CN110543500A - 一种基于大数据的输变电设备健康评估平台 - Google Patents

Abstract

本发明公开了一种基于大数据的输变电设备健康评估平台，包括数据监测模块，所述监测模块包括在线监测数据模块、带点监测数据模块和环境数据监测平台，其次将采集的数据信息传递至输变电设备多元数据采集模块继续集中数据预处理，随后所述输变电设备多元数据采集模块将监测信息数据传输至输变电设备多元数据融合模块，随后所述输变电设备多元数据融合模块将输变电数据传输至智能输变电设备健康决策分析模块，所述智能输变电设备健康决策分析模块与数据指标库和智能处方库两个云资源库电性连接。本发明在对现有设备状态监测参数提出更高要求的基础上，以海量数据为挖掘对象，能够多时间尺度、多时空维度的海量数据的有效集成与融合。

Description

一种基于大数据的输变电设备健康评估平台

技术领域

本发明涉及电力设备监测技术领域，尤其涉及一种基于大数据的输变电设备健康评估平台。

背景技术

传统方法的评估模型中，设备状态监测量是输入参数，而设备缺陷及故障是输出参数；在大数据挖掘分析方法中，设备状态监测量、设备缺陷及故障都是输入参数，而输出量是所有输入参量之间的关联规则、关联度等要素。传统的通过输入量和输出量训练形成的模型，一旦生成，便不可改变，除非重新训练；而大数据挖掘分析方法模型采用动态相关性系数矩阵对设备状态指标和设备状态监测参量之间的相关性进行建模，可以不断回归修正，能够根据所研究的设备对象、状态参量、故障类型等灵活变化，不需要重新对模型进行构建，不存在模型固化的问题。基于大数据挖掘的输变电设备状态评价方法适用于评估预测设备的任意参数指标，包括设备健康、负载能力等。本发明利用大数据技术处理海量数据，并能够从繁杂的数据中，分析挖掘出有用有价值的信息。

发明内容

本发明的目的是为了利用大数据分析方法挖掘出有用有价值的信息，而提出的一种基于大数据的输变电设备健康评估平台。

为了实现上述目的，本发明采用了如下技术方案：

一种基于大数据的输变电设备健康评估平台，包括数据监测模块，所述监测模块包括在线监测数据模块、带点监测数据模块和环境数据监测平台，所述在线监测数据模块和所述带点监测数据模块对输变电设备的内的数据进行在线监测，并通过状态监测代理CMA模块将数据传输给网省数据中心，所述环境数据监测平台对气象数据、山火数据和覆冰数据进行收集，即首先通过多渠道采集大数据信息，其次将采集的数据信息传递至输变电设备多元数据采集模块继续集中数据预处理，随后所述输变电设备多元数据采集模块将监测信息数据传输至输变电设备多元数据融合模块，所述输变电设备多元数据融合模块对接受到的输变电数据进行数据清理、数据集成、数据变换和数据规约，随后所述输变电设备多元数据融合模块将输变电数据传输至智能输变电设备健康决策分析模块，所述智能输变电设备健康决策分析模块与数据指标库和智能处方库两个云资源库电性连接，所述智能输变电设备健康决策分析模块与所述数据指标库和所述智能处方库进行双向交互，所述智能输变电设备健康决策分析模块采用Aprior算法流程进行拟合。

优选地，所述智能输变电设备健康决策分析模块包括数据分布优化、模块内数据预处理和分析评估过程三个过程。

优选地，所述数据分布优化过程为：执行MapReduce关联查询时，采用标准的Hadoop数据布局方案，连接操作需要在约减阶段完成，在映射阶段，所有数据在多个节点上进行分组排序，之后由约减任务的TaskTracker节点通过远程访问的方式进行数据拉取。

优选地，所述模块内数据预处理过程为：收集输变电设备的异常状态数据，重点包括故障、缺陷的案例数据。案例代号用As(s＝1,2,…,34)来表示，状态参量代码用Wu(u＝1,2,…,27)来表示。然后，根据故障、缺陷的表征，进行状态参量赋值。

优选地，所述分析评估过程为：将原始数据中的各组故障案例进行层次聚类，初步分析可将所有故障分为5类。分别选取u为1,2,…,27，并通过计算不同聚类簇数u的轮廓系数，进行聚类效果的比较。

与传统评估模型相比相比，本发明具备以下优点：

本发明在对现有设备状态监测参数提出更高要求的基础上，以海量数据为挖掘对象，运用适用于大数据的数据挖掘方法，在不确定模型中挖掘各待分析因素之间的相关关系，在数据挖掘分析方法中，最为关键的是多源、多时间尺度、多时空维度的海量数据的有效集成与融合，从而发现各种设备状态监测量与设备缺陷及故障之间内在的(已知的或隐藏的)关联关系，即使是在物理、逻辑模型上很难整合到一起的各种关联关系。

