韓葉林　劉波　田晶

[摘? ? 要]在傳統(tǒng)的設(shè)備運(yùn)維工作中，各行業(yè)普遍采取“廣撒網(wǎng)”的模式，過于依賴人員經(jīng)驗(yàn)水平和人員數(shù)量，且故障預(yù)判困難，運(yùn)維主動(dòng)性差。如今大數(shù)據(jù)技術(shù)的迅速發(fā)展為解決以上問題提供了新的可能。本項(xiàng)目基于各行業(yè)的設(shè)備在運(yùn)行中積累的歷史數(shù)據(jù)，結(jié)合氣象、水文、交通狀況等外部信息，在Python開發(fā)環(huán)境中采用BP神經(jīng)網(wǎng)絡(luò)算法建立了設(shè)備故障預(yù)測(cè)模型，實(shí)現(xiàn)了基于多源數(shù)據(jù)融合的設(shè)備故障預(yù)測(cè)和運(yùn)維調(diào)度，對(duì)各行業(yè)設(shè)備運(yùn)維工作具有指導(dǎo)意義。通過在舟山供電公司配網(wǎng)運(yùn)維工作一年以來的試運(yùn)行，其實(shí)用性和準(zhǔn)確性已得到充分驗(yàn)證，并且在2019年抗擊超強(qiáng)臺(tái)風(fēng)“利奇馬”和“米娜”的過程中，發(fā)揮了至關(guān)重要的作用，幫助舟山電網(wǎng)提前布置各項(xiàng)應(yīng)對(duì)措施，快速響應(yīng)，及時(shí)復(fù)電，將臺(tái)風(fēng)影響降至最低。通過模型的修正和輸入數(shù)據(jù)的替換，本項(xiàng)目成果可以推廣至其他行業(yè)的設(shè)備運(yùn)維和故障預(yù)測(cè)，從而實(shí)現(xiàn)推動(dòng)社會(huì)發(fā)展，服務(wù)國(guó)計(jì)民生的最終目標(biāo)。

[關(guān)鍵詞]設(shè)備運(yùn)維;Python;多源數(shù)據(jù)融合;故障預(yù)測(cè)

[中圖分類號(hào)]E92 [文獻(xiàn)標(biāo)志碼]A [文章編號(hào)]2095–6487（2020）06–00–03

Fault Prediction and Intelligent Operation and Maintenance Based on

Multi-source Data Fusion

Han Ye-lin， Liu Bo， Tian Jing

[Abstract]In the traditional equipment operation and maintenance work， various industries generally adopt the mode of "spreading the net"， which relies too much on the experience level and the number of personnel， and it is difficult to predict the fault， and the operation and maintenance initiative is poor. Nowadays， the rapid development of big data technology provides new possibilities to solve the above problems. Based on the historical data accumulated in the operation of equipment in various industries， combined with the external information such as meteorology， hydrology， traffic conditions， etc.， this project uses BP neural network algorithm to establish the equipment fault prediction model in Python development environment， and realizes the equipment failure prediction and operation and maintenance scheduling based on multi-source data fusion， which has guiding significance for equipment operation and maintenance work of various industries. Through the trial operation of Zhoushan power supply company's distribution network operation and maintenance work for one year， its practicability and accuracy have been fully verified， and it has played a crucial role in the process of fighting super typhoon "lichma" and "Mina" in 2019， helping Zhoushan power grid to arrange various response measures in advance， respond quickly， restore power in time， and minimize the impact of typhoon. By modifying the model and replacing the input data， the results of this project can be extended to the equipment operation and maintenance and fault prediction of other industries， so as to achieve the ultimate goal of promoting social development and serving the national economy and people's livelihood.

