對電力設備狀態大數據分析,電力論文摘要：隨著智能電網的發展和電網規模的迅速增長,及時、準確地把握電力設備運行狀態面臨宏大的問題和挑戰。近年來,電力信息化日臻完善,電力設備狀態監測、生產管理、運行調度、環境氣象等數據逐步實現集成分享,大數據技術為電力設備狀態評估和故障診斷提供了全新的解決思路和技術手段。結合大數據技術及數據挖掘分析方式方法在電力設備狀態評估中應用的現在狀況,講明了電力設備狀態大數據分析的內涵、目的、數據特征和基本架構,闡述了電力設備狀態大數據集成、轉換、清洗、分布式存儲和處理、高效挖掘以及數據驅動的設備狀態分析模型等關鍵技術。通過分析電力設備狀態評估的總體需求,總結和討論了大數據技術在電力設備狀態評價、異常檢測、故障預測、智能診斷等典型業務場景中應用的方式方法和效果,提出了研究和應用中面臨的主要問題,并對相關技術的發展趨勢進行了瞻望。本文關鍵詞語：大數據;電力設備;狀態評估;故障診斷;狀態監測;數據挖掘;異常檢測;故障預測;Abstract：Withthedevelopmentofsmartgridandtherapidexpansionofpowergridscale,itisverydifficulttograsptheoperationalstateofpowerequipmenttimelyandaccurately.Inrecentyears,theinformationizationofelectricpowerhasreachedahighlevel.Datafromconditionmonitoringsystem,powerproductionmanagementsystem,operationdispatchingsystem,andenvironmentalmeteorologysystemaregraduallyintegratedandshared.Bigdatatechnologiesprovidenewtechnicalmethodsandtoolsforpowerequipmentconditionassessmentandfaultdiagnosis.Weputforwardtheconnotation,purpose,datacharacteristics,andbasicframeworkforbigdataanalysisofpowerequipmentcondition,inconsiderationofthestatusquoofbigdatatechnologyanddatamininganalysisinpowerequipmentconditionassessment.Thekeytechniquesofbigdataintegration,conversion,cleaning,distributedstorageandprocessing,dataminingwithhighefficiency,anddata-drivenanalysismodelforpowerequipmentconditionassessmentarecomprehensivelyelaborated.Accordingtothetotaldemandanalysisofpowerequipmentconditionassessment,themethodsandeffectsofbigdatatechniquesinapplicationscenariossuchasconditionevaluation,anomalydetection,faultpredictionandintelligentdiagnosisaresummarizedanddiscussed.Finally,themajorproblemsinresearchandapplicationareproposed,andthedevelopmenttrendoftherelativetechnologiesisprospected.Keyword：bigdataanalysis;powerequipment;conditionassessment;faultdiagnosis;conditionmonitoring;datamining;anomalydetection;faultprediction;0引言電力設備是構成電網的基礎元件,設備故障會嚴重影響電網的安全穩定運行,造成宏大的經濟損失。根據行業統計分析,由于設備運行環境復雜惡劣、設備質量潛在缺陷等問題長期存在,設備故障一直是引起電網停電事故的主要源頭。全面、及時、準確把握電力設備運行狀態是保障設備安全運行的首要問題和難點,也是電力設備智能化的主要技術瓶頸[1]。近年來,電網規模迅速增長,安全可靠供電的要求也越來越高,設備狀態準確評估和狀態檢修面臨更大的挑戰,主要問題表如今:1)傳統的狀態評估主要采用基于理論分析、計算仿真和試驗測試等手段建立的因果關系物理模型,然而設備故障影響因素諸多、機理復雜,難以建立完善、精到準確的狀態評估物理模型。2)現有方式方法主要基于單一或少數狀態參量以及統一的診斷標準,參數和閾值確實定主要基于大量實驗數據的統計分析和主觀經歷體驗,分析結果片面,無法全面反映故障演變與表現特征之間的客觀規律,統一標準的固定閾值斷定方式方法也難以保證對不同設備的適用性。3)電力設備的故障診斷很大程度上依靠專家分析,近年來狀態檢測數據爆發式增長加上與設備狀態密切相關的電網運行、氣象環境等信息數據量宏大,人工進行診斷分析的效率很低。4)電力設備狀態相關信息分散于各業務應用系統,數據構造復雜多樣、數據接口各不一樣、平臺間數據通信困難、交互性差,導致信息與資源分散,異構性嚴重,橫向分享和縱向貫穿困難,而且數據質量參差不齊,數據集成和融合分析的難度較大,影響設備狀態評估診斷的效果和效率。隨著智能電網的建設與發展,電力設備狀態監測、生產管理、運行調度、環境氣象等數據逐步在統一的信息平臺上的集成分享,推動電力設備狀態評價、診斷和預測向基于全景狀態的綜合分析方向發展。然而,影響電力設備運行狀態的因素諸多,爆發式增長的狀態監測數據加上與設備的狀態密切相關的電網運行、氣象環境等信息數據量宏大,現有方式方法難以對這些數據進行融合分析,這種背景下,大數據分析技術提供了一種全新的解決思路和技術手段。近年來,當代通信信息技術的快速發展引發了數據迅猛增長,面向數據挖掘、機器學習和知識發現的大數據分析和處理技術得到廣泛的關注,成為推動行業技術進步和科學發展的重要手段[2]。