摘要:在电力系统中，大数据在发、输、变、配各个环节得到了广泛的应用。对大数据的利用关键在数据挖据，结合变电站设备运维过程中主要业务的技术难点，包括设备巡视、倒闸操作、设备检修，分别介绍了BP神经网络在设备巡视中的应用、Apriori算法在倒闸操作中的应用，以及支持向量机在设备检修策略制定中的应用。数据挖掘技术能有效解决变电站设备运维过程中技术难题，显著提高设备运维效益。
关键词：大数据；数据挖掘；变电站；设备运维
1引言
大数据通常是指量大、多源、异构、复杂、增长迅速、无法用常规的方法处理的数据集合[1]。通常情况下，大数据只具有统计学观点上的相关性，而不一定具有严谨的因果关系[2]。
数据挖掘指的是从大量的、不完全的、有噪声的、模糊随机数据中，提取隐含其中、人们事先不知道的、但又潜在有用的信息和知识的过程[3-7]。数据挖掘方法由人工智能、机器学习的方法发展而来，并且结合传统的统计分析方法、模糊数学方法以及科学计算可视化技术。
变电站设备运维指的通过对设备维护和检修来保障设备长期安稳定运行。作为变电站运维人员，日常工作主要有设备验收、设备巡视、倒闸操作、设备检修等。实际中变电站值班人员在进行这些工作过程中，因为历史数据没有得到有效利用，效率较低。本文结合变电站日常工作的基本特征和技术难点，介绍了BP神经网络在设备巡视中的应用、Apriori算法在倒闸操作中的应用，以及支持向量机在设备检修策略制定中的应用。利用这些数据挖掘技术，能大大提高变电站运维效率。
2 Apriori算法在变电站倒闸操作中的应用
倒闸操作是变电站主要业务之一，其正确性关乎电力系统能否正常运行，一旦出现误操作，就有可能造成人员伤亡、设备损坏，甚至电网崩溃，损失巨大。填写一张正确的电气倒闸操作票是防止误操作的基础。但电力系统网架结构复杂,运行方式变化大,操作任务繁多,有的具体操作任务的操作项目多达上百项,而且前后顺序又必须遵循有关规则,具有严格的逻辑关系。因此完全靠运行人员的记忆来填写电气倒闸操作票往往是困难的,有时因为各种人为因素的影响,经常会出现差错。据不完全统计,因电气倒闸操作票编写错误,以及与之相关的原因引起的电气事故,约占电气事故的三分之一左右。如果能根据变电站正确的历史操作票，利用数据挖掘技术挖掘出操作票中的规则，这样就能快速地开出正确无误的操作票。
Apriori算法是一种最有影响的挖掘关联规则的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第一步找到的频集产生期望的规则。
以变电站正确的历史操作票为样本数据集，利用Apriori算法挖掘出各操作项目之间以及操作项目与操作任务、运行方式之间的关联规则，从而构建操作票专家系统，应用于电网操作票的自动检验和自动生成，这样能提高操作项目正确性和节省人力。
3 BP神经网络在变电站设备巡视中的应用
变电站设备巡视的目的是随时掌握设备运行、变化情况，发现设备异常情况，确保设备连续安全运行。实际过程中，由于一方面人员水平有限，另一方面故障类型不是单一技术参数的直观反应，其中涉及诸多因素，有时还会出现假象，因此很难根据巡视过程中测量的技术参数准确判断设备运行状况以及具体异常情况。基于BP神经网络建立设备状态评价模型，恰好能解决这一难题。
BP神经网络的核心是通过一边向后传递误差一边修正误差的方法来不断调节网络参数（权值和阀值），以逼近所希望的输入、输出之间的映射关系。因此只要设备历史数据容量足够大，一定能建立处输入（巡视参数）与输出（设备状态）之间的映射关系，这样就能根据巡视参数判断设备状态。
