论文部分内容阅读
【摘 要】现如今，我国是电力发展的新时期，电力设备的运维管理主要包括设备的故障分析、主动预警和差异化运维.在面对电网运行过程中多时间尺度、多时空维度的海量数据背景下，文中将数据挖掘技术应用到电力设备的运行管理上.文中利用K-means聚类算法挖掘历史运行数据信息，进行单维状态量故障特征提取;利用Apriori算法挖掘不同故障模式下关联规则，建立关键性能矩阵，借助高维随机矩阵理论分析设备故障的时空特性;利用D-S证据理论对单维与多维诊断结果进行信息合成，获得设备故障的诊断判据.同时，综合考虑系统运行状态和电力用户差异性，建立设备健康度指数以及重要度指数，显著降低设备运维决策风险.仿真案例证明了本文方法的有效性.
【关键词】电力设备;数据挖掘;关联规则挖掘;运维管理;决策分析
引言
现阶段我国已经进入大数据时代，在这一时代发展背景下，电力企业的发展脚步在不断加快，在此发展进程中，会产生海量的数据和相关参数，其中大部分数据都极具价值。因此，数据时代的电力企业若想促进自身的快速发展，就要对这些数据和参数进行归纳和统筹，为企业的发展提供源源不断的动力和支持。笔者在下文中将提出应用数据挖掘技术实现数据整合的方式，继而体现数据对电力企业的价值。希望笔者的分析，能够给有关电力企业运营人员一定的参考和借鉴。
1数据挖掘
数据挖掘就是从大量的数据中挖掘出有用的信息，即从大量的、不完全的、有噪音的、模糊的、随机的实际应用数据中发现隐含的、规律性的、人们事先未知的，但又是潜在有用的并且最终可理解的信息和知识的非平凡过程.近年来，数据挖掘技术的研究和应用发展迅猛，在商业和银行领域已有广泛的应用.随着相关学科的发展出现了各种数据挖掘算法.数据挖掘的一般过程包括以下5个方面：（1）数据选择指与要解决的问题有关的数据的选取，当前，数据可以很方便地通过互联网进行采集;（2）数据预处理即通过滤噪进行信息处理的过程;（3）数据转换将定性的数据转换成定量的数据，在某种意义上也叫特征提取;（4）数据挖掘寻找数据库中隐藏的重要模式，该步骤在知识发现的过程中起着关键的作用;（5）数据解释用来评价和解释通过数据挖掘获得的结果，即知识.从数据挖掘中发掘有关知识的规则需要具备以下4个条件：（1）有效性意味着规则或知识的重要性，得到的规则或知识应适用于未知的数据;（2）新颖性即与先验的知识没有关系，在实践中，重要的是要发现新规则;（3）有用性目的在于发现对用户有用和感兴趣的规则;（4）简单性即发现的规则应力求简单，应能够创建和容易解释复杂的数据.数据挖掘技术与其他的研究领域如统计分析、机器学习、数据库，以及可视化技术等密切相关.数据挖掘的方法和数学工具包括关联规则、统计学、决策树、神经网络、线性规划、模糊逻辑等.目前，数据挖掘在我国电力部门的应用还不多，它在电力系统中的应用包括电力设备状态评估、电力系统负荷预测和分类、电力系统的运行模式分类、电力系统运行状态、设备监控、电力设备故障诊断、电力调度优化、电力系统建模等.
2数据挖掘的电力设备运维与决策分析
2.1电力系统经济调度运行
随着经济的发展，对电能的需求日益增长，电力系统经济调度是保证电力系统更好的利用能源的保证。电力调度能够对电厂、变电站和电力传输设备进行实时监控，还能对监控信息进行分析预测，辅助电力生产决策，确保电力系统的稳定、健康、安全和可靠运行。传统的调度算法是基于负荷需求和系统稳定的最优化问题，实际中，要找到合适的模型评价系统的稳定性非常的困难，提出了一种新方法解决分类的问题，文中采用决策树把系统操作分为“安全”和“不安全”两类，然后把决策树提出的规则作为最佳稳定性的约束条件。
2.2关联规则挖掘与知识发现
根据上述定义，一般地，给定一个数据库，挖掘关联规则的问题可以转换为寻找满足最小支持度和最小置信度阈值的强关联规则过程，分为两步：1）生成所有频繁项集，即找出支持度大于或等于最小支持度阈值的项集;2）生成强关联规则，即找出频繁项集中大于或等于最小置信度阈值的关联规则.特别地，针对电力设备运维与决策关联规则的挖掘，借助于实验模拟以及历史运行的实际数据信息，利用Apriori算法挖掘发现与特定设备异常/故障相关的所有频繁多项集，并建立关联规则，利用关联规则形成评估设备运行状态的关键性能矩阵模型.