由于大數據對經濟、社會和科研的宏大價值,美國、英國、日本和歐盟等世界主要發達國家和地區紛紛給予高度關注,將大數據技術的研究和應用提升到國家戰略層面,投入大量人力和財力進行研究[3]。谷歌、亞馬遜、微軟、IBM和Facebook等國際著名IT企業也將大數據技術列入重點發展計劃。國內相關的研究起步稍晚,但呈現蓬勃發展的態勢,以百度、騰訊、阿里巴巴、科大訊飛為代表的企業已將大數據技術成功應用于電子商務、金融、智能交通、公共管理、語音辨別等領域。2021年9月,發布了(促進大數據發展行動綱要〕,為推動我們國家大數據技術和產業進一步快速發展提供了有力支撐。電力行業大數據的應用牽涉整個電力系統在大數據時代下發展理念、管理體制和技術道路等方面的重大變革,是下一代智能化電力系統在大數據時代下價值形態的躍升[4]。近年來,電力大數據基礎技術及其應用的研究逐步開展,并在智能配用電、電力系統仿真、電網安全分析、電力負荷預測等方面獲得一定的應用成效[5,6,7,8,9,10,11]。為了更好地把握電網設備運行狀態,提高設備運行風險管控水平,國家科技部、國家自然科學基金、國家電網公司和南方電網公司等單位2021年以來陸續立項開展了大數據分析技術在電力設備狀態評估方面的研究和應用,獲得了階段性的研究進展,成為電力大數據的重要應用領域。本文結合大數據技術及數據挖掘分析方式方法在設備狀態評估中應用的現在狀況,闡述電力設備狀態大數據分析的內涵和目的、數據來源和特征、基本框架以及牽涉的關鍵技術問題,總結和討論大數據技術在電力設備狀態評估中的典型應用場景和應用效果,并提出研究和應用中面臨的挑戰以及將來的發展趨勢。1電力設備狀態大數據分析概述1.1內涵和目的電力設備狀態大數據分析主要利用日漸完善的電力信息化平臺獲取大量設備狀態、電網運行和環境氣象等電力設備狀態相關數據,基于統計分析、關聯分析、機器學習等大數據挖掘方式方法進行融合分析和深度挖掘,從數據內在規律分析的角度開掘出對電力設備狀態評估、診斷和預測有價值的知識,建立多源數據驅動的電力設備狀態評估模型,實現電力設備個性化的狀態評價、異常狀態的快速檢測、狀態變化的準確預測以及故障的智能診斷,全面、及時、準確地把握電力設備健康狀態,為設備智能運檢和電網優化運行提供輔助決策根據。電力設備狀態大數據分析是傳統數據挖掘技術的提升和變革[5],核心優勢是從全量數據中提取客觀規律,不需要建立復雜的物理數學模型,主要應用價值具體表現出在:1)從數據分析的角度揭示電力設備狀態、電網運行和氣象環境參量之間的關聯關系和內在變化規律,捕捉設備早期故障的前兆信息,追溯故障發展經過,預測故障發生的概率,進而及時發現、快速診斷和消除故障隱患,保障電力設備運行安全。2)利用多維統計分析、關聯分析、機器學習等方式方法獲得不同條件、不同維度電力設備狀態變化的個性化規律,實現多維度、差異化的全方位分析,大幅提高電力設備狀態評價和預測的準確性。3)推動新一代信息技術與設備運維檢修的深度融合,實現多源海量數據的快速分析、主動預測預警和故障智能研判,提升設備狀態評估的效率和智能化水平。1.2數據來源和特征電力設備狀態大數據分析所需要的數據主要包括:設備臺賬、技術參數、巡檢和試驗數據、帶電檢測和在線監測數據、電網運行數據、故障和缺陷記錄、氣象信息等,涵蓋能夠直接和間接反映電力設備狀態的信息。根據電力設備狀態信息的更新頻率,能夠將上述不同來源的狀態信息劃分為3大類:靜態數據、動態數據、準動態數據。靜態數據主要包括設備臺帳、技術參數、投運前試驗數據、地理位置等;動態數據通常按分鐘、小時或天為周期更新,是反映設備狀態變化的關鍵數據,主要包括運行數據、巡視記錄、帶電檢測數據、在線監測數據、環境氣象等;準動態數據通常按月或年定期或不定期更新,主要包括檢修試驗數據、缺陷/故障/隱患記錄、檢修記錄等。電力設備狀態數據具備典型大數據特征,傳統的數據處理和分析技術無法知足要求,主要具體表現出在:1)數據來源多。數據分散于各業務應用系統,主要來源包括設備狀態監測系統、生產管理系統(統(productionmanagementsystem,PMS)、能量管理系統(energymanagementsystem,EMS)、地理信息系統(geographicinformationsystem,GIS)、天氣預報系統、雷電定位系統、山火/覆冰預警系統等,各系統相對獨立、分散部署,數據模型、格式和接口各不一樣;2)數據體量大、增長快。電力設備類型多、數量龐大,與設備狀態密切相關的智能巡檢、在線監測、帶電檢測等設備狀態信息以及電網運行、環境氣象等信息數據量宏大且飛速增長;3)數據類型異構多樣。電力設備狀態信息除了通常的構造化數據以外、還包括大量非構造化數據和半構造化數據,如紅外圖像、視頻、局部放電圖譜、檢測波形、試驗報告文本等,各類數據的采集頻率和生命周期各不一樣;4)數據關聯復雜。各類設備狀態相互影響,在時間和空間上存在著復雜的關聯關系。1.3基本架構電力設備狀態大數據分析的參考基本架構如此圖1所示。首先,利用跨平臺多源異構數據獲取技術從電力系統內部多個信息系統中獲得在線監測、帶電試驗、停電試驗、人工巡檢、電網運行、環境氣象等設備狀態數據。然后,對異構數據進行規范化轉換和清洗,利用統一的電力設備狀態全景信息模型和分布式處理技術實現大數據的分布式存儲、快速檢索和實時處理。在這里基礎上,基于內存計算框架和并行化計算技術建立設備狀態數據高效挖掘和耦合分析的大數據挖掘分析平臺。結合電力設備狀態評估的主要業務場景和分析模型,基于該平臺對大量設備狀態實時數據和歷史數據進行關聯關系和內在規律的分析,實現電力設備異常檢測、動態評價、狀態預測和故障診斷等功能。最后,利用多維度、多角度的可視化技術展示綜合評估診斷結果和分析經過,為設備運維檢修、電網調度運行和資產管理等業務提供優化決策支持。2電力設備狀態大數據分析的關鍵技術大數據技術主要包括數據預處理、數據存儲與檢索、數據分析和可視化展示等重要技術。結合圖1電力設備狀態大數據分析的總體架構,除了建立大數據分析平臺的通用技術外,電力設備狀態大數據分析牽涉的關鍵技術還包括:多源異構設備狀態數據的集成和預處理、面向設備狀態大數據的分布式存儲和處理、數據高效挖掘和并行化計算以及數據驅動的設備狀態分析模型等。