CN109711664A - 一种基于大数据的输变电设备健康评估系统 - Google Patents

Abstract

本发明提供了一种基于大数据的输变电设备健康评估系统，包括设备数据监测模块、状态监测代理模块、网省公司输变电状态接入网关、数据加工模块、网省生产管理系统、网省数据中心、运检数据中心、总部生产管理系统、设备健康评估系统以及云资源池；所述设备数据监测模块分别对输变电设备的在线监测数据、带电监测数据、机器人巡检数据、气象数据、山火数据以及覆冰数据进行收集。本发明将大数据分析技术引入到输变电设备的健康状态评估中，构建基于大数据的输变电设备健康评估系统，能够合理高效地利用采集的监测数据；并采用时间序列自回归模型或聚类算法模型实现输变电设备的健康状态评估。

Description

一种基于大数据的输变电设备健康评估系统

技术领域

本发明属于电力设备监测技术领域，特别涉及一种基于大数据的输变电设备健康评估系统。

背景技术

经济的发展极大地提高了对电力的需求，此需求既包括数量的需求也包括质量的要求，同时对硬件(输变电设备)有了较为苛刻的要求，因为硬件设备是电力系统能否安全运作的基础，是企业赢取利润的关键。伴随着数字信息化时代的快速发展，信息量也呈爆炸性增长态势。当前信息通信技术与电力生产深度融合，对电力工业的价值贡献已经从量变转变到质变，其最鲜明的体现就是电力数据成为电力工业的核心资产。

目前中国的电力系统已成为世界上最大规模的关系国计民生的电力网络。电力设备的可靠性、高效运行与有效管理对电力系统的安全、稳定变得愈来愈重要。如何从海量的电力设备监测数据中快速挖掘和发现设备的健康状态与缺陷信息，成为研究者和电力企业的重要关注点。智能电网中的众多传感器会实时地产生大量数据流，对新型流式数据的分析与处理，给设备的健康评估带来了很大的挑战。在实际的生产环境中，状态监测采集到的设备数据容量极大且类型较杂，但大数据技术能够较快地处理海量数据，并能够从繁杂的数据中，分析挖掘出有用有价值的信息。

发明内容

本发明将大数据分析技术引入到输变电设备的健康状态评估中，构建基于大数据的输变电设备健康评估系统，能够合理高效地利用采集的监测数据；并采用时间序列自回归模型或聚类算法模型实现输变电设备的健康状态评估。

本发明具体为一种基于大数据的输变电设备健康评估系统，所述输变电设备健康评估系统包括设备数据监测模块、状态监测代理模块、网省公司输变电状态接入网关、数据加工模块、网省生产管理系统、网省数据中心、运检数据中心、总部生产管理系统、设备健康评估系统以及云资源池；所述设备数据监测模块包括在线监测数据模块、带电监测数据模块、机器人巡检数据模块、气象数据模块、山火数据模块以及覆冰数据模块，分别对输变电设备的在线监测数据、带电监测数据、机器人巡检数据、气象数据、山火数据以及覆冰数据进行收集；所述设备数据监测模块将监测到的各种输变电设备数据通过状态监测代理模块上传给网省公司输变电状态接入网关；所述网省公司输变电状态接入网关连接到所述数据加工模块和所述网省数据中心，将所述设备数据监测模块监测到的输变电设备数据分别传输给所述数据加工模块和所述网省数据中心；所述数据加工模块包括监测数据预处理模块和监测数据分析模块，所述监测数据预处理模块对接收到的输变电设备数据进行数据清理、数据集成、数据变换和数据归约，所述监测数据分析模块对预处理后的数据进行深加工；所述网省数据中心对接收到的输变电设备数据进行存储；所述数据加工模块与所述网省生产管理系统进行双向连接，为网省生产管理系统提供数据服务；所述网省数据中心与所述运检数据中心进行双向连接，所述网省生产管理系统与所述运检数据中心进行双向连接，加工后的数据和网省生产管理系统数据在运检数据中心进行汇总；所述数据加工模块和所述网省数据中心均连接到所述设备健康评估系统，所述设备健康评估系统根据输变电设备数据情况对设备的健康状态进行评估；所述设备健康评估系统连接到所述总部生产管理系统和所述云资源池，与所述总部生产管理系统进行交互，并将设备健康状态评估数据存储到云资源池；所述运检数据中心与所述总部生产管理系统进行双向交互。

