武　江　王　寧　陳毅波　劉　琪　王　梓　王　剛

?

基于大數(shù)據(jù)的設(shè)備家族性缺陷分析

武江1王寧2陳毅波3劉琪1王梓4王剛1

1.南瑞集團(tuán)北京科東公司；2.國網(wǎng)黑龍江省電力有限公司；3.國網(wǎng)湖南省電力公司；4.國網(wǎng)天津市電力公司

行業(yè)曲線

大數(shù)據(jù)時代的到來，特別是大數(shù)據(jù)技術(shù)在數(shù)據(jù)存儲、數(shù)據(jù)挖掘等領(lǐng)域的廣泛應(yīng)用，為電網(wǎng)運(yùn)行數(shù)據(jù)進(jìn)行深度挖掘提供了可能。針對原有的設(shè)備家族性缺陷分析需要依靠人工記錄和判斷的現(xiàn)狀，本文通過研究大數(shù)據(jù)在數(shù)據(jù)存儲與數(shù)據(jù)挖掘方面的最新技術(shù)，結(jié)合設(shè)備家族性缺陷分析的業(yè)務(wù)特點(diǎn)，提出了基于大數(shù)據(jù)的設(shè)備家族性缺陷分析系統(tǒng)架構(gòu)，實(shí)現(xiàn)了設(shè)備家族性缺陷的智能分析與預(yù)測，提高了電網(wǎng)監(jiān)控專業(yè)的業(yè)務(wù)水平與工作效率，保障了電網(wǎng)的安全穩(wěn)定運(yùn)行。

在當(dāng)前電網(wǎng)運(yùn)行環(huán)境中，電力設(shè)備發(fā)生缺陷，尤其是危急和嚴(yán)重缺陷，會危及人身的安全和設(shè)備、電網(wǎng)的可靠穩(wěn)定運(yùn)行，電力設(shè)備在設(shè)計(jì)、制造、安裝、運(yùn)行、檢修等環(huán)節(jié)的任何一個過程、環(huán)節(jié)稍有不慎，都會給設(shè)備帶來缺陷或者隱患。

目前針對設(shè)備運(yùn)行中出現(xiàn)的缺陷與故障，主要靠人為上報確認(rèn)，當(dāng)設(shè)備發(fā)生缺陷或故障時，會伴隨發(fā)生相關(guān)的告警信息，站端人員通過電話溝通通知主站的監(jiān)控人員，監(jiān)控人員將缺陷或故障信息記錄到監(jiān)控日志當(dāng)中。

隨著“大數(shù)據(jù)時代”的到來，許多行業(yè)將大數(shù)據(jù)技術(shù)應(yīng)用于存儲、分析與處理海量的結(jié)構(gòu)化/非結(jié)構(gòu)化數(shù)據(jù)，突破了原有的技術(shù)壁壘，也為電網(wǎng)公司分析、處理海量數(shù)據(jù)，多維度挖掘設(shè)備與事件之間的關(guān)聯(lián)關(guān)系提供了新的方向。

國調(diào)設(shè)備監(jiān)控專業(yè)“十三五”規(guī)劃明確提出了開展設(shè)備運(yùn)行大數(shù)據(jù)分析的要求，實(shí)現(xiàn)設(shè)備履歷與設(shè)備缺陷、告警信息等的關(guān)聯(lián)應(yīng)用，尋找設(shè)備家族性的缺陷，達(dá)到保障電網(wǎng)穩(wěn)定運(yùn)行目的，提高電網(wǎng)監(jiān)控業(yè)務(wù)故障分析的智能化水平，現(xiàn)提出基于大數(shù)據(jù)的設(shè)備家族性缺陷分析方案。

本文首先依據(jù)電網(wǎng)數(shù)據(jù)的存儲特點(diǎn)與原理，結(jié)合設(shè)備家族性缺陷分析的業(yè)務(wù)特點(diǎn)，提出了基于大數(shù)據(jù)的設(shè)備家族性缺陷分析的系統(tǒng)架構(gòu)，從數(shù)據(jù)采集-＞數(shù)據(jù)存儲-＞數(shù)據(jù)挖掘-＞數(shù)據(jù)應(yīng)用建立了一套完成的解決方案，不僅解決了數(shù)據(jù)源的接入與存儲從而形成了用于設(shè)備家族性缺陷分析的大數(shù)據(jù)，同時通過數(shù)據(jù)挖掘技術(shù)，設(shè)定分析規(guī)則與模型，為上層的分析應(yīng)用提供了技術(shù)支撐。最后，通過展示具體的應(yīng)用案例，驗(yàn)證了本方案的可行性與有效性。