[Keywords]equipment operation and maintenance; Python; multi source data fusion; fault prediction

1 業(yè)務(wù)背景

在當(dāng)今社會(huì)，水電煤氣的穩(wěn)定供應(yīng)，通信、交通等社會(huì)公共事業(yè)的正常運(yùn)轉(zhuǎn)，既與人民群眾的日常生活息息相關(guān)，又與國(guó)家經(jīng)濟(jì)發(fā)展命脈緊密相連。以上各行業(yè)有諸多共同特征：設(shè)備眾多，線路管網(wǎng)復(fù)雜，易受惡劣天氣影響，且一旦故障停運(yùn)，對(duì)正常社會(huì)秩序和人民生產(chǎn)生活將造成嚴(yán)重影響。長(zhǎng)期以來，各行業(yè)在設(shè)備運(yùn)維和故障搶修，特別是在抵御臺(tái)風(fēng)、洪澇等自然災(zāi)害的過程中，投入了大量的人力物力，但始終處于被動(dòng)搶修的狀態(tài)，收效不夠良好。如今，大數(shù)據(jù)、物聯(lián)網(wǎng)等技術(shù)的迅速發(fā)展，以及5G時(shí)代的到來，為上述難題提供了一種新的解決思路。

通過調(diào)查論證，本項(xiàng)目團(tuán)隊(duì)發(fā)現(xiàn)各行業(yè)設(shè)備數(shù)據(jù)類的隱性價(jià)值并未得到充分開發(fā)。針對(duì)這一問題，團(tuán)隊(duì)利用數(shù)據(jù)挖掘技術(shù)處理存量數(shù)據(jù)，并建立同時(shí)具備準(zhǔn)確性、可靠性、實(shí)用性的數(shù)學(xué)模型，通過模型對(duì)數(shù)據(jù)的處理和挖掘，將整個(gè)設(shè)備系統(tǒng)的安全、可靠運(yùn)行與大數(shù)據(jù)技術(shù)連接為一個(gè)有機(jī)的整體，實(shí)現(xiàn)參數(shù)測(cè)量和監(jiān)視、故障記錄與分析、數(shù)據(jù)存儲(chǔ)、處理、共享等功能，并在此基礎(chǔ)開展設(shè)備運(yùn)行狀態(tài)預(yù)測(cè)、故障預(yù)判和運(yùn)維方式、方法的優(yōu)化運(yùn)籌。

本項(xiàng)目以團(tuán)隊(duì)成員所從事的10kV配電網(wǎng)運(yùn)維工作為切入點(diǎn)，由點(diǎn)及面，逐步推廣至其他領(lǐng)域?？紤]到配電網(wǎng)覆蓋面積廣、網(wǎng)架結(jié)構(gòu)復(fù)雜、設(shè)備體量大、運(yùn)行方式靈活多變的特點(diǎn)，對(duì)比新形勢(shì)下電力客戶對(duì)供電服務(wù)的需求，總結(jié)得出配電網(wǎng)目前存在的特點(diǎn)，也即本項(xiàng)目所需解決的幾大難點(diǎn)，主要包括：

（1）配網(wǎng)設(shè)備點(diǎn)多面廣，配網(wǎng)搶修工作任務(wù)繁重。據(jù)統(tǒng)計(jì)，舟山城區(qū)配電網(wǎng)平均每平方公里就有2臺(tái)配變，低壓用戶數(shù)以千計(jì)。配網(wǎng)搶修工作任務(wù)繁重，特別是特殊用電時(shí)段（如春節(jié)、夏季負(fù)荷高峰）或惡劣天氣下，配網(wǎng)異動(dòng)事件數(shù)激增，為應(yīng)急搶修工作帶來巨大壓力。

