电力设备状态大数据分析的研究和应用

随着智能电网的发展和电网规模的迅速增长,及时、准确地掌握电力设备运行状态面临巨大的问题和挑战。近年来,电力信息化日臻完善,电力设备状态监测、生产管理、运行调度、环境气象等数据逐步实现集成共享,大数据技术为电力设备状态评估和故障诊断提供了全新的解决思路和技术手段。结合大数据技术及数据挖掘分析方法在电力设备状态评估中应用的现状,说明了电力设备状态大数据分析的内涵、目的、数据特征和基本架构,阐述了电力设备状态大数据集成、转换、清洗、分布式存储和处理、高效挖掘以及数据驱动的设备状态分析模型等关键技术。通过分析电力设备状态评估的总体需求,总结和探讨了大数据技术在电力设备状态评价、异常检测、故障预测、智能诊断等典型业务场景中应用的方法和效果,提出了研究和应用中面临的主要问题,并对相关技术的发展趋势进行了展望。     

基于数据挖掘和主成分分析的电力设备状态评价

电力设备运行的健康状态直接影响着电力系统的安全稳定。基于数据挖掘技术,利用主成分分析方法对反映电力设备状态的海量数据进行了深入分析,形成了融合电力设备状态关键参量信息的主成分体系。基于该主成分体系,建立了电力设备运行状态的综合评价模型,实现了电力设备健康状态的动态评估和异常状态的快速检出。文中以变压器绝缘状态评估为例,证明了文中提出的方法可以弥补传统的状态评估方法的不足,具有一定的可靠性和实用性。     

基于电力大数据的3D智能运检平台的应用与研究

电力大数据时代下,电力设备状态监测、运检管理、调度运行、环境气象等数据逐步实现互通共享,大数据技术为电力设备状态评估和智能运检方面提供了全新的解决思路和技术手段,如何尽可能的收集电力运行大数据,如何充分利用起电力运行数据,无疑具有十分重大的意义。本文结合当下大数据技术及数据挖掘分析方法在电力设备状态评估中应用的现状,重点介绍了一款已投入实际应用的基于电力运行大数据的3D智能运检平台的基本构成原理、电力运行大数据分析的内涵和3D智能运检平台的一些实际典型应用案例,探讨了大数据技术在电力设备状态监测、异常分析、故障预测、智能诊断等典型运检场景中应用的方法和效果,并展望了电力运行大数据应用需要克服的几个难题和面对的发展机遇。     

基于Spark的电力设备在线监测数据可视化方法

大数据可视化可以实现海量电力设备在线监测数据中各种属性、运行状态等电力特征信息的图形、图像化直观呈现,为设备运行状态的及时有效监控分析提供有力保障。因此,本文提出一种基于Spark的电力设备在线监测数据可视化方法,为实现大数据环境下的电力设备在线监测数据的状态信息快速提取,在Spark大数据计算平台上,建立了基于设备状态评估指标体系与模糊C均值聚类(FCM)的电力设备状态信息提取算法。针对数据的多维、时序特性,构建三维平行散点图的数据可视化展现形式,实现电力设备在线监测数据信息全貌的可视化展现。将该方法运用于吉林省某风电场的风电机组在线监测数据集,实验结果证明了该方法的有效性。     

电力设备状态评估中的数据科学问题：挑战与展望

电力设备作为能源电力系统的纽带,对其进行有效的状态评估是电力系统稳定运行的有力保障。在目前已有研究成果基础上,从数据科学角度对电力设备状态评估领域中的分析方法做了深入剖析。首先,介绍了数据科学背景下电力设备状态评估的新特点;然后,以目前较为熟知的数据分析方法为切入点,论述了基于数据分析技术的电力设备状态评估方法在数据预处理、计算分析、存储及可视化等各环节的关键问题;其次,系统阐述了数据科学在电力设备状态评估领域中的具体应用场景、瓶颈问题和发展方向;最后,探讨了电力设备状态评估中的数据科学所面临的挑战,并展望了该领域未来研究工作的若干方向。     

