袁智勇

（江西贛能股份有限公司抱子石水電廠，江西 修水 332400）

水電廠是電力系統(tǒng)的重要組成部分，其運(yùn)行狀態(tài)會(huì)受到電廠的各種影響因素和外界環(huán)境等，所以，對(duì)水廠進(jìn)行合理、有效得調(diào)整，使之能夠適應(yīng)不斷變化的外部環(huán)境影響，因此對(duì)整個(gè)電網(wǎng)進(jìn)行在線監(jiān)測(cè)、狀態(tài)診斷和預(yù)測(cè)是十分必要。隨著我國(guó)經(jīng)濟(jì)水平的不斷提高以及國(guó)家政策對(duì)節(jié)能減排力度加大等因素影響下，火力發(fā)電廠在未來(lái)將會(huì)有越來(lái)越多的機(jī)組出現(xiàn)故障。而傳統(tǒng)方法在分析數(shù)據(jù)時(shí)存在很多問(wèn)題：如僅依靠經(jīng)驗(yàn)判斷無(wú)法準(zhǔn)確的確定某個(gè)具體電廠運(yùn)行情況，數(shù)據(jù)的處理方法比較單一，無(wú)法實(shí)現(xiàn)對(duì)故障類(lèi)型進(jìn)行分析，不能準(zhǔn)確地揭示出機(jī)組運(yùn)行過(guò)程中所存在問(wèn)題。基于此，本文提出了一種針對(duì)水電廠運(yùn)行狀態(tài)進(jìn)行故障診斷的方法，該技術(shù)通過(guò)對(duì)數(shù)據(jù)集和處理方式以及相關(guān)算法分析來(lái)實(shí)現(xiàn)。

1 數(shù)據(jù)挖掘技術(shù)簡(jiǎn)述

1.1 數(shù)據(jù)挖掘的概念

數(shù)據(jù)挖掘技術(shù)是指從海量的、復(fù)雜多變的非結(jié)構(gòu)化信息中提取有價(jià)值信息的技術(shù)，它是基于數(shù)據(jù)挖掘理論和技術(shù)的應(yīng)用，能夠幫助人們發(fā)現(xiàn)隱藏在信息中的有用價(jià)值，從而提高企業(yè)的經(jīng)濟(jì)效益，同時(shí)也能夠幫助人們?cè)趶?fù)雜多變環(huán)境中更好地生存和發(fā)展。

1.2 數(shù)據(jù)挖掘的任務(wù)

數(shù)據(jù)挖掘的任務(wù)分為以下幾點(diǎn)：

（1）將復(fù)雜、冗余性強(qiáng)的信息進(jìn)行整理，并在其基礎(chǔ)上對(duì)原始決策變量和潛在觀測(cè)信號(hào)進(jìn)行預(yù)測(cè)，建立了基于粗糙集的水電廠狀態(tài)檢修模型。該方法是根據(jù)決策變量和潛在觀測(cè)信號(hào)，通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行去噪，得到一個(gè)最佳估計(jì)，從而提高預(yù)測(cè)精度。

（2）找出描述并區(qū)分?jǐn)?shù)據(jù)類(lèi)或概念的模型，以便能夠使用模型預(yù)測(cè)類(lèi)標(biāo)記未知的對(duì)象類(lèi)，并將其分類(lèi)到一個(gè)新的、可解釋的對(duì)象類(lèi)中，從而達(dá)到描述和區(qū)分?jǐn)?shù)據(jù)變量之間關(guān)系，實(shí)現(xiàn)模型預(yù)測(cè)。

（3）聚類(lèi)是把數(shù)據(jù)劃分到不同組中，進(jìn)行組合而產(chǎn)生的一種數(shù)據(jù)處理技術(shù)，它能夠?qū)⒁恍┚哂邢嗤瑢傩缘膶?duì)象分類(lèi)，對(duì)同一組中不同元素之間關(guān)系進(jìn)行分析，并找出其對(duì)應(yīng)的規(guī)律，從而使數(shù)據(jù)能夠更加準(zhǔn)確。