2.1多源異構設備狀態數據集成和預處理技術2.1.1多源數據集成和規范化轉換電力設備狀態大數據分析平臺一方面需要從PMS、EMS、設備狀態監測系統、氣象信息系統等多個內部系統中獲取相關數據,另一方面通過物聯網、移動互聯等技術,收集無人機巡線、機器人巡檢、移動巡檢、智能穿戴等外部實時檢測信息,構成設備全景信息庫,為電網運行、設備狀態、氣象環境等多源信息的展示和融合分析提供數據支撐。根據數據完好性、可用性和安全性等要求,能夠采用企業服務總線(enterpriseservicebus,ESB)、Webservice、數據中心數據庫分享、安全文件傳輸等數據接口方式,從各類電網業務系統中抽取數據,解決跨平臺數據庫高效訪問、數據文件高速并發讀取、數據安全傳輸與同步等問題。2.1.2非構造化數據轉換通過人工巡檢、在線監測、智能巡檢等方式采集的大量紅外熱像、視頻圖像、紫外成像、局部放電圖譜、頻響和波形曲線等當前大都以非構造化的形式存儲和處理,這些非構造化數據能夠有效地發現電力設備外觀、環境、局部過熱、局部放電等主要缺陷,為設備狀態評估診斷提供重要根據。除此之外,大量的試驗文檔、巡檢文檔、檢修工單、故障缺陷案例報告等以非構造化文本的形式存儲,也是設備狀態評估和預測的重要參考信息。需要利用圖像處理、文本挖掘等技術實現設備狀態檢測圖形、圖像、文本數據的特征提取和構造化轉換[12],為數據的統計分析和知識挖掘提供支持。2.1.3狀態數據質量評估和數據清洗數據質量是是保證數據挖掘分析效果的前提條件。電力設備狀態信息相關數據具有來源多、信息異構、數量龐大、屬性繁多等特點,存在數據不完好、冗余、沖突、遺漏、錯誤等問題,尤其是設備狀態監測系統可靠性不高,傳感器的短時失效、測量值錯誤、通訊端口異常、設備系統擾動等情況時有發生,監測數據中不可避免的存在各類無效的異常值,影響設備狀態分析和評估的結果。電力設備狀態數據清洗是數據預處理必不可少的環節,也是保證設備狀態大數據分析效果的關鍵技術。數據清洗的主要方式方法是通過統計分布、聚類、關聯分析、時間序列分析以及機器學習等手段進行數據質量的檢驗、離群點辨別、缺失值填充、噪聲平滑等,剔除無用的錯誤數據,填補關鍵的缺失數據,確保數據的有效性、一致性、完好性[13,14,15],知足設備狀態數據挖掘分析的要求。十分要注意的是數據本身的異常應該與設備狀態異常變化有效區分,以免造成設備狀態異常的漏判或誤判[16]。2.2面向設備狀態大數據的分布式存儲和處理技術考慮到系統的成熟性和先進性,當前一般采用Hadoop平臺作為電力設備狀態大數據存儲、處理和云計算平臺,但考慮到電力設備狀態數據本身的特點和狀態分析的性能需求,Hadoop平臺在應用時仍存在很大的優化空間[17,18,19,20]。2.2.1設備狀態數據高效存儲技術:傳統的設備狀態數據存儲多采用關系型數據庫或以關系數據庫為基礎的并行數據庫,在海量數據裝載以及查詢時性能下降明顯,不能很好地適應設備狀態大數據分析的應用需求。面向電力設備狀態大數據的存儲系統需要知足構造化和非構造化相結合、可靠性高、容量大、存儲速度快等要求,一般采用主流的分布式文件存儲和分布式NoSQL列存儲數據庫(Hbase或HDFS)。為了提高訪問的性能,需要針對電力設備狀態數據的特點優化存儲策略,加快數據處理速度,如:考慮設備狀態數據相關性和時空屬性的分布式存儲算法,根據設備主屬性、時間戳和相關系數使具有相關性的數據在集群中聚集;對Hadoop平臺的數據劃分策略、調整數據塊尺寸以及集群網絡拓撲規劃進行優化等[18]。2.2.2設備狀態數據快速檢索技術大數據分布式存儲并沒有完全解決數據高效檢索問題,尤其是面對電力設備狀態分析復雜、靈敏多條件時空查詢的需求,單一行鍵查詢難以知足需要。為提高設備狀態評估數據檢索和分析的效率,針對設備狀態數據查詢業務固然頻繁發生,但其類型相對固定的特點,可采用多數據源并行連接的查詢方式方法和二級索引技術,設計復合行鍵構造,在查詢的性能以及業務的靈敏性之間進行平衡。該技術基于增量索引和動態索引的數據檢索方式方法,資源利用率高、穩定性高、容錯性高,能夠較好地知足設備狀態大數據快速、靈敏查詢的需要[19]。2.2.3設備狀態數據處理技術大數據計算處理技術主要包括內存計算技術(如Spark)、即席查詢技術(如Impala)、實時流處理技術(如Storm)和并行批處理技術(如Map-reduce)等[20]。實時流處理技術特點是處理速度快,能夠簡單、高效、可靠地處理大量的數據流,但是無法精到準確反映數據的全貌。批處理技術能夠實現數據自動分隔、任務平衡、并行處理和結果融合。設備狀態大數據分析能夠根據業務特點和對處理時間的要求綜合應用不同的處理技術:設備狀態評價和故障診斷分析等需要處理數據庫中海量歷史數據的場景,可采用并行批處理技術;設備異常狀態快速檢出以及視頻監控圖像辨別等需要實時處理傳感網絡監測數據等場景,可采用實時流處理技術和內存計算技術。2.3面向設備狀態評估的大數據挖掘分析算法與并行化技術數據挖掘分析的研究方式不同于基于數學模型的傳統研究方式,大量數據能夠不依靠模型和假設,只要數據間有互相關系,經過分析計算就能夠獲得傳統方式方法發現不了的新形式、新知識甚至新規律。數據分析的主要方式方法分為3類:1)統計分析,包括傳通通計分布模型、時間序列分析、多元統計分析以及新興的高維隨機矩陣分析方式方法等;2)挖掘分析,包括關聯規則挖掘、聚類、分類和異常檢測等;3)機器學習,根據學習形式分為監督學習,無監督學習和強化學習,根據學習方式方法分為傳統機器學習和基于多層神經網絡的深度學習,另外,還包括遷移學習、主動學習和演化學習等類型。由于大數據具有海量、復雜多樣、變化快等特性,當數據量增大到一定規模的時候,傳統數據挖掘分析算法很多不再適用,需要利用并行計算模型加快數據的處理速度。因而,不少科研機構以及高校都積極致力于高性能的大規模數據集挖掘算法的研究[21,22],利用不同的技術對傳統的數據挖掘算法進行了修改、優化,使其能夠通過大數據存儲架構的MapReduce并行計算模型加快計算速度,以適應大數據背景下的數據高效挖掘和融合分析要求。主要的思路是利用經典的數據統計和挖掘算法(包括回歸分析、關聯分析、分類、聚類、時間序列分析等)構建大數據挖掘平臺,將建模經過與Spark內存計算框架相結合,由多個分布式節點并行地進行計算,提高挖掘分析速度。考慮到每種數據挖掘分析算法都有其應用特點,在電力設備大數據分析的應用中,需要針對詳細的業務場景采用一種或多種算法。2.4多源數據驅動的電力設備狀態分析模型電力設備狀態大數據分析的核心是充分利用設備狀態、電網運行和環境氣象等多源、海量數據進行深度融合分析和機器學習,提高設備狀態評價、故障診斷和預測的實時性和準確性。