基于随机矩阵理论和聚类算法的电能表运行状态评估方法

随着智能配电网络规模的扩大以及电网结构的复杂化,电力大数据呈指数级增长,电力设备的检、监测评估面临新的挑战。在大数据原理和数据挖掘分析的基础上,提出一种基于随机矩阵理论和聚类算法的电能表运行状态评估方法。首先,对电力大数据统一预处理,完成时间序列数据表征;然后,采用实时分离窗技术整合时序数据;其次,基于随机矩阵理论,对多维度电能表时间序列数据实时计算、分析统计量时序特征;进一步,采用改进的时间规整聚类算法计算时序数据相似度,从而对随机矩阵统计量聚类分级;最后,分析聚类结果,得到电能表运行状态评估等级和范围,完成电能表实时运行状态评估。实例分析和对比研究结果表明,与传统的主元分析评估方法相比,所提出的新型电能表运行状态评估方法具有良好的鲁棒性、可靠性和时效性,为电力电网检测技术应用研究提供了新思路。     

基于随机矩阵理论和聚类算法的电能表运行状态评估方法

随着智能配电网络规模的扩大以及电网结构的复杂化,电力大数据呈指数级增长,电力设备的检、监测评估面临新的挑战。在大数据原理和数据挖掘分析的基础上,提出一种基于随机矩阵理论和聚类算法的电能表运行状态评估方法。首先,对电力大数据统一预处理,完成时间序列数据表征;然后,采用实时分离窗技术整合时序数据;其次,基于随机矩阵理论,对多维度电能表时间序列数据实时计算、分析统计量时序特征;进一步,采用改进的时间规整聚类算法计算时序数据相似度,从而对随机矩阵统计量聚类分级;最后,分析聚类结果,得到电能表运行状态评估等级和范围,完成电能表实时运行状态评估。实例分析和对比研究结果表明,与传统的主元分析评估方法相比,所提出的新型电能表运行状态评估方法具有良好的鲁棒性、可靠性和时效性,为电力电网检测技术应用研究提供了新思路。     

基于大数据的电力二次设备故障诊断研究

针对智能电网下电力设备在线监测系统产生的大数据,提出基于大数据的电力设备故障诊断技术方案.该技术方案通过使用小波包分析技术、Renyi熵理论和 Teager能量算子,从大量的监测数据中提取和分析故障特征向量,并采用神经网络算法识别电力设备的正常操作、异常操作、预警和警告状态.试验表明,利用大数据训练所形成的神经网络能实现电力设备运行状态的评估与决策。     

电力设备运行状态大数据标签体系与关键技术

随着大数据分析技术在电网中的快速发展与深度应用,数据标签技术提供了一种新的数据整合思路。电力设备大数据标签以灵活的方式从海量、离散的数据中实现对有用数据的快速识别和提取,在帮助调控人员实现对电力设备情况作出多维判断的同时,为后续电力数据挖掘建模提供了依据。围绕电力设备基础信息、运行信息和状态信息3个维度,提出了一种多维度电力设备标签体系的构建方法,并通过聚类、故障概率计算、模糊推理3个层次丰富了数据标签的内涵,为实现电网监控智能化奠定基础。     

基于大数据平台的电力设备运作状态监测系统研究

针对目前电力设备运作状态监测系统焦点都在集群的硬件索引上,对电力设备的线状、性能、节点状况和指令反馈等数据层的监控不足,本文采用大数据技术对电力设备运作状态的显著性及统计因子变量进行相应的决策分析,建成一套通过主动监测设备潜在的运行状态变化的多元回归系统模型。从而有效解决了电力设备运行过程实时监控,潜在故障预警、评估、回溯管理等问题。通过宁夏电力公司的试运行结果表明该模型平台能预期捕获电力设备运作状态下的各项影响变量因素,对这些因素进行掌控将广泛应用于电力设备运作部署与运维。据此结论为该大数据平台的电力设备运作状态监测系统,可自定义设备运行分析报表,实现数据分析结果的随需展现,起到保障电力设备安全、可靠运作,具有一定的推广意义。     

基于高风险模式树挖掘方法的电力系统风险设备集分析

迅速积累的调度控制系统大数据为电网设备风险分析提供了充足的条件,在分析调度控制系统大数据特性的基础上,给出了具有普遍适用性的调度控制系统大数据分析的总体架构,并针对在电网风险管控中的应用,提出一种基于高风险模式树(HRT)的高风险设备集挖掘方法。通过分析电力系统中设备的风险诱发因素,定义了设备风险影响度,用于量化设备发生告警或故障后对电网运行的影响程度,并提出设备风险影响度计算指标体系,通过融合设备故障发生频次,计算设备风险值。以设备风险值为目标进行高风险设备集挖掘,通过构建HRT,保留原始事务数据库中各设备风险值及设备风险先验知识信息,根据HRT的路径信息输出满足一定风险阈值的高风险设备集。以调度控制系统的海量历史告警数据为基础进行了仿真,结果表明,HRT可以在告警数据中迅速挖掘出满足条件的高风险设备集,并且能够反映出高风险设备组合之间存在的潜在关联性。     