（4）關(guān)聯(lián)分析的任務(wù)是找出數(shù)據(jù)記錄中字段之間的關(guān)系，并利用其對(duì)數(shù)據(jù)進(jìn)行處理。通過(guò)關(guān)聯(lián)分析可以發(fā)現(xiàn)系統(tǒng)中的問(wèn)題，并且能夠找到事物之間聯(lián)系，從而提高故障診斷和預(yù)測(cè)決策過(guò)程的效率，進(jìn)而降低系統(tǒng)的故障率。通過(guò)關(guān)聯(lián)分析可以發(fā)現(xiàn)事物之間聯(lián)系，并且能夠利用其進(jìn)行預(yù)測(cè)，從而為決策者提供有效信息。

1.3 數(shù)據(jù)挖掘的步驟

在傳統(tǒng)的數(shù)據(jù)挖掘中，主要是通過(guò)對(duì)原始信息進(jìn)行抽取，進(jìn)而得到大量具有特定規(guī)律性和預(yù)測(cè)價(jià)值的數(shù)據(jù)。而隨著時(shí)間推移以及科技發(fā)展進(jìn)步、技術(shù)不斷完善等因素都會(huì)產(chǎn)生越來(lái)越多與之相關(guān)且復(fù)雜關(guān)系較大的異常樣本，這些隨機(jī)變量可能包括許多不同類(lèi)型，同時(shí)由于一些隨機(jī)過(guò)程中不能夠被量化處理過(guò)，導(dǎo)致無(wú)法得到有效挖掘出規(guī)律性和預(yù)測(cè)價(jià)值的數(shù)據(jù)信息。數(shù)據(jù)挖掘的過(guò)程如圖1 所示。

圖1 數(shù)據(jù)挖掘過(guò)程示意圖

（1）數(shù)據(jù)選擇。數(shù)據(jù)選擇是對(duì)原始數(shù)據(jù)進(jìn)行篩選，將有相同屬性的樣本集按照一定規(guī)則排列進(jìn)同一堆中，以獲得不同的結(jié)果。通過(guò)對(duì)數(shù)據(jù)進(jìn)行處理，得到一組具有良好性能和特點(diǎn)的信息，從而將其分類(lèi)、歸類(lèi)，建立模型并對(duì)其進(jìn)行分類(lèi)，得到不同的結(jié)果，最終將故障對(duì)象分為一類(lèi)，從而分析系統(tǒng)中各類(lèi)信息之間關(guān)系。

（2）數(shù)據(jù)預(yù)處理。數(shù)據(jù)預(yù)處理是將實(shí)際的信息轉(zhuǎn)化為可利用、有效和直觀表達(dá)出來(lái)，并能對(duì)原始信息進(jìn)行描述的過(guò)程，它是數(shù)據(jù)挖掘技術(shù)的一個(gè)重要分支，其主要目的在于利用某種算法對(duì)原始信息進(jìn)行處理，并將這些分析結(jié)果轉(zhuǎn)換為可應(yīng)用于工程實(shí)際過(guò)程中的有用知識(shí)。

（3）模式發(fā)現(xiàn)。傳統(tǒng)的模式發(fā)現(xiàn)多用于人工神經(jīng)網(wǎng)絡(luò)，而現(xiàn)在已經(jīng)有了人工智能，主要是針對(duì)模型中不同類(lèi)型數(shù)據(jù)進(jìn)行處理和分析。在實(shí)際應(yīng)用過(guò)程中，可以使用多種算法對(duì)這些數(shù)據(jù)信息進(jìn)行挖掘，從而得到有效的結(jié)果，并針對(duì)這些數(shù)據(jù)進(jìn)行分析，進(jìn)而獲得決策。

（4）模式評(píng)估。通過(guò)某種度量得出真正代表知識(shí)的模式，從而為其提供改進(jìn)依據(jù)，并根據(jù)模型的實(shí)際情況來(lái)對(duì)系統(tǒng)進(jìn)行評(píng)估，得出最優(yōu)結(jié)果。通過(guò)數(shù)據(jù)挖掘算法能夠得到一個(gè)有效的模式評(píng)估值。