根據應用場景,能夠構建3類分析模型:1)通太多維統計分析、聚類、關聯分析、回歸分析、時間序列分析等大數據挖掘手段分析各類狀態數據的關聯關系及變化規律,構建歷史知識模型;2)通過大量數據的多維統計和挖掘分析,建立基于數據驅動的狀態評價、故障診斷和預測模型;3)利用大量樣本數據進行智能學習,對現有狀態評價和故障診斷物理和數學模型進行修正、補充和完善。3電力設備狀態大數據分析的典型應用3.1總體需求分析電力設備的狀態變化和突發故障是在高壓電場、熱、機械力以及運行工況、氣象環境等多種因素的作用下發生的,要及時和準確地發現設備在運行中產生的潛伏性故障是特別困難的,必須多角度綜合分析不同特征參量值及其變化趨勢,來提高設備狀態評價、診斷和預測的準確性。而電力設備的狀態變化和故障演變規律蘊含在帶電檢測、在線監測、巡檢試驗以及運行工況、環境氣候、電網運行等諸多狀態信息中,隨著智能電網的建設和不斷發展,設備檢測手段的不斷豐富,電網運行和設備檢測產生的數據量呈指數級增長,逐步構成了當今信息學界所關注的大數據,充分利用這些數據需要相應的大數據分析技術作為支撐。3.2典型應用場景3.2.1面向設備狀態評估的歷史知識庫對設備狀態相關的狀態監測、帶電檢測、試驗、氣象、運行以及設備缺陷和故障記錄等海量歷史數據進行多維度統計分析和關聯規則挖掘,從電壓等級、設備廠家、設備類型、運行年限、安裝地區等多個層面和多個維度揭示設備狀態變化的統計分布規律、設備缺陷和故障的發生規律及設備狀態的關聯變化規則,構成基于海量數據挖掘分析的歷史知識庫,為設備家族性缺陷分析、狀態評價、故障診斷和預測提供支撐,可以以為狀態檢修輔助決策提供科學根據。3.2.2設備狀態異常的快速檢測電力設備在實際運行經過中會遭到過負荷、過電壓、突發短路、惡劣氣象、絕緣劣化等不良工況和事件的影響使設備狀態發生異常變化,這些異常運行狀態如不及時發現并采取措施,會導致設備故障并造成宏大的經濟損失。從不斷更新的大量設備狀態數據中快速發現在狀況態異常變化的信號,是設備狀態大數據分析的重要優勢之一。設備異常或故障類型很多,但故障樣本很少,反映故障發展經過數據變化的樣本更少,很難利用少量數據樣本建立準確的異常檢測模型、設定異常檢測判定參數和閾值。大數據分析能夠改變傳統固定閾值的檢測方式方法,基于海量的正常狀態數據建立數據分析模型,利用縱向(時間)和橫向(不同參數、不同設備)狀態數據的相關關系變化判定設備狀態能否發生異常,及時地發現潛在故障隱患。當前,一些研究采用聚類分析、狀態轉移概率和時間序列分析等方式方法進行狀態信息數據流挖掘實現設備狀態異常的快速檢測,獲得了一定的效果[23,24,25],基于高維隨機矩陣、高維數據統計分析等方式方法建立多維狀態的大數據分析模型,利用高維統計指標綜合評估設備狀態變化,也展現了良好的應用前景[25,26]。3.2.3設備狀態的多維度和差異化評價由于電力設備的分布性和電網的復雜性,要對電力設備進行全面和準確的狀態評價,需要考慮電網運行、設備狀態以及氣象環境等不同來源的數據信息,同時結合設備當下和歷史狀態變化進行綜合分析。近年來,考慮多參量的設備狀態評價方式方法遭到較多的關注,主要利用預防性試驗、帶電檢測、在線監測的數據結合故障記錄、家族缺陷等對設備整體健康狀態進行分析,采用的方式方法包括累積扣分法、幾何平均法、健康指數法等簡單數學方式方法以及模糊理論、神經網絡、貝葉斯網絡、證據推理、物元理論、層次分析等智能評價方式方法[27,28,29]。但現有方式方法主要基于某個時間斷面的數據對設備狀態進行評價,大數據的主要優勢是通過融合分析實時和歷史數據,實現多維度、差異化評價。在多維度評價方面,基于電力設備物理模型特征參量的內在聯絡結合主成分分析法、關聯分析法等數據挖掘分析方式方法,確定與設備關鍵性能相關的特征參量及其與設備關鍵性能狀態間的耦合關系,建立不同部件、不同性能對應的關鍵特征參量集,構成電力設備多維度狀態評價的指標體系[30]。在差異化評價方面,傳統的設備狀態評價大都采用統一標準的計算模型參數、權重和閾值,難以保證對不同類型、不同地區設備的普遍適用性。大數據技術通過對大量設備狀態歷史數據、變化趨勢以及缺陷和故障記錄進行多維度統計分析和關聯分析,獲得數據的統計分布規律、相關關系和演變趨勢,進而對不同設備類型、不同地區、不同廠家、甚至不同時間段的評價模型參數、權重和閾值進行修正和完善,實現設備狀態的差異化評價[31,32,33,34]。華而不實,各狀態量的關聯度、權重以及差異化閾值確實定是設備狀態大數據評價的核心。3.2.4設備狀態變化和故障預測設備狀態預測是從現有的狀態數據出發尋找規律,利用這些規律對將來狀態或無法觀測的狀態進行預測。傳統的設備狀態預測主要利用單一或少數參量的統計分析模型(如回歸分析、時間序列分析等)或智能學習模型(如神經網絡、支持向量機等)外推將來的時間序列及變化趨勢[35,36],未考慮諸多相關因素的影響。大數據分析技術能夠挖掘設備狀態參數與電網運行、環境氣象等諸多相關因素的關聯關系,基于關聯規則優化和修正多參量預測模型,使預測結果具備自修正和自適應能力,提高預測的精度[37,38,39]。設備故障預測是狀態預測重要環節,主要通過分析電力設備故障的演變規律和設備故障特征參量與故障間的關聯關系,結合多參量預測模型和故障診斷模型,實現電力設備的故障發生概率、故障類型和故障部位的實時預測。當前的研究主要采用貝葉斯網絡、Apriori等算法挖掘故障特征參量的關聯關系,進而利用馬爾科夫模型、時間序列類似性故障匹配等方式方法實現不同時間尺度的故障預測[40,41,42]。3.2.5設備故障智能診斷對已發生故障或存在征兆的潛伏性故障進行故障性質、嚴重程度、發展趨勢的準確判定,有利于運維人員制定針對性檢修策略,防止設備狀態進一步惡化。傳統的故障診斷方式方法主要基于溫度分布、局部放電、油中氣體以及其它電氣試驗等檢測參量,采用橫向比擬、縱向比擬、比值編碼等數值分析方式方法進行判定[1]。由于設備故障機理復雜、故障類型和現場干擾的種類繁多,簡單數值分析的診斷方式方法準確率不高,很多情況下需要多個專家進行綜合分析確診,診斷效率很低,且容易遭到不同專家主觀經歷體驗的影響。隨著人工智能及機器學習算法的快速發展,神經網絡、支持向量機、模糊推理、貝葉斯網絡、故障樹、隨機森林等智能方式方法在電力設備故障診斷中得到不少應用,獲得較好的成效[43,44,45,46]。