摘要：针对传统设备检修方式存在的不足，本文将大数据和机器学习技术应用于设备检修中，通过电力调度检修数据的聚类分析和分类分析，形成设备的检修模型，为设备检修提供预测依据，确保电力设备安全可靠地运行。
关键词：电力调度；检修数据；设备检修方法
引言
电力调度检修是保障电网可靠安全运行，防止电力故障和电力事故发生的重要措施。随着大数据技术和机器学习技术的发展，使得使用电力调度检修数据预测设备的故障成为可能。相比于传统的故障检修和计划检修，基于电力调度检修数据预测设备故障的方式，可以在设备尚未出现故障或出现故障的早期就做出预警，避免问题向更严重的方向发展，对提高设备检修的效率和人力、物力、财力的使用率有积极的促进作用。
1电力调度运行中常见的故障问题
1.1人为故障
人为故障即因人为原因导致电力调度出现问题，导致这一问题的主要原因有两种：一种是由于工作人员的工作态度问题导致操作失误，进而引发的故障。电力调度运行需要工作人员综合各种信息进行运算制定调度运行决策，然后通过实际操作执行决策。在这过程中工作人员一旦出现疏忽，就会导致计算出错、决策失误、引发故障。另一种是工作人员自身素质低，缺乏准确的计算力、敏锐的判断力或高水平的执行力，这些问题都将会导致计算、决策、调度操作等环节出现问题，使得相应故障发生降低电力调度运行的稳定性。
1.2设备故障
设备故障是电力调度运行中最容易发生的问题，对电力调度及分配与工作人员人身安全影响重大。因为电力调度工作的复杂性其所需的设备种类较多，且操作系统极为复杂，在运行的过程中极易出现各种安全隐患。第一，输电线路故障。输电线路是电力调度运行的基本设备，其数量多、面积大，一旦发生问题解决的难度极高。常见的问题有线路跳闸、短路、线路相关设备故障等。第二，变电站主变压器故障。作为变电站的核心，主变压器的工作状态将直接影响电力调度运行的安全问题。主变压器的故障主要有主变压器跳闸、主变压器绝缘跳闸。主变压器运行中其相应的设备也会出现各种故障，如风机、油泵等故障问题。第三，母线故障。这一故障是母线及其相关设备发生单项接地而造成母线电压消失，这也是电力调度运行中常见的一种设备故障。
1.3环境故障
在电力对调度运行中，其所处环境中会存在某些因素引发故障问题。电力调度工作所处的整体环境极为广阔，大部分设备处于室外，这就导致其面临着自然环境中的各种风险因素，极易导致故障发生。其中，电力调度运行中最容易引发故障的自然因素是天气，如强雷电，暴风等。自然风险发生几乎无规律，且其控制性极低，这就导致该故障的控制难度较大，加大了电力调度运行风险。
2传统的设备检修方式
随着电力事业的发展，传统的检修方式由于其局限性，已经很难胜任现今设备检修的要求，我们必须使用更先进的手段进行设备检修。传统的设备检修方式有：故障检修和计划检修。故障检修是在设备发生故障的时候才进行检修工作，具有很大的不确定性，使得人力、物力、财力资源的利用效率降低。计划检修则预先规定好检修的时间周期去检修的内容，对设备的定期检修，会导致没有发生故障的设备不得不进行周期性的停运，降低设备的利用率。
3大数据和机器学习
3.1大数据
信息技术的快速发展使得人们在日常的工作、学习和生活中产生了大量的数据。这些不断产生的数据在规模和复杂上逐渐超越了现有的处理能力，便形成了大数据。大数据具有4V特点：Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）。数据中包含了规律，蕴含着价值。大数据技的本质在于：我们可以从大数据中挖掘和发现所需要的规律、模式和知识，而无须直接面对所研究的物理现象。传统我们解决问题的方式是使用从大量实践中总结和提炼出的知识去解决问题，而大数据解决问题的方式直接使用数据去解决问题。
