基于多源监测数据挖掘的电力设备状态诊断

(整期优先)网络出版时间:2017-12-22
/ 2

基于多源监测数据挖掘的电力设备状态诊断

吴建辉朱辉刘伟王玉忠张勇

(国网河南省电力公司商丘供电公司河南商丘476000)

摘要:基于多源监测数据挖掘的电力设备状态诊断方法是信息技术不断发展与创新的结果,它所具备的优良电力评估诊断能力对于维持电力系统正常运行具有重要的保障作用。本文中笔者结合自身多年从事电力设备状态诊断的研究经验,同时参阅大量的专业论著,针对电力系统检修问题,根据数据挖掘技术,探究基于多源监测数据挖掘的电力设备状态诊断的方法,从而进一步提升电力设备运行故障诊断的准确性。

关键词:多源监测数据挖掘;电力设备;状态诊断;运行分析

经济的发展与社会的进步使得电力能源的需求量与日俱增,同时对电力供需也提出了稳定、安全的更高要求。尤其“十三五”期间,为了满足生产与生活需求,我国的特高压电网建设规模呈现出前所未有的扩张速度,相应的,快速扩张形势下电力的安全运行也面临着考验。作为保障电力系统运行的重要设备——变压器、高抗、断路器等能否平稳运行关乎整个电力系统稳定。因此电力设备检修工作同样是电力运行管理工作的重中之重。除了电力系统的常规检修,在线监测技术也备受重视,接下来,笔者就从以下点来分析论述。

1、电力设备在线检测技术的运用现状

对电力设备开展在线监测在我国是一项运用相对成熟的技术,早在2000年左右,我国各地的电力企业已经将此监测技术运用在实践当中。当今在电力设备检测工作中,被运用得最为广泛的检测手段是油中溶解气体、局部放电、铁心电流监测等。尤其是油中溶解气体是目前被学术界与工业界广泛认可的检测电力设备故障的技术手段。局部放电检测是电器设备绝缘劣化的最初表征,通过局部放电监测的方法可以对电力设备进行有效评估。因此该技术被广泛应用于电气设备绝缘状态下的实施诊断与评估。

2、在线监测数据的清洗、挖掘与分析

基于多源监测数据挖掘的电力设备状态诊断方法可以借助于各类在线监测平台对电力设备实施检测。接下来笔者就针对这一过程做详细的解析:

第一、基于多源监测数据挖掘的电力设备状态诊断方法需要从多种在线平台上取得相关的监测数据。第二、以电力企业所规定的数值标准为准绳,对已获取的相关监测数据进行对比和区分,检查这些数据是否超出了数值标准。接下来对具有差异的数据作相应的处理、分析。第三、结合处理分析的诊断结果,同时对比其他检验手段,进行综合分析与判断,对存在问题的电力设备实施相关的维护与调整。

客观上来说,电力设备相比较其他设备的运行信息来讲比较复杂,它具备多源性、数据冗余性等特征,换句话说这些从运行着的电力设备中所获取的原始信息无法直接运用在诊断上,在使用之前需要做数据清洗处理。数据清洗主要是通过对所获取的电力设备运行数据中缺失值实行填充、降噪处理来保证数值的有效性。这种操作步骤对于获取真实而有效的电力设备运行数据来说十分必要。

由于电力设备的在线检测平台较多,而且这些平台所检测到的采样频率、呈现形式等数据结果往往都是根据自身所设定的参量、频率来搜集并输出数据,因此这样的数据结果难免存在着差异。为了便于科学分析,我们需要提前将这些有差异的数据作相应的加工和调整。具体的数据加工调整方法需要结合不同的数据特征来选择。一般常用的方法是综合分析法。综合分析法主要分为时需分析与相关分析。而其中相关分析主要有相关函数与相关系数。具体来讲,相关函数通常用以下式子来计算:

其中N代表序列长度,相关函数计算结果是一序列,表征序列x和y在位移为m时的相关特性。因此,当我们把数据长度所产生的的影响忽略不计时,就会得到如下方程式:

相关分析法中的相关系数主要是阐述两个相关关系密切程度的参量,计算方程式如下:

3、一项特高压高抗缺陷诊断实例分析

为了更形象论述“基于多源监测数据挖掘的电力设备状态诊断方法”,接下来笔者结合一项特高压高抗缺陷诊断实例来进行解析:

