電力設備故障診斷中數據挖掘實踐應用范文

本站小編為你精心準備了電力設備故障診斷中數據挖掘實踐應用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要:現階段我國電力設備的運行已與各行業順利發展具有較為密切的關系。就實際展開分析，電力設備一旦出現故障，對現實中的各項生產、生活相關項目皆會造成較大影響。為保障電力設備順利運行，需切實掌握一套較為完善的故障診斷、修整方式。本文即從故障診斷工作著手，將電力設備故障診斷結合當前較為發達的數據挖掘技術展開，以技術分析角度展開研究，確定電力設備故障診斷流程，并切實將其實踐于實際過程中的故障診斷工作，確保其準確且能夠穩定使用。

關鍵詞:數據挖掘;電力設備;故障診斷;應用

實踐故障診斷工作為根據設備運行狀態、運行信息分析其是否符合正常標準，隨后判定故障具體位置的設備維護、修理工作。故障源的準確診斷能夠保障其具有較為完善的決策制定，對于實際過程中的相關工作具有一定價值。針對其工作原理展開分析，過程中確定故障源、實現信息分析的具體工作步驟可切實應用數據挖掘技術，現階段電力設備數據的復雜性、信息多樣性亦使數據挖掘技術能夠較其他方式更快、更為精確地確定故障源。因此，下文將數據挖掘工作應用至電力設備故障診斷中，并通過實際情況確認其準確性、穩定性。

1數據挖掘技術的原理

1．1粗糙集屬性約簡原理

粗糙集理論由波蘭學者Z．Pawlak于1982年提出，其主要作為數學工具使用，目的為處理模糊問題、不確定型問題。［1］實際應用過程中，粗糙集理論能夠基于運算進行分析與處理，將各類不精確、不一致數據通過發掘數據間聯系的方式進行提取，最終實現有用信息提取、簡化信息處理。技術層面中，粗糙集將客觀世界的信息系統抽象對待，將客觀世界作為一類“系統”。以S=(U，A，V，f)為運算公式。其中U為對應項目的非空有限集，被稱為論域。A為屬性的非空有限集，V為屬性A的值域。f為U*A→。V為信息函數，即代表a∈A，x∈U，f(x，a)∈Va。其中，若A的表示方式為條件屬性C與決策屬性D，那么可以將A視為C∩D，C∩D=，即將其視為決策表。［2］除此以外，根據信息論中關于知識定義的P(屬性集合)的熵、條件熵概念，可將P的熵H(p)確認為H(P)=-(Xi)log(P(Xi))。知識屬性結合過程中，Q(U\IND(Q))={Y1，Y2，…，Ym}。針對原始決策表展開分析，其中所具備的各項條件并非必要屬性，實際過程中部分屬性較為多余，去除此類屬性不會影響原有表達效果，此即為粗糙集算法的優勢所在。根據粗糙集描述知識，不僅能夠將原有冗余條件去除，使計算更為明朗、直觀，且冗余條件去除后，利用粗糙集描述知識的屬性，求取約簡過程結束后能夠有效實現知識簡化，將對應復雜決策予以分析，切實解決原有模式中較為復雜的問題。［3］

1．2樸素貝葉斯分類算法及原理

樸素貝葉斯算法為貝葉斯網絡中的一種。貝葉斯網絡亦可稱為因果網絡與信度網絡，其主要原理為利用有向圖形式較為直觀地展現隨機變量向的因果關系，并將概率信息應用至實際，體現隨機變量間的因果關系同時利用條件概率將此類關系有效量化，隨后展開計算。皮素貝葉斯分類為貝葉斯方法中較具有實用型的方式，適用于多種場合，能夠切實以概率密度函數作為計算、闡述基礎，將分析類統中的條件屬性與分類屬性進行明確，切實確認而這會之間的映射關系。較其他算法而言，此算法具有出錯率小、容錯率高的優點。針對樸素貝葉斯分類的原理展開分析，其主要假定屬性變量間相互條件較為獨立。且其中所存在的每個屬性節點X僅存在單一關聯性，即其與類節點C之間的聯系。在分析合集的過程中，令U={X1，X2，X3，Xn，C}。其為離散隨機變量的有限集。其中X1，X2，X3，…Xn為屬性變量，而屬性變量的取值范圍與實際關聯較為密切。可以實際過程展開假設，若故障樣本為X={X1，X2，X3…Xn}，可準確確定樣本的故障范圍。根據貝葉斯定理，其可表示如下：其中，P(Ck)為Ck的先驗概率，主要意義在于根據數據分析獲得其發生概率，隨后將后驗概率加以分析，得到信息后進行修正，保障其概率較為標準，且反應樣本數據對類Ck的影響。除此以外，若將公式中的相關參數進行分析，可確認訓練樣本中的故障條件與屬性值x，且Ck的概率若屬于某類故障參數區間，則可確定其概率值，根據概率值大小確定算法結果，即判斷故障樣本屬于何種故障，確認故障歸屬并展開實際過程中的維修工作。

