基于数据挖掘的电力设备状态检修技术研究综述

状态检修是最近几十年来发展起来的一种新的检修模式，它利用状态监视和诊断技术获得设备的状态和故障信息，推断设备异样，预料故障发展趋势，在故障发生前，依据设备状态确定对其检修。目前，国内状态检修还只是处于对设备进行状态监测、故障诊断进而做出检修决策的阶段。状态检修技术在电力行业中的应用，按电力企业分类，大致分为：发电厂设备状态检修、变电站设备的状态检修、输电线路状态检修及配电设备状态检修等。目前，国内主要应用状态检修技术的设备有：发电机、汽轮机、变压器、高压开关设备以及电容器、电抗器、互感设备等协助设备。

随着信息技术的快速发展，数据库的规模不断扩大，从而产生了大量的数据。急增的数据背后隐藏着很多重要的信息，人们希望能够对其进行更高层次的分析，以便更好地利用这些数据。但大量的数据往往使人们无法辨别隐藏在其中的能对决策供应支持的信息，而传统的查询和报表工具无法满意挖掘这些信息的需求。因此，须要一种新的数据分析技术处理大量数据，并从中抽取有价值的潜在学问，数据挖掘技术由此应运而生。

本文旨在探讨数据挖掘在电力设备状态检修中的应用，重点介绍数据挖掘在变压器、发电厂设备、配电网设备以及高压输电线路状态检修中的应用，具体分析其目前在国内的应用现状。

1数据挖掘现状

1.1国外探讨现状

国际学问发觉(knowledgediscoveryindatabases，KDD)组织委员会于1995年在加拿大蒙特利尔市召开了第一届KDD国际学术会议。近年来，KDD在探讨和应用方面发展很快，尤其是在商业和银行领域的应用速度更是快速。目前，国外数据挖掘的探讨方向及趋势主要是对数据挖掘方法探讨的进一步发展，如Bayes方法以及Boosting方法的探讨和提高；传统的统计学回来法在KDD中的应用；KDD与数据库的紧密结合等。

1.2国内探讨现状

与国外相比，国内对数据挖掘的探讨起步稍晚且不成熟。最新发展的有：在分类技术探讨中，试图建立其集合理论体系，实现海量数据处理；以粗糙集和模糊集理论为基础，将二者融合用于KDD，构造模糊系统学问模型与模糊系统辨识方法，构造智能专家系统；探讨中文文本挖掘的理论模型与实现技术；利用概念格式进行文本挖掘。目前，国内的数据挖掘技术主要应用在农业、金融及Web等领域，而在作为现代化生产主力的工业部门应用却不多，只在电力部门火力发电方面有一些系统的应用，其他领域只有少数零散的应用。可以说数据挖掘技术在我国还有很大的发展潜力。

2状态检修

状态检修是一种先进的设备运行管理方式，它不但包含了对某一设备的状态监测、故障诊断、检修决策等基础的技术，还包含了整个电力企业如何适应技术的发展，变更现行管理体制等内容，是一项困难的系统工程，是现代传感器技术、计算机技术、人工智能技术及先进的生产管理技术的综合应用。

修理观念的演化经过事后修理(故障修理)和预防性修理阶段。以下主要介绍7种检修方式：

a)定期检修，也称支配检修。这种检修方式以时间为依据，预先设定检修工作内容与周期。定期检修在保证重大机械设备正常工作中的确起到了干脆防止或延迟故障的作用，但这种不依据设备的实际状况，单纯按规定的时间间隔对设备进行相当程度解体的修理方法，不行避开地会产生“过剩修理”，不但造成设备有效利用m-tl司的损失和人力、物力、财力的奢侈，甚至会引发修理故障。据统计，1996年我国的10()MW、125MW、200MW火电机组非支配停运与出力降低的责任缘由，分别有36％、31％和41％是由于这种过剩检修造成的。

b)以牢靠性为中心的检修。这是一种以用最低的费用来实现机械设备固有牢靠性水平为目标的检修方式。该检修方式能比较合理地支配大修间隔，有效预防严峻故障的发生。以牢靠性为中心的检修的探讨始于2()世纪60年头后期，电力工业则是从1983年起先探讨。并于1984年由美国电力探讨院将其用于核电厂的检修。

