通過大數據挖掘技術實現電網設備故障預警的方法
2023-04-30 02:39:11
通過大數據挖掘技術實現電網設備故障預警的方法
【專利摘要】本發明公開了一種通過大數據挖掘技術實現電網設備故障預警的方法，包括以下步驟：通過歷史故障記錄以及缺陷數據分析，得到造成電網設備的主要因素；對安全事故因素進行關聯性分析；通過對歷史經驗、基礎數據以及因素之間關聯關係構建風險評估模型；進行電網安全事故的應用場景選型，並根據場景進行數據準備、數據篩選、數據挖掘；通過決策平臺對分析後的數據進行圖形化展示，並對數據進行驗證。該方法通過對歷史故障記錄以及缺陷記錄進行大數據分析，預判電網設備發生故障的趨勢，並發出安全預警，從而降低電網發生電網安全事故的概率，確保電網運行可靠性。
【專利說明】通過大數據挖掘技術實現電網設備故障預譬的方法
【技術領域】
[0001] 本發明屬於電力領域，設及一種電網設備故障預警的方法，具體地說是一種通過 大數據挖掘技術實現電網設備故障預警的方法
【背景技術】
[0002] 隨著數字信息化時代的迅猛發展，信息量也呈爆炸性增長態勢。電力行業中數據 量的增長也呈現出相似的態勢，電力行業近年大規模的企業信息化建設，伴隨著下一代智 能化電網的全面建設，發電、輸電、變電、調度、配電、用電等各個環節的數據飛速增長並形 成了一定的規模，但是電力行業的精益化發展不能僅僅依靠的數據量的增長，如何從海量 的數據中識別可用的數據，評估潛在的電網安全事故隱患，成為電力行業信息化的關鍵一 步。因此，整合當前分散在各個系統中的電網生產運行等關鍵數據，採用數據挖掘分析等相 關技術，挖掘數據背後隱藏的規律和關聯關係，為電網發展提供預測和決策支持。
【發明內容】
[0003] 本發明的目的是提供一種通過大數據挖掘技術實現電網設備故障預警的方法，該 方法通過對目前PMS (安全生產管理系統）中的故障歷史數據進行數據挖掘，從而分析出電 網設備發生故障的趨勢，並結合智能決策平臺將分析結果進行可視化展現，實現了電網安 全事故的預警，提高了電網供電安全可靠性。
[0004] 本發明的目的通過W下技術方案實現：
[0005] 一種通過大數據挖掘技術實現電網設備故障預警的方法，其特徵在於該方法包括 W下步驟：
[0006] 1)通過歷史故障記錄W及缺陷數據分析，得到造成電網設備的主要因素；
[0007] 2)對安全事故因素進行關聯性分析；
[000引 3)通過對歷史經驗、基礎數據W及因素之間關聯關係構建風險評估模型；
[0009] 4)進行電網安全事故的應用場景選型，並根據場景進行數據準備、數據篩選、數據 挖掘；
[0010] 5)通過決策平臺對分析後的數據進行圖形化展示，並對數據進行驗證。
[0011] 本發明中，歷史故障記錄包括安全生產管理系統中變電故障記錄、配電故障搶修 記錄，變電故障記錄包括跳閩時間、保護動作、重合閩情況、處理經過與分析、責任原因、技 術原因分析；配電故障搶修記錄包括地區特徵、故障時間、保護動作情況、故障分類、故障過 程、故障分析；缺陷數據包括變電缺陷記錄、輸電缺陷記錄和配電缺陷記錄，變電缺陷記錄 包括設備類型、電壓等級、缺陷內容、缺陷性質、技術原因、責任原因、發現時間；輸電缺陷記 錄包括發現時間、缺陷分類、缺陷內容、缺陷內容備註；配電缺陷記錄包括發現日期、設備類 另IJ、缺陷等級、缺陷內容、缺陷內容備註、缺陷原因；其中由自然環境引起的佔33.65% ;由 設備老化引起的佔22. 48% ;由外力破壞引起的佔21. 68% ;由用戶原因引起的佔17. 88% ; 由運行維護不良引起的佔2. 15% ;由設備質量引起的佔1.98% ;由其他原因引起的約佔 0. 18%。
[0012] 1、構建風險評估模型W及數據挖掘時採用貝葉斯算法；貝葉斯分類是一類分類算 法的總稱，該類算法均W貝葉斯定理為基礎，故統稱為貝葉斯分類；樸素貝葉斯分類的在本 系統中進行電網設備故障挖掘的應用場景如下：
[001引31)設類別集合C= {y0=0，yi= 1}，其中C表示類別集合，0表示不發生故障，1 表示發生故障；
[0014] 32)設I = {x。X2,--X。}，1《i《m，其中I叫待分類項集合，其中每個元素Xi 表示一個待分類項；
