CN104504525A - 通过大数据挖掘技术实现电网设备故障预警的方法 - Google Patents

Abstract

本发明公开了一种通过大数据挖掘技术实现电网设备故障预警的方法，包括以下步骤：通过历史故障记录以及缺陷数据分析，得到造成电网设备的主要因素；对安全事故因素进行关联性分析；通过对历史经验、基础数据以及因素之间关联关系构建风险评估模型；进行电网安全事故的应用场景选型，并根据场景进行数据准备、数据筛选、数据挖掘；通过决策平台对分析后的数据进行图形化展示，并对数据进行验证。该方法通过对历史故障记录以及缺陷记录进行大数据分析，预判电网设备发生故障的趋势，并发出安全预警，从而降低电网发生电网安全事故的概率，确保电网运行可靠性。

Description

通过大数据挖掘技术实现电网设备故障预警的方法

技术领域

本发明属于电力领域，涉及一种电网设备故障预警的方法，具体地说是一种通过大数据挖掘技术实现电网设备故障预警的方法

背景技术

随着数字信息化时代的迅猛发展，信息量也呈***性增长态势。电力行业中数据量的增长也呈现出相似的态势，电力行业近年大规模的企业信息化建设，伴随着下一代智能化电网的全面建设，发电、输电、变电、调度、配电、用电等各个环节的数据飞速增长并形成了一定的规模，但是电力行业的精益化发展不能仅仅依靠的数据量的增长，如何从海量的数据中识别可用的数据，评估潜在的电网安全事故隐患，成为电力行业信息化的关键一步。因此，整合当前分散在各个***中的电网生产运行等关键数据，采用数据挖掘分析等相关技术，挖掘数据背后隐藏的规律和关联关系，为电网发展提供预测和决策支持。

发明内容

本发明的目的是提供一种通过大数据挖掘技术实现电网设备故障预警的方法，该方法通过对目前PMS(安全生产管理***)中的故障历史数据进行数据挖掘，从而分析出电网设备发生故障的趋势，并结合智能决策平台将分析结果进行可视化展现，实现了电网安全事故的预警，提高了电网供电安全可靠性。

本发明的目的通过以下技术方案实现：

一种通过大数据挖掘技术实现电网设备故障预警的方法，其特征在于该方法包括以下步骤：

1)通过历史故障记录以及缺陷数据分析，得到造成电网设备的主要因素；

2)对安全事故因素进行关联性分析；

3)通过对历史经验、基础数据以及因素之间关联关系构建风险评估模型；

4)进行电网安全事故的应用场景选型，并根据场景进行数据准备、数据筛选、数据挖掘；

5)通过决策平台对分析后的数据进行图形化展示，并对数据进行验证。

本发明中，历史故障记录包括安全生产管理***中变电故障记录、配电故障抢修记录，变电故障记录包括跳闸时间、保护动作、重合闸情况、处理经过与分析、责任原因、技术原因分析；配电故障抢修记录包括地区特征、故障时间、保护动作情况、故障分类、故障过程、故障分析；缺陷数据包括变电缺陷记录、输电缺陷记录和配电缺陷记录，变电缺陷记录包括设备类型、电压等级、缺陷内容、缺陷性质、技术原因、责任原因、发现时间；输电缺陷记录包括发现时间、缺陷分类、缺陷内容、缺陷内容备注；配电缺陷记录包括发现日期、设备类别、缺陷等级、缺陷内容、缺陷内容备注、缺陷原因；其中由自然环境引起的占33.65％；由设备老化引起的占22.48％；由外力破坏引起的占21.68％；由用户原因引起的占17.88％；由运行维护不良引起的占2.15％；由设备质量引起的占1.98％；由其他原因引起的约占0.18％。

1、构建风险评估模型以及数据挖掘时采用贝叶斯算法：贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类；朴素贝叶斯分类的在本***中进行电网设备故障挖掘的应用场景如下：