c)状态检修或预知性修理。这种修理方式以机械设备当前的实际工作状况为依据，通过高科技状态监测手段，识别故障的早期征兆，对故障部位、故障严峻程度及发展趋势作出推断，从而确定各机件的最佳修理时机。状态检修是当前耗费最低、技术最先进的修理制度，它为设备平安、稳定、长周期、全性能、优质运行供应了牢靠的技术和管理保障。但由于状态检修须要监测的内容多，投资大，并存在肯定的风险，要能娴熟地运用于设备修理还须要长时间的阅历积累。

d)故障查找。这种修理方式主要针对紧急备用设备，在固定的时间后启动这些设备，发觉问题刚好解决，以提高备用设备的可用率。

e)运用至损坏再修。采纳该方式进行修理的设备不限制送修，通常用于对平安无干脆危害的3类故障：偶然故障、无规律性故障、故障损失小于修理费用的耗损故障。

f)以设备寿命为依据，结合设备的运行状态而进行检修。状态检修应依据先估计设备寿命，再分析监控诊断资料，从而确定检修项目、频度与检修内容。

g)主动修理。从经济、寿命等多种因素考虑，重点在机械故障的识别和消退、故障缘由的分析，通过延长发电厂机器寿命来获得最大的效益。

3应用现状

随着“数字电力”建设的不断深化，生产过程的实时运行数据就以数据库的形式存储在企业内部的数据服务器中，形成了覆盖全部生产过程的“数据宝库”。然而，随着电力工业的发展，各种监测设备的投入，电力系统数据库中的数据呈爆炸性增长，常规的方法已经捉襟见肘，将数据挖掘技术引入电力系统分析中势在必行，所以状态检修技术与数据挖掘的结合也是大势所趋。

3.1在变压器检修中的应用

对变压器采纳基于数据挖掘的状态检修技术，结合设备的监测数据，探讨实时数据库。如对设备的状态特征量进行聚类分析，揭示其中隐藏的深层次信息、性能状态渐变和寿命损耗的规律等，刚好发觉潜在故障的早期征兆，对故障部位严峻程度及发展趋势作出推断，确定检修支配。

文献[4]中应用粗糙集数据挖掘方法对电力变压器油中溶解气体进行分析，为电力变压器供应有效的故障诊断。鉴于电力变压器信息的不完备性及困难性，基于粗糙集理论提出了一种能较好地处理不完备信息的变压器故障诊断模型。首先将电力变压器历史故障数据进行模糊及离散化处理，对处理后的数据建立故障诊断决策表，形成学问库，采纳粗糙集数据挖掘方法，从决策表中提取隐含、潜在的诊断规则，为电力变压器供应故障诊断方法。对于运用粗糙集理论方法挖掘的规则，可能存在冲突，即同样的条件属性得出不同的决策，文中为了解决诊断冲突，选择可信度大的规则作为诊断规则。通过上述的过程，采纳变压器油中溶解气体分析数据180个样本构建学问决策表，对构建的电力变压器故障数据决策表采纳粗糙集方法进行规则提取。

3.2在发电厂设备检修中的应用

现代电厂的机组均采纳先进的分散限制系统，分散限制系统存储了海量的生产数据，这些生产数据是信息监控系统、管理信息系统等系统最终的数据来源。传统的数据分析落后，且数据本身的多元性、动态性与交叉性给人工分析和处理带来困难，从而不行避开地造成数据资源的巨大奢侈。数据挖掘与学问发觉技术作为一门新兴学科，有效地解决了这方面的问题，它能够在很少人工干预的状况下，处理困难的数据信息，提取有关学问规则。目前国内数据挖掘技术在电力系统中的应用还处在不完全成熟阶段，数据挖据技术在电站状态检测、故障诊断、状态检修、优化运行、专家系统等方面有肯定的作用，有广袤的应用前景和重要的现实意义。

