風電設備可靠性指標數據治理方法研究

馮濤，劉廣東，王強

（1.都城偉業集團有限公司，北京 100020；2.國網山西省電力公司，山西 太原 030000)

風電設備可靠性指標數據治理方法研究

馮濤1，劉廣東1，王強2

（1.都城偉業集團有限公司，北京 100020；2.國網山西省電力公司，山西 太原 030000)

本文首先對企業風電設備可靠性指標數據進行現狀分析。然后，針對指標數據中存在的問題，提出相應的解決方法。最后，利用風電設備可靠性評估模型對治理前后的樣本數據進行對比分析，說明數據治理的必要性和有效性。

風電設備可靠性指標；數據質量；貝葉斯網絡；風電設備可靠性模型

風電設備可靠性指標綜合反映了電力企業設備運行狀況以及日常維護水平，而可靠性指標數據質量的好壞，直接影響著企業對風電設備可靠性的評估精度。在原始數據的產生過程中，由于員工素質、統計口徑、數據采集方法、組織安排等方面的不同和漏洞，導致數據在完整性、準確性、時效性、可信性和可解釋性等維度上存在問題，不能滿足不同的業務需求，也影響到設備可靠性指標的數據質量。因此，數據的質量管理日益成為電力企業關注的話題。本文在梳理前人研究的基礎上，首先對企業風電設備可靠性指標數據現狀進行分析，并就其中存在的問題提出相應的治理方法，然后利用風電設備可靠性評估模型進行對比分析，說明企業風電設備可靠性指標數據治理的必要性和有效性。

1 研究綜述

業內人士也對相關問題展開了分析和研究。李欣然（2013）在分析電力統計數據現狀的基礎上，對電力統計數據的質量評估和異常檢測方法進行了研究；陳超（2014）通過分析電力數據產生質量問題的原因，結合相關分析研究，提出了適合于電力大數據數據質量控制與評估體系模型；黨芳芳（2014）以國網河北省電力有限公司為研究對象，研究了數據質量管控技術在電網企業業務系統中的應用；胡冬梅（2014）對影響發電企業數據質量做出了因素分析，并就提升發電企業數據質量提出了相應的策略和建議；李遠寧、劉森（2016）針對電力企業面臨的數據質量問題，提出了分布式數據質量管理解決方案。

2 企業風電設備可靠性指標數據現狀分析

企業風電設備可靠性評估的關鍵是構建風電設備可靠性的指標體系。參閱《發電設備可靠性評價規程》，通過相關性分析，得出相關性系數矩陣，篩選出 10個指標構建企業風電設備可靠性指標體系，體系劃分為三級，我們選取可用性指標、出力指標、啟動指標和其他指標四個二級指標對風電設備可靠性一級指標進行評估，同時用 10個三級指標對四個二級指標進行評價，具體指標體系如圖1所示。

圖1 風電設備可靠性指標體系

盡管電力企業通過業務管理信息系統獲取了大量的風電設備可靠性指標的基礎數據，但在基礎數據的整個產生過程中，由于人員素質、數據采集方法、統計口徑、管理機制等方面存在的不足，導致一些數據在準確性、完整性、時效性、可信性和可解釋性等方面不能滿足不同用戶的需求，數據質量存在一定的問題，從而影響企業風電設備可靠性評估的有效性。

2.1 數據的完整性

人為因素造成的數據項漏填或者數據向數據中心推送時造成的數據項缺失，都會造成數據的不完整，不完整的指標數據會對風電設備可靠性評估帶來不利影響。以啟動可靠度為例，SR=啟動成功次數 /（啟動成功次數 +啟動失敗次數）×100%，在啟動成功次數一定的情況下，假設由于人為原因造成啟動失敗次數項的漏填，則啟動可靠度這一指標會被高估，進而影響風電設備可靠性的啟動指標。

2.2 數據的準確性

由于人為誤差、抽樣誤差、范圍誤差、時間誤差、統計方法誤差等方面，造成數據觀測值與目標特征值即“真值”存在著偏差。以可用系數為例，AF=可用小時 /統計期間小時 ×100%，在統計期間小時數一定的情況下，由于可用小時觀測值準確性存在問題，高于或低于其目標特征值，從而造成可用系數這一指標被高估或者低估，進而影響風電設備可靠性的可用性指標。

2.3 數據的時效性

就是要縮短統計數據從采集、加工整理到數據傳輸的整個過程，縮短調查基準期與數據結果發布時間的間隔時間，數據質量在很大程度上受數據時效性的制約，電力企業數據的時效性影響著發電設備運行的效果。以暴露率為例，EXR=運行小時 /可用小時×100%，如果運行小時、可用小時數據不能得到及時的更新、發布，則暴露率這一指標不能得到有效計算，進而發電機組在網運行時間得不到有效評估。

3 企業風電設備可靠性指標數據治理方法

針對上述企業風電設備可靠性指標數據中存在的質量問題，提出相應的數據治理方法。

3.1 數據的完整性

針對數據項的缺失或者數據項的漏填，可以通過以下途徑加以管控：（1）可以為數據庫中某些字段添加非空約束，保證指標數據的完整性。（2）對于已經存在的數據缺失項，可以通過人工填補，以可用系數為例，AF=可用小時 /統計期間小時 ×100%，我們選取 30臺風電機組的指標數據，其中第k臺風電機組的可用小時缺失，則一般可用其他 29臺風電機組可用小時的平均值對第k臺風電機組的可用小時的缺失值進行填充。