31)设类别集合C＝{y₀＝0,y₁＝1}，其中C表示类别集合,0表示不发生故障,1表示发生故障；

32)设I＝{x₁,x₂,....x_m}，1≤i≤m，其中I叫待分类项集合,其中每个元素X_i表示一个待分类项；

33)设X＝{a₁,a₂…a_n}，1≤j≤n为一个待分类项,a_j为X的一个特征属性。X在故障挖掘模型中可以理解为包含如下字段的一条记录(ID,SB_ID,DYDJ,DW_ID,BDS_XL_ID,SJLX,SYHJ,JLZT,TYRQ,TZSJ,YEAR,DUR_DAY)其中，ID是设备的逻辑ID，SB_ID是设备的物理ID，DYDJ是设备的电压等级，DW_ID是设备的单位ID，BDS_XL_ID表示设备的上级(变电所或者线路)ID，SJLX是设备的类型，SYHJ是设备的使用环境，JLZT是设备的状态，TYRQ是设备的投运日期，TZSJ是设备跳闸时的统计月份，YEAR是设备的年份，DUR_DAY是设备跳闸时间和投运时间的间隔月份。

每个特征属性a_i都做了分类，比如电压等级这个属性，DYDJ<＝20000标志为1,即a_j＝1，DYDJ>20000标志为2，即a_j＝2。

34)根据上面的信息，计算某一条记录已发生的前提下，设备发生故障的概率。根据贝叶斯分类，设备发生故障的概率的计算公式为p(y_i|x)＝p(x|y_i)p(y_i)/p(x)

计算34)中的各个条件概率，具体如下：

341)P(x)＝1/样本数量，即1/m；p(y₀)＝p(y₁)＝1/2。

342)统计得到在各类别下各个特征属性的条件概率估计；即

训练样本中，不发生故障的样本中，属性分别为a₁，a₂…a_n的概率：

P(a₁|y₀),P(a₂|y₀),…,P(a_n|y₀)

其中，P(a₁|y₀)＝p(a₁＝1|y₀)*p(a₁＝2|y₀)…*p(a₁＝m|y₀)，

以特征属性电压等级为例:

p(a₁＝1|y₀)＝不发生故障的训练样本中电压等级≤20000的样本数量/不发生故障的训练样本数量；

p(a₁＝2|y₀)＝不发生故障的训练样本中电压等级>20000的样本数量/不发生故障的训练样本数量

训练样本中，发生故障的样本中，属性分别为a₁，a₂…a_n的概率：

P(a₁|y₁),P(a₂|y₁),…,P(a_n|y₁)

其中，P(a₁|y₁)＝p(a₁＝1|y₁)*p(a₁＝2|y₁)…*p(a₁＝m|y₁)，

以特征属性电压等级为例:

p(a₁＝1|y₁)＝发生故障的训练样本中电压等级≤20000的样本数量/发生故障的训练样本数量；

p(a₁＝2|y₁)＝发生故障的训练样本中电压等级>20000的样本数量/发生故障的训练样本数量

343)由于各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：

在本***故障挖掘模型中，即可得到两个结果：某条记录存在的前提下(相当于x)，其发生故障的概率，和不发生故障的概率。

该方法通过对历史故障记录以及缺陷记录进行大数据分析，从而分析出电网设备发生故障的趋势，并结合智能决策平台将分析结果进行可视化展现，实现了电网安全事故的预警，从而降低电网发生电网安全事故的概率，确保电网运行可靠性。

附图说明

图1是朴素贝叶斯分类的流程图。

具体实施方式

一种通过大数据挖掘的数技术实现电网设备故障预警的方法，具体如下：

1)通过江苏电力的历史故障数据分析出造成电网安全事故的主要因素以及他们之间的关联关系。

2)通过对历史经验、基础数据以及因素之间关联关系构建风险评估模型；

3)进行电网安全事故的应用场景选型，并根据场景进行数据准备、数据筛选、数据挖掘。

4)通过决策平台对分析后的数据进行图形化展示，并对数据进行验证。

2、通过朴素贝叶斯分类算法对电网历史设备故障数据进行数据挖掘以及模型构建，贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类；朴素贝叶斯分类的在本***中进行电网设备故障挖掘的应用场景如下：