[001引城設X =咕，32…a。}，1《j《n為一個待分類項，a為X的一個特徵屬性。X 在故障挖掘模型中可W理解為包含如下欄位的一條記錄（ID，SB_ID，DYDJ，DW_I化抓S_XL_ ID, SJLX，SYHJ，JLZT，TYRQ，TZSJ，YEAR, DUR_DAY)其中，ID 是設備的邏輯 ID, SB_ID 是設備的 物理ID，DYDJ是設備的電壓等級，DW_ID是設備的單位ID，BDS_XL_ID表示設備的上級（變 電所或者線路）ID，SJLX是設備的類型，SY町是設備的使用環境，JLZT是設備的狀態，TYRQ 是設備的投運日期，TZSJ是設備跳閩時的統計月份，YEAR是設備的年份，DUR_DAY是設備跳 閩時間和投運時間的間隔月份。
[0016] 每個特徵屬性都做了分類，比如電壓等級該個屬性，DYDJ< = 20000標誌為1， 即 aj= 1，DYDJ〉20000 標誌為 2,即 a j= 2。
[0017] 34)根據上面的信息，計算某一條記錄已發生的前提下，設備發生故障的概率。根 據貝葉斯分類，設備發生故障的概率的計算公式為P (yi I X) = P (X I yi) P (yi) /P (X)
[001引計算34)中的各個條件概率，具體如下；
[0019] 341)P(x) = 1/樣本數量，即 1/m ;p(y〇) = p(yi) = 1/2。
[0020] 342)統計得到在各類別下各個特徵屬性的條件概率估計；即
[0021] 訓練樣本中，不發生故障的樣本中，屬性分別為ai，32…a。的概率：
[0022] P(aJy〇),P(a2|y〇), --?,P(aJy〇)
[0023] 其中，P(aJy〇) = p(ai= 1 |y 〇)*p(ai= 2 |y 0)…*p(ai = m|y 0)，
[0024] W特徵屬性電壓等級為例：
[0025] p(ai= l|y。）=不發生故障的訓練樣本中電壓等級《20000的樣本數量/不發生 故障的訓練樣本數量；
[0026] P (ai= 2 I y。）=不發生故障的訓練樣本中電壓等級>20000的樣本數量/不發生 故障的訓練樣本數量
[0027] 訓練樣本中，發生故障的樣本中，屬性分別為ai，32…a。的概率；
[002引 P (ai I yi)，P (321 yi)，…，P (a。I yi)
[0029] 其中，P(ajyi) = p(ai= 1 |y i)*p(ai= 2|y 1)…*p(ai = m|y 1)，
[0030] W特徵屬性電壓等級為例：
[0031] p(ai= 1|yi)=發生故障的訓練樣本中電壓等級《 20000的樣本數量/發生故障 的訓練樣本數量；
[003引 p(ai= 2 |y 1)=發生故障的訓練樣本中電壓等級>20000的樣本數量/發生故障 的訓練樣本數量
[0033] 343)由於各個特徵屬性是條件獨立的，則根據貝葉斯定理有如下推導：
[0034] 巧化.r)=畫圓圓:圓圓mill^圓mill：圓nil:ii:年^iiii:iiiii在本系統故障挖掘模型中，即可得到兩個結果：某條 P\j'}， 記錄存在的前提下（相當於X)，其發生故障的概率，和不發生故障的概率。
[0035] 該方法通過對歷史故障記錄W及缺陷記錄進行大數據分析，從而分析出電網設備 發生故障的趨勢，並結合智能決策平臺將分析結果進行可視化展現，實現了電網安全事故 的預警，從而降低電網發生電網安全事故的概率，確保電網運行可靠性。
【專利附圖】
【附圖說明】
[0036] 圖1是樸素貝葉斯分類的流程圖。
【具體實施方式】
[0037] 一種通過大數據挖掘的數技術實現電網設備故障預警的方法，具體如下：
[003引 1)通過江蘇電力的歷史故障數據分析出造成電網安全事故的主要因素W及他們 之間的關聯關係。
[0039] 2)通過對歷史經驗、基礎數據W及因素之間關聯關係構建風險評估模型；
[0040] 3)進行電網安全事故的應用場景選型，並根據場景進行數據準備、數據篩選、數據 挖掘。
[0041] 4)通過決策平臺對分析後的數據進行圖形化展示，並對數據進行驗證。
[0042] 2、通過樸素貝葉斯分類算法對電網歷史設備故障數據進行數據挖掘W及模型構 建，貝葉斯分類是一類分類算法的總稱，該類算法均W貝葉斯定理為基礎，故統稱為貝葉斯 分類；樸素貝葉斯分類的在本系統中進行電網設備故障挖掘的應用場景如下：
