基于数据挖掘的电力设备状态检修技术研究综述

精品资料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取设备的状态和故障信息，判断设备异常，预测故障发展趋势，在故障发生前，根据设备状态决定对其检修。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、互感设备等辅助设备。 随着信息技术的迅速发展，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许多重要的信息，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提供支持的信息，而传统的查询和报表工具无法满足挖掘这些信息的需求。因此，需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知识，数据挖掘技术由此应运而生。 本文旨在讨论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，详细分析其目前在国内的应用现状。1 数据挖掘现状1.1 国外研究现状 国际知识发现(knowledge discovery in databases，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在研究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迅速。目前，国外数据挖掘的研究方向及趋势主要是对数据挖掘方法研究的进一步发展，如Bayes方法以及Boosting方法的研究和提高；传统的统计学回归法在KDD中的应用；KDD与数据库的紧密结合等。1.2 国内研究现状 与国外相比，国内对数据挖掘的研究起步稍晚且不成熟。最新发展的有：在分类技术研究中，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，构造模糊系统知识模型与模糊系统辨识方法，构造智能专家系统；研究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，改变现行管理体制等内容，是一项复杂的系统工程，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。 维修观念的演变经过事后维修(故障维修)和预防性维修阶段。以下主要介绍7种检修方式： a)定期检修，也称计划检修。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确实起到了直接防止或延迟故障的作用，但这种不根据设备的实际状况，单纯按规定的时间间隔对设备进行相当程度解体的维修方法，不可避免地会产生“过剩维修”，不但造成设备有效利用m-tl司的损失和人力、物力、财力的浪费，甚至会引发维修故障。据统计，1996年我国的10()MW 、125 MW、200 MW 火电机组非计划停运与出力降低的责任原因，分别有36、31和41是由于这种过剩检修造成的。 b)以可靠性为中心的检修。这是一种以用最低的费用来实现机械设备固有可靠性水平为目标的检修方式。该检修方式能比较合理地安排大修间隔，有效预防严重故障的发生。以可靠性为中心的检修的研究始于2()世纪60年代后期，电力工业则是从1983年开始研究。并于1984年由美国电力研究院将其用于核电厂的检修。 c)状态检修或预知性维修。这种维修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、故障严重程度及发展趋势作出判断，从而确定各机件的最佳维修时机。状态检修是当前耗费最低、技术最先进的维修制度，它为设备安全、稳定、长周期、全性能、优质运行提供了可靠的技术和管理保障。但由于状态检修需要监测的内容多，投资大，并存在一定的风险，要能熟练地运用于设备维修还需要长时间的经验积累。 d)故障查找。这种维修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，发现问题及时解决，以提高备用设备的可用率。 e)使用至损坏再修。采用该方式进行修理的设备不控制送修，通常用于对安全无直接危害的3类故障：偶然故障、无规律性故障、故障损失小于维修费用的耗损故障。 f)以设备寿命为依据，结合设备的运行状态而进行检修。状态检修应根据先估计设备寿命，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)主动维修。从经济、寿命等多种因素考虑，重点在机械故障的识别和消除、故障原因的分析，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” 建设的不断深入，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 对变压器采用基于数据挖掘的状态检修技术，结合设备的监测数据，研究实时数据库。如对设备的状态特征量进行聚类分析，揭示其中蕴藏的深层次信息、性能状态渐变和寿命损耗的规律等，及时发现潜在故障的早期征兆，对故障部位严重程度及发展趋势作出判断，确定检修计划。 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，为电力变压器提供有效的故障诊断。鉴于电力变压器信息的不完备性及复杂性，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，形成知识库，采用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，为电力变压器提供故障诊断方法。对于使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，采用变压器油中溶解气体分析数据180个样本构建知识决策表，对构建的电力变压器故障数据决策表采用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用先进的分散控制系统，分散控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，从而不可避免地造成数据资源的巨大浪费。数据挖掘与知识发现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情况下，处理复杂的数据信息，提取有关知识规则。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、专家系统等方面有一定的作用，有广阔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控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知识来指导生产运行。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，根据所得的规则来对机组进行故障诊断以及预测。当前大多数电厂还是实行以计划检修为主的检修方式，状态检修方式的实施还需要一个较长的过程，但实施状态检修是一个必然趋势。 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。此系统采用模块化设计，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；诊断分析模块根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；决策分析模块根据诊断分析的结果，决定是否进行检修，进而确定检修计划。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。该系统根据采集到的磨煤机运行状态数据，根据数据挖掘技术判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提供参考信息。以下是几种判断状态类别的辅助方法： a)由专业技术人员根据训练样本集中每一样本的性能指标数据，运用专业知识和经验，直接作出分类判断； 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)根据各种在线、离线监测数据或故障诊断分析结果，对设备状态作出分类判断。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。该领域已有不少研究，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通过研究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，掌握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研究目标，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重威胁系统的安全运行。准确地进行故障预诊断可防患于未然，对电力系统快速恢复决策具有重要意义。 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能力对知识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实用价值。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 根据研究成果来看，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知识和理论指导，使挖掘算法和状态检修密切结合，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，严重地制约着状态检修的发展。从我国目