国网河南郑州供电公司 河南郑州 450000
摘要：本文以电缆检修相关的大数据为基础，设计了基于大数据分析进行电缆检修的基本框架，该框架由源数据获取与预处理、大数据分析挖掘与智能检修支持3个模块组成，符合大数据挖掘分析处理的流程，有助于智能检修的设计与实施，提升电缆检修的智能化水平。
关键词：大数据；电缆智能；检修框架
在本文提出的基于大数据分析的电缆智能检修框架中，电缆检修相关的数据是基础，大数据分析算法是核心，对电缆智能检修的支持是目标，因而系统框架包含了数据获取与预处理、数据分析和智能检修支持3个模块。其中，获取的数据包含电缆属性与状态数据、通道环境数据、电缆状态评价数据3种源数据，对源数据需要进行连续化、归一化等预处理。大数据分析则主要依托深度学习算法，对电缆智能检修的支持则依据大数据分析模型的结果对电缆运行状态进行评估，并针对性地安排检修任务。
1源数据的获取与预处理
1.1源数据的获取
基于大数据的电缆检修技术需要依赖能反映电缆运行和检修情况的大量源数据支撑，数据来源于各种专用测量仪器和传感器以及检修工作人员的手工记录，这些数据有很多存放于电力企业的内部信息系统中，可以按需求导出和使用。对目前未采集的数据种类，需增配专门的采集器和数据上传链路。具体来说，本文所设计的框架为检修工作服务，因此需要采集的数据应能反映电缆运行的状态与发展演变特点，即包含电缆内在、外在以及检修相关的特征。
目前，在电力运维单位已有的数据集中，与电缆检修最为相关的是以下3类数据：
1）反映电缆自身运行状态的数据，即电缆属性与状态数据，包括电力电缆运行状态在线监测数据、带电检测数据和电缆台账数据等；
2）反映电缆所处外在环境的数据，即通道数据，包括电缆所敷设通道的地质条件、气象条件、周边环境等；
3）反映电缆检修规律的数据，即电缆检修信息数据，包括电缆检修历史数据和电缆检修标准、规范等。
以上3类数据中蕴含大量对电缆检修有用的信息，通过大数据分析技术提取数据中的知识，可以助力实现智能化的检修决策。
1.2源数据的预处理
大数据分析算法通常对输入数据的格式规范性有一定要求，为了方便统一化的大数据分析过程，首先需要对3类数据进行预处理，使其具有统一规范的格式。原始数据格式各异、范围不一（比如电压为连续型数值110kV，电缆检修记录中记录的事故严重程度为离散型数值高、中、低等），在分析前首先依次将数据进行连续化、归一化预处理以及自标注。连续化、归一化的输入数据是一般大数据分析算法的基本要求，自标注则是为了便于大数据分析算法从标记信息中自动学习与检修相关的特征与规律。本文提出的框架中，连续化是使用整数替换法将离散型数值转换为连续型数值，归一化是将不同的数值范围归一化到固定范围如[0,1]区间。最后，还需对归一化后的数值进行自标注，即根据检修记录中记录的电缆编号区段等信息将检修记录与对应的电缆属性与状态数据、通道环境数据关联起来，便于后续的大数据分析算法可以从标记信息中自动总结检修规律。
期刊文章分类查询,尽在期刊图书馆值得指出的是，面向电缆检修的大数据采集是一个不断发展和变化的过程，随着原始数据采集技术的不断完善与精度的进一步提升，未来也将会出现更精细、更精确的数据采集点，本文提出的检修框架对此保留了较好的兼容性。
2大数据分析与挖掘
上述与电缆检修相关的3类数据又包含了若干类子数据，数据特征众多，实时监测产生的数据量亦很巨大，因而隐含在数据内部的知识不易被高效发现。数据挖掘算法具有出色的数据分析能力，而且还能够挖掘出潜在的新知识，但传统上性能优异的数据挖掘算法往往无法应对电缆相关大数据的挑战。如广泛使用的支持向量机（SVM）模型由于计算的时空开销大，在实时、巨量数据上不具备现实可行性。因此，应优先选用在大数据环境下具有良好扩展能力的深度学习模型来建模，比如可以采用多层感知机（MLP）、卷积神经网络（CNN）或者循环神经网络（RNN）来对检修相关大数据进行分析挖掘。