（2）配網(wǎng)運(yùn)行動(dòng)態(tài)實(shí)時(shí)性強(qiáng)，異動(dòng)和運(yùn)行風(fēng)險(xiǎn)難以有效防范。用戶負(fù)荷具有區(qū)域性、時(shí)變性、外部氣象環(huán)境敏感性等特點(diǎn)，配變重過載、低電壓等異動(dòng)狀態(tài)導(dǎo)致的停運(yùn)故障時(shí)有發(fā)生，影響用戶用電體驗(yàn)，且由于配網(wǎng)監(jiān)測(cè)終端數(shù)據(jù)傳輸?shù)臏笮?，故障處理只能采用事后搶修手段，無法消除配網(wǎng)設(shè)備異常對(duì)客戶服務(wù)造成的事實(shí)影響。

（3）以電網(wǎng)為中心的檢修作業(yè)模式不能有效滿足新時(shí)代的要求。以客戶為中心的現(xiàn)代服務(wù)模式要求我們能夠第一時(shí)間捕獲客戶用電需求，并深度挖掘、快速響應(yīng)，能夠根據(jù)客戶用電訴求合理安排運(yùn)維檢修工作，實(shí)現(xiàn)對(duì)內(nèi)面向設(shè)備的運(yùn)維管理工作與對(duì)外面向客戶的優(yōu)質(zhì)服務(wù)工作的進(jìn)一步融合，以促進(jìn)客戶服務(wù)訴求驅(qū)動(dòng)運(yùn)檢工作有效開展，提高供電質(zhì)量，但目前供電企業(yè)對(duì)客戶用電體驗(yàn)的主動(dòng)感知手段相對(duì)缺乏。

為了提高項(xiàng)目的可推廣性，項(xiàng)目團(tuán)隊(duì)還調(diào)研了三大通信運(yùn)營(yíng)商、廣電、供水、供氣等企業(yè)在設(shè)備、線路、管網(wǎng)運(yùn)維工作中存在的難點(diǎn)，深入了解各行各業(yè)數(shù)據(jù)特點(diǎn)和存儲(chǔ)方式，與電力大數(shù)據(jù)的相似性和差異程度，為后續(xù)項(xiàng)目在電力系統(tǒng)外的推廣提供理論依據(jù)。

2 數(shù)據(jù)概述

本項(xiàng)目選擇以電力大數(shù)據(jù)為問題突破口。電力大數(shù)據(jù)是指通過傳感器、智能設(shè)備、視頻監(jiān)控設(shè)備、音頻通信設(shè)備、電量采集終端等各種信息獲取渠道收集到的、海量的、結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化的，且相互間存在關(guān)聯(lián)的業(yè)務(wù)數(shù)據(jù)集合，也包括氣象、水文、交通等與電網(wǎng)運(yùn)行相關(guān)的外部數(shù)據(jù)。

本項(xiàng)目數(shù)據(jù)來源主要為浙江省電力有限公司數(shù)據(jù)在線服務(wù)平臺(tái)，通過平臺(tái)接入的用電信息采集系統(tǒng)、設(shè)備（資產(chǎn)）運(yùn)維精益管理系統(tǒng)（PMS2.0）、浙江氣象信息系統(tǒng)等，獲取項(xiàng)目進(jìn)行數(shù)據(jù)挖掘所需的大量基礎(chǔ)信息，項(xiàng)目涉及的數(shù)據(jù)表單單日數(shù)據(jù)量超過50萬條數(shù)據(jù)。

3 算法及應(yīng)用

3.1 BP神經(jīng)網(wǎng)絡(luò)算法簡(jiǎn)介

Rmmemart和McCelland提出了一種智能的訓(xùn)練預(yù)測(cè)模型—BP神經(jīng)網(wǎng)絡(luò)，該模型通過誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋，實(shí)現(xiàn)對(duì)輸入結(jié)果的準(zhǔn)確預(yù)測(cè)，是迄今為止最成功的神經(jīng)網(wǎng)絡(luò)算法。BP神經(jīng)網(wǎng)絡(luò)模型通過對(duì)大量的輸入——輸出模式映射關(guān)系進(jìn)行學(xué)習(xí)和存儲(chǔ)，無需提前知道反映這種關(guān)系的數(shù)學(xué)公式，使用梯度下降法的訓(xùn)練規(guī)則，通過反向傳播，不斷調(diào)整網(wǎng)絡(luò)的輸入?yún)?shù)的權(quán)值和輸出結(jié)果的閾值，最終使得網(wǎng)絡(luò)的誤差平方和最小。