總體架構(gòu)

本系統(tǒng)通過整合D5000系統(tǒng)設(shè)備遙信、遙測等數(shù)據(jù)、OMS系統(tǒng)設(shè)備缺陷、故障、檢修、臺賬等數(shù)據(jù)，基于大數(shù)據(jù)平臺建立以設(shè)備為核心的數(shù)據(jù)模型，利用數(shù)據(jù)挖掘技術(shù)建立設(shè)備缺陷、故障識別模型，自動識別設(shè)備缺陷、故障告警信息，同時支持自定義設(shè)備缺陷、故障規(guī)則定制，正向判定存在缺陷、故障設(shè)備，實(shí)現(xiàn)設(shè)備家族性缺陷分析。系統(tǒng)架構(gòu)圖如圖1所示。

關(guān)鍵技術(shù)研究

缺陷規(guī)則定義

依據(jù)人為定義的缺陷規(guī)則找出缺陷設(shè)備，并展示其家族設(shè)備缺陷情況、檢修情況、告警信息等。

缺陷斷線=控制回路斷線，即對于斷路器，包含“控制回路斷線”的告警內(nèi)容在6秒內(nèi)頻發(fā)次數(shù)大于3，可確認(rèn)此開關(guān)存在設(shè)備缺陷的概率為80%。Sql：select * from“PSIDP”.”HISDB”.”YX_BW_OVER_2015_06”a where 信號內(nèi)容 like ‘%斷線%’ and 設(shè)備表ID=407 order by 發(fā)生時間，以設(shè)備為出發(fā)點(diǎn)，查詢告警數(shù)據(jù)中的內(nèi)容，結(jié)合缺陷規(guī)則定義及關(guān)鍵字鎖定此設(shè)備的ID，同時關(guān)聯(lián)設(shè)備臺帳，尋找同一廠家生產(chǎn)的設(shè)備，遍歷所有與這些設(shè)備的關(guān)聯(lián)的特征數(shù)據(jù)信息，得出此廠家生產(chǎn)了多少設(shè)備，其中擁有家族性缺陷的設(shè)備數(shù)量，以及此類設(shè)備擁有家族性缺陷的概率。

圖1　系統(tǒng)架構(gòu)圖

設(shè)備缺陷識別預(yù)警模型

將設(shè)備缺陷、故障識別看成一個分類問題，通過首先采集一批樣本，這批樣本已經(jīng)標(biāo)注了故障類型，通過故障設(shè)備的遙信、遙測數(shù)據(jù)及人工上報的故障文本數(shù)據(jù)作為特征，使用分類算法，建立分類模型，分類模型可以識別出未標(biāo)注故障類型的設(shè)備故障種類。

圖2　文本分類模型

圖3　設(shè)備缺陷識別分析

缺陷識別分類

對于已經(jīng)發(fā)生的缺陷，基于其描述信息（如“一次性設(shè)備缺陷”中的“內(nèi)容”等）和歷史信號（如“遙信、遙測數(shù)據(jù)”等），對其進(jìn)行自動歸類，從而為最終人工判定提供輔助。

比如，對于一個新發(fā)生的缺陷，模型基于該一次性設(shè)備缺陷信息的內(nèi)容和最近一周的電壓等傳感器信號，對其進(jìn)行歸類，輸出可能的缺陷類型及其對應(yīng)的可能性，一個可能的輸出為：”重合閘未動作90%；重合不良10%”。建模流程：

1.缺陷描述信息規(guī)范化，對于關(guān)系型數(shù)據(jù)庫“監(jiān)控日志”中的“一次設(shè)備缺陷”的非結(jié)構(gòu)化設(shè)備缺陷描述（“內(nèi)容”字段）進(jìn)行結(jié)構(gòu)化處理。建立缺陷字典（比如，1代表”重合閘未動作“，2代表”重合不良“等），將每一條缺陷描述指定到對應(yīng)的類別ID。本環(huán)節(jié)是一個典型的文本分類問題。首先，人工標(biāo)注部分的缺陷描述數(shù)據(jù)，比如一共有10W條缺陷描述，人工將其中的1W條歸類到對應(yīng)的類別ID。接著使用TF-IDF + BiGram算法提取文本特征，即將一條描述文本轉(zhuǎn)換為一個高維特征向量。然后基于1W條缺陷的類別ID和特征向量，利用支持向量機(jī)算法訓(xùn)練出一個文本分類子模型。子模型調(diào)試完畢，對其余9W條故障描述進(jìn)行分類，從而得到所有文本描述的類別ID。文本分類模型如圖3所示。