文献[5]利用数据挖掘技术从电厂分散限制系统存储的大量数据中智能地、自动地提取出有价值的规则和学问来指导生产运行。先用模糊聚类和粗糙集理论将汽轮机轴系振动的实测数据离散化和属性约简，依据所得的规则来对机组进行故障诊断以及预料。当前大多数电厂还是实行以支配检修为主的检修方式，状态检修方式的实施还须要一个较长的过程，但实施状态检修是一个必定趋势。

文献E6]介绍了一种基于数据挖掘技术的设备状态检修系统设计模型。此系统采纳模块化设计，包括3个模块和2个数据库，分别为数据采集模块、诊断分析模块、决策分析模块和历史数据数据库、规则数据库。数据采集模块用于采集设备的运行状态信息；诊断分析模块依据采集到的数据对设备状态进行分析评价，从而确定最佳的检修时间和检修项目，制定合适的检修决策建议；决策分析模块依据诊断分析的结果，确定是否进行检修，进而确定检修支配。各模块完成独立的功能，同时又相互联系，并以碗式磨煤机为例介绍了基于数据挖掘技术的电厂设备状态检修平台的系统设计方案。该系统依据采集到的磨煤机运行状态数据，依据数据挖掘技术推断该设备的健康状态并提出相关建议，并与原有管理信息系统结合起来，更好地帮助检修人员进行决策和检修，有效地提高检修效率。

文献[7]针对当前火力发电厂实施设备状态检修面临的问题，提出了用数据挖掘中的决策树分类算法对反映设备状态的各类指标数据进行分析，对设备状态进行分类，挖掘设备状态的分类规则，从而为设备状态检修供应参考信息。以下是几种推断状态类别的协助方法：

a)由专业技术人员依据训练样本集中每一样本的性能指标数据，运用专业学问和阅历，干脆作出分类推断；

b)当设备缺陷或故障发生时，自动记录设备进行状态分类，并将此分类与该设备缺陷或故障时的性能指标联系在一起；

c)依据各种在线、离线监测数据或故障诊断分析结果，对设备状态作出分类推断。

3.3在配电网设备检修中的应用

配电网故障定位诊断是依据事故环境下所发生的实时信息来识别故障区段。该领域已有不少探讨，如基于逻辑处理、专家系统、神经网络、进化技术等智能故障定位诊断，但在实际应用中都受容错性能的局限性约束，即诊断所依据的实时信息不完备或信息受畸变时形成变异故障模式而导致错误的诊断结论。将数据挖掘技术应用到配电网故障诊断中，能有效地解决这方面的问题。

文献[8]通过探讨不同粗糙集与神经网络组合的故障诊断模型的容错性能，在对各类模型的机理进行分析的基础上，驾驭粗糙集和神经网络在各类模型中的互补性和关联关系、性能和局限性。在这一基础上构造了4类粗糙集与神经网络组合的诊断模型，发挥各自优势来实现互补，阐述了在4类模型中实现不同互补性和关联关系、不同的应用机理和原则、各类模型的局限性；以配电网故障定位诊断为探讨目标，对所构造的5类诊断模型进行仿真测试和结果的比较；对各类模型的性能、局限性给出了有价值的评估。

3.4在高压输电线路检修中的应用

高压输电线路系统的故障将严峻威逼系统的平安运行。精确地进行故障预诊断可防患于未然，对电力系统快速复原决策具有重要意义。

文献E9]提出利用基于粗糙集理论的数据挖掘模型来处理实时输入信息的畸变和实现输电线系统的故障诊断。依据粗糙集定性分析实力对学问域的数据集进行分析，通过遗传算法求取粗糙集的约简，还得出了构造测试样本的理论准则，从而使检验故障诊断系统的容错性能具有真正的好用价值。通过仿真测试证明，基于数据挖掘模型的故障诊断与基于神经网络模型的故障诊断相比，具有更高的容错性能。

4结论

依据探讨成果来看，应用最多的主要集中于电厂的发电设备，这与电厂发电设备的监测系统较完善有关。电力系统中的数据挖掘处理过程要求有较深的电力系统相关领域学问和理论指导，使挖掘算法和状态检修亲密结合，进而使数据挖掘更有效。目前这方面的专业人才比较缺乏，电力设备的监测设备也不完善，只能从不完备的状态数据中挖掘规律，严峻地制约着状态检修