（5）知識(shí)表示。傳統(tǒng)的模式評(píng)估方法是基于歷史數(shù)據(jù)和模型進(jìn)行判斷，而對(duì)于實(shí)際情況來(lái)說(shuō)，往往需要對(duì)原始指標(biāo)進(jìn)行一定程度上的簡(jiǎn)化處理，而傳統(tǒng)的模式評(píng)估方法是基于歷史數(shù)據(jù)進(jìn)行判斷，這就使得預(yù)測(cè)結(jié)果與實(shí)際情況有很大差異，從而導(dǎo)致誤差較大。為了降低這些問(wèn)題帶來(lái)的影響和影響，改進(jìn)了水電廠狀態(tài)檢修系統(tǒng)中常用到一些指標(biāo)來(lái)對(duì)原始信息進(jìn)行處理分析。

2 數(shù)據(jù)挖掘技術(shù)在檢修系統(tǒng)中的應(yīng)用

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理模塊將在線監(jiān)測(cè)所得的數(shù)據(jù)進(jìn)行前期處理，并將其進(jìn)行預(yù)處理，然后對(duì)這些數(shù)據(jù)的特點(diǎn)及規(guī)律性進(jìn)行分析，從而得出結(jié)論。在實(shí)際應(yīng)用中發(fā)現(xiàn)：某發(fā)電廠汽輪發(fā)電機(jī)組狀態(tài)監(jiān)測(cè)和優(yōu)化系統(tǒng)是基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)、支持向量機(jī)等算法實(shí)現(xiàn)。該方法能夠有效地提高電廠運(yùn)行過(guò)程中設(shè)備維護(hù)與檢修效率以及可靠性，通過(guò)改進(jìn)后的水電機(jī)組狀態(tài)診斷模型可以為故障原因準(zhǔn)確預(yù)測(cè)提供依據(jù)，通過(guò)數(shù)據(jù)挖掘算法對(duì)異常情況進(jìn)行分析，進(jìn)而得出結(jié)論并提出改善措施以降低風(fēng)險(xiǎn)發(fā)生率及損失率。本文引入的數(shù)據(jù)標(biāo)準(zhǔn)化處理方法可以解決度量單位不一致的問(wèn)題，具體方法如下：

（1）計(jì)算平均的絕對(duì)偏差值的方法如式（1）所示：

其中，x1f,…,xnf是f 的n 個(gè)特征值，mf是f 的平均值，具體計(jì)算如公式（2）所示：

（2）計(jì)算標(biāo)準(zhǔn)化的特征值，具體計(jì)算如公式（3）所示：

標(biāo)準(zhǔn)化方法將特征項(xiàng)的平均值轉(zhuǎn)化到0，將標(biāo)準(zhǔn)偏差轉(zhuǎn)化為1。

（3）通過(guò)公式（4）產(chǎn)生歸一化結(jié)果。

2.2 數(shù)據(jù)挖掘算法

數(shù)據(jù)挖掘算法主要是利用數(shù)據(jù)中的特征來(lái)構(gòu)建相應(yīng)模型，將一些具有不同特點(diǎn)且不相關(guān)、未知量少等問(wèn)題進(jìn)行分析，從而對(duì)這些事物或現(xiàn)象做出預(yù)測(cè)和描述。

（1）K-means 算法。K-means 算法是一種面向機(jī)器學(xué)習(xí)的數(shù)據(jù)挖掘方法，它以人工智能技術(shù)為基礎(chǔ)，將計(jì)算機(jī)語(yǔ)言作為研究對(duì)象，基于其在模式分類(lèi)、聚類(lèi)等理論之上建立模型。通過(guò)對(duì)原始狀態(tài)變量進(jìn)行再處理和參數(shù)估計(jì)來(lái)實(shí)現(xiàn)對(duì)問(wèn)題信息的提取。K-means 算法主要是用來(lái)解決數(shù)據(jù)挖掘中存在的一些問(wèn)題。它可以將處理過(guò)程進(jìn)行簡(jiǎn)化，從而提高分析結(jié)果的效率。K-means 算法的處理流程如下：首先，隨機(jī)地選擇k 個(gè)對(duì)象，對(duì)其進(jìn)行分析，然后將k 個(gè)對(duì)象的函數(shù)作為訓(xùn)練集，并根據(jù)所選擇的方法建立一個(gè)模型，通過(guò)K-means 算法處理過(guò)程可以得到參數(shù)，并將其與實(shí)際對(duì)象的函數(shù)進(jìn)行比較，從而得出結(jié)論。通過(guò)K-means 算法發(fā)現(xiàn)系統(tǒng)中存在大量的故障信息；其次，對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理和清洗后得到一組新特征點(diǎn)集（即異常指標(biāo)）；最后，根據(jù)所獲取到的是某一個(gè)特定屬性點(diǎn)集（或參數(shù)）與另一個(gè)特定簇之間比較結(jié)果，并計(jì)算出當(dāng)前最優(yōu)閾值及該最佳閾范圍，判斷當(dāng)前最優(yōu)閾值是否滿(mǎn)足該特征點(diǎn)集。通常采用平方誤差準(zhǔn)則，其定義如公式（5）所示：

