电力设备状态监测数据融合算法分析

魏建祥

摘要：电力系统设备某些部分的温度异常升高与存在故障相符，电气设备的关键部件的高温会导致电力设备的性能下降或损坏，影响电力系统的健康状况。因此，监测电气设备的温度是支持电力系统安全稳定运行的重要手段之一。

关键词：电力设备；状态监测；数据融合算法

1数据融合算法研究

1.1 Leach-E算法流程

在数据传输过程中，传统的浸出算法中心节点不考虑数据传输距离。在集群中，所有节点都需要将信息传递给集群头，集群头将信息发送到基站。由于没有考虑数据传输距离，集群头节点的能耗较高，很容易过早死亡。改进后的算法改变了网络区域的数据传输模式。为了提高簇头选择的质量，避免网络中的“能量差距”现象。

1.2数据融合系统模型

在融合算法中，首先，各传感器节点对采集到的数据进行简单、低层次的数据预处理，剔除掉明显异常值；其次，经过预处理的数据在簇头节点进行初步融合，再进一步剔除部分异常数据；最后，中心节点收到各簇成员节点发送的数据后，针对成员节点无法消除的数据中可能存在一些偏差数据的情况，根据每个集群成员节点对采集温度数据的支持程度，给每个集群成员节点数据分配一个合理的权重值，对可靠性高的数据分配高权重，对可靠性低的数据分配低权重，达到最佳融合效果。

1.3簇成员节点数据预处理

基于电力设备温度在监测时的采样节点内不会有剧烈波动这一基本事实，当温度传感器节点的测量值与其余数据有很大差异时，可以判断这些数据可能是环境干扰等原因导致的异常数据，这些异常数据会极大地影响判断的监测人员。因此，这些数据在传输到簇头节点之前必须进行处理，以消除这种影响。研究采用将选择格拉布斯准则作为数据校验的方法。

2基于大数据的电力设备状态监测关键技术

2.1面向大数据应用的数据采集技术

（1）数据采集的标准化。大数据分析融合更多的数据源进行全面分析，然而现有的数据采集系统采用的标准各异，造成了数据融合困难，无法直接进行数据分析与知识挖掘。通常需要对这些数据进行预处理，增大了数据处理的难度，对于某些不同类型的数据，甚至无法操作。因此基于大数据的数据采集技术应使用统一的数据采集标准。（2）数据采集的同步化。大数据分析采用更为全面的数据进行横向和纵向的对比分析，例如对一个包含变压器、GIS、电力电缆的综合监测系统进行数据分析，可以对比同一时刻信号的差异性开展综合分析从而提高诊断的准确性，但是这要求这三个电力设备的状态监测系统共用同一个GPS时钟以实现数据采集的完全同步，因此数据采集的同步化是电力设备状态监测开展大数据分析的一个重要的前提条件。（3）数据采集的高可靠性。大数据分析虽然可以开展多源异构数据的融合和异常数据检测，但是低可靠性的数据采集系统获取的数据，将加大后期数据处理的难度。现有的电力设备状态监测系统由于传感器异常、信号调理电路故障、数据采集硬件设备可靠性低、数据采集软件缺陷等原因，存在数据采集异常终止造成数据缺失的情况，因此从质量监测与采购管理的角度提高数据采集的可靠性是提升状态监测价值的一个重要途径。（4）数据记录的全面性。大数据分析采用的数据源不仅有设备状态监测数据，还需综合考虑故障传播耦合、故障发展趋势、设备故障记录、设备维护记录等更加众多的数据源。

2.2面向大数据的数据去噪技术

（1）分布式与集中式相结合。如果将电力设备状态监测原始数据集成起来开展数据去噪，将需要昂贵的计算存储资源和较大的计算代价。大数据的分布式思想可以应用到原始数据去噪，因为电力设备状态监测系统现地监测单元一般采用具有较高运算速度的工业控制计算机作为运行控制核心，大量的现地监测单元分布在广泛的地理空间，本身就是一个分布式计算系统，因此对监测数据中与故障信号频段相差较大的噪声与干扰信号在现地完成数字去噪，将大大降低后期集中处理的难度。（2）大数据干扰抑制技术。状态监测信号的干扰源有白噪声、随机干扰、周期干扰、通信干扰、广播干扰等。部分干扰信号与待提取的故障信号在频段上有较多重叠部分，例如电力电子技术在电力设备上的大规模使用使得可控硅信号成为一个重要的干扰源。通过大数据技术建立典型干扰信号的特征参数库，在运行控制中枢开发基于海量样本库的干扰信号抑制技术，将有效识别传统的去噪技术无法剔除的干扰信号。（3）综合分析与判断。在更高的层面开展综合分析与判断，可以进一步剔除临近电力设备耦合进来的干扰信号，减少误诊断。

