大数据分析方法在电力设备运检优化中的应用研究

白文远?吴建军

摘 要 大数据技术、智能电网的发展和电网规模的迅速增长，对电力设备运行维护和高效管理提出了巨大挑战。本文结合现行设备运检管理方面存在的问题，结合大数据分析关键技术，给出了大数据分析方法在电力设备运检优化中的应用方案，分析了利用大数据技术，对相关海量数据的充分挖掘，分析找出数据间的联系、因果关系、关键信息等有价值的信息，为今后公司的生产运行、设备投资规划、检修人员配置和设备检修计划提供可靠参考，有效提升设备运行维护工作的管理水平。

关键词 大数据分析;运检优化;电力设备

引言

在数字经济时代，互联网、智能设备和其他形式的信息技术的爆炸性增长使得数据以同样令人印象深刻的速度增长，企业经营的各个阶段都可被记录，设备运行信息都可被采集[1]。数据已成为一种重要的生产要素，通过对数据的收集、存储、再组织和分析建模，隐藏在数据中的重要价值及规律将逐渐被展现，这样有助于企业的转型升级，并有力推动企业的可持续发展[2-4]。

结合设备运检运行情况，目前在设备运检管理方面还有很多需要解决的问题：

（1）基于设备专业管理系统，如PMS2.0系统，输电通道监测预警系统，在线监测系统等积累的输变电设备运检、设备故障缺陷、气象等海量数据没有得到充分的利用。

（2）传统的数据报表、即席查询等简单分析手段已无法满足企业对于深层次信息的挖掘需求。

（3）设备故障的发生具有不可预知性，如何充分利用现有设备运检数据、故障数据等的分析结果，制定合理高效的设备运检计划保障电网稳定运行。

（4）当设备故障时如何快速调度运维队伍，迅速完成抢修任务，恢复正常供电也是值得研究的问题之一。

针对上述问题，本文将结合设备运检现场情况，探讨如何利用大数据分析方法优化设备运检领域的管理，推动变电设备运检模式向更智能、更高效、更安全转变，提升工作效率。为今后的公司的生产运行、设备投资规划、检修人员配置和设备检修计划提供可靠参考，充分发挥设备运检数据的综合价值。

1设备运检大数据分析的关键技术

设备运检数据具有典型大数据的特征：①数据来源众多，来自各业务的应用系统;②数据体量大、增长速度快;③数据类型多样，包括非结构化和半结构化数据;④蕴含巨大价值，数据之间关联度大，关系复杂。传统的数据处理和分析技术无法满足要求，需要适合大数据处理关键技术来处理这些数据。

1.1 数据预处理

由于设备运检数据来源众多，数据量巨大;数量类型丰富，包括结构化、半结构化、非结构化;存在很多“脏数据”，比如：空值、拼写错误数据、同值异名数据、值不合法数据、数值重复数据等，这些“脏数据”会严重影响后续大数据分析和挖掘的结果准确性和质量。现有数据具有的这些特征给后续大数据分析带来困难，因此，对这些多数据源海量设备运检、设备台账、故障、缺陷等数据进行高效识别和预处理是关键一步。

1.2 分布式存储与管理

分布式存储与访问，是大数据存储的关键技术，具有经济、高效、容错好等特点，分布式存储技术與数据存储介质的类型和数据的组织管理形式直接相关。目前经济实用的数据存储介质是磁盘，主要数据组织管理形式包括按行组织、按列组织、按键值组织和按关系组织，主要数据组织管理层次包括按块级组织、文件级组织及数据库级组织等。大数据存储形式和管理技术直接影响大数据的分析和挖掘，是大数据分析技术成功应用的基础。

1.3 大数据分析与挖掘

数据分析和挖掘的目的是把隐藏在一大批看似杂乱无章的数据背后的信息，集中和提炼出来，总结出研究对象的内在规律。在设备运检应用中，它是用适当的统计分析方法和挖掘算法对收集到的海量、不完全的、有噪声的、模糊的、随机的设备运检数据进行分析、挖掘，将它们加以汇总、理解并消化，发现和挖掘出隐含在其中内在联系和规律，以及有价值的、潜在有用的信息和知识的过程，以求最大化地开发数据的功能和价值，发挥数据的作用，提升设备运检管理效率，也是一种决策支持过程。