3.1获取在线监测数据

笔者将某台特高压高抗设备在某年的7月1日—9月30日时间段内的监测相关数据作例子,对这台特高压高抗设备的缺陷做详细剖析:第一步,笔者先从电网运行管理系统中导出本台特高压高抗设备在线监测的油色谱数据(如下图一所示),同时在特高压高抗设备的铁芯、夹件高频的在线监测系统之中导出该设备局部放电量的相关数据。

(图一)

本台特高压高抗设备主要是由A柱和X柱组合而成,笔者所实施的局部放电测试地点是A柱和X柱的夹件(如图二)

(图二)

我们通过此位置所得到的数据如下图三所示:

(图三)

3.2数据异常判断与数据清洗

数据异常判断与数据清洗是获取店里设备运行真实信息的必要条件。结合上图,我们清楚油色谱数据由H2,C0,CO2,CH4等元素构成,同时由图我们也能够得出各种油气溶解气体的含量会根据时间的推移呈现出相应的改变。针对跟踪油样进行一系列剖析,我们将这台特高压高抗设备的缺陷原因归结为放电性质。同时由于这台特高压高抗设备的C2H2含量超标严重,再加上H2没有超过标准值。所以经过对这些数据异常的分析、判断之后,我们对C2H2进行数据清洗。C2H2的数值变化如下图四:

(图四)

介于测量误差、气体扩散因素的存在,C2H2在线测试的数据结果有相对明显的波动。

3.3一致性处理

一致性处理的目的是把经过一系列清洗操作之后的C2H2与局部放电的数据做有效的比较与分析。油色谱中的C2H2含量实质上是积累量,它的增长变化数据能够直观而精准地反映油质的变化与缺陷程度。所以在对油色谱中的C2H2含量数据做一致性处理操作时要选择检测结果增长变化率。

3.4相关特性分析

C2H2含量数据与局部放电数据由于采集的时间不完全重叠,因而不能直接做相关特性分析,必须要对数据做时间轴的一致性处理,我们以“日”为时间单位,通过选取两组数据的每日最大值,从而得到了如下图五所反映除的数据形式。

(图五)

经过一系列核算,我们得到了上图中C2H2含量数据与局部放点数据的无偏互相关函数,所得结果如下图六所示:

(图六)

从图中我们能够得出互相关的函数在时间差为一日和两日时取最大,和时序分析相吻合,这一时延表现出C2H2在油中的扩散。

结合相关方程式的核算,我们来对两组数据的移位相关系数做相应的计算,得到了如下图七的结果:

(图七)

从图中数据关系我们能够看出:当移位的天数是一日和两日时,相关系数呈现出最大值,即0.713与0.766.由此我们能够得出结论:C2H2含量的一阶差分和局部放电数据有强相关性,提示时序方面差一天至两天,C2H2的增长由局部放电引起。

经过上述关于基于多源监测数据挖掘的电力设备状态诊断方法的理论解析与一项特高压高抗缺陷诊断实例分析,我们可以得到四个论点:第一、基于多源监测数据挖掘的电力设备状态诊断方法对特高压高抗设备的在线监测与缺陷分析中非常实用,而且准确性较高。第二、通过清洗的方法对数据进行过滤、甄别和筛选,可以获取更有效的数据。第三、在对比分析相关监测数据时,需要实施一致性处理操作,这样有利于将不同参量做更科学合理的比较与分析。

3、结束语

综上所述,基于多源监测数据挖掘的电力设备状态诊断方法的优势不言而喻,因此在实际的电力设备运行在线监测与故障诊断方面,特别是特高压高亢设备的运行维护检修方面,我们要注重基于多源监测数据挖掘的电力设备状态诊断方法的运营,发挥这种诊断方法的优势,以更高效地保障我们电力设备的正常运行。

参考文献:

[1]郑一鸣,孙翔.基于多源监测数据挖掘的电力设备状态诊断[J].浙江电力,2016,35(05):1-6.

[2]朱付保,霍晓齐,徐显景.基于数据挖掘的电力设备状态诊断系统建模[J].中原工学院学报,2015,26(03):85-89.

[3]赵云山.大数据技术在电力行业的应用研究[A].中国电机工程学会电力信息化专业委员会:2013:2.

[4]伍星,陈进,李如强,陈一鸣.基于数据挖掘的设备状态监测和故障诊断[J].振动与冲击,2004,(04):72-76+151.