基于一定規則綜合利用多種智能算法、建立故障診斷相關性矩陣等融合分析方式方法,能夠有效提高診斷的準確性[47,48]。近年來,帶電檢測、在線監測、智能巡檢技術大量推廣應用,采集了海量的狀態檢測數據。利用大數據分析平臺和人工智能技術能夠對海量數據樣本進行自動學習實現故障智能診斷,到達甚至超太多個專家分析會診的能力。基于大數據樣本智能學習需要構建足夠數量的缺陷、故障和現場干擾樣本數據庫,一方面通過深度學習等先進的機器學習手段建立設備故障智能診斷模型,另一方面能夠通過大數據匹配和關聯算法搜索類似的缺陷或故障案例,為設備故障分析提供參考。另外,利用智能學習算法對海量的狀態檢測圖像和聲音進行設備故障的自動辨識也是頗具應用價值的關鍵技術。當前深度信念網絡、深度卷積網絡等深度學習方式方法已在局部放電、油中氣體故障診斷以及紅外圖像處理等方面獲得了研究和應用進展[49,50]。4面臨的挑戰和發展趨勢4.1面臨的挑戰當前,大數據分析技術在電力設備狀態評估中的應用已經在我們國家電網公司逐步開展。國家電網公司在電網運檢智能化分析管控平臺上利用大數據分析技術對設備狀態進行多維度評價和故障預警;山東、上海、浙江、廣州、寧夏等電網公司也陸續開發了基于大數據分析的電力設備狀態評估系統,獲得了初步的應用成效。大數據技術為突破設備狀態評估的瓶頸提供了全新的思路和手段,但要完全知足智能電網的要求,推動電力設備智能運檢形式的變革,在管理上和技術上還有不少難題需要解決,面臨的挑戰主要包括:1)設備狀態數據來源牽涉多個業務部門、數據構造和種類繁多、時間尺度跨度大,全面獲取設備狀態數據,尤其設備全壽命周期的歷史數據難度較大,數據集成和規范化轉換、數據質量的提升以及非構造化數據的有效利用仍需要大量的協同工作和技術攻關。2)與設備狀態相關的電網運行、氣象環境數據量較大,但反映設備核心狀態變化的試驗測試和帶電檢測數據間隔時間長、數據量較小。需要解決在線監測的可靠性和經濟性以及帶電檢測效率的問題,推動在線監測和高效帶電檢測技術的廣泛應用。3)獲得突破的機器學習對訓練樣本往往有數量上的要求,而設備異常和故障樣本的數據相對較少,使機器學習的效果遭到制約。怎樣將設備狀態評估的專家經歷體驗融入機器學習、將知識分析與數據挖掘相結合,實現專家知識的分享和傳承是需要解決的重要問題。4)電力設備狀態大數據分析需要電氣工程、計算機、信息和數學等專業的深度融合,穿插學科人才的缺乏是影響技術發展和應用的重要因素。4.2發展趨勢設備狀態大數據分析的發展趨勢主要具體表現出在下面幾個方面:1)設備狀態全面感悟,提高設備狀態監測的信息化水平。隨著智能傳感器、物聯網和移動互聯技術的發展,高可靠、低成本的分布式智能傳感網絡以及傳感元件與本體一體化設計的智能設備將在將來電網中廣泛應用,為設備狀態的大數據分析提供更全面、更完備的基礎數據。2)大數據挖掘分析技術與業務需求深度融合。為設備狀態分析提供更強勁的動力引擎。數據挖掘分析的技術發展趨勢是分布式實時處理實現大規模數據的深度分析和實時挖掘,以及數據挖掘經過可視化使知識發現的經過更易于理解。將最新的數據挖掘分析方式方法與設備狀態評估業務需求深度穿插融合,開發出針對電力行業甚至電力設備狀態大數據分析應用的數據挖掘分析工具和開發環境,可在多源異構數據高效處理、設備狀態數據清洗和自動修復、設備狀態變化規律深層次開掘等方面發揮重要作用。3)大數據和人工智能技術嚴密結合,提高設備狀態分析的智能化水平。最近幾年以深度學習為代表的人工智能技術獲得飛速的進展,尤其在語義辨別、語音辨別、圖像辨別等方面的分析效率和準確度已經遠超過人類專家。2021年9月,發布了(新一代人工智能發展規劃〕,進一步推動了人工智能技術在我們國家的發展和應用。電力設備狀態評估將在大數據分析的基礎上,實現數據驅動、領域知識和人工智能的有效結合,在異常狀態快速甄別、狀態檢測圖像自動處理、故障預測等方面獲得突破性的進展。5結論1)電力設備狀態評估和故障診斷是大數據技術在電力系統的重要應用領域,能夠為智能電網背景下設備狀態檢修、全壽命周期管理和智能調度等環節提供智能決策支持。2)除了建立大數據分析平臺的通用技術外,電力設備狀態大數據分析的關鍵技術要結合設備狀態數據的特征和應用業務的需求,實現多源異構數據的集成、轉換、清洗、存儲、處理和數據挖掘。3)當前大數據在電力設備狀態評估中的研究和應用還處于起步和探尋求索階段,初步的研究表示清楚:大數據分析能夠有效提高電力設備狀態評估的準確性,在提煉歷史知識、個性化評價、異常快速檢測、故障智能診斷和狀態預測等應用場景方面展現了良好的效果,應用前景廣闊。4)設備狀態大數據分析在數據集成、數據質量、樣本數量等方面面臨一些挑戰,將來突破的關鍵是設備狀態數據的全面獲取以及數據挖掘分析與業務需求的深度融合,大數據結合人工智能技術的應用將是重要的發展方向。以下為參考文獻[1]朱德恒,嚴璋,談克雄,等.電氣設備狀態監測與故障診斷技術[M].北京:中國電力出版社,2018.ZHUDeheng,YANZhang,TANKexiong,etal.Conditionmonitoringandfaultdiagnosistechnologyofelectricapparatus[M].Beijing,China:ChinaElectricPowerPress,2018.[2]王星.大數據分析:方式方法與應用[M].北京:清華大學出版社,2020.WANGXing.Bigdataanalysis:methodandapplication[M].Beijing,China:TsinghuaUniversityPress,2020.[3]李國杰,程學旗.大數據研究:將來科技及經濟社會發展的重大戰略領域大數據的研究現在狀況與科學考慮[J].中國科學院院刊,2020(6):647-657.LIGuojie,CHENGXueqi.Bigdataresearch:amajorstrategicareaforfuturedevelopmentinscience,technology,economyandsocietyresearchstatusandscientificthinkingofbigdata[J].BulletinoftheChineseAcademyofSciences,2020(6):647-657.[4]中國電機工程學會信息化專委會.中國電力大數據發展白皮書(2020)[R].