摘要：传统的定期检修存在两个方面的不足：一是设备存在潜在隐患或缺陷时，因未到检修时间而不能及时发现并排除；二是设备状态良好，但已到检修时间，就必须检修，而多数检修都需要停电，存在很大的盲目性，造成人力、物力的浪费，故障发现率也较低。因而，目前设备状态检修成为一种新趋势。本文从带电检测数据的存储、分析、应用这三个角度入手，旨在构建一个完整的电网设备带电检测大数据生态体系，从而实现数据间科学动态利用。
关键词：带电检测；大数据；分析；应用
引言：近几年，大数据迅速发展成为科技界和企业界甚至世界各国政府关注的热点.《Nature》和《Science》等相继出版专刊专门探讨大数据带来的机遇和挑战.著名管理咨询公司麦肯锡称：“数据已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素.人们对于大数据的挖掘和运用，预示着新一波生产力增长和消费盈余浪潮的到来”。美国政府认为大数据是“未来的新石油”，一个国家拥有数据的规模和运用数据的能力将成为综合国力的重要组成部分，对数据的占有和控制将成为国家间和企业间新的争夺焦点.大数据已成为社会各界关注的新焦点，“大数据时代”已然来临。
1.带电检测数据的采集与存储
1.1 RFID检测点标识技术
在设备需要进行带电检测的各个检测点上放置RFID专用标识。标识的放置点由专业人员根据不同设备的类型、结构研究确定。上述方法可以在很大程度上降低对带电检测人员的专业技术要求，人员仅需掌握检测设备使用方法后即可准确的检测与记录，可以有效提高参与工作的人员数量。同时，由于设备检测点被固定，避免了人为因素造成的检测点选取不统一，使得检测数据准确性更高，同时采集完成的数据可以通过手持式终端机直接上传，省去人工录入，同时相关数据可以在现场完成分析判断。如针对开关柜类设备，通过在前中、前下、后上、后中、后下、侧上、侧中、侧下等各个位置设置RFID标识点，检测人员扫描后可通过网络自动上传数据并通过后台采集对应开关柜铭牌下的负荷电流情况，当一个站完成后，后台已自动生成完整报告并开展数据分析工作。手持式终端机具备提醒功能，对于站内遗漏的检测点会标红提醒，同时对环境值偏高等常见问题会出具对应指导方案。
1.2图像辅助检测软件
针对不同设备在手持式终端机内植入标准可见光及红外（紫外）图谱库，将以前存集和新近采集来的所辖运行状况良好的各类（型）电气设备红外图谱根据不同的型号和结构加以分类整理。试验人员在开展红外（紫外）带电检测工作可点开对应图谱库，确保拍摄位置和角度的准确性，同时图谱数据可根据模板上传，自动生成报告等。
2.带电检测现状
带电检测业务作为电网设备安全管理以及状态评价的辅助手段，在国网属各公司均开展了不同程度的工作。现阶段国网公司对带电检测业务的检测类型、检测步骤、检测标准等均没有标准规定。因此国网属各公司针对带电检测业务开展的工作也差别较大。国网公司2016年9月颁布了关于《电力设备带电检测仪器技术规范》等共14项技术规范，这14项技术规范涵盖了红外、紫外、超声波、局放等所有在用的带电检测设备的技术要求。
3.带电检测数据的分析
3.1数据清洗修正
通过对数据开展审查和校验，从而删除重复信息、纠正存在的错误，并提供数据一致性。分析时根据每个状态量的合理取值范围和相互关系，检查数据是否合乎要求，发现超出正常范围、逻辑上不合理或者相互矛盾的数据。如在红外检测数据中发现同一红外成像仪的检测数据存在普遍偏高情况，则判断仪器内部设置具有存在异常可能。如部分局放检测数据存在缺损，也及时提供缺损补录或其他综合评估方法。
期刊文章分类查询,尽在期刊图书馆
3.2聚类关联分析
