覃兆安
(国网嘉兴供电公司,浙江 嘉兴 314000)
试验与研究
依托大数据分析的电网设备状态测评方法研究
覃兆安
(国网嘉兴供电公司,浙江 嘉兴 314000)
电网设备的运行状态关系到电能质量、供电可靠性等电力系统核心指标。在分析传统设备状态测评方法的基础上,提出以时间序列、自适应神经网络、无监督聚类等方法来深度挖掘运行数据的潜在信息,发现设备向异常状态发展的趋势,以提升电力系统运维水平。同时将研究成果应用到具体案例中。结果表明,该构建方法具有一定合理性和有效性,能推广到输变电设备的状态测评中。
大数据;时间序列;神经网络;状态测评
尽早发现输变电设备的异常状态对提升电力系统供电可靠性具有重大意义。当前的状态检修工作主要通过提取设备的部分信息,与固定阈值进行对比后判断设备的状态是否正常。这种方法具有局限性[1]。
a.固定阈值没有时间宽度,从而无法从总体上把握设备运行态势。其检测结果从根本上来说是片面的,存在漏检或误检的可能。
b.信息利用率低。目前,在线监测技术蓬勃发展,电力系统运行大数据逐步完备,而阈值判断的方法无法对大数据进行横向关联和纵向挖掘,因此导致大量有用信息的“废弃化”。
为适应大数据背景下的电力系统运维,建立科学、合理的模型来处理、分析、挖掘电力大数据是必要的,对输变电设备的异常状态做好早发现、早处置。
1.1 时间序列自回归……p>