2.3面向大数据的特征提取技术

（1）大数据降维。从不同的时间尺度、描述方法、组合方式来描述故障信号会得到不同的特征，例如局部放电信号的特征就包括统计特征、分形特征、小波特征、矩特征、波形特征、组合特征、过程特征、序列特征、盒维数特征、信息维数特征等，多达数十种甚至上百种，采用粗糙集、主成分分析等方法从数十种特征中优选出核心特征参数，降低特征参数的维度，是提高大数据表现力一个重要的手段。（2）特征抽取。通过特征抽取从较长监测时间段内的数据中获取最具代表性的特征参数，能提高后续模式识别和知识挖掘准确性。（3）并行化特征提取。海量样本的特征提取需要繁重的计算代价和较长的计算时间，因此借鉴大数据并行化的思想，将特征提取并行化，可以在有限的时间内得到理想的结果。

2.4面向大数据的模式识别技术

（1）传统模式识别的并行化。麦肯锡认为可用于大数据分析的模式识别算法包括关联分析、机器学习、神经网络、时间序列预测模型、遗传算法等。也指出“把传统的机器学习算法运用到大数据环境下一个典型的策略是对现有的学习算法并行化”。（2）大数据深度学习算法。大数据算法中应用得最成功的一个算法就是大数据深度学习。大数据深度学习结合了大数据的样本优势和深度学习的特征学习优势，能够刻画更为复杂的非线性关系，在语音识别、手写字体识别、图像识别等传统模式识别领域获得了巨大的成功。电力设备状态监测中普遍采用模式识别技术，例如局部放电识别、振动信号识别、红外图像识别、油色谱识别等。部分监测信号的模式识别存在泛化能力欠缺、识别精度较低等问题，因此将大数据深度学习算法应用到状态监测数据的模式识别上，为这些难题的解决带来新的思路。

2.5面向大数据的数据挖掘技术

特大数据知识挖掘一方面可以将传统的知识挖掘方法在高级计算资源和并行化计算平台下推广应用，另一方面可采用的一个重要方法就是大数据相关关系性分析。所谓“相关性”是指2个或2个以上变量的取值之间存在某种规律性，其目的是找出海量数据集里隐藏的关系网，一般用支持度、可信度、兴趣度等参数反映相关性。大数据相关性分析在商业领域获得了巨大的成功，大数据这种只注重相关关系而不注重因果关系的数据分析方法带来了科学研究思维方法的重大改变。

2.6面向大数据的可视化技术

电力设备状态监测数据的可视化已经得到了广泛的应用，例如基于互联网的状态监测可视化、基于三维动画建模的可视化、手机短信报警提醒等。随着信息技术的不断发展，尤其是移动互联网和智能可穿戴设备的逐步应用，电力设备状态监测大数据可视化技术向着更加贴近运行管理人员的方向发展。移动互联网是互联网与移动通信各自独立发展后互相融合的产物。从终端上定义，移动互联网是指用户使用手机、上网本、笔记本电脑、平板电脑、智能本等移动终端，通过移动网络获取移动通信网络服务和互联网服务。随着移动互联时代的到来，电力工业生产逐渐引入移动互联设备，促使电力企业的生产经营更加高效。

3结论

利用无线传感器网络技术完成了新型电力设备监控系统的软硬件设计。新型系统满足了快速、精确、实时、在线的需求。新设计的系统具有安装方便、监控可靠性、实时、在线等优点。

参考文献：

[1]鲁宗相. 风电功率预测的新型互联网运营模式设计[J].电网技术，2021,40（1）：125-131.

[2]彭小圣. 面向智能电网应用的电力大数据关键技术[J].中国电机工程学报，2019,35（3）：503-511.