（2）改進(jìn)的K-means 算法。對(duì)于k 均值聚類(lèi)算法來(lái)講，初始質(zhì)心的選擇會(huì)對(duì)聚類(lèi)運(yùn)算結(jié)果產(chǎn)生很大的影響，如果選擇不恰當(dāng)，不僅會(huì)增加算法的時(shí)間和空間復(fù)雜度，影響最終結(jié)果的質(zhì)量，而且對(duì)算法運(yùn)行時(shí)間和系統(tǒng)性能都有很大的限制。為了使得初始化選擇能夠更加合理，提高算法的運(yùn)行時(shí)間和性能，本文針對(duì)原來(lái)隨即選取k 個(gè)質(zhì)心的質(zhì)心選擇算法作了一定的優(yōu)化，設(shè)計(jì)了一個(gè)新的質(zhì)心選擇算法，使得每次的算法計(jì)算結(jié)果更優(yōu)，從而實(shí)現(xiàn)了改進(jìn)后k 均值聚類(lèi)法在水電廠狀態(tài)檢修系統(tǒng)中的應(yīng)用，實(shí)現(xiàn)改進(jìn)器的多類(lèi)診斷，提高了系統(tǒng)性能。

3 改進(jìn)的K-means 算法在故障診斷中的應(yīng)用

本文從公開(kāi)發(fā)表的期刊中搜集已經(jīng)確定故障類(lèi)型的161 組變壓器特征氣體數(shù)據(jù)，選擇9 組特征氣體含量和比值編碼作為標(biāo)準(zhǔn)故障樣本，具體如表1 所示。

表1 標(biāo)準(zhǔn)故障樣本數(shù)據(jù)

根據(jù)上述故障可以得到想要的故障診斷，具體的故障類(lèi)型診斷結(jié)果如表2 所示。

表2 故障類(lèi)型診斷結(jié)果表格

由此可以看出，采用改進(jìn)的K-means 算法，對(duì)氣體數(shù)據(jù)進(jìn)行聚類(lèi)分析，可以比較有效地將各種類(lèi)型的故障診斷出來(lái)，其結(jié)果可以用來(lái)對(duì)機(jī)組、變壓器等設(shè)備進(jìn)行故障分析。

4 結(jié)語(yǔ)

電力系統(tǒng)的狀態(tài)檢修工作是一項(xiàng)比較復(fù)雜、系統(tǒng)性很強(qiáng)且綜合性較強(qiáng)的工程，它要求對(duì)電廠運(yùn)行和管理全過(guò)程進(jìn)行監(jiān)測(cè)，以發(fā)現(xiàn)影響設(shè)備安全穩(wěn)定運(yùn)行以及電網(wǎng)正常供電情況下故障隱患。本文主要探討了基于改進(jìn)數(shù)據(jù)挖掘算法的水電廠狀態(tài)檢修系統(tǒng)，通過(guò)分析其應(yīng)用背景、基本原理和技術(shù)，提出了一種基于改進(jìn)數(shù)據(jù)挖掘算法進(jìn)行故障診斷與預(yù)測(cè)等方面研究，可以很好地對(duì)電廠的智能檢修提供完整有效的指導(dǎo)，具有很強(qiáng)的應(yīng)用價(jià)值。