一种基于大数据的输变电设备状态评价方法与流程

本发明属于电网设备状态检测技术领域，尤其是一种基于大数据的输变电设备状态评价方法。

背景技术：

目前，对电网设备的状态评价通常是采用评分表方式，对设备可能出现的各类缺陷，依据其发生位置的重要性和劣化程度进行评分，通过扣分的多少来表征设备的健康状态。但是，上述方法对于未列入表中的缺陷不能进行评价，也就是存在问题的设备也可能被评为正常状态；另外由于未对缺陷产生的原因进行分析，仅依据产生的缺陷现象进行评价，评价的状态可能与设备的实际状态不一致；对于红外、紫外等图像检测结果，只能依靠人工去进行评价。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种设计合理、评价准确且自动化程度高的基于大数据的输变电设备状态评价方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于大数据的输变电设备状态评价方法，包括以下步骤：

步骤1、建立并优化评价预测模型组，该评价预测模型组包括设备故障树、状态评价模型和趋势分析模型；

步骤2、建立并优化基于图像数据处理技术的设备典型缺陷样本库；

步骤3、根据设备故障树、状态评价模型、趋势分析模型及图像缺陷样本库进行状态评价及风险趋势分析。

所述设备故障树的建立与优化方法为：根据设备运行状态的设备工况信息、环境信息、设备监测信息和设备定检试验信息，通过第一数据预处理和第一大数据分析环节处理得到，其中，第一数据预处理环节包括数据抽取、数据清洗、数据选择和数据转化，其通过增加维度后减少维度来确定数据范围，通过结构化手段将非结构化和半结构化数据结构化，通过填补空缺、平滑噪声手段序列化数据并清除异常数据和重复数据；第一大数据分析环节通过分类、聚类、回归分析及关联发现方法实现评价预测模型的建立，并结合故障案例学习的方式建立设备故障树。

所述状态评价模型包括对状态数据进行数据分组、根据诊断规则和判定公式进行故障诊断，得到故障概率、主要参量、故障分析进行状态评价，最终进行设备状态评级、设备故障风险和原因影响分析。

所述趋势分析模型包括根据历次评价结果数据进行数据排序、根据预警阀值在一定时间间隔进行趋势分析，从而得到预警时间及趋势分析结果矩阵。

所述步骤2的具体实现方法为：将设备光视觉图片、设备红外成像图片和设备紫外成像图片通过第二数据预处理和第二大数据分析两个环节建立起来，第二数据预处理环节采用平滑处理、中值滤波计算、梯度算子及边缘检测完成图片质量的检测、降噪优化、去重工作，第二大数据分析环节通过基准图片对比、相似度计算、重点区域识别、色差识别技术实现不同设备的正常状态、注意状态、异常状态、严重状态及注意以上三态不同严重程度的缺陷样本的建立。

所述步骤3的具体实现方法为：当外部输入设备设备基本信息、结构化状态数据及图片非结构化数据时，首先对其进行第三数据预处理环节，该数据预处理环节对上述数据进行筛查去重、异常数据剔除、季节差分及图片的降噪优化，预处理后的数据将调用状态评价模型、设备故障树及图像缺陷图片样本库对设备的状态进行具体的评估，定量的分析出设备目前的状态、缺陷故障的发生概率，并结合人工确认及修订值反馈至第一大数据分析、第二大数据分析环节进行模型完善；当对单一设备进行多次诊断评价之后，进而应用趋势分析模型结合历次评价结果对该设备的缺陷发展趋势进行预测性判断。

本发明的优点和积极效果是：

1、本发明融合电网状态、设备运行、检修、试验和自然环境等各类信息，建立基于大数据的设备状态评价模型和趋势分析模型，充分利用设备大量状态信息之间关联关系进行数据挖掘和模型分析，以预测设备的健康状态，其自动评价的准确率从50％左右提升到85％。本发明依靠大数据的分析和对故障案例的不断学习，不需要再对缺陷进行穷举，避免了因没有列入缺陷表，而将存在问题的设备评为正常状态的情况，摆脱了由于对缺陷现象和故障发生因果关系不了解，而无法评价的情况。

2、本发明采用可见光视频图片、红外热成像、紫外成像等非结构化图像数据的处理技术，建立主要设备典型缺陷的图像样本库，可将红外、紫外等检测手段的图像测试结果纳入到设备状态的评价中，提升设备状态分析和状态预测水平。