进一步的，所述设备健康评估系统采用一阶时间序列自回归模型对输变电设备数据进行拟合：

其中，x_t表示输变电设备监测数据的时间序列；e_t为状态量白噪声，服从正态分布，e_t～N(μ_e，λ²)，因此xt服从N(μ，σ²)的正态分布，其中参数μ和σ满足如下公式：

μ＝μ_e/(1-α)

当设备处于正常健康状态时，其状态量都在相应的阈值范围内，对所有的自变量t，假设x_t都在区间[a,b]内，对所有的a≤x_t+k≤b，均有：

a-α^kx_t≤e_t+k+αe_t+k-₁+…+α^k-1e_t+1≤b-α^kx_t

由于e_t～N(μ_e，λ²)，因此，仅当α小于限制α₀时，整个序列小于区间[a,b]，此时输变电设备处于正常健康状态。

进一步的，所述设备健康评估系统根据输变电设备数据情况对设备的健康状态进行评估具体包括如下步骤：

步骤(1)：利用基于Spark流式处理的K-Means聚类算法进行工况识别，如果是已有的工况空间，则计算每个微簇的高斯云模型参数，将其跃升到所需的概念层次，如果不是已有的工况空间，则训练新的健康状态评估模型并存入标准高斯云模型库；

步骤(2)：确定健康指数；

步骤(3)：确定设备健康等级。

所述步骤(1)利用基于Spark流式处理的K-Means聚类算法进行工况识别具体包括如下步骤：

步骤(11)：利用电网关键设备正常运行的工况历史数据样本或初始的数据点，采用标准的K-Means聚类算法形成m个聚类，即m个工况，将m个聚类中心作为在线流数据的初始聚类中心，其中，标准的K-Means聚类算法标准测度函数为：K为类簇总数，μ_i为聚类中心，x_j为数据样本；

步骤(12)：对于当前时间窗口内的实时数据流，划分成K个微簇；

步骤(13)：若某个微簇与步骤(11)中某个聚类中心的距离小于Rmax，则把其归入到该簇中，若微簇与所有m个聚类中心的距离均大于Rmax，则另外建立一个新的簇；

步骤(14)：时间窗口继续向前滑动，重复步骤(11)。

所述步骤(1)中高斯云模型为：

确定初始值，假设第k个工况所对应的数据集为X_k，数据点个数为n，首先统计X_k的频度分布h(y_j)＝p(x_i)，i＝1,2，…，N_i，j＝1,2，…，N_j，y为样本论域空间，统计h(y_j)的极大值点的个数M，作为初始概念个数，则第k个高斯分布的初始参数设定为：

定义并计算目标函数，式中，

根据极大似然估计计算出模型的新参数μ_k a_k：

计算目标函数的估计值J(θ’)，如果|J(θ’)-J(θ)|≤ε₁，则停止计算，否则继续计算参数μ_k a_k；

输出一组合云

所述步骤(2)确定健康指数具体为：

针对设备运行历史数据，将每种运行工况下的设备状态用高斯云模型的组合表示出来，这一组高斯云模型同时表示设备在该运行工况下的标准运行状态，即系统状态用一个组合云G⁰来表示：当设备状态发生变化时，表示机组状态的组合云向量变为：

用算术平均最小贴近度h反映设备当前状态偏离标准状态的大小，令H作为机组的健康指数，某个工况下的健康度计算过程如下：

式中，ω_i为第i个高斯云的权重系数，ω_j为该工况下第j个高斯云模型的权重系数；

式中，α用于平衡当前健康指数的历史值和当前值之间的关系，当α偏大时，健康指数H受历史值的影响较大而受新产生的数据影响较小，使得健康指数H变化更平稳，当α偏小时则相反；机组处于完全健康状态时，健康指数为1，随着与标准状态偏离度的增大，则机组健康指数随之降低。