[0043] 31)設類別集合C= {yu=0，yi= 1}，其中C表示類別集合，0表示不發生故障，1 表示發生故障；
[0044] 3。設I = {Xi，X2,. . . . x。}，1《i《m，其中I叫待分類項集合，其中每個元素Xi 表示一個待分類項；
[0045] 城設X =咕，32…a。}，1《j《n為一個待分類項，a為X的一個特徵屬性。X 在故障挖掘模型中可W理解為包含如下欄位的一條記錄（ID，SB_ID，DYDJ，DW_I化抓S_XL_ ID, S化X，SY町，JLZT，TYRQ，TZSJ，YEAR, DUR_DAY)其中，ID 是設備的邏輯 ID, SB_ID 是設備的 物理ID，DYDJ是設備的電壓等級，DW_ID是設備的單位ID，BDS_XL_ID表示設備的上級（變 電所或者線路）ID，SJLX是設備的類型，SY町是設備的使用環境，JLZT是設備的狀態，TYRQ 是設備的投運日期，TZSJ是設備跳閩時的統計月份，YEAR是設備的年份，DUR_DAY是設備跳 閩時間和投運時間的間隔月份。
[0046] 每個特徵屬性a鬱做了分類，比如電壓等級該個屬性，DYDJ< = 20000標誌為1， 即 aj= 1，DYDJ〉20000 標誌為 2,即 a j= 2。
[0047] 34)根據上面的信息，計算某一條記錄已發生的前提下，設備發生故障的概率。根 據貝葉斯分類，設備發生故障的概率的計算公式為pbilx) = p(x|yi)p(yi)/p(x)
[0048] 計算34)中的各個條件概率，具體如下：
[0049] 341)P(x) = 1/樣本數量，即 1/m ;p(y〇) = p(yi) = 1/2。
[0化0] 342)統計得到在各類別下各個特徵屬性的條件概率估計；即
[0化1] 訓練樣本中，不發生故障的樣本中，屬性分別為ai，32…a。的概率：
[0052] P(aJy〇),P(a2|y〇), --?,P(aJy〇)
[0053] 其中，P(aJy〇) = p(ai= 1 |y 〇)*p(ai= 2 |y 0)…*p(ai = m|y 0)，
[0054] W特徵屬性電壓等級為例：
[0055] p(ai= l|y。）=不發生故障的訓練樣本中電壓等級《20000的樣本數量/不發生 故障的訓練樣本數量；
[0化6] P (ai= 2 I y。）=不發生故障的訓練樣本中電壓等級>20000的樣本數量/不發生 故障的訓練樣本數量
[0057] 訓練樣本中，發生故障的樣本中，屬性分別為ai，32…a。的概率：
[005引 P (ai I yi)，P (321 yi)，…，P (a。I yi)
[0059] 其中，P(ajyi) = p(ai= 1 |y i)*p(ai= 2|y 1)…*p(ai = m|y 1)，
[0060] W特徵屬性電壓等級為例：
[0061] p(ai= 1|yi)=發生故障的訓練樣本中電壓等級《 20000的樣本數量/發生故障 的訓練樣本數量；
[006引 p(ai= 2 |y 1)=發生故障的訓練樣本中電壓等級>20000的樣本數量/發生故障 的訓練樣本數量
[0063] 343)由於各個特徵屬性是條件獨立的，則根據貝葉斯定理有如下推導： ' . 巧,小/!')巧的')
[0064] 巧化|i'）= ^耗向,,,,,在本系統故障挖掘模型中，即可得到兩個結果：某條 記錄存在的前提下（相當於X)，其發生故障的概率，和不發生故障的概率。
【權利要求】
1. 一種通過大數據挖掘技術實現電網設備故障預警的方法，其特徵在於該方法包括以 下步驟： 1) 通過歷史故障記錄以及缺陷數據分析，得到造成電網設備的主要因素； 2) 對安全事故因素進行關聯性分析； 3) 通過對歷史經驗、基礎數據以及因素之間關聯關係構建風險評估模型； 4) 進行電網安全事故的應用場景選型，並根據場景進行數據準備、數據篩選、數據挖 掘； 5) 通過決策平臺對分析後的數據進行圖形化展示，並對數據進行驗證。