假設(shè)有訓(xùn)練集D={（x1，y1）， （x2，y2），…，（xm，ym）}，其中xi∈Rd，yi∈Rl，即輸入每個(gè)樣本有d個(gè)特征描述，輸出的為l維的向量。在神經(jīng)網(wǎng)絡(luò)的的訓(xùn)練過程中，會(huì)得到一個(gè)和實(shí)際有偏差的l維預(yù)測(cè)向量，并且通過不斷將預(yù)測(cè)向量和真實(shí)向量進(jìn)行比較，并按照梯度下降法對(duì)各個(gè)神經(jīng)元的權(quán)重進(jìn)行修正，最終使誤差平方和最小。誤差平方和公式如下：

任意神經(jīng)元的權(quán)重的更新公式如下：

由于梯度下降法是基于梯度下降策略，以目標(biāo)的負(fù)梯度方向?qū)?shù)進(jìn)行調(diào)整。對(duì)于給定學(xué)習(xí)率η和誤差Ek，有以下公式：

3.2 預(yù)測(cè)結(jié)果及分析

訓(xùn)練模型總共使用了905條數(shù)據(jù)，其中故障數(shù)據(jù)有205條，正常數(shù)據(jù)有700條。為了提高模型的泛化能力，我們做了10組交叉驗(yàn)證實(shí)驗(yàn)，使用了180條數(shù)據(jù)來評(píng)估模型的性能，其中故障數(shù)據(jù)有40條，正常數(shù)據(jù)有140條。模型的主要參數(shù)為隱藏層為200，輸出層為30，最大訓(xùn)練迭代次數(shù)為1000次，激活函數(shù)為ReLU，采用adam算法進(jìn)行優(yōu)化求解。

整體上所有樣本的識(shí)別準(zhǔn)確率可以達(dá)到93.22%，敏感性達(dá)到81.1%，特異性達(dá)到96.71%。針對(duì)正常運(yùn)行的樣本預(yù)測(cè)正確率為96.7%，針對(duì)故障樣本數(shù)據(jù)的預(yù)測(cè)，準(zhǔn)確達(dá)到81%，有較高的準(zhǔn)確率。極高的特異性，有利于減少設(shè)備檢修的人力成本。但是，我們的現(xiàn)有的故障數(shù)據(jù)樣本較少，因此在總樣本數(shù)量上進(jìn)行了一定的限制，在僅考慮目前選定的特征量的情況下的表現(xiàn)良好，面對(duì)復(fù)雜的情況進(jìn)行分析存在一定的缺陷。后續(xù)若能推廣至全省應(yīng)用，可獲取大量故障數(shù)據(jù)和正常數(shù)據(jù)作為訓(xùn)練樣本，有助于模型的優(yōu)化，進(jìn)一步提高預(yù)測(cè)準(zhǔn)確率。

4 成效及前景

本項(xiàng)目以配網(wǎng)運(yùn)維所使用的各個(gè)信息系統(tǒng)為數(shù)據(jù)源，融合“浙電云平臺(tái)”所接入的各類信息表，在Python編程環(huán)境中建立數(shù)學(xué)模型，用算法實(shí)現(xiàn)配網(wǎng)采集數(shù)據(jù)的提取、清洗、處理和展示。根據(jù)模型輸入的不同的數(shù)據(jù)源，可以輸出配網(wǎng)故障概率預(yù)測(cè)（時(shí)間分布和空間分布）、配電變壓器電壓電流值的異常波動(dòng)監(jiān)測(cè)（預(yù)警單相重載、低電壓、三相不平衡等故障前兆）、特殊氣象條件和自然災(zāi)害前配網(wǎng)巡視重點(diǎn)區(qū)域預(yù)測(cè)與指揮，以及配網(wǎng)設(shè)備故障歷史數(shù)據(jù)的聚類分析與可視化展示等。