所述步骤(3)确定设备健康等级根据健康指数的大小将设备分为健康、良好、警示、恶化和严重五种健康状态。

附图说明

图1为本发明基于大数据的输变电设备健康评估系统的结构示意图。

具体实施方式

下面结合附图对本发明一种基于大数据的输变电设备健康评估系统的具体实施方式做详细阐述。

如图1所示，本发明基于大数据的输变电设备健康评估系统包括设备数据监测模块、状态监测代理CMA模块、网省公司输变电状态接入网关CAG、数据加工模块、网省生产管理系统PMS、网省数据中心、运检数据中心、总部生产管理系统PMS、设备健康评估系统以及云资源池；所述设备数据监测模块包括在线监测数据模块、带电监测数据模块、机器人巡检数据模块、气象数据模块、山火数据模块以及覆冰数据模块，分别对输变电设备的在线监测数据、带电监测数据、机器人巡检数据、气象数据、山火数据以及覆冰数据进行收集；所述设备数据监测模块将监测到的各种输变电设备数据通过状态监测代理CMA模块上传给网省公司输变电状态接入网关CAG；所述网省公司输变电状态接入网关CAG连接到所述数据加工模块和所述网省数据中心，将所述设备数据监测模块监测到的输变电设备数据分别传输给所述数据加工模块和所述网省数据中心；所述数据加工模块包括监测数据预处理模块和监测数据分析模块，所述监测数据预处理模块对接收到的输变电设备数据进行数据清理、数据集成、数据变换和数据归约，所述监测数据分析模块对预处理后的数据进行深加工；所述网省数据中心对接收到的输变电设备数据进行存储；所述数据加工模块与所述网省生产管理系统PMS进行双向连接，为网省生产管理系统PMS提供数据服务；所述网省数据中心与所述运检数据中心进行双向连接，所述网省生产管理系统PMS与所述运检数据中心进行双向连接，加工后的数据和网省生产管理系统PMS数据在运检数据中心进行汇总；所述数据加工模块和所述网省数据中心均连接到所述设备健康评估系统，所述设备健康评估系统根据输变电设备数据情况对设备的健康状态进行评估；所述设备健康评估系统连接到所述总部生产管理系统PMS和所述云资源池，与所述总部生产管理系统PMS进行交互，并将设备健康状态评估数据存储到云资源池；所述运检数据中心与所述总部生产管理系统PMS进行双向交互。

所述设备健康评估系统采用一阶时间序列自回归模型对输变电设备数据进行拟合：

其中，x_t表示输变电设备监测数据的时间序列；e_t为状态量白噪声，服从正态分布，e_t～N(μ_e，λ²)，因此xt服从N(μ，σ²)的正态分布，其中参数μ和σ满足如下公式：

μ＝μ_e/(1-α)

当设备处于正常健康状态时，其状态量都在相应的阈值范围内，对所有的自变量t，假设x_t都在区间[a,b]内，对所有的a≤x_t+k≤b，均有：

a-α^kx_t≤e_t+k+αe_t+k-1+…+α^k-1e_t+1≤b-α^kx_t

由于e_t～N(μ_e，λ²)，因此，仅当α小于限制α₀时，整个序列小于区间[a,b]，此时输变电设备处于正常健康状态。

所述设备健康评估系统根据输变电设备数据情况对设备的健康状态进行评估具体包括如下步骤：

步骤(1)：利用基于Spark流式处理的K-Means聚类算法进行工况识别，如果是已有的工况空间，则计算每个微簇的高斯云模型参数，将其跃升到所需的概念层次，如果不是已有的工况空间，则训练新的健康状态评估模型并存入标准高斯云模型库；

步骤(2)：确定健康指数；

步骤(3)：确定设备健康等级。

所述步骤(1)利用基于Spark流式处理的K-Means聚类算法进行工况识别具体包括如下步骤：

步骤(11)：利用电网关键设备正常运行的工况历史数据样本或初始的数据点，采用标准的K-Means聚类算法形成m个聚类，即m个工况，将m个聚类中心作为在线流数据的初始聚类中心，其中，标准的K-Means聚类算法标准测度函数为：K为类簇总数，μ_i为聚类中心，x_j为数据样本；