2.3在大建设中的应用
在电力大建设中，大数据技术发挥着重要的指导作用。电力行业的快速发展使每年都有相当多数量的建设、管理项目在进行。在项目建设过程中由于数据的存储和分析能力有限，大量现场建设的资料信息无法被有效的保存，使得后续的管理人员很难对项目有较为深入的了解和掌控。大数据的应用可以扩大建设现场的文档、图像、音频等非结构化数据的存储能力和收集范围，并加强对这些数据的分析处理能力，提高项目建设、管理的全面性和准确性。以风力发电建设项目为例，大数据技术可以将地区的天气数据与风力电机的数据进行集成和共享，通过建立大数据模型对风力数据和电网规划发展的数据进行分析，来为基建位置的选择提供依据，最大限度地减少成本，提高效益，并对未来类似的建设提供参考。
2.4知识发现
结语
（1）文中利用数据挖掘技术提出了电力设备运维管理与预警分析的总体解决方案与技术架构.通过关联规则挖掘影响设备运行状态的频繁项集，实现电气量监测数据、环境量监测数据、设备运行状态数据、安防监测数据等相关状态量的融合分析.（2）相对于传统分析方法中的阈值比较法或基于物理约束而进行的因果关系分析方法，文中分析的状态量多、数据量大、数据来源广泛，能避免噪声数据的干扰，同时避免了对于不同设备状态量采样率、采样时间以及采样周期等问题的依赖.
参考文献：
[1]江秀臣，盛戈皞.电力设备状态大数据分析的研究和应用[J].高电压技术，2018，44（04）：1041-1050.
[2]費思源.大数据技术在配电网中的应用综述[J].中国电机工程学报，2018，38（01）：85-96;345.
[3]刘科研，盛万兴，张东霞，等.智能配电网大数据应用需求和场景分析研究[J].中国电机工程学报，2015，35（02）：287-293.
（作者单位：国网晋城供电公司）
【关键词】电力设备;数据挖掘;关联规则挖掘;运维管理;决策分析
引言
现阶段我国已经进入大数据时代，在这一时代发展背景下，电力企业的发展脚步在不断加快，在此发展进程中，会产生海量的数据和相关参数，其中大部分数据都极具价值。因此，数据时代的电力企业若想促进自身的快速发展，就要对这些数据和参数进行归纳和统筹，为企业的发展提供源源不断的动力和支持。笔者在下文中将提出应用数据挖掘技术实现数据整合的方式，继而体现数据对电力企业的价值。希望笔者的分析，能够给有关电力企业运营人员一定的参考和借鉴。
1数据挖掘
数据挖掘就是从大量的数据中挖掘出有用的信息，即从大量的、不完全的、有噪音的、模糊的、随机的实际应用数据中发现隐含的、规律性的、人们事先未知的，但又是潜在有用的并且最终可理解的信息和知识的非平凡过程.近年来，数据挖掘技术的研究和应用发展迅猛，在商业和银行领域已有广泛的应用.随着相关学科的发展出现了各种数据挖掘算法.数据挖掘的一般过程包括以下5个方面：（1）数据选择指与要解决的问题有关的数据的选取，当前，数据可以很方便地通过互联网进行采集;（2）数据预处理即通过滤噪进行信息处理的过程;（3）数据转换将定性的数据转换成定量的数据，在某种意义上也叫特征提取;（4）数据挖掘寻找数据库中隐藏的重要模式，该步骤在知识发现的过程中起着关键的作用;（5）数据解释用来评价和解释通过数据挖掘获得的结果，即知识.从数据挖掘中发掘有关知识的规则需要具备以下4个条件：（1）有效性意味着规则或知识的重要性，得到的规则或知识应适用于未知的数据;（2）新颖性即与先验的知识没有关系，在实践中，重要的是要发现新规则;（3）有用性目的在于发现对用户有用和感兴趣的规则;（4）简单性即发现的规则应力求简单，应能够创建和容易解释复杂的数据.数据挖掘技术与其他的研究领域如统计分析、机器学习、数据库，以及可视化技术等密切相关.数据挖掘的方法和数学工具包括关联规则、统计学、决策树、神经网络、线性规划、模糊逻辑等.目前，数据挖掘在我国电力部门的应用还不多，它在电力系统中的应用包括电力设备状态评估、电力系统负荷预测和分类、电力系统的运行模式分类、电力系统运行状态、设备监控、电力设备故障诊断、电力调度优化、电力系统建模等.