2.特征編碼?；谒幸呀?jīng)發(fā)生的缺陷數(shù)據(jù)，從描述信息和歷史信號中提取出相應(yīng)特征，并將之編碼為一個特征向量。

3.訓(xùn)練缺陷識別模型。結(jié)合缺陷類別ID和特征向量，分別使用隨機(jī)森林（RandomForest）、邏輯回歸（Logistic Regression）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network）等算法調(diào)試建立一系列子模型。最后，基于融合方法（Ensemble），將上述子模型融合成為一個最終模型。該模型的輸入是設(shè)備的描述信息和歷史信號，輸出是發(fā)生設(shè)備缺陷的分類及概率值。利用標(biāo)注數(shù)據(jù)，建立神經(jīng)網(wǎng)絡(luò)子模型如圖4所示，并對全量缺陷數(shù)據(jù)進(jìn)行歸類。

缺陷預(yù)測

對于正常運(yùn)行中的設(shè)備，同樣基于其描述信息（如“設(shè)備臺賬數(shù)據(jù)”中的“生產(chǎn)廠家”等）和歷史信號（如“遙信數(shù)據(jù)”等），預(yù)測其未來一段時間（比如一周）內(nèi)出現(xiàn)缺陷的概率，從而有針對性的指引設(shè)備檢修和應(yīng)對措施。

比如，對于一個正常運(yùn)行的設(shè)備，模型基于該設(shè)備的描述信息和最近一周的電壓等傳感器信號，對其進(jìn)行缺陷預(yù)測，輸出可能的缺陷類型及其發(fā)生的概念，一個可能的輸出為：”未來一周內(nèi)，出現(xiàn)重合閘未動作30%；出現(xiàn)重合不良20%；出現(xiàn)未歸類缺陷5%”。

建模流程：

1.缺陷描述信息規(guī)范化，同”缺陷分類“中的方法。

2.選取樣本。發(fā)生的每一條缺陷，以其缺陷分類ID為準(zhǔn)；對于正常運(yùn)行超過一個月的設(shè)備，該正常運(yùn)行記錄作為正常類。

3.特征編碼。基于所有已經(jīng)發(fā)生的缺陷數(shù)據(jù)，從描述信息和歷史信號中提取出相應(yīng)特征，并將之編碼為一個特征向量。這一步驟類似”缺陷分類“中的方法。

4.建立缺陷預(yù)測模型。結(jié)合類別ID（各個缺陷類別和正常類別）和特征向量，分別使用隨機(jī)森林（RandomForest）、邏輯回歸（Logistic Regression）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network）等算法調(diào)試建立一系列子模型。最后，基于融合方法（Ensemble），將上述子模型融合成為一個最終模型。該模型的輸入是設(shè)備的描述信息和最近一個月的歷史信號，輸出是該設(shè)備未來一周出現(xiàn)各種缺陷的概率。圖5利用樣本數(shù)據(jù)（故障記錄+正常運(yùn)行記錄），建立神經(jīng)網(wǎng)絡(luò)子模型，并對未來一周缺陷發(fā)生進(jìn)行預(yù)測。

圖4　缺陷預(yù)測分析

圖5　設(shè)備缺陷實(shí)時信息分析

應(yīng)用實(shí)例

基于上述設(shè)備家族性缺陷分析技術(shù)和大數(shù)據(jù)平臺，本系統(tǒng)在實(shí)際的應(yīng)用情況如圖6所示。圖中顯示選中的存在缺陷或者故障的設(shè)備的信息情況，包括基本信息、故障描述等內(nèi)容。點(diǎn)擊型號、廠商顯示同一商場、型號設(shè)備的缺陷故障情況。點(diǎn)擊具體設(shè)備查看設(shè)備其他相關(guān)信息，包括檢修、運(yùn)行情況及警告情況。

結(jié)語

本文通過分析設(shè)備運(yùn)行大數(shù)據(jù)的分類及特點(diǎn)，建立設(shè)備家族性缺陷分析的大數(shù)據(jù)平臺，利用數(shù)據(jù)挖掘技術(shù)實(shí)現(xiàn)了設(shè)備履歷與設(shè)備缺陷、告警信息等的關(guān)聯(lián)應(yīng)用，不僅提高了尋找設(shè)備家族性缺陷的效率，達(dá)到保障電網(wǎng)穩(wěn)定運(yùn)行目的，而且提高了電網(wǎng)監(jiān)控業(yè)務(wù)故障分析的智能化水平。

DOI：10.3969/j.issn.1001- 8972.2016.13.039