步骤(12)：对于当前时间窗口内的实时数据流，划分成K个微簇；

步骤(13)：若某个微簇与步骤(11)中某个聚类中心的距离小于Rmax，则把其归入到该簇中，若微簇与所有m个聚类中心的距离均大于Rmax，则另外建立一个新的簇；

步骤(14)：时间窗口继续向前滑动，重复步骤(11)。

所述步骤(1)中高斯云模型为：

确定初始值，假设第k个工况所对应的数据集为X_k，数据点个数为n，首先统计X_k的频度分布h(y_j)＝p(x_i)，i＝1,2，…，N_i，j＝1,2，…，N_j，y为样本论域空间，统计h(y_j)的极大值点的个数M，作为初始概念个数，则第k个高斯分布的初始参数设定为：

定义并计算目标函数，式中，

根据极大似然估计计算出模型的新参数μ_k a_k：

计算目标函数的估计值J(θ’)，如果|J(θ’)-J(θ)|≤ε₁，则停止计算，否则继续计算参数μ_k a_k；

输出一组合云

所述步骤(2)确定健康指数具体为：

针对设备运行历史数据，将每种运行工况下的设备状态用高斯云模型的组合表示出来，这一组高斯云模型同时表示设备在该运行工况下的标准运行状态，即系统状态用一个组合云G⁰来表示：当设备状态发生变化时，表示机组状态的组合云向量变为：

用算术平均最小贴近度h反映设备当前状态偏离标准状态的大小，令H作为机组的健康指数，某个工况下的健康度计算过程如下：

式中，ω_i为第i个高斯云的权重系数，ω_j为该工况下第j个高斯云模型的权重系数；

式中，α用于平衡当前健康指数的历史值和当前值之间的关系，当α偏大时，健康指数H受历史值的影响较大而受新产生的数据影响较小，使得健康指数H变化更平稳，当α偏小时则相反；机组处于完全健康状态时，健康指数为1，随着与标准状态偏离度的增大，则机组健康指数随之降低。

所述步骤(3)确定设备健康等级根据健康指数的大小将设备分为健康、良好、警示、恶化和严重五种健康状态。

最后应该说明的是，结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到，本领域技术人员可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。

Claims (7)

1.一种基于大数据的输变电设备健康评估系统，其特征在于，所述输变电设备健康评估系统包括设备数据监测模块、状态监测代理模块、网省公司输变电状态接入网关、数据加工模块、网省生产管理系统、网省数据中心、运检数据中心、总部生产管理系统、设备健康评估系统以及云资源池；所述设备数据监测模块包括在线监测数据模块、带电监测数据模块、机器人巡检数据模块、气象数据模块、山火数据模块以及覆冰数据模块，分别对输变电设备的在线监测数据、带电监测数据、机器人巡检数据、气象数据、山火数据以及覆冰数据进行收集；所述设备数据监测模块将监测到的各种输变电设备数据通过状态监测代理模块上传给网省公司输变电状态接入网关；所述网省公司输变电状态接入网关连接到所述数据加工模块和所述网省数据中心，将所述设备数据监测模块监测到的输变电设备数据分别传输给所述数据加工模块和所述网省数据中心；所述数据加工模块包括监测数据预处理模块和监测数据分析模块，所述监测数据预处理模块对接收到的输变电设备数据进行数据清理、数据集成、数据变换和数据归约，所述监测数据分析模块对预处理后的数据进行深加工；所述网省数据中心对接收到的输变电设备数据进行存储；所述数据加工模块与所述网省生产管理系统进行双向连接，为网省生产管理系统提供数据服务；所述网省数据中心与所述运检数据中心进行双向连接，所述网省生产管理系统与所述运检数据中心进行双向连接，加工后的数据和网省生产管理系统数据在运检数据中心进行汇总；所述数据加工模块和所述网省数据中心均连接到所述设备健康评估系统，所述设备健康评估系统根据输变电设备数据情况对设备的健康状态进行评估；所述设备健康评估系统连接到所述总部生产管理系统和所述云资源池，与所述总部生产管理系统进行交互，并将设备健康状态评估数据存储到云资源池；所述运检数据中心与所述总部生产管理系统进行双向交互。

2.根据权利要求1所述的一种基于大数据的输变电设备健康评估系统，其特征在于，所述设备健康评估系统采用一阶时间序列自回归模型对输变电设备数据进行拟合：

其中，x_t表示输变电设备监测数据的时间序列；e_t为状态量白噪声，服从正态分布，e_t～N(μ_e，λ²)，因此x_t服从N(μ，σ²)的正态分布，其中参数μ和σ满足如下公式：