电力大数据智能化高效分析挖掘技术框架

随着智能电网的不断建设,各类生产经营管理活动中产生的海量、高频数据,具有实时性、易失性、突发性、无序性、无限性等特征,如何充分利用和分析这些数据,快速获取有价值的信息是当前电力大数据处理急需突破的难点。在分析目前电力大数据应用现状的基础上,构建了电力大数据智能化高效分析挖掘技术框架,同时从面向计算密集型电力大数据的特征分析技术、基于内存计算的高性能数据分析技术、电力大数据并行化分析框架及服务体系以及基于数据挖掘的母线超短期负荷预测技术4个方面详细描述了电力大数据智能化高效分析挖掘的关键技术,从而为电力业务数据的高效价值挖掘及在线决策分析提供理论依据及基础技术支撑。     

电力设备状态监测大数据发展综述

论述了大数据在电力设备状态监测上的发展趋势与应用前景。首先分析了状态监测数据的大数据特征,并从大数据技术、大数据思想方法、大数据算法三个层面论述了大数据对电力设备状态监测的提升点。其次给出了基于大数据的电力设备状态监测系统架构,并从数据采集、数据去噪、特征提取、模式识别、知识挖掘、数据可视化几个方面论述了大数据与状态监测各个环节的结合点。最后通过一个综合监测系统案例,分析了大数据在多源异构数据融合、综合分析与诊断、设备故障预测上的应用。大数据在电力设备状态监测上的深入应用,有利于解决设备状态评价和故障预测的难题,推动该领域朝着更加智能化的方向发展。     

面向智能电网大数据关联规则挖掘的频繁模式网络模型

针对目前关联规则挖掘频繁树(FP-Tree)算法实现较困难以及难以处理数据库更新的缺点,提出了频繁模式网络(FP-network)模型,将关联规则挖掘所需要的信息压缩到一个无向网络图上,并建立事务项目关联矩阵,从而进行数据存储和数据挖掘。FP-network模型适用于智能电网大数据的关联规则挖掘。以关联规则挖掘在输电线路故障分析领域的应用为例进行算例分析,结果表明所提出的FP-network关联规则挖掘算法不仅继承了FP-Tree算法的优点,而且只需扫描一次数据库,也便于数据库的维护和更新,从而提高了智能电网大数据关联规则挖掘的效率。     

关联规则数据挖掘及其在电厂DCS数据分析中的应用

电厂的DCS存储了大量的数据。这些数据的背后隐藏了许多对提高电厂的生产效率、经济安全性有积极的指导意义的信息。数据挖掘是从大量数据中自动提取知识的过程。对DCS的数据利用数据挖掘技术中的关联规则挖掘技术进行了探索性数据挖掘。对挖掘结果的分析表明该技术可以用于电厂机组的性能分析、状态监测、故障诊断等方面,可为机组开展状态检修提供技术支持。     

全面数据质量管理框架在配电网领域的应用分析

电力数据质量问题日益突出,影响了电力数据挖掘和能源大数据分析的准确性和有效性。本文针对当前电力系统新环境下配电网数据特点及产生数据质量问题的原因进行梳理,获得数据质量出现的主要影响因素;给出提升配电网数据质量的管理平台架构,并对数据质量评价和数据质量控制两个核心技术内容进行分析;提出考虑数据质量管理需求的异常数据剔除及修复策略,实现对不同类型的数据进行动态治理及数据修复。最后通过实际配电网数据验证了质量管理和提升效果。     

基于大数据分析的县公司综合评价策略

提出一种基于大数据分析的县公司综合评价策略。以1780家县公司数据为基础,建立考虑统计分析、决策树分析、数据包络分析等大数据技术的指标挖掘策略;通过信息挖掘构建一套适用于县公司综合评价的指标体系。以经济因素和企业因素为规则,建立基于县公司聚类的差异化权重计算方法,实现对县公司差异化发展内生和外生因素的联合判别,克服综合评价结果解释的单一化。通过浙江省的实证化应用,验证了所提策略的有效性和实用性。