期刊文章分类查询,尽在期刊图书馆例如变压器巡视参数有：油温、绕温、油位、各侧套管温度、各侧负载电流、铁芯接地电流、夹建件电流、本体最高温度、在线监测设备监测到的变压器内部各种气体的成分几含量和水的含量，上下回油管温差。利用历史巡视数据为输入样本集、以对应的设备状态为输出样本集，训练神经网络，建立人工神经网络变压器状态评价模型。模型建立后就可以根据巡视数据，区分变压器正常状态以及故障情况，包括绕组故障、铁芯故障、套管故障、内部绝缘故障以及油质变坏等。
4支持向量机在变电站设备检修策略制定中的应用
目前变电站内设备检修的主要方式分为计划检修和故障检修，计划检修也称定期检修，即不管设备当前运行状态怎么样，到期必修，缺乏经济性和针对性，造成人力、物力、财力的极大浪费，而故障检修则是出了故障后对设备进行检修，不能及早的发现设备故障和缺陷，影响系统可靠性。设备故障检修不能准确的反应设备的客观需要，必然会造成维修不足或维修过度。这些检修策略不仅影响电力企业本身的经济效益，还会波及电力用户的效益。状态检修以设备当前实际工作状况为依据，根据状态监测和故障诊断等技术，识别故障早期症状，对故障部位、故障程度和发展趋势做出判断，有针对性地制定检修策略，即安排检修时间和类别。从而避免计划检修和故障检修的不足。
状态检修的关键在于对设备当前状态的准确判断，支持向量机基于统计学习理论，能在小样本情况下实现高泛化，即在数据样本集很少的情况下最大限度地提高预报准确度，因此基于SVM的分类器具有较好的推广能力，并已得到广泛的应用。所以这里可以利用支持向量机算法评估设备状态。
评估设备状态可利用的设备信息有：（1）运行数据，包括实时监测数据、运行日志、巡检记录、运行分析记录；（2）常规检测数据，包括点检数据、试验数据、技术监督项目的测试数据；（3）设备状态监测数据，包括各种监测设备测得的数据；（4）设备历史数据，包括设备图纸、说明书、安装记录，故障记录、检修记录、台账更改记录；（5）同类设备的故障信息和检修经验。根据收集到的设备数据，利用支持向量机评估设备状态，根据状态确定检修类别。不仅提高检修的经济性，同时保障了电网运行的可靠性。
5结论
本文介绍了大数据和数据挖掘技术的特征，阐明了变电站设备巡视、倒闸操作、设备检修中的技术难点。在此基础上，指出了BP神经网络在设备巡视中的应用、Apriori算法在倒闸操作中的应用，以及支持向量机在设备检修策略制定中的应用。
大数据挖掘技术在电力系统中有广阔的发展前景，为传统电力工业注入了新的活力。研究适用于智能电网的大数据分析 理论、方法与技术，以实现更安全、更经济、更智能的电力系统，是值得研究的重要课题。
参考文献
[1]张晓蕾，陈珊，马晓丽.基于大数据的电力系统故障分析系统研究[J].电源技术，2016，40（11）：2245-2246.
[2]吴奇珂，程帆. 数据挖掘技术及其在电力系统中的应用[J].电工电气，2016（6）：28-32.
[3]钟晓，马少平，张钹，俞瑞钊. 数据挖掘综述[J].模式识别与人工智能，2001，14(1)：48-55.
[4]张引，陈敏，廖小飞. 大数据应用的现状与展望[J].计算机研究与发展，2013，50(S2)：216-233.
[5]张东霞，苗新，刘丽平, 张焰，刘科研. 智能电网大数据技术发展研究[J].中国电机工程学报，2015，35(1)：2-12.
[6]赵云山，刘焕焕.大数据技术在电力行业的应用研究[J]. 电信科学，2014，30(1)：57-62.
[7]刘世成，张东霞，朱朝阳，等. 能源互联网中大数据技术思考[J].电力系统自动化，2016，40( 8) : 14-21．
作者简介
谢佳伟，男，硕士，研究方向为大数据及数据挖掘技术在电力系统中的应用，E-mail: 615565348@qq.com，电话：15987196425。
论文作者:谢佳伟
论文发表刊物:《电力设备》2017年第32期
论文发表时间:2018/4/10
标签：设备论文; 变电站论文; 数据论文; 操作论文; 状态论文; 技术论文; 神经网络论文; 《电力设备》2017年第32期论文;