有了以上數(shù)據(jù)處理結(jié)果，結(jié)合舟山供電公司創(chuàng)新性提出的“巡警式”配網(wǎng)檢修模式，真正做到將電力大數(shù)據(jù)與實(shí)際運(yùn)維有機(jī)結(jié)合，實(shí)現(xiàn)了數(shù)據(jù)與運(yùn)維、“軟件”與“硬件”的互相搭配，為配網(wǎng)的巡視和檢修工作提供輔助的決策和指揮，大大提高工作效率。

“巡警式”配網(wǎng)檢修模式，區(qū)別于傳統(tǒng)的“全員待命——故障發(fā)生后出發(fā)搶修——完工后返回繼續(xù)待命”工作模式，采用搶修人員主動(dòng)出擊，人員和車輛外出巡邏的形式，主要圍繞故障高發(fā)區(qū)，爭(zhēng)取提前發(fā)現(xiàn)并消除故障隱患。當(dāng)有故障發(fā)生時(shí)，由距離故障最近的一組人員趕往搶修現(xiàn)場(chǎng)。通過電力大數(shù)據(jù)建立的數(shù)據(jù)挖掘模型，恰恰為“巡警式”配網(wǎng)檢修提供了最需要的故障預(yù)測(cè)與運(yùn)維調(diào)度功能，將人員、數(shù)據(jù)、設(shè)備巧妙結(jié)合為一體，實(shí)現(xiàn)了面向設(shè)備的運(yùn)維管理工作與面向客戶的優(yōu)質(zhì)服務(wù)工作進(jìn)一步融合。

巡警式檢修模式的關(guān)鍵環(huán)節(jié)是故障的預(yù)測(cè)和定位。本項(xiàng)目提供配網(wǎng)運(yùn)行特征分析、配變過載預(yù)警、配變低電壓預(yù)警、氣象預(yù)警等功能，同時(shí)結(jié)合巡警式檢修模式，輔助運(yùn)檢人員全方位掌控設(shè)備狀態(tài)，打通了從設(shè)備狀態(tài)變化，到巡警式檢修工作安排，再到主動(dòng)運(yùn)維的工作通道，奠定了基于設(shè)備異動(dòng)和環(huán)境異動(dòng)的“神經(jīng)反射”基礎(chǔ)，輔助搶修人員將故障事件消滅于萌芽狀態(tài)。對(duì)比傳統(tǒng)工單受理、故障搶修模式，真正實(shí)現(xiàn)了“數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)”，穩(wěn)定了電網(wǎng)運(yùn)行、保障了供電服務(wù)質(zhì)量。

對(duì)于移動(dòng)、聯(lián)通、電信等通信運(yùn)營(yíng)商的通信基站、光纜線路運(yùn)維和搶修，以及供水、供氣企業(yè)的管網(wǎng)檢修等領(lǐng)域，上述模型同樣具有實(shí)用性。通過包含數(shù)值特征、氣象特征、地理特征的故障歷史信息數(shù)據(jù)，進(jìn)行數(shù)據(jù)清洗和處理，借助模型的演算，能夠?qū)崿F(xiàn)設(shè)備的故障預(yù)測(cè)和差異化運(yùn)維，從而降低運(yùn)維成本，提升服務(wù)質(zhì)量和用戶滿意度。

本項(xiàng)目在電力行業(yè)落地實(shí)施以來，其實(shí)用性已在臺(tái)風(fēng)搶修和日常運(yùn)維中得到充分驗(yàn)證。若能推廣至其他行業(yè)領(lǐng)域，將有助于建設(shè)智慧城市，優(yōu)化營(yíng)商環(huán)境，提升公共服務(wù)水平，提高居民生活幸福指數(shù)。無論是對(duì)政府部門的城市治理工作，還是經(jīng)濟(jì)社會(huì)的發(fā)展，都具有積極的推動(dòng)作用。