附图说明

图1为本发明提出的一种基于大数据的输变电设备健康评估平台的结构示意图；

图2为本发明中基于大数据的数据处理的平台阶段图；

图3为本发明中数据分布优化过程算法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

参照附图，健康评估平台包括数据监测模块，所述监测模块包括在线监测数据模块、带点监测数据模块和环境数据监测平台，所述在线监测数据模块和所述带点监测数据模块对输变电设备的内的数据进行在线监测，并通过状态监测代理CMA模块将数据传输给网省数据中心，所述环境数据监测平台对气象数据、山火数据和覆冰数据进行收集，即首先通过多渠道采集大数据信息，其次将采集的数据信息传递至输变电设备多元数据采集模块继续集中数据预处理，随后所述输变电设备多元数据采集模块将监测信息数据传输至输变电设备多元数据融合模块，所述输变电设备多元数据融合模块对接受到的输变电数据进行数据清理、数据集成、数据变换和数据规约，随后所述输变电设备多元数据融合模块将输变电数据传输至智能输变电设备健康决策分析模块，所述智能输变电设备健康决策分析模块与数据指标库和智能处方库两个云资源库电性连接，所述智能输变电设备健康决策分析模块与所述数据指标库和所述智能处方库进行双向交互，所述智能输变电设备健康决策分析模块采用Aprior算法流程进行拟合：

Aprior算法(一种挖掘关联规则的频繁项集算法)流程可描述如下：

设关联规则的待分析库为D，是事务T的合集，若有n个事务，则D＝{T1，T2、…、Tj、…、Tn}，对于每个事务，则由“m个项”所组成，T＝{T1，T2、…、Ti、…、Tm}。

对于项集X，支持度S的定义为：

而对于X＝>Y的关联规则，其支持度为：

S(X＝>Y)＝N(X∪Y)/D；

式中：S为支持度；为集合数量；

对于X＝>Y的关联规则，其可信度C为：

C(X＝>Y)＝S(X＝>Y)/S(X)

本公式所描述的可信度反映的情况是，若项集里包含X，则同时包含Y的概率。对于使用关联规则的用户来说，用户可通过定义最小支持度和可信度的阈值，来挖掘支持度S和可信度C同时较高的关联规则。

为了进行故障模式的诊断，需要考虑各状态参量与各故障模式之间的相关关系，即某状态参量发生异常时发生某故障模式的情况的可能性。在求得各状态参量与设备各故障模式的相关系数后，便可得到设备故障模式诊断矩阵R，在计算相关系数Rrt时，本文采用皮尔逊相关性系数进行计算。相关系数是以2个变量与各自变量的平均值的离差为基础，按积差方法进行计算，在将2个离差相乘，使用其积来反映2个变量之间相关程度。皮尔逊相关系数的取值范围为-1到1，取值为0表明2个变量之间没有显著的线性关系，-1和1表示2者完全负或正相关。应用于设备故障诊断的中Br和Vt相关系数由式(6)给出R(BV)＝Cov(Br,V)；

式中：Cov(Br,V)为B和V的协方差；

在通过上述方法求得诊断矩阵R后，可通过式F＝RU对待诊断故障数据进行诊断，其中U为待诊断故障案例数据向量，包括各状态参量的状态参量化水平；F为故障模式诊断结果向量，向量中的每个元素的值可以表征该故障案例在各故障模式下的隶属程度。在最终确诊最可能的故障模式时，可选择隶属程度最大(即数值最大)的故障模式，作为最终的结果。

所述智能输变电设备健康决策分析模块包括如下步骤：

1、数据分布优化

数据需要尽量均匀的分布到集群中各节点，以保持负载均衡；Hadoop集群中节点故障被视为一种常态，优化数据分布时需要考虑节点失效问题；为保证数据的可靠性及查询处理效率，需要采取多副本冗余方案；Hadoop运行环境下，网络传输及磁盘操作是影响整体性能的重要因素，如果能减少数据的通信量，将会有效减少数据处理时间。以状态监测平台中常用的数据关联查询为例，在执行MapReduce关联查询时，采用标准的Hadoop数据布局方案(未考虑数据相关性)，连接操作需要在约减(Reduce)阶段完成。在映射(Map)阶段，所有数据在多个节点上进行分组排序，之后由约减任务的TaskTracker节点通过远程访问的方式进行数据拉取。在这个过程中，可能有大量与最后连接操作无关的数据也在网络中被复制和传输。如果在数据上传时根据数据的设备属性，将同一设备的数据尽量存储在相同节点上，则可以在映射阶段完成连接操作，省去约减阶段的数据通信，使整体执行效率得到提高。

2、模块内数据预处理

收集输变电设备的异常状态数据，重点包括故障、缺陷的案例数据。案例代号用As(s＝1,2,…,34)来表示，状态参量代码用Wu(u＝1,2,…,27)来表示。然后，根据故障、缺陷的表征，进行状态参量赋值。由于知识图谱构建仅是对状态参量或是设备异常案例本身进行挖掘分析，仅需知道1个状态参量是否异常，不涉及设备状态等级或是状态参量劣化程度，因此仅进行二元量化。根据严重程度，缺陷可分为健康、良好、警告、恶化和严重五中健康状态。当某个状态参量为异常情况时，Wu的值为“1、2、3”时，代表该状态参量分别出现警告、恶化和严重缺陷，Wu的值为“0、4…27”时，则代表该状态参量为健康和良好。