其主要基于人工智能、机器学习、模式学习、统计学等，常用的方法有协同过滤、分类、回归分析、聚类、关联规则、神经网络方法等。这些方法从不同的角度对数据进行挖掘。具体如图1所示。通过对大数据高度自动化地分析，做出归纳性的推理，从中挖掘出潜在的模式，可以帮助企业减少风险并做出正确的决策。

1.4 大数据可视化

大数据可视化是将大型数据集中的数据以图形图像形式表示，并利用数据分析等技术手段，发现其中未知信息的处理过程。清晰而有效地在大数据与用户之间传递和沟通信息是数据可视化的重要目标，数据可视化技术将每一个数据项作为单个图元元素表示，大量的数据集构成数据图像，同时将数据的各个属性值以多维数据的形式表示，可以从不同的维度观察数据，从而对数据进行更深入的观察和分析。通常可采用数据信息的符号表达技术，数据渲染技术、数据交互技术、数据表达模型技术等实现大数据可视化。

2设备运检大数据分析的典型应用

应用总体方案如图2所示。

针对设备运检数据，首先开展数据的提取与加工即设备运检数据预处理研究;然后利用包括：多源海量数据预处理、分布式存储与管理、大数据分析与挖掘、可视化等技术在内的大数据、人工智能技术充分分析和挖掘设备运检大数据中蕴含的综合价值;最后利用取得的分析结果为运检计划、决策和设备投资计划提供支持，推进数据业务化发展，为泛在电力物联网的发展提供支撑。以下为总体方案流程：

（1）对现有的多源海量设备运检数据进行整理研究，提取关键数据并分析，在此基础上确定大数据预处理方法，并制定预处理方案。对提取的关键原始数据进行预处理，包括设备台账、运检计划、人员调配、设备状态、设备故障、设备缺陷等数据，利用数据清洗技术完成预处理工作，为后续数据存储、分析和挖掘的开展提供数据质量保障。

（2）对预处理后的数据进行分布式存储和管理，开展设备运行及检修数据的收集，掌握设备运行与状态、各设备之间、台账数据表之间的联系，减少数据孤岛和冗余，提升数据内在价值。

（3）根据设备检修数据，利用大数据分析和挖掘技术，优化设备检修计划。设备运检工作涉及面很广，需要协调的部门和人员众多，须制定高效的设备检修计划，通过对检修数据进行大数据分析，理清台账数据间的关系，优化设备检修计划，提高运检效率。

（4）综合设备运行台账、缺陷数据、故障数据、投运时间等信息，利用大数据分析技术为合理调配检修人员提供支持，优化检修人员配置，提高检修人员的工作效率，使设备检修工作得以顺利开展，确保设备和电网安全稳定运行。

（5）根据设备状态数据，进行缺陷、故障分析，支撑设备投资规划。依据现有设备状态、故障、缺陷，变电站运行等基础数据，以及运检业务运行情况进行状态分析、缺陷分析，挖掘设备可能存在的风险，辅助设备更新换代，保障设备安全稳定运行，优化设备投资规划，充分提升设备生命周期。

（6）综合应用与辅助决策支持。充分利用前述分析和挖掘的有价值信息，为设备运检提供辅助决策支持，展示设备间的联系，优化设备检修计划，优化运检人员队伍和设备投资计划，确保电网安全、稳定、高效的运行，促进泛在电力物联网有效落地。

3结束語

随着在线监测技术、信息化技术和大数据技术的日益发展，如何使这些技术更有效地为设备运检服务是一个值得高度重视的问题。在设备运检管理中，利用大数据技术，通过对相关海量数据的充分挖掘、分析找出数据间的联系、因果关系、关键信息等，提高数据的利用率，变无效、无关联的数据为有效、有关联的数据，为今后的公司的生产运行、设备投资规划、检修人员配置和设备检修计划提供可靠参考，有效提升设备运行维护工作的管理水平，使现场设备的运行维护更加实时、准确，众多设备的资产管理更加的经济高效。

参考文献

[1] CIO时代网.大数据分析建模及其应用建议[J].信息系统工程， 2019，（4）：12-13.

[2] 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（4）：1041-1050.

[3] 林勇，徐钦伟，谭冠岗，等.基于大数据的轨道交通供电设备运维管理系统的设计与实现[J].新型工业化，2018，8（3）：9-16.

[4] 杨鑫焱，马瑞明.基于云计算的电力大数据分析技术与应用[J].数字通信世界，2016，（12）：215.