检修后运行时间、设备生产厂家、设备检修人员、设备维护人员，以及气象等因素的综合关联性，发现了运行数据、外部环境和故障相互之间的规律关系，形成了可以预测故障发生的模型。
设备故障的大数据分析对于指导设备安全生产管理具有一定的价值。但是对电力公司来讲，设备的故障预测更为重要，这是因为如果能准确地提前预测到故障发生，就可以有针对性的进行设备的保养、维护或者更换，能保证电力生产的连续性和可靠性。基于对故障数据的分析，可以建立故障预测模型，用于设备故障的预测，利用累计数万例故障记录数据，对可能导致故障的因素数据进行采集，并进行数据的归一化处理，然后进行模型训练，训练后的模型可以根据实时数据进行故障预测。
四、结论
从现阶段，从我国电网企业的实际发展情况来看，大数据挖掘分析在电力设备的状态评估领域中应用还处于发展阶段，缺少足够的应用实例的支撑，这也对该项技术的应用与发展造成了一定程度的制约，但是人们并没有停止对该项内容的研究与分析，相信在不久的将来，大数据挖掘分析技术会得到快速发展，并且可以发挥出理想的作用。此外，随着电网状设备状态信息的几何式增长，以大数据挖掘分析方法为基础的电力设备静态评估，将会成为未来我国电网行业的主要发展方向。因此，加强在该方面的分析势在必行。
参考文献：
[1]陆玮，吴兵.云计算环境下的电力大数据技术应用探讨[J].信息系统工程，2019（01）：14.
[2]文涛.云计算在电力信息化建设的应用研究[J].通讯世界，2018（11）：154-155.
[5]刘钦.基于大数据的电力设备数据融合与应用[J].信息化建设，2015（09）：63+65.
论文作者:马卫红
论文发表刊物:《电力设备》2018年第33期
论文发表时间:2019/5/16
标签：数据论文; 故障论文; 设备论文; 状态论文; 电网论文; 电力设备论文; 电力论文; 《电力设备》2018年第33期论文;