在電力行業(yè)有一條原則：“寧可讓電力等發(fā)展，不能讓發(fā)展等電力”，即電力應(yīng)該是經(jīng)濟(jì)社會(huì)發(fā)展的推動(dòng)力，而不能拖發(fā)展的后腿。要推動(dòng)發(fā)展，必須做到未雨綢繆。因此本項(xiàng)目團(tuán)隊(duì)下一工作目標(biāo)，全面分析最新的政府規(guī)劃文件，挖掘規(guī)劃中提及的重點(diǎn)開發(fā)區(qū)域、大型民生工程、招商引資重點(diǎn)項(xiàng)目等等，通過當(dāng)前電網(wǎng)設(shè)備信息，計(jì)算出上述各區(qū)塊的電力供應(yīng)情況，預(yù)估電能缺口，通過新設(shè)線路、變電站改造、臺(tái)區(qū)增容等手段，將負(fù)荷中心的供電納入電網(wǎng)建設(shè)規(guī)劃中，實(shí)現(xiàn)電網(wǎng)建設(shè)超前發(fā)展。同理，供水、供氣、通信、交通等領(lǐng)域，同樣可以借助模型對(duì)現(xiàn)有設(shè)備的深入分析，預(yù)估政府需求和供應(yīng)能力的缺口，提前補(bǔ)強(qiáng)，在政府規(guī)劃建設(shè)完成之前完善各類配套設(shè)施，助力城市建設(shè)，經(jīng)濟(jì)發(fā)展。

參考文獻(xiàn)

[1] 吳明強(qiáng)，房紅征，伊大偉，等.復(fù)雜系統(tǒng)故障預(yù)測(cè)方法與應(yīng)用技術(shù)研究[J].計(jì)算機(jī)測(cè)量與控制，2010（1）：24.

[2] 于鋒， 陳春生. 數(shù)據(jù)庫智能化運(yùn)維與故障預(yù)測(cè)平臺(tái)研究與實(shí)踐[J]. 金融電子化， 2015（4）：64-65.

[3] 劉兆煒. 基于故障預(yù)測(cè)與健康管理的智能化運(yùn)維系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].中國(guó)科學(xué)院大學(xué)，2019.

[4] 秦愛民. 基于多源異構(gòu)數(shù)據(jù)融合，機(jī)器學(xué)習(xí)及客服機(jī)器人的智能運(yùn)維分析系統(tǒng)：CN109343995A[P].2019-02-15.

[5] 徐強(qiáng). 基于多源信息融合的變電站智能運(yùn)維監(jiān)控平臺(tái)研究[J]. 現(xiàn)代建筑電氣， 2019（3）：59-62.

[6] 閻博， 張昊， 郭子明，等. 基于多源數(shù)據(jù)融合的電網(wǎng)故障綜合分析與智能告警技術(shù)研究與應(yīng)用[J]. 中國(guó)電力， 2018（4）：59.

[7] 劉斌， 王曉明， 田君楊，等. 基于多源信息的繼電保護(hù)故障信息智能分析系統(tǒng)研發(fā)[J]. 電工技術(shù)， 2020（53）：63.

[8] 任翠蕾. 基于多源信息融合的傳感器故障診斷技術(shù)的研究[D].華北電力大學(xué)，2012.

[9] 羅俊海， 王章靜. 多源數(shù)據(jù)融合和傳感器管理[M].北京： 清華大學(xué)出版社， 2015.

[10] 黃鹍， 陳森發(fā)， 周振國(guó). 多源信息的實(shí)時(shí)智能融合系統(tǒng)研究[J]. 東南大學(xué)學(xué)報(bào)：自然科學(xué)版， 2004， 34（11）：219.