期刊文章分类查询,尽在期刊图书馆2007年，图灵奖得主JimGray提出了科学研究的第四范式-数据密集型科学发现。相比传统的实验科学范式、理论科学范式和计算科学范式，数据密集型科学发现范式使得我们思考问题和解决问题的方式发生了重大变革。
3.2机器学习
大数据的核心在于抽取信息、获得知识，而机器学习是从数据中抽取信息、获得知识的关键技术。对大数据而言，机器学习时不可或缺的关键技术；对机器学习而言，越多的数据会越可能提升模型的精确性。
机器学习是一种通过利用数据，训练模型，然后使用模型预测的一种方法。其大致过程如下：使用机器学习算法对计算机中存储的历史数据进行处理，这个处理过程通常被称为“训练”；处理结果可以用来对新数据进行预测，这个处理结果通常被称为“模型”；对新数据进行预测的过程，通常被称为“预测”。因此，“训练”和“预测”是机器学习的两个关键过程。通常，按照历史数据有无标签，可以将机器学习方法分为监督学习方法和非监督学习方法。常见的监督学习算法包含：线性回归，逻辑回归，神经网络，SVM。常见的无监督学习算法包含：聚类算法，降维算法。
4基于电力调度检修数据的设备检修方法
4.1数据来源
首先，采集的电力调度检修数据主要来自以下两个方面：（1）设备数据。关于设备的描述信息，一般包含制造厂家、电压等级、型号、版本、类别等数据。电网公司已经实现了设备数据的统一规范化管理。设备数据的数据类型为文本和数值。（2）运行数据。设备运行过程中产生的数据，一般包含设备异常数据、电网故障数据、运行巡视数据，设备实测参数，继电保护整定定值等各类运行相关文件。运行数据的数据类型为文本、数值等。
4.2聚类分析
将上述采集到的电力调度检修数据按照不同的类型进行聚类。实际上，聚类的过程就是对电力调度检修数据进行预处理的过程。在聚类过程中，由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。通过聚类分析能够有效地对电力调度检修数据进行分类。通常，在聚类分析过程中可以采用K-mean算法。
4.3标注数据
根据设备操作类型，对上述聚类结果进行标注。设备检修操作类型可以是设备的状态评级，比如，正常状态、可靠性下降状态、缺陷状态以及危机状态；也可以是检修内容，比如设备的名称；还可以是检修频次。
4.4分类分析
对上述带标记的电力调度检修数据进行分类分析，形成设备检修模型。具体而言，可以通过设备的状态评级，形成设备的检修模型；也可以通过设备的检修内容，形成设备的检修模型，还可以设备检修频次，形成设备的检修模型。通常，在分类分析过程中可以采用神经网络或Softmax回归。
结束语
分析了电力设备检修内容及设备故障类型数据的特点，先采用聚类分析对电力调度检修数据进行聚类，再根据设备检修操作类型对聚类结果进行标记，最后使用分类分析对带标记的电力调度检修数据进行训练形成设备检修模型，通过设备检修模型形成为设备检修提供预测依据，确保电力设备安全可靠地运行。
参考文献:
[1]申佳.如何做好电力调度运行的工作要点[J].电子测试,2018(18):139-140.
[2]魏庆新.浅析调度自动化设备的检修与管理[J].建材与装饰,2018(24):225-226.
[3]杨宏.电力调度运行管理常见问题及对策探讨[J].信息记录材料,2017,18(12):158-159.
[4]方立斌.电力调度运行管理常见问题及解决措施分析[J].通讯世界,2017(21):272-273.
论文作者:赵利萍
论文发表刊物:《电力设备》2019年第7期
论文发表时间:2019/9/18
标签：设备论文; 数据论文; 电力论文; 故障论文; 模型论文; 机器论文; 发生论文; 《电力设备》2019年第7期论文;