北京:中國電機工程學會信息化專委會,2020.ChineseSocietyforElectricalEngineeringInformatizationCommittee.Chineseelectricpowerbigdatadevelopmentwhitepaper(2020)[R].Beijing,China:ChineseSocietyforElectricalEngineering,2020.[5]費思源.大數據技術在配電網中的應用綜述[J].中國電機工程學報,2021,38(1):85-96.FEISiyuan.Overviewofapplicationofbigdatatechnologyinpowerdistributionsystem[J].ProceedingsoftheCSEE,2021,38(1):85-96.[6]張東霞,苗新,劉麗平,等.智能電網大數據技術發展研究[J].中國電機工程學報,2021,35(1):2-12.ZHANGDongxia,MIAOXin,LIULiping,etal.Researchondevelopmentstrategyforsmartgridbig[J].ProceedingsoftheCSEE,2021,35(1):2-12.[7]王繼業,季知祥,史夢潔,等.智能配用電大數據需求分析與應用研究[J].中國電機工程學報,2021,35(8):1829-1836.WANGJiye,JIZhixiang,SHIMengjie,etal.Scenarioanalysisandapplicationresearchonbigdatainsmartpowerdistributionandconsumptionsystems,scenarioanalysisandapplicationresearchonbigdatainsmartpowerdistributionandconsum8ptionsystems[J].ProceedingsoftheCSEE,2021,35(8):1829-1836.[8]HEX,AIQ,QIURC,etal.Abigdataarchitecturedesignforsmartgridsbasedonrandommatrixtheory[J].IEEETransactionsonSmartGrid,2021,8(2):674-686.[9]魏大千,王波,劉滌塵,等.基于時序數據相關性挖掘的WAMS/SCADA數據融合方式方法[J].高電壓技術,2021,42(1):315-320.WEIDaqian,WANGBo,LIUDichen,etal.WAMS/SCADAdatafusionmethodbasedontime-seriesdatacorrelationmining[J].HighVoltageEngineering,2021,42(1):315-320.[10]黃彥浩,于之虹,謝昶,等.電力大數據技術與電力系統仿真計算結合問題研究[J].中國電機工程學報,2021,35(1):13-22.HUANGYanhao,YUZhihong,XIEChang,etal.Studyontheapplicationofelectricpowerbigdatatechnologyinpowersystemsimulation[J].ProceedingsoftheCSEE,2021,35(1):13-22.[11]張素香,趙丙鎮,王風雨,等.海量數據下的電力負荷短期預測[J].中國電機工程學報,2021,35(1):37-42.ZHANGSuxiang,ZHAOBingzhen,WANGFengyu,etal.Short-termpowerloadforecastingbasedonbigdata[J].ProceedingsoftheCSEE,2021,35(1):37-42.[12]曹靖,陳陸燊,邱劍,等.基于語義框架的電網缺陷文本挖掘技術及其應用[J].電網技術,2021,41(2):637-643.CAOJing,CHENLushen,QIUJian,etal.Semanticframework-baseddefecttextminingtechniqueandapplicationinpowergrid[J].PowerSystemTechnology,2021,41(2):637-643.[13]嚴英杰,盛戈皞,陳玉峰,等.基于時間序列分析的輸變電設備狀態大數據清洗方式方法[J].電力系統自動化,2021,39(7):92-96.YANYingjie,SHENGGehao,CHENYufeng,etal.Bigdatacleaningmethodforpowerequipmentstatedatabasedontimeseriesanalysis[J].AutomationofElectricPowerSystems,2021,39(7):92-96.[14]齊波,張鵬,榮智海,等.基于數據驅動和多判據融合的油色譜監測傳感器有效性評估方式方法[J].電網技術,2021,41(11):3662-3669.QIBo,ZHANGPeng,RONGZhihai,etal.ValidityassessmentmethodofDGAsensorsbasedondatadrivenandmultiplecriterionintegration[J].PowerSystemTechnology,2021,41(11):3662-3669.[15]代杰杰,宋輝,楊祎,等.基于棧式降噪自編碼器的輸變電設備狀態數據清洗方式方法[J].電力系統自動化,2021,41(12):224-230.DAIJiejie,SONGHui,YANGYi,etal.Statusdataofpowertransmissionandtransformationequipmentcleaningmethodbasedonstackeddenoisingautoencoders[J].AutomationofElectricPowerSystems,2021,41(12):224-230.[16]林峻,嚴英杰,盛戈皞,等.考慮時間序列關聯的變壓器在線監測數據清洗[J].電網技術,2021,41(11):3733-3740.LINJun,YANYingjie,SHENGGehao,etal.Onlinemonitoringdatacleaningoftransformerconsideringtimeseriescorrelation[J].PowerSystemTechnology,2021,41(11):3733-3740.