2. 根據權利要求1所述的通過大數據挖掘技術實現電網設備故障預警的方法，其特 徵在於：步驟1)中，歷史故障記錄包括安全生產管理系統中變電故障記錄、配電故障搶修 記錄，變電故障記錄包括跳閘時間、保護動作、重合閘情況、處理經過與分析、責任原因、技 術原因分析；配電故障搶修記錄包括地區特徵、故障時間、保護動作情況、故障分類、故障過 程、故障分析；缺陷數據包括變電缺陷記錄、輸電缺陷記錄和配電缺陷記錄，變電缺陷記錄 包括設備類型、電壓等級、缺陷內容、缺陷性質、技術原因、責任原因、發現時間；輸電缺陷記 錄包括發現時間、缺陷分類、缺陷內容、缺陷內容備註；配電缺陷記錄包括發現日期、設備類 另IJ、缺陷等級、缺陷內容、缺陷內容備註、缺陷原因；其中由自然環境引起的佔33. 65 %;由設 備老化引起的佔22. 48% ;由外力破壞引起的佔21. 68% ;由用戶原因引起的佔17. 88% ; 由運彳丁維護不良引起的佔2. 15 % ;由設備質量引起的佔1. 98 % ;由其他原因引起的約佔 0? 18%〇
3. 根據權利要求1所述通過大數據挖掘技術實現電網設備故障預警的方法，其特徵在 於：步驟3)和步驟4)中，構建風險評估模型以及數據挖掘時採用貝葉斯算法：貝葉斯分類 是一類分類算法的總稱，這類算法均以貝葉斯定理為基礎，故統稱為貝葉斯分類；樸素貝葉 斯分類的在本系統中進行電網設備故障挖掘的應用場景如下： 31) 設類別集合C=Iytl= 0,yi= 1}，其中C表示類別集合，O表示不發生故障，1表 示發生故障； 32) 設I=U1,x2,--xm}，1彡i彡m，其中I叫待分類項集合，其中每個元素Xi表示 一個待分類項； 33) 設X=Ia1,afan}，1彡j彡n為一個待分類項，a』為X的一個特徵屬性。X在故 障挖掘模型中可以理解為包含如下欄位的一條記錄（ID，SB_ID，DYDJ，DW_ID，BDS_XL_ID，SJ LX，SYHJ，JLZT，TYRQ，TZSJ，YEAR,DUR_DAY)其中，ID是設備的邏輯ID，SB_ID是設備的物理 ID，DYDJ是設備的電壓等級，DW_ID是設備的單位ID，BDS_XL_ID表示設備的上級（變電所 或者線路）ID，SJLX是設備的類型，SYHJ是設備的使用環境，JLZT是設備的狀態，TYRQ是設 備的投運日期，TZSJ是設備跳閘時的統計月份，YEAR是設備的年份，DUR_DAY是設備跳閘時 間和投運時間的間隔月份。 每個特徵屬性Bi都做了分類，比如電壓等級這個屬性，DYDJ〈 = 20000標誌為1，即a」 =1，DYDJ>20000 標誌為 2,即a」=2。 34) 根據上面的信息，計算某一條記錄已發生的前提下，設備發生故障的概率。根據貝 葉斯分類，設備發生故障的概率的計算公式為P(YiIX) =P(Xlyi)PbiVp(X) 計算34)中的各個條件概率，具體如下： 341)P(x) = 1/ 樣本數量，SP1/m;p(yQ) =p(yD= 1/2。 342) 統計得到在各類別下各個特徵屬性的條件概率估計；即 訓練樣本中，不發生故障的樣本中，屬性分別為apa2?an的概率： P (aj I y〇), P (a21 I0), , P (an | y〇) 以特徵屬性電壓等級為例： p(a1=I|y。）=不發生故障的訓練樣本中電壓等級20000的樣本數量/不發生故障的訓練樣本數量 訓練樣本中，發生故障的樣本中，屬性分別為apa2?an的概率： P(B1Iy1)1P(B2Iy 1), --?, P(BnIy1) 其中，PCa11Y1 =p(a! = 11yD*pCa1 = 2IyD…*pCa1 =mIyD， 以特徵屬性電壓等級為例： p(a1= 11yJ=發生故障的訓練樣本中電壓等級彡20000的樣本數量/ 發生故障的訓練樣本數量； Pfe1= 2Iy1)=發生故障的訓練樣本中電壓等級 >20000的樣本數量/發生故障的訓練樣本數量 343) 由於各個特徵屬性是條件獨立的，則根據貝葉斯定理有如下推導：
在本系統故障挖掘模型中，即可得到兩個結果：某條記錄 t 存在的前提下相當於X，其發生故障的概率，和不發生故障的概率。
【文檔編號】G06Q50/06GK104504525SQ201410829285
【公開日】2015年4月8日 申請日期:2014年12月26日 優先權日:2014年12月26日
【發明者】方泉, 潘留興, 卜曉 申請人:國家電網公司, 江蘇省電力公司, 江蘇電力信息技術有限公司