聚类分析是将数据对象分组成为多个类或簇，在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。关联规则是挖掘大量数据中项集之间有趣的关联或相关联系。聚类是数据挖掘、模式识别等研究方向的重要研究内容之一。关联规则是数据挖掘研究的重要内容之一，旨在从大量数据中提取人们未知却又潜在有用的规则。如对开关柜类暂态地电波可开展聚类关联分析，将不同厂家、结构、投运年限等维度分别聚类，找出检测数据与上述参数的关联情况，从而指导缺陷预判。
3.3特征数据提取
特征提取是指从原始特征中挑选出一组最有代表性、分类性能好的特征。减少特征维数，进行“降维”处理，同时去掉模棱两可、不利于分类的特征，实现数据分析的快速、准确、高效，使得提供的特征具有更好的可分性。如对于常见开关柜类设备，在全寿命周期框架下具备大量的台账数据和试验、检修、带电检测数据，如何科学提取其中关联度最大的部分特征值参与状态评价工作是后续研究的重点。同时对于不必要的数据可直接删除减少数据库的存储量。
4.带电检测数据的应用
4.1开关柜暂态地电波数据应用
通过对同一设备同一位置的各年变化连贯曲线，即历史纵向比较，以及同一变电站同一位置的不同设备横向比较曲线。最终实现通过对相同测点、类似负荷及环境情况下可对检测数据的自动分析得出开关柜劣化曲线，可靠捕捉开关柜初期缺陷，给出设备的放电趋势和诊断意见，有效前移安全防线，同时可减少人工干预，从而解决由于诊断人员技术水平与经验不足而造成的误判、漏判，并弥补原先单一阀值判断法的局限性。曲线图中可选择同时标出同站全设备均值曲线、地区内同型号全设备均值曲线，用于判断参考。同时可选择时间跨度及检测点位置。同时还可直接在数据库内调用超声波、环境数据、检测仪器、负荷数据、红外检测数据等用于参照诊断。
4.2红外图谱数据应用
通过对图像数据的分类、归纳，实现设备运行状态的全面分析、判断。如建立的红外图谱库，可以按照电站、设备类型、发热性质、缺陷类型等进行多种分类，实现一张现场照片配一张红外热成像图，并且系统可以自动依据负荷、气温等情况对异常发热点作出自动判别，使运维人员能更快掌握电气设备发热的形式与特点。同时系统还可对检测数据开展动态跟踪，如绘制同设备不同相间的温度变化曲线等，对比负荷情况，进行疑似故障的实时监控。图像库还可根据标准图谱划定关键监控区间，根据各区间的温度情况判断设备存在的异常
总结：带电检测目前在整个电力系统中已开展多年，积累了丰富的检测数据和检测经验，适时引入大数据分析技术，能更加准确、全面、快速地利用这些宝贵的数据资源用于诊断设备健康状态，在保证安全的前提下最大限度避免设备过修，减少计划停电对用户的影响，并缓解一线班组工作压力。对于带电检测大数据的研究对于状态检修工作后续进一步深化具有不可忽视的指导意义。
参考文献：
[1]苏新宁.大数据时代数字图书馆面临的机遇和挑战[J].中国图书馆学报，2015，41（06）：4-12.
[2]王德文，孙志伟.电力用户侧大数据分析与并行负荷预测[J].中国电机工程学报，2015，35（03）：527-537.
[3]彭小圣，邓迪元，程时杰，文劲宇，李朝晖，牛林.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，2015，35（03）：503-511.
[4]徐宗本，冯芷艳，郭迅华，曾大军，陈国青.大数据驱动的管理与决策前沿课题[J].管理世界，2014（11）：158-163.
[5]程学旗，靳小龙，王元卓，郭嘉丰，张铁赢，李国杰.大数据系统和分析技术综述[J].软件学报，2014，25（09）：1889-1908.
[6]李广建，化柏林.大数据分析与情报分析关系辨析[J].中国图书馆学报，2014，40（05）：14-22.
论文作者:黄忠华,殷明,潘文鹏
论文发表刊物:《电力设备》2018年第22期
论文发表时间:2018/12/5
标签：数据论文; 设备论文; 开关柜论文; 图谱论文; 曲线论文; 负荷论文; 特征论文; 《电力设备》2018年第22期论文;