31)设类别集合C＝{y₀＝0,y₁＝1}，其中C表示类别集合,0表示不发生故障,1表示发生故障；

32)设I＝{x₁,x₂,....x_m}，1≤i≤m，其中I叫待分类项集合,其中每个元素X_i表示一个待分类项；

33)设X＝{a₁,a₂…a_n}，1≤j≤n为一个待分类项,a_j为X的一个特征属性。X在故障挖掘模型中可以理解为包含如下字段的一条记录(ID,SB_ID,DYDJ,DW_ID,BDS_XL_ID,SJLX,SYHJ,JLZT,TYRQ,TZSJ,YEAR,DUR_DAY)其中，ID是设备的逻辑ID，SB_ID是设备的物理ID，DYDJ是设备的电压等级，DW_ID是设备的单位ID，BDS_XL_ID表示设备的上级(变电所或者线路)ID，SJLX是设备的类型，SYHJ是设备的使用环境，JLZT是设备的状态，TYRQ是设备的投运日期，TZSJ是设备跳闸时的统计月份，YEAR是设备的年份，DUR_DAY是设备跳闸时间和投运时间的间隔月份。

每个特征属性a_i都做了分类，比如电压等级这个属性，DYDJ<＝20000标志为1,即a_j＝1，DYDJ>20000标志为2，即a_j＝2。

34)根据上面的信息，计算某一条记录已发生的前提下，设备发生故障的概率。根据贝叶斯分类，设备发生故障的概率的计算公式为p(y_i|x)＝p(x|y_i)p(y_i)/p(x)

计算34)中的各个条件概率，具体如下：

341)P(x)＝1/样本数量，即1/m；p(y₀)＝p(y₁)＝1/2。

342)统计得到在各类别下各个特征属性的条件概率估计；即

训练样本中，不发生故障的样本中，属性分别为a₁，a₂…a_n的概率：

P(a₁|y₀),P(a₂|y₀),…,P(a_n|y₀)

其中，P(a₁|y₀)＝p(a₁＝1|y₀)*p(a₁＝2|y₀)…*p(a₁＝m|y₀)，

以特征属性电压等级为例:

p(a₁＝1|y₀)＝不发生故障的训练样本中电压等级≤20000的样本数量/不发生故障的训练样本数量；

p(a₁＝2|y₀)＝不发生故障的训练样本中电压等级>20000的样本数量/不发生故障的训练样本数量

训练样本中，发生故障的样本中，属性分别为a₁，a₂…a_n的概率：

P(a₁|y₁),P(a₂|y₁),…,P(a_n|y₁)

其中，P(a₁|y₁)＝p(a₁＝1|y₁)*p(a₁＝2|y₁)…*p(a₁＝m|y₁)，

以特征属性电压等级为例:

p(a₁＝1|y₁)＝发生故障的训练样本中电压等级≤20000的样本数量/发生故障的训练样本数量；

p(a₁＝2|y₁)＝发生故障的训练样本中电压等级>20000的样本数量/发生故障的训练样本数量

343)由于各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：

在本***故障挖掘模型中，即可得到两个结果：某条记录存在的前提下(相当于x)，其发生故障的概率，和不发生故障的概率。

Claims (3)