电缆检修工作中的预测目标具有多样性，但大体上可以分为2类：第一类是预测的结果与历史状态不具备明显相关性；第二类是预测结果高度依赖于历史状态。2类预测目标对应于2种不同的深度学习模型构架，如预测某段电缆的当前运行状态属于第一类预测任务，因为它依赖的主要因素是电缆当前运行的各种状态参数如电压、电流、温度等。预测某段电缆的下次检修时间则属于第二类预测任务，因为它除了与电缆当前运行参数有关之外，还与电缆上次检修相关信息以及2次检修之间的各种状态信息有关。根据深度学习模型的特点，通常对第一类预测目标选用MLP和CNN模型，对于第二类预测目标选用RNN模型来将历史信息融合入模型。上述模型的参数优化都可以使用基于Mini-batch的随机梯度下降方法（SGD）进行参数训练。首先以电缆当前运行状态评估为例展示第一类预测任务在实践中如何建模。以某电力运检单位为例，其对电缆运行状态采用A、B、C、D进行描述，其中A为最佳状态。与电缆运行状态评估相关的特征有电压、电流、电缆温度、电缆台账数据等，这些信息在经过2.1节中的预处理之后作为MLP的输入。由于该单位对电缆状态采用的类别（category）评级机制，因此MLP的输出层使用softmax层，网络各层之间采用全连接模式，整个模型的代价函数（lossfunction）采用交叉熵代价。对于第二类预测目标中的典型代表，预测某段电缆的下次检修时间不仅依赖于该电缆当前的状态信息，也依赖于电缆的历史状态及检修等信息，因此采用RNN模型更为合适。该模型的输入包含历史检修记录中每次记录的电缆状态（如上述MLP模型中的电压、电流、温度等要素）、检修的时间、检修的级别等信息，以此来预测下一次检修的时间间隔。由于模型输出设计为时间间隔（实数），因此输出直接可 以使用线性输出单元，网络的代价函数则相应设计为均方误差。
3智能检修支持
对检修工作形成智能支持是电缆大数据分析的目标，将上述大数据分析的结果与检修工作对接，可以灵活支撑如柔性检修、动态检修、状态预警、集成优化等检修任务。
1）在柔性检修方面，可以依据大数据分析模型对不同区间、品牌、运行环境的电缆运行相关数据进行分析并制订不同的检修频率。
2）在动态检修方面，可以依据特定电缆的历史检修数据和当前状态，通过上述大数据分析模型预测下次检修时机。
3）在状态预警方面，可以根据检修历史记录中关于事故的相关数据学习模型对电缆运行状态进行评估，并对短期或长期事故进行预警，方便提前制定检修对策。
4）在集成优化方面，可以依据对电缆状态的评估和检修班组人员既有分工情况，进行自动化任务分工与推送，最大化人员效率。
在检修工作实践中，可能还需要将计算机模型的输出与检修专家经验相结合，制定最合理的检修方案。
结语
电力电缆在城市电网中的重要性日益凸显，对其进行可靠、高效的检修关系到电网的安全与稳定。传统的电缆检修是以时间为主要标准，检修的针对性不强，耗费大量的人力物力，却无法有效杜绝电缆事故的发生。随着电力信息化程度的不断提高，与电力电缆相关的数据体量迅速增长，基于大数据分析对电缆检修形成支撑成为检修工作未来必然的发展方向。
参考文献：
[1]周颉。浅析智能电网输配电工程状态检修技术[J].城市建设理论研究（电子版），2015（35）：2093.
[2]丛欲晓。新形势下输配电工程中的现场管理措施分析[J].城市建设理论研究（电子版），2014（36）：9864.
[3]姚晶涛。关于提高输配电线路安全性研究[J].建筑工程技术与设计，2016（17）：2106.
论文作者:李东洋,李建树
论文发表刊物:《当代电力文化》2019年第12期
论文发表时间:2019/10/30
标签：电缆论文; 数据论文; 大数论文; 据分析论文; 状态论文; 模型论文; 智能论文; 《当代电力文化》2019年第12期论文;