2数据挖掘的电力设备运维与决策分析
2.1电力系统经济调度运行
随着经济的发展，对电能的需求日益增长，电力系统经济调度是保证电力系统更好的利用能源的保证。电力调度能够对电厂、变电站和电力传输设备进行实时监控，还能对监控信息进行分析预测，辅助电力生产决策，确保电力系统的稳定、健康、安全和可靠运行。传统的调度算法是基于负荷需求和系统稳定的最优化问题，实际中，要找到合适的模型评价系统的稳定性非常的困难，提出了一种新方法解决分类的问题，文中采用决策树把系统操作分为“安全”和“不安全”两类，然后把决策树提出的规则作为最佳稳定性的约束条件。
2.2关联规则挖掘与知识发现
根据上述定义，一般地，给定一个数据库，挖掘关联规则的问题可以转换为寻找满足最小支持度和最小置信度阈值的强关联规则过程，分为两步：1）生成所有频繁项集，即找出支持度大于或等于最小支持度阈值的项集;2）生成强关联规则，即找出频繁项集中大于或等于最小置信度阈值的关联规则.特别地，针对电力设备运维与决策关联规则的挖掘，借助于实验模拟以及历史运行的实际数据信息，利用Apriori算法挖掘发现与特定设备异常/故障相关的所有频繁多项集，并建立关联规则，利用关联规则形成评估设备运行状态的关键性能矩阵模型.
2.3在大建设中的应用
在电力大建设中，大数据技术发挥着重要的指导作用。电力行业的快速发展使每年都有相当多数量的建设、管理项目在进行。在项目建设过程中由于数据的存储和分析能力有限，大量现场建设的资料信息无法被有效的保存，使得后续的管理人员很难对项目有较为深入的了解和掌控。大数据的应用可以扩大建设现场的文档、图像、音频等非结构化数据的存储能力和收集范围，并加强对这些数据的分析处理能力，提高项目建设、管理的全面性和准确性。以风力发电建设项目为例，大数据技术可以将地区的天气数据与风力电机的数据进行集成和共享，通过建立大数据模型对风力数据和电网规划发展的数据进行分析，来为基建位置的选择提供依据，最大限度地减少成本，提高效益，并对未来类似的建设提供参考。
2.4知识发现
结语
（1）文中利用数据挖掘技术提出了电力设备运维管理与预警分析的总体解决方案与技术架构.通过关联规则挖掘影响设备运行状态的频繁项集，实现电气量监测数据、环境量监测数据、设备运行状态数据、安防监测数据等相关状态量的融合分析.（2）相对于传统分析方法中的阈值比较法或基于物理约束而进行的因果关系分析方法，文中分析的状态量多、数据量大、数据来源广泛，能避免噪声数据的干扰，同时避免了对于不同设备状态量采样率、采样时间以及采样周期等问题的依赖.
参考文献：
[1]江秀臣，盛戈皞.电力设备状态大数据分析的研究和应用[J].高电压技术，2018，44（04）：1041-1050.
[2]費思源.大数据技术在配电网中的应用综述[J].中国电机工程学报，2018，38（01）：85-96;345.
[3]刘科研，盛万兴，张东霞，等.智能配电网大数据应用需求和场景分析研究[J].中国电机工程学报，2015，35（02）：287-293.
（作者单位：国网晋城供电公司）