一种基于调控大数据平台的变电设备缺陷趋势分析方法技术

一种基于调控大数据平台的变电设备缺陷趋势分析方法，涉及变电设备缺陷趋势分析技术领域，它包括以下步骤：步骤S10数据采集；步骤S20数据预处理；步骤S30关键因素辨识；步骤S40设备缺陷评估。本发明专利技术对设备缺陷趋势预测的算法采用了结合多元状态量的方法，充分利用大数据的特性，将历史数据、当前数据与未来数据相结合，通过计算未来时间设备状态指标，实现了对集中监控设备未来发生设备缺陷可能性的预测，相对于传统的阀值判断缺陷的方法准确率较高。

【技术实现步骤摘要】
一种基于调控大数据平台的变电设备缺陷趋势分析方法
本专利技术涉及变电设备缺陷趋势分析
，具体涉及一种基于调控大数据平台的变电设备缺陷趋势分析方法。
技术介绍
目前主流的,设备缺陷预测方法主要可以分为以下三种：1)基于物理模型的缺陷预测技术:采用物理模型进行缺陷预测，根据预测对象系统的稳态或瞬态负载、温度或其他在线测试信息构建预测模型框架，并统计系统或设备历史运行情况或预期运行状况，进行系统将来运行状态的仿真预测。2)基于数据驱动的缺陷预测技术:建立复杂部件或者系统的物理模型是很困难甚至是不可能的，因此，部件或者系统运行和维护等各个阶段的测试、监控历史数据就成为掌握系统性能下降原因的主要手段。基于测试或者监控数据进行预测的方法称为数据驱动的缺陷预测技术。3)基于经验预测的缺陷预测技术:在某些情况下，确定一个完整的动态模型，给出输入和输出之间的系统微分方程，可能是不必要的，也可能是不现实的。基于统计可靠性的缺陷预测方法适用于从过去缺陷历史数据的统计特性角度进行缺陷预测。因为预测所需要的信息包含在一系列的不同概率密度函数(PDF)中，而不需要动态微分方程的形式。相比于基于模型的方法，这种方法需要更少的细节信息。然而预测精度较上述两种方法更低。对于电力设备来说，不同类别、不同型号、不同厂家的电力设备具备不同的物理模型。而上述条件相同的设备如果所处的电网结构不同、运行方式有差别的情况下，其物理模型表现的特性也不同。通过物理模型对设备缺陷进行预测工作量繁琐复杂，任何一项因素没有考虑进去对预测精度都有很大影响，几乎不可能进行准确的预测。而智能电网集中监控大数据体系为基于数据驱动的缺陷预测技术提供了需要的数据基础。能够在大量历史数据的基础上得出精度较仅仅基于统计可靠性预测技术更高的客观结果。综合预测方法对设备基础模型信息的需求及预测精度，因此选择基于数据驱动的缺陷预测方法，即利用大数据挖掘技术实现对设备缺陷的预测。可靠的电力设备是保证电网安全运行、提升供电可靠性的基础。在实际运行中,有些电力设备虽然能继续使用，但运行状态发生异常或存在隐患,并将影响人身安全、电网的可靠经济运行、设备寿命以及电能质量等，这种异常或隐患称为缺陷。预测设备可能发生的缺陷并提前加以控制或消除能够有力的保障电网安全、可靠运行。在电网设备缺陷发生时，往往伴随着不同类型遥测量的遥测值的异常变化，但是，每一个遥测值的异常变化又极其不明显。因此，仅仅对某一类遥测量进行分析、预测根本无法准确预测电网设备缺陷，只有对多类遥测量进行综合分析才能准确预测出电网设备缺陷。在电网中，预测某一种类型的电网设备缺陷往往需要综合分析十几种不同类型的遥测量。而传统的基于数据驱动的缺陷预测方法只关注某一种遥测量的分析、预测，因此，无法实现对电网设备缺陷的准确预测。
技术实现思路
本专利技术的目的就是为了解决上述技术问题，而提供一种基于调控大数据平台的变电设备缺陷趋势分析方法。本专利技术包括以下步骤：步骤S10数据采集：使用数据采集模块从数据来源端经过抽取转换，加载至目的端；步骤S20数据预处理：将采集的数据，根据数据类型不同进行预处理；步骤S30关键因素辨识：对采集的原始数据进行统计检验，验证其数据特征，通过皮尔逊系数计算该数据和设备缺陷发生的相关性，并通过主成分分析找出原始数据集中对设备缺陷，故障发生有潜在影响的数据子集；步骤S40设备缺陷评估：针对原始数据的特点，对其进行分析和建模。所述步骤S10的来源端是指电力安全一区、二区、三区及四区的相关业务系统；所述抽取转换是指数据的提取、清理、转换、实体存储全过程。所述步骤S20中数据预处理主要包括结构化数据和非结构化数据两大类，所述结构化数据是指数据清洗、归一化处理，数据清洗主要是指发现空值、错误数据以及不合规范的数据；所述非结构化数据，是指利用文本分析技术，从非结构化的告警记录中抽取出关键、有效的信息。所述步骤S30中，计算相关性是指通过皮尔逊系数计算该数据和设备缺陷发生的相关性；所述找出对故障发生有潜在影响的数据子集，是指通过主成分分析找出原始数据集中对设备缺陷，故障发生有潜在影响的数据子集。本专利技术具有以下优点：本专利技术提供一种基于调控大数据平台的变电设备缺陷趋势分析方法，对设备缺陷趋势预测的算法采用了结合多元状态量的方法，充分利用大数据的特性，将历史数据、当前数据与未来数据相结合，通过计算未来时间设备状态指标，实现了对集中监控设备未来发生设备缺陷可能性的预测，相对于传统的阀值判断缺陷的方法准确率较高。附图说明图1是本专利技术步骤示意图。具体实施方式下面结合附图对本专利技术做进一步说明。如图1所示，本专利技术包括以下步骤：步骤S10数据采集：使用数据采集模块从数据来源端经过抽取转换，加载至目的端；步骤S20数据预处理：将采集的数据，根据数据类型不同进行预处理；步骤S30关键因素辨识：对采集的原始数据进行统计检验，验证其数据特征，通过皮尔逊系数计算该数据和设备缺陷发生的相关性，并通过主成分分析找出原始数据集中对设备缺陷，故障发生有潜在影响的数据子集；步骤S40设备缺陷评估：针对原始数据的特点，对其进行分析和建模。所述步骤S10的来源端是指电力安全一区、二区、三区及四区的相关业务系统；所述抽取转换是指数据的提取、清理、转换、实体存储全过程。所述步骤S20中数据预处理主要包括结构化数据和非结构化数据两大类，所述结构化数据是指数据清洗、归一化处理，数据清洗主要是指发现空值、错误数据以及不合规范的数据；所述非结构化数据，是指利用文本分析技术，从非结构化的告警记录中抽取出关键、有效的信息。所述步骤S30中，计算相关性是指通过皮尔逊系数计算该数据和设备缺陷发生的相关性；所述找出对故障发生有潜在影响的数据子集，是指通过主成分分析找出原始数据集中对设备缺陷，故障发生有潜在影响的数据子集。工作方式及原理：设备的状态往往与设备所处的外部环境、设备参数、设备投运情况、设备家族信息等简单参数紧密相关，同时也与设备检修情况、设备频发告警、设备寿命等复合参数紧密相关。设备相关的内外部简单参数、复合参数具有以下两大主要特征：数据规模不一致性：有些数据规模较大，蕴含信息量丰富，例如遥信类信息，而有些数据规模较小、所蕴含的信息较为匮乏，例如遥测类信息(特指发生缺陷、故障时的遥测信息)。信息的异构性：设备相关的信息包括数值型数据、文本数据及范畴型数据，其中数值型数据包括连续型数据、离散型数据。基于上述分析，本方案拟根据不同类型信息的不同特性，采用不同的机器学习算法对其进行分析、处理，以提高设备缺陷的整体评估性能。对于数据量小的小样本数据拟采用概率图模型对其进行分析处理；对于数据量大的大样本数据拟采用随机森林对其进行分析、建模；而对于数据量大，而领域知识匮乏的数据样本拟采用深度网络强化学习模型对其进行分析、处理。算法大致流程如图1所示：本方法的算法流程如上图所示，主要包括：步骤S10数据采集，将数据从来源端经过抽取转换、加载至目的端的过程。数据采集主要负责对外部系统的统一数据采集，通过大数据技术支撑平台的技术支撑，实现对横向部署在不同安全分区、纵向部署在不同调控机构相关系统数据的提取、清理、转换、实体存储的全过程管理。步骤S20数据预处理，将采集的数据根据数据类型不同，本文档来自技高网...