3.2 數據的準確性

可以通過以下途徑予以解決：（1）界定指標數據的有效范圍，判斷數據是否在有效范圍內波動，進而判斷數據的準確性；數據的有效范圍，可以通過對歷史數據進行統計分析，總結出指標數據的分布區間，也可以通過電力領域的專家或技術人員予以劃定。以平均無故障可用小時為例，我們選取 30臺風電機組的指標數據，利用 SPSS軟件中的非參數檢驗單樣本 K-S 檢驗對其進行正態分布檢測，發現平均無故障可用小時服從正態分布，并得到相應的平均值 u=6948.23和標準差δ =878.79，根據拉依達準則法 ）（ δ3 ，對大于 δ3+u 或者小于 δ3?u 的觀測數據值視為異常值，應予以剔除，得到正常值的波動范圍為 ]3,3[ δδ +? uu ，并以此作為平均無故障可用小時指標數據的有效范圍。（2）規定相關指標數據的類型，為其設立合理的類型、精度、單位、長度、格式等，篩選出不符合類型標準的指標數據，進而判定數據的準確性。（3）組織相關領域的專家和工作技術人員，直接對存在質量問題的關鍵性指標數據予以校正。

3.3 數據的時效性

應根據原始數據的業務特點和上報周期，為其設定合理的采集周期，保證數據庫中數據的時效性。以月報數據為例，采集周期不能超過一個月，否則指標數據的有效性將會受到影響；針對需要計算得出的指標數據，這部分數據隨著其他數據的更新而更新，應為其設定合理的指標數據計算周期，確保指標數據的時效性。

4 企業風電設備可靠性評估模型

本文以某企業 30臺風電機組可靠性指標數據為基礎，利用貝葉斯信念網絡建立企業風電設備可靠性評估模型，并對治理前后的相關指標數據結果進行對比分析，說明企業風電設備可靠性指標數據治理的必要性和有效性。

首先，為了消除樣本數據的不同量綱對訓練結果的影響，利用 SPSS Modeler 軟件對 30臺風電機組可靠性指標數據進行歸一化處理。然后，建立貝葉斯網絡與訓練。最后，在完成貝葉斯網絡的訓練后，將剩下的21-30號風電機組的樣本數據（分為未經治理前的樣本數據和治理后的樣本數據）作為測試樣本集輸入貝葉斯網絡進行計算，計算完成后，將數據治理前后的網絡輸出值與實際的鑒定值進行比較，對比結果如表1。

表1 數據治理前后的網絡輸出值與實際鑒定值的對比分析

從表1中可以看出治理前的網絡輸出值與實際鑒定值的誤差率較大，10臺風電機組中共有 5臺機組的誤差率在 10%以上；治理后的網絡輸出值與實際鑒定值的誤差率較小，10臺風電機組中只有 2臺機組的誤差率在 10%以上，其余的普遍控制在 10%以下；對比分析顯示，經過治理后的樣本數據對風電設備可靠性的評估精度較好，而未經治理的樣本數據對風電設備可靠性的評估精度較差，這不僅說明了企業風電設備可靠性指標數據治理的必要性，也說明了指標數據治理的有效性。

5 結語

本文通過對企業風電設備可靠性指標數據的現狀進行分析，并就數據質量中存在的問題提出相應解決方法，利用風電設備可靠性評估模型對治理前后的指標數據進行對比分析，說明了數據治理的必要性和有效性。但由于各種原因，文章還存在以下諸多局限需在以后的學習中做進一步的研究。（1）未對諸如辦公文檔、文本、圖片、XML、HTML、各類報表和音頻 /視頻信息等非結構化數據進行詳細的現狀和治理方法分析。（2）由于數據采集困難，文章只選取了 30臺風電機組的樣本數據，建立企業風電設備可靠性評估模型，在以后的研究中，可以通過增加可靠性指標數據、擴大樣本量等方法建立評估模型，以提高模型的評估精度。

[1]范明，孟小峰 .數據挖掘概念與技術（第三版）[M].北京：機械工業出版社，2016.

[2]黨芳芳 .電網企業業務數據質量管控技術的研究 [D].北京：華北電力大學，2014.

[3]賈曉鴿 .數據挖掘在發電設備可靠性控制中的應用與改進研究 [D].北京：華北電力大學，2014.

[4]馮麗紅 .調查數據缺失值常用插補方法比較的實證分析 [D].石家莊：河北經貿大學，2014.

[5]蘇海峰 .貝葉斯網絡及其在發電系統可靠性評估中的應用 [D].石家莊：河北農業大學，2004.

[6]許滌龍，葉少波 .統計數據質量評估方法研究述評 [J].統計與信息論壇，2011（7）：3-12.

[7]陳超 .電力大數據質量評價模型及動態探查技術研究 [J].現代電子技術，2014（4）：153-155.

[8]宋亞奇，周國亮，朱永利 .智能電網大數據處理技術現狀與挑戰 [J].電網技術，2013（4）：927-935.

TM315

A

1671-0711（2017）07（下）-0227-03

國家電網公司科技項目《企業級數據治理體系研究》，項目編號： 國家電網科 [2015]709號 -43。