[17]王有元,蔡亞楠,王燦,等.基于云平臺的變電站設備智能診斷系統[J].高電壓技術,2021,41(12):3895-3901.WANGYouyuan,CAIYanan,WANGCan,etal.Intelligentdiagnosissystemforsubstationequipmentbasedoncloudplatform[J].HighVoltageEngineering,2021,41(12):3895-3901.[18]宋亞齊,周國亮,朱永利,等.云平臺下輸變電設備狀態監測大數據存儲優化與并行處理[J].中國電機工程學報,2021,35(2):255-267.SONGYaqi,ZHOUGuoliang,ZHUYongli,etal.Storageoptimizationandparallelprocessingofconditionmonitoringbigdataoftransmissionandtransformingequipmentbasedoncloudplatform[J].ProceedingsoftheCSEE,2021,35(2):255-267.[19]王德文,李靜芳.變電設備狀態監測大數據的查詢優化方式方法[J].電力系統自動化,2021,41(2):165-172.WANGDewen,LIJingfang.Optimaquerymethodofbigdataforstatusmonitoringofsubstationequipment[J].AutomationofElectricPowerSystems,2021,41(2):165-172.[20]宋亞齊,周國亮,朱永利,等.智能電網大數據處理技術現在狀況與挑戰[J].電網技術,2020,37(4):927-935.SONGYaqi,ZHOUGuoliang,ZHUYongli,etal.Presentstatusandchallengesofbigdataprocessinginsmartgrid[J].PowerSystemTechnology,2020,37(4):927-935.[21]駱濤.面向大數據處理的并行計算模型及性能優化[D].合肥:中國科學技術大學,2021.LUOTao.Parallelcomputationalmodelandperformanceoptimizationonbigdata[D].Hefei,China:UniversityofScienceandTechnologyofChina,2021.[22]周斌.基于Hadoop的海量工程數據關聯規劃挖掘方式方法研究[D].北京:北京交通大學,2021.ZHOUBin.ResearchonassociationruleminingmethodsofmassiveengineeringdatabasedonHadoop[D].Beijing,China:BeijingJiaotongUniversity,2021.[23]嚴英杰,盛戈皞,劉亞東,等.基于滑動窗口和聚類算法的變壓器狀態異常檢測[J].高電壓技術,2021,42(12):4020-4025.YANYingjie,SHENGGehao,LIUYadong,etal.Anomalousstatedetectionofpowertransformerbasedonalgorithmslidingwindowsandclustering[J].HighVoltageEngineering,2021,42(12):4020-4025.[24]嚴英杰,盛戈皞,陳玉峰,等.基于大數據分析的輸變電設備狀態數據異常檢測方式方法[J].中國電機工程學報,2021,35(1):52-59.YANYingjie,SHENGGehao,CHENYufeng,etal.Anmethodforanomalydetectionofstateinformationofpowerequipmentbasedonbigdataanalysis[J].ProceedingsoftheCSEE,2021,35(1):52-59.[25]高樹國,王學磊,李慶民,等.基于MCD穩健統計分析的變壓器油色譜異常值檢測及分布特性[J].高電壓技術,2020,40(11):3477-3482.GAOShuguo,WANGXuelei,LIQingmin,etal.OutliersdetectionanddistributioncharacteristicsofthetransformerDGAdatabasedonMCDrobuststatistics[J].HighVoltageEngineering,2020,40(11):3477-3482.[26]嚴英杰,盛戈皞,陳玉峰,等.基于高維隨機矩陣大數據分析模型的輸變電設備關鍵性能評估方式方法[J].中國電機工程學報,2021,36(2):435-445.YANYingjie,SHENGGehao,CHENYufeng,etal.Thekeystateassessmentmethodofpowertransmissionequipmentusingbigdataanalyzingmodelbasedonlargedimensionalrandommatrix[J].ProceedingsoftheCSEE,2021,36(2):435-445.[27]朱承治,郭創新,孫旻,等.基于改良證據推理的變壓器狀態評估研究[J].高電壓技術,2008,34(11):2332-2337.ZHUChengzhi,GUOChuangxin,SUNMin,etal.Powertransformerconditionassessmentbasedonimprovedevidentialreasoning[J].HighVoltageEngineering,2008,34(11):2332-2337.[28]鄒仁華,王毅超,鄧元婧,等.基于變權綜合理論和模糊綜合評價的多結果輸出輸電線路運行狀態評價方式方法[J].