2基于數據挖掘技術開展的電力設備故障診斷步驟

粗糙集理論的主要優勢在于其無需于計算過程開展前預設數據準備，或進行額外調查獲取更多數據以便于計算。粗糙集計算過程中完全依靠數據驅動，即根據對應工作獲取相關數據，以此類獲取數據推動計算模式及相關工作，保障其能夠切實有效地獲取相關信息，實現較為有效的發展。但針對實際情況展開分析，此類理論所衍生的計算手段中亦存在局限性，即錯誤率方面問題，當計算工作開始時，計算過程對故障信息的診斷耗時要求較高，且對故障信息的針對性。準確性具有較高要求，若其存在無法，即易導致問題出現。因此，實際過程中以樸素貝葉斯理論與粗糙集理論為數據挖掘技術的開展基礎，根據對應情況使用對應方式，保障計算、搜索、分析等一系列數據挖掘工作中的重點得到解析，切實實現發展。根據實際工作展開分析，一般情況下的算法流程多為圖1所示的具體流程。以變壓器故障診斷工作為例，數據挖掘工作的主要目的即在于保障變壓器穩定，實現變壓器發展的同時切實解決實際過程中的問題，有效應對各類情況下所出現的故障檢查。以實際工作中的問題出現因素代入到計算過程中，可發現此類問題的發生領域。首先將對應參數帶入到征兆合集C、故障合集D中，以編號形式將各類問題進行順序排布，隨后根據相關公式計算出故障先驗概率。如將C1、C2作為三比值編碼呈過熱性、放電性故障特征，按照變壓器故障發生過程中的各項問題進行編號與分類，通過具體計算確定故障發生具體位置。實際過程中導致變壓器故障的因素較為多樣性，但無論其發生概率如何，應將其計算于編號內。如本次模擬分析過程中將鐵心接地電流、繞組直流電阻的三項不平衡系數、變壓器本體油中含水量、局部放電、繞組變比偏差等因素均計算在內，保障具體數據挖掘過程中的精確性。由粗糙集觀點展開分析，若想切實根據實際情況展開分析，首先需將對應決策予以明確，并切實根據相關信息，如決策表征兆集合、故障類型分析與判斷等確定故障源及故障具體原因。但就實際過程展開分析，決策表中的相關數據較為連續，取值方面亦為連續值，若想切實實現連續值分布與分析，還需將此類數據予以分析，實現有效提升的同時按粗糙集理論將其離散化，對信息進行處理。如互信息＞0．5，應將其量化為2，互信息若小于0．5，則應將其量化為1。就實際規則展開分析，可較為直觀地將其征兆視為引起故障的概率較大、較小或視為無。經此類處理后，相關數據即可較為有效地實現發展，保障單位數據發展滿足實際需求。就樸素貝葉法進行分析，其約束屬性中確定的最小屬性集為{c1，c2，c3，c5，c7，}其余三類屬性集亦與其較為接近，具體過程中存在的相同參數可視為一致，三組合計間的差異性在于C6。因此，應結合實際展開分析，將變壓器中對應部件進行調整，并觀察實際情況確認是否正確。除此以外，還應考慮到征兆獲取過程中的對應條件屬性為0，應切實將其刪除，選擇較為適合的實際參數，進一步確定變壓器故障源所在。

3實際過程中應用數據挖掘技術的電力設備故障診斷有效性實踐

為保障上文所述的相關數據挖掘手段切實有效，特根據實際情況展開電力設備故障診斷機制，展開有效性實踐，以對應相關信息確定故障診斷有效性。實踐中存在的電力設備為型號為SFSZ8-50000/110。當電力設備故障診斷工作開展前，針對其具體參數進行油色譜分析氣體組分試驗，相關數據如表1所示。獲取對應數值，將各類氣體的存在與濃度作為分析過程中的重要參數，應切實根據實際展開分析，將其代入到公式中。當三比值編碼為022時，判斷出問題屬高溫過熱性故障特征，與溫度方面關聯較為密切;當鐵心接地電流為1．378A時，屬性值存在異常。除此以外，具體測算公式可以如下形式表現:(CH4)/(H2)=2．64，(C2H2)/(C2H4)=0．002，(C2H4)/(C2H6)=5．32除此以外，實踐確認過程中發現變壓器油中水含量為17mg/L，局部放電量完全處于正常范圍內。針對此類信息進行計算，可確認各項事故的發生幾率。具體幾率可參照表2。獲取數據后可發現，對應過程中所存在的數據多與實際關聯較為密切，且數據計算過程中所存在的相關數據能夠切實對實際進行分析。由上表可得知，實際過程中的故障發生幾率最大者即編號為d1的問題，即鐵芯接地造成的變壓器故障原因的幾率較大。確認問題發生源后，針對實際展開分析可發現實際過程中的相關問題多以對應工作中的研究信息為主，結合實際呈現較為有效分析的同時將問題縮小于具體范圍內，有效解決問題的同時切實與實際情況吻合。獲得數據后驗證正確性的過程中發現，此變壓器的故障問題為鐵芯多點接地，實際過程中變壓器內部亦存在鐵屑及殘渣，此雜質于變壓器運行過程中受磁場影響吸附于鐵芯上，造成環流過熱后使鐵芯多點接地，造成變壓器的運行故障。此類結果可判定數據挖掘技術的準確性，實踐過程中出現的對應技術亦表明過程中存在的相關數據，有效解決問題。

4結語

針對實際進行分析，本文所使用的數據挖掘技術為診斷電力設備故障的必要因素之一，實際過程中所出現的各項單位數據亦使實際過程中的單位數據有所提升，切實解決問題，保障電力設備的運行穩定。但就現階段情況展開分析，數據挖掘技術的難度仍較大，因此，應切實使相關人員明確操作技術，了解相關知識，提升技術發展。

參考文獻:

［1］王喜，趙宵凱，熊斌宇．一種基于數據挖掘技術的智能變電站故障診斷方法［J］．陜西電力，2018，v．46;No．294(4):45-49．

［2］宿忠娥，祁建宏，效迎春．數據挖掘技術在風力發電機組故障診斷中的應用與研究［J］．自動化與儀器儀表，2018(2)．

［3］張斌，滕俊杰，滿毅．改進的并行fp-growth算法在工業設備故障診斷中的應用研究［J］．計算機科學，2018，v．45(S1):521-525．

作者：張倩 單位：三門峽職業技術學院