1.一种通过大数据挖掘技术实现电网设备故障预警的方法，其特征在于该方法包括以下步骤：

1)通过历史故障记录以及缺陷数据分析，得到造成电网设备的主要因素；

2)对安全事故因素进行关联性分析；

3)通过对历史经验、基础数据以及因素之间关联关系构建风险评估模型；

4)进行电网安全事故的应用场景选型，并根据场景进行数据准备、数据筛选、数据挖掘；

5)通过决策平台对分析后的数据进行图形化展示，并对数据进行验证。

2.根据权利要求1所述的通过大数据挖掘技术实现电网设备故障预警的方法，其特征在于：步骤1)中，历史故障记录包括安全生产管理***中变电故障记录、配电故障抢修记录，变电故障记录包括跳闸时间、保护动作、重合闸情况、处理经过与分析、责任原因、技术原因分析；配电故障抢修记录包括地区特征、故障时间、保护动作情况、故障分类、故障过程、故障分析；缺陷数据包括变电缺陷记录、输电缺陷记录和配电缺陷记录，变电缺陷记录包括设备类型、电压等级、缺陷内容、缺陷性质、技术原因、责任原因、发现时间；输电缺陷记录包括发现时间、缺陷分类、缺陷内容、缺陷内容备注；配电缺陷记录包括发现日期、设备类别、缺陷等级、缺陷内容、缺陷内容备注、缺陷原因；其中由自然环境引起的占33.65％；由设备老化引起的占22.48％；由外力破坏引起的占21.68％；由用户原因引起的占17.88％；由运行维护不良引起的占2.15％；由设备质量引起的占1.98％；由其他原因引起的约占0.18％。

3.根据权利要求1所述通过大数据挖掘技术实现电网设备故障预警的方法，其特征在于：步骤3)和步骤4)中，构建风险评估模型以及数据挖掘时采用贝叶斯算法：贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类；朴素贝叶斯分类的在本***中进行电网设备故障挖掘的应用场景如下：

31)设类别集合C＝{y₀＝0,y₁＝1}，其中C表示类别集合,0表示不发生故障,1表示发生故障；

32)设I＝{x₁,x₂,....x_m}，1≤i≤m，其中I叫待分类项集合,其中每个元素X_i表示一个待分类项；

33)设X＝{a₁,a₂…a_n}，1≤j≤n为一个待分类项,a_j为X的一个特征属性。X在故障挖掘模型中可以理解为包含如下字段的一条记录(ID,SB_ID,DYDJ,DW_ID,BDS_XL_ID,SJLX,SYHJ,JLZT,TYRQ,TZSJ,YEAR,DUR_DAY)其中，ID是设备的逻辑ID，SB_ID是设备的物理ID，DYDJ是设备的电压等级，DW_ID是设备的单位ID，BDS_XL_ID表示设备的上级(变电所或者线路)ID，SJLX是设备的类型，SYHJ是设备的使用环境，JLZT是设备的状态，TYRQ是设备的投运日期，TZSJ是设备跳闸时的统计月份，YEAR是设备的年份，DUR_DAY是设备跳闸时间和投运时间的间隔月份。

每个特征属性a_i都做了分类，比如电压等级这个属性，DYDJ<＝20000标志为1,即a_j＝1，DYDJ>20000标志为2，即a_j＝2。

34)根据上面的信息，计算某一条记录已发生的前提下，设备发生故障的概率。根据贝叶斯分类，设备发生故障的概率的计算公式为p(y_i|x)＝p(x|y_i)p(y_i)/p(x)

计算34)中的各个条件概率，具体如下：

341)P(x)＝1/样本数量，即1/m；p(y₀)＝p(y₁)＝1/2。

342)统计得到在各类别下各个特征属性的条件概率估计；即

训练样本中，不发生故障的样本中，属性分别为a₁，a₂…a_n的概率：

P(a₁|y₀),P(a₂|1₀),…,P(a_n|y₀)

其中，P(a₁|y₀)＝p(a₁＝1|y₀)*p(a₁＝2|y₀)…*p(a₁＝m|y₀)，

以特征属性电压等级为例:

p(a₁＝1|y₀)＝不发生故障的训练样本中电压等级≤20000的样本数量/不发生故障的训练样本数量；

p(a₁＝2|y₀)＝不发生故障的训练样本中电压等级

>20000的样本数量/不发生故障的训练样本数量

训练样本中，发生故障的样本中，属性分别为a₁，a₂…a_n的概率：

P(a₁|y₁),P(a₂|y₁),…,P(a_n|y₁)

其中，P(a₁|y₁＝p(a₁＝1|y₁)*p(a₁＝2|y₁)…*p(a₁＝m|y₁)，

以特征属性电压等级为例:

p(a₁＝1|y₁)＝发生故障的训练样本中电压等级≤20000的样本数量/

发生故障的训练样本数量；

p(a₁＝2|y₁)＝发生故障的训练样本中电压等级

>20000的样本数量/发生故障的训练样本数量

343)由于各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：

在本***故障挖掘模型中，即可得到两个结果：某条记录存在的前提下相当于x，其发生故障的概率，和不发生故障的概率。