高電壓技術,2021,43(4):1289-1295.ZOURenhua,WANGYichao,DENGYuanjing,etal.Conditionassessmentmethodfortransmissionlinewithmultipleoutputsbasedonvariableweightprincipleandfuzzycomprehensiveevaluation[J].HighVoltageEngineering,2021,43(4):1289-1295.[29]廖瑞金,張鐿議,黃飛龍,等.基于可拓分析法的電力變壓器本體絕緣狀態評估[J].高電壓技術,2020,38(3):521-526.LIAORuijin,ZHANGYiyi,HUANGFeilong,etal.Powertransformerconditionassessmentstrategyusingmatterelementanalysis[J].HighVoltageEngineering,2020,38(3):521-526.[30]嚴英杰,盛戈皞,陳玉峰,等.基于關聯規則和主成分分析的輸電線路狀態評價關鍵參數體系的構建[J].高電壓技術,2021,41(7):2308-2314.YANYingjie,SHENGGehao,CHENYufeng,etal.Establishmentofkeyparametersystemforconditionevaluationoftransmissionlinebasedonassociationrulesandprincipalcomponentanalysis[J].HighVoltageEngineering,2021,41(7):2308-2314.[31]齊波,張鵬,徐茹枝,等.基于分布模型的變壓器差異化預警值計算方式方法[J].高電壓技術,2021,42(7):2290-2298.QIBo,ZHANGPeng,XURuzhi,etal.Calculationmethodondifferentiatedwarningvalueofpowertransformerbasedondistributionmodel[J].HighVoltageEngineering,2021,42(7):2290-2298.[32]熊俊.高壓套管介質損耗及電容現場測量值分布特性[J].高壓電器,2021,52(6):69-77.XIONGJun.Distributioncharacteristicsofdielectriclossandcapacityincrementmeasurementsoftransformerbushings[J].HighVoltageApparatus,2021,52(6):69-77.[33]MAH,SAHATK,EKANAYAKEC.Statisticallearningtechniquesandtheirapplicationsforconditionassessmentofpowertransformer[J].IEEETransactionsonDielectricsandElectricalInsulation,2020,19(2):481-489.[34]王有元,袁園,李劍,等.變壓器油紙絕緣可靠性的威布爾混合評估模型[J].高電壓技術,2018,36(4):842-848.WANGYouyuan,YUANYuan,LIJian,etal.Weibullmixedevaluationmodelforreliabilityofoil-paperinsulationintransformer[J].HighVoltageEngineering,2018,36(4):842-848.[35]FEISW,SUNY.Forecastingdissolvedgasescontentinpowertransformeroilbasedonsupportvectormachinewithgeneticalgorithm[J].ElectricPowerSystemResearch,2008,78(3):507-514.[36]卞建鵬,廖瑞金,楊麗君.應用弱化緩沖算子與最小二乘支持向量機的變壓器油中溶解氣體濃度預測[J].電網技術,2020,36(2):195-199.BIANJianpeng,LIAORuijin,YANGLijun.Concentrationpredictionofgasesdissolvedintransformeroilbasedonweakeningbufferoperatorandleastsquaresupportvectormachine[J].PowerSystemTechnology,2020,36(2):195-199.[37]SHENGGH,HOUHJ,JIANGXC,etal.Anovelassociationruleminingmethodofbigdataforpowertransformersstateparametersbasedonprobabilisticgraphmodel[J].IEEETransactionsonSmartGrid,2021,9(2):695-702.[38]楊越文,侯慧娟,楊祎,等.基于貝葉斯模型的輸電線路運行參量關聯規則挖掘及預測方式方法[J].電網技術,2021,41(11):3648-3654.YANGYuewen,HOUHuijuan,YANGYi,etal.AssociationruleminingandpredictionmethodfortransmissionlineoperationstatebasedonBayesianmodel[J].PowerSystemTechnology,2021,41(11):3648-3654.[39]代杰杰,宋輝,楊祎,等.基于深度信念網絡的變壓器油中溶解氣體濃度預測方式方法[J].電網技術,2021,41(8):2737-2742.DAIJiejie,SONGHui,YANGYi,etal.Concentrationpredictionofdissolvedgasesintransformeroilbasedondeepbeliefnetworks[J].PowerSystemTechnology,2021,41(8):2737-2742.[40]周湶,孫超,安文斗,等.基于云推理及加權隱式半Markov模型的變壓器故障預測[J].高電壓技術,2021,41(7):2268-2275.ZHOUQuan,SUNChao,ANWendou,etal.Transformer