附图说明

图1是本发明的处理流程图；

图2是本发明的状态评价模型；

图3是本发明的趋势分析模型。

具体实施方式

以下结合附图对本发明实施例做进一步详述：

一种基于大数据的输变电设备状态评价方法，如图1所示，包括以下步骤：

步骤1、建立与优化基于设备故障树的评价预测模型组。

本步骤是按照不同的设备分类，使用反映该类设备运行状态的全维度数据并利用大数据的分析方法进行建模与优化的结果。评价预测模型组包括设备故障树、状态评价模型和趋势分析模型。

设备故障树的建立与优化方法为：设备运行状态的全维数据包括设备工况信息、环境信息、设备监测信息和设备定检试验信息等。其中大数据分析方法主要体现在“第一数据预处理”和“第一大数据分析”环节。第一数据预处理(数据预处理1)环节通过数据抽取、数据清洗、数据选择和数据转化几个步骤，通过增加维度后减少维度来确定数据范围，通过结构化手段将非结构化和半结构化数据结构化，便于识别分析，通过填补空缺、平滑噪声手段序列化数据并清除异常数据和重复数据，为下一环节的大数据分析奠定基础。第一大数据分析(大数据分析1)环节则通过分类、聚类、回归分析及关联发现等大数据挖掘方法实现评价预测模型的建立，并结合故障案例学习的方式建立设备故障树。

通过对故障案例的分析及训练，结合故障树分析方法，构建设备的成长型故障树，确立总体到部分的树枝状故障体系。初期的分析过程中采用半智能半人工的方式，深入结合领域内专家累积的经验，明确设备树的每一层级的分支及叶子节点，并明确相关节点的逻辑关系，应用逻辑门进行性联结，构建基于故障案例的设备故障树。对于未能明确故障模式但具备异常判断条件的则单独建立故障分支，确保全面诊断无遗漏。后续的完善与补充则依赖于全智能化的大数据分析(相关性分析及因果性分析)对故障案例进行深入的挖掘和不断的学习。此种分析及应用方法不在需要对缺陷进行穷举，避免了因没有列入缺陷表，而将存在问题的设备评为正常状态的情况。

如图2所示，状态评价模型主要包括对状态数据进行数据分组、根据诊断规则和判定公式进行故障诊断，得到故障概率、主要参量、故障分析进行状态评价，最终得到设备状态评级、设备故障风险和原因影响分析等结果。

如图3所示，趋势分析模型主要是根据历次评价结果数据进行数据排序、根据预警阀值p在一定时间间隔进行趋势分析，从而得到预警时间及趋势分析结果矩阵。

步骤2、建立基于图像数据处理技术的设备典型缺陷样本库。

本步骤将红外、紫外、可见光等图像检测技术的结果纳入到评价体系中，建立基于图像数据处理技术的设备典型缺陷样本库。样本库依据设备光视觉图片、设备红外成像图片、设备紫外成像图片。样本库以大量红外、紫外、可见光图片作为分析的基础，并经过第二数据预处理和第二大数据分析两个环节建立起来。其中第二数据预处理(数据预处理2)环节主要采用的技术包括：平滑处理、中值滤波计算、梯度算子及边缘检测等，以此完成图片质量的检测、降噪优化、去重工作。第二大数据分析(大数据分析2)环节则通过基准图片对比、相似度计算、重点区域识别、色差识别等技术实现不同设备的正常状态、注意状态、异常状态、严重状态及注意以上三态不同严重程度的缺陷样本的建立。

步骤3、根据设备故障树、状态评价模型、趋势分析模型及图像缺陷样本库进行状态评价及风险趋势分析。

设备故障树、状态评价模型、趋势分析模型及图像缺陷样本库是进行状态评价的基础，同时又是对其进行不断修正、优化的保障。其具体方法为：

当外部输入某一设备的多维度信息(设备基本信息、结构化状态数据、图片等非结构化数据)对其进行状态评价及风险趋势预测时，首先需要对其进行第三数据预处理(数据预处理3)环节，在该环节需要进行筛查去重、异常数据剔除、季节差分及图片的降噪优化等工作。预处理后的数据将调用状态评价模型、设备故障树及图像缺陷图片样本库对设备的状态进行具体的评估，定量的分析出设备目前的状态、缺陷故障的发生概率等，结合人工确认及修订值可以反馈至第一大数据分析、第二大数据分析环节(模型完善)对模型内部相关系数进行加权修正。当对单一设备进行多次诊断评价之后，进而应用趋势分析模型结合历次评价结果对该设备的缺陷发展趋势进行预测性判断，起到防患于未然的作用。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。