【技术保护点】
1.一种基于调控大数据平台的变电设备缺陷趋势分析方法，其特征在于它包括以下步骤：步骤S10数据采集：使用数据采集模块从数据来源端经过抽取转换，加载至目的端；步骤S20数据预处理：将采集的数据，根据数据类型不同进行预处理；步骤S30关键因素辨识：对采集的原始数据进行统计检验，验证其数据特征，通过皮尔逊系数计算该数据和设备缺陷发生的相关性，并通过主成分分析找出原始数据集中对设备缺陷，故障发生有潜在影响的数据子集；步骤S40设备缺陷评估：针对原始数据的特点，对其进行分析和建模。

【技术特征摘要】
1.一种基于调控大数据平台的变电设备缺陷趋势分析方法，其特征在于它包括以下步骤：步骤S10数据采集：使用数据采集模块从数据来源端经过抽取转换，加载至目的端；步骤S20数据预处理：将采集的数据，根据数据类型不同进行预处理；步骤S30关键因素辨识：对采集的原始数据进行统计检验，验证其数据特征，通过皮尔逊系数计算该数据和设备缺陷发生的相关性，并通过主成分分析找出原始数据集中对设备缺陷，故障发生有潜在影响的数据子集；步骤S40设备缺陷评估：针对原始数据的特点，对其进行分析和建模。2.根据权利要求1所述的一种基于调控大数据平台的变电设备缺陷趋势分析方法，其特征在于所述步骤S10的来源端是指电力安全一区、二区、三区及四区的相关业务系统；所述抽取转换是指...

【专利技术属性】
技术研发人员：冷喜武，刘翌，何锐，杨晓静，熊炜，罗俊，杨笑宇，曹宇，武江，白静洁，
申请(专利权)人：国家电网公司，国网江苏省电力公司，国网四川省电力公司，国网天津市电力公司，国网江苏省电力公司连云港供电公司，北京科东电力控制系统有限责任公司，
类型：发明
国别省市：北京,11