[发明专利]一种基于大数据技术的二次设备隐患挖掘方法

说明书

技术领域

本发明涉及电力系统数据处理方法，具体是提出了针对电力系统一种基于大数据技术的二次设备隐患挖掘方法。

背景技术

电气设备根据功能不同，可分为一次设备和二次设备。电气二次设备主要包括继电保护、自动装置、故障录波、就地监控和远动。它们正常可靠的运行是保障电网稳定和电力设备安全的基本要求。随着微机在继电保护及自动装置的广泛应用，继电保护的可靠性、定值整定的灵活性大大提高。

电力系统的二次设备的传统检修方法，一般是以时间为基础的，即不管设备的实际状况如何，到期必修。它缺乏对设备的综合分析，并且由于多依靠手段落后的人工统计方法来指导设备检修，往往不是检修过量，就是检修不足。而且定检试验过程复杂，试验时考虑不周可能引起其它开关误动。在检修周期内保护异常不能及时发现。当前随着技术的发展，出现了依靠监控系统和微机保护的智能报警，由常规的控制系统发出警报信号，然后现场操作人员报警信号，并依据现场的经验来完成。当时这种模式存在的主要问题是，当设备出现报警时要么是一些不太重要的告警，要么是设备已经严重损害的告警。而在设备的状态监测数据表面处于“正常”的阶段中，设备已经处于缓慢的劣化进程，处于正常与故障的隐患状态。

因此，急需一种对于设备的隐患状态发觉的方法，及时发现二次设备的隐患状态，或识别二次设备向故障状态发展的趋势，从而为二次设备的状态检修提供有价值的信息。

发明内容

本发明的目的在于提供一种基于大数据技术的二次设备状态监测数据的隐患挖掘方法，利用数据挖掘方法，从同种型号的二次设备在历史上积累的海量监测数据，找到设备状态与监测数据之间的关系，及时发现二次设备的隐患状态，或识别二次设备向故障状态发展的趋势，从而为二次设备的状态检修提供有价值的信息。

本发明的目的可通过以下的技术措施来实现：

一种基于大数据技术的二次设备隐患挖掘方法，包含两个过程：基于二次设备历史数据的模型训练和异常样本辨识。

其中，第一个过程包含获取二次设备监测数据的特征矩阵、二次设备样本数据主成分分析、可靠统计概率分布，输出的模型为降维转换矩阵、映射矩阵和样本状态评价模型。这些模型支撑异常样本的辨识过程。

第二个过程的降维转换、样本映射、样本辨识分别依赖于第一个过程中降维转换矩阵、映射矩阵和样本状态评价模型。最终输出的异常样本辨识指标(包括异常程度指标和稳定程度指标)，作为对单台设备一段时间内监测数据的分析评估结果。

1)所述基于二次设备历史数据的模型训练步骤的具体内容如下：

1.1)获取二次设备监测数据的特征矩阵具体过程如下：

根据专业二次设备主要涉及变电站中合并单元、智能终端、保护测控装置、直流系统、网络设备等二次设备的相关信息，而每类专业的检测指标是不同的，如离线信息、在线信息、原始资料状态量、运行情况状态量、检修试验情况状态量等。在构造阶段还需要对各类二次设备的不同的原始信息进行预处理和规范化，形成设备特征样本矩阵。在构造特征样本矩阵时，将同一型号的不同设备，混排在样本数据的矩阵中，所述样本数据的矩阵如下式所示：

Rawdata_j＝[IDTf_j,1f_j,2...f_j,m]

(j＝1,2,…,N)(1)

式(2)中，Rawdata_j代表第j条某个二次设备(编号为ID)在某个时刻T的状态检测样本数据，该类二次设备有m个特征指标，依次构成监测特征数据。其中的监测特征数据的特征矩阵为：

Feature_j＝[f_j,1f_j,2...f_j,m]

(j＝1,2,…,N)(3)

同样，j为样本索引，m代表第m个特征指标，N表示样本数；

1.2)二次设备样本数据主成分分析具体过程如下：

因数据挖掘往往涉及到向量、矩阵运算，而该类计算随着维数的增加，计算量呈指数倍增长，即所谓的“维数灾”现象，而且构造的原始的样本数据的矩阵很多信息是重复与冗余的，也不利于挖掘结果的可视化。二次设备样本数据主成分分析目标是在减少数据集维数的同时，尽可能多地保留原数据集的信息。