μ＝μ_e/(1-α)

当设备处于正常健康状态时，其状态量都在相应的阈值范围内，对所有的自变量t，假设x_t都在区间[a,b]内，对所有的a≤x_t+k≤b，均有：

a-α^kx_t≤e_t+k+αe_t+k-1+…+α^k-1e_t+1≤b-α^kx_t

由于e_t～N(μ_e，λ²)，因此，仅当α小于限制α₀时，整个序列小于区间[a,b]，此时输变电设备处于正常健康状态。

3.根据权利要求1所述的一种基于大数据的输变电设备健康评估系统，其特征在于，所述设备健康评估系统根据输变电设备数据情况对设备的健康状态进行评估具体包括如下步骤：

步骤(1)：利用基于Spark流式处理的K-Means聚类算法进行工况识别，如果是已有的工况空间，则计算每个微簇的高斯云模型参数，将其跃升到所需的概念层次，如果不是已有的工况空间，则训练新的健康状态评估模型并存入标准高斯云模型库；

步骤(2)：确定健康指数；

步骤(3)：确定设备健康等级。

4.根据权利要求3所述的一种基于大数据的输变电设备健康评估系统，其特征在于，所述步骤(1)利用基于Spark流式处理的K-Means聚类算法进行工况识别具体包括如下步骤：

步骤(11)：利用电网关键设备正常运行的工况历史数据样本或初始的数据点，采用标准的K-Means聚类算法形成m个聚类，即m个工况，将m个聚类中心作为在线流数据的初始聚类中心，其中，标准的K-Means聚类算法标准测度函数为：K为类簇总数，μ_i为聚类中心，x_j为数据样本；

步骤(12)：对于当前时间窗口内的实时数据流，划分成K个微簇；

步骤(13)：若某个微簇与步骤(11)中某个聚类中心的距离小于Rmax，则把其归入到该簇中，若微簇与所有m个聚类中心的距离均大于Rmax，则另外建立一个新的簇；

步骤(14)：时间窗口继续向前滑动，重复步骤(11)。

5.根据权利要求3所述的一种基于大数据的输变电设备健康评估系统，其特征在于，所述步骤(1)中高斯云模型为：

确定初始值，假设第k个工况所对应的数据集为X_k，数据点个数为n，首先统计X_k的频度分布h(y_j)＝p(x_i)，i＝1,2，…，N_i，j＝1,2，…，N_j，y为样本论域空间，统计h(y_j)的极大值点的个数M，作为初始概念个数，则第k个高斯分布的初始参数设定为：σ_k＝max(X)，

定义并计算目标函数，式中，

根据极大似然估计计算出模型的新参数μ_k，a_k：

计算目标函数的估计值J(θ’)，如果|J(θ’)-J(θ)|≤ε₁，则停止计算，否则继续计算参数μ_k，a_k；

输出一组合云

6.根据权利要求3所述的一种基于大数据的输变电设备健康评估系统，其特征在于，所述步骤(2)确定健康指数具体为：

针对设备运行历史数据，将每种运行工况下的设备状态用高斯云模型的组合表示出来，这一组高斯云模型同时表示设备在该运行工况下的标准运行状态，即系统状态用一个组合云G⁰来表示：当设备状态发生变化时，表示机组状态的组合云向量变为：

用算术平均最小贴近度h反映设备当前状态偏离标准状态的大小，令H作为机组的健康指数，某个工况下的健康度计算过程如下：

式中，ω_i为第i个高斯云的权重系数，ω_j为该工况下第j个高斯云模型的权重系数；

式中，α用于平衡当前健康指数的历史值和当前值之间的关系，当α偏大时，健康指数H受历史值的影响较大而受新产生的数据影响较小，使得健康指数H变化更平稳，当α偏小时则相反；机组处于完全健康状态时，健康指数为1，随着与标准状态偏离度的增大，则机组健康指数随之降低。

7.根据权利要求3所述的一种基于大数据的输变电设备健康评估系统，其特征在于，所述步骤(3)确定设备健康等级根据健康指数的大小将设备分为健康、良好、警示、恶化和严重五种健康状态。