3、分析评估过程

将原始数据中的各组故障案例进行层次聚类，初步分析可将所有故障分为5类。分别选取u为1,2,…,27，并通过计算不同聚类簇数u的轮廓系数，进行聚类效果的比较。由表1可见u＝6，即将故障模式分为5类时聚类结果最为理想。结合专家经验，可以总结归纳出变压器套管常见的5类故障模式。使用k-means对故障案例进行聚类，其结果见表1。

表1故障案例聚类结果

根据上述步骤，却定格设备健康歌等级，根据健康指数的大小将设备分为健康、良好、警告、恶化和严重五种健康状态。

提供之前的描述是为了使本领域任何技术人员均能够实践本文中所描述的各种方面。对这些方面的各种修改将容易为本领域技术人员所明白，并且在本文中所定义的普适原理可被应用于其他方面。因此，权利要求并非旨在被限定于本文中所示的方面，而是应被授予与语言上的权利要求相一致的全部范围，其中对要素的单数形式的引述除非特别声明，否则并非旨在表示“有且仅有一个”，而是“一个或多个”。本文使用术语“示例性”意指“用作示例、实例或解说”。本文中描述为“示例性”的任何方面不必被解释成优于或胜过其他方面。除非特别另外声明，否则术语“一些”指的是一个或多个。本公开通篇描述的各个方面的要素为本领域普通技术人员当前或今后所知的所有结构上和功能上的等效方案通过引述被明确纳入于此，且旨在被权利要求所涵盖。此外，本文中所公开的任何内容都并非旨在贡献给公众，无论这样的公开是否在权利要求书中被显式地叙述。没有任何权利要求元素应被解释为装置加功能，除非该元素是使用短语“用于......的装置”来明确叙述的。

Claims (6)

1.一种基于大数据的输变电设备健康评估平台，包括数据监测模块，其特征在于，所述监测模块包括在线监测数据模块、带点监测数据模块和环境数据监测平台；

所述在线监测数据模块和所述带点监测数据模块对输变电设备的内的数据进行在线监测，并通过状态监测代理CMA模块将数据传输给网省数据中心，所述环境数据监测平台对气象数据、山火数据和覆冰数据进行收集，即首先通过多渠道采集大数据信息，其次将采集的数据信息传递至输变电设备多元数据采集模块继续集中数据预处理，随后所述输变电设备多元数据采集模块将监测信息数据传输至输变电设备多元数据融合模块，所述输变电设备多元数据融合模块对接受到的输变电数据进行数据清理、数据集成、数据变换和数据规约，随后所述输变电设备多元数据融合模块将输变电数据传输至智能输变电设备健康决策分析模块，所述智能输变电设备健康决策分析模块与数据指标库和智能处方库两个云资源库电性连接，所述智能输变电设备健康决策分析模块与所述数据指标库和所述智能处方库进行双向交互，所述智能输变电设备健康决策分析模块采用Aprior算法流程进行拟合。

2.根据权利要求1所述的一种基于大数据的输变电设备健康评估平台，其特征在于，所述Aprior的算法流程为：

设关联规则的待分析库为D，是事务T的合集，若有n个事务，则D＝{T1，T2、…、Tj、…、Tn}，对于每个事务，则由“m个项”所组成，T＝{T1，T2、…、Ti、…、Tm}；

对于项集X，支持度S的定义为：

而对于X＝>Y的关联规则，其支持度为：

S(X＝>Y)＝N(X∪Y)/D；

对于X＝>Y的关联规则，其可信度C为：

C(X＝>Y)＝S(X＝>Y)/S(X)。

3.根据权利要求1所述的一种基于大数据的输变电设备健康评估平台，其特征在于，所述智能输变电设备健康决策分析模块分析步骤分别为数据分布优化、模块内数据预处理和分析评估过程。

4.根据权利要求3所述的一种基于大数据的输变电设备健康评估平台，其特征在于，所述数据分布优化过程为：

执行MapReduce关联查询时，采用标准的Hadoop数据布局方案，连接操作需要在约减阶段完成，在映射阶段，所有数据在多个节点上进行分组排序，之后由约减任务的TaskTracker节点通过远程访问的方式进行数据拉取。

5.根据权利要求1所述的一种基于大数据的输变电设备健康评估平台，其特征在于，所述模块内数据预处理过程为：

收集输变电设备的异常状态数据，重点包括故障、缺陷的案例数据，案例代号用As(s＝1,2,…,34)来表示，状态参量代码用Wu(u＝1,2,…,27)来表示，然后，根据故障、缺陷的表征，进行状态参量赋值。

6.根据权利要求1所述的一种基于大数据的输变电设备健康评估平台，其特征在于，所述分析评估过程为：

将原始数据中的各组故障案例进行层次聚类，初步分析可将所有故障分为5类，分别选取u为1,2,…,27，并通过计算不同聚类簇数u的轮廓系数，进行聚类效果的比较。