基于多源數據融合的故障預測與智能運維

韓葉林　劉波　田晶

[摘? ? 要]在傳統的設備運維工作中，各行業普遍采取“廣撒網”的模式，過于依賴人員經驗水平和人員數量，且故障預判困難，運維主動性差。如今大數據技術的迅速發展為解決以上問題提供了新的可能。本項目基于各行業的設備在運行中積累的歷史數據，結合氣象、水文、交通狀況等外部信息，在Python開發環境中采用BP神經網絡算法建立了設備故障預測模型，實現了基于多源數據融合的設備故障預測和運維調度，對各行業設備運維工作具有指導意義。通過在舟山供電公司配網運維工作一年以來的試運行，其實用性和準確性已得到充分驗證，并且在2019年抗擊超強臺風“利奇馬”和“米娜”的過程中，發揮了至關重要的作用，幫助舟山電網提前布置各項應對措施，快速響應，及時復電，將臺風影響降至最低。通過模型的修正和輸入數據的替換，本項目成果可以推廣至其他行業的設備運維和故障預測，從而實現推動社會發展，服務國計民生的最終目標。

[關鍵詞]設備運維;Python;多源數據融合;故障預測

[中圖分類號]E92 [文獻標志碼]A [文章編號]2095–6487（2020）06–00–03

Fault Prediction and Intelligent Operation and Maintenance Based on

Multi-source Data Fusion

Han Ye-lin， Liu Bo， Tian Jing

[Abstract]In the traditional equipment operation and maintenance work， various industries generally adopt the mode of "spreading the net"， which relies too much on the experience level and the number of personnel， and it is difficult to predict the fault， and the operation and maintenance initiative is poor. Nowadays， the rapid development of big data technology provides new possibilities to solve the above problems. Based on the historical data accumulated in the operation of equipment in various industries， combined with the external information such as meteorology， hydrology， traffic conditions， etc.， this project uses BP neural network algorithm to establish the equipment fault prediction model in Python development environment， and realizes the equipment failure prediction and operation and maintenance scheduling based on multi-source data fusion， which has guiding significance for equipment operation and maintenance work of various industries. Through the trial operation of Zhoushan power supply company's distribution network operation and maintenance work for one year， its practicability and accuracy have been fully verified， and it has played a crucial role in the process of fighting super typhoon "lichma" and "Mina" in 2019， helping Zhoushan power grid to arrange various response measures in advance， respond quickly， restore power in time， and minimize the impact of typhoon. By modifying the model and replacing the input data， the results of this project can be extended to the equipment operation and maintenance and fault prediction of other industries， so as to achieve the ultimate goal of promoting social development and serving the national economy and people's livelihood.

[Keywords]equipment operation and maintenance; Python; multi source data fusion; fault prediction

1 業務背景

在當今社會，水電煤氣的穩定供應，通信、交通等社會公共事業的正常運轉，既與人民群眾的日常生活息息相關，又與國家經濟發展命脈緊密相連。以上各行業有諸多共同特征：設備眾多，線路管網復雜，易受惡劣天氣影響，且一旦故障停運，對正常社會秩序和人民生產生活將造成嚴重影響。長期以來，各行業在設備運維和故障搶修，特別是在抵御臺風、洪澇等自然災害的過程中，投入了大量的人力物力，但始終處于被動搶修的狀態，收效不夠良好。如今，大數據、物聯網等技術的迅速發展，以及5G時代的到來，為上述難題提供了一種新的解決思路。

通過調查論證，本項目團隊發現各行業設備數據類的隱性價值并未得到充分開發。針對這一問題，團隊利用數據挖掘技術處理存量數據，并建立同時具備準確性、可靠性、實用性的數學模型，通過模型對數據的處理和挖掘，將整個設備系統的安全、可靠運行與大數據技術連接為一個有機的整體，實現參數測量和監視、故障記錄與分析、數據存儲、處理、共享等功能，并在此基礎開展設備運行狀態預測、故障預判和運維方式、方法的優化運籌。

本項目以團隊成員所從事的10kV配電網運維工作為切入點，由點及面，逐步推廣至其他領域。考慮到配電網覆蓋面積廣、網架結構復雜、設備體量大、運行方式靈活多變的特點，對比新形勢下電力客戶對供電服務的需求，總結得出配電網目前存在的特點，也即本項目所需解決的幾大難點，主要包括：

（1）配網設備點多面廣，配網搶修工作任務繁重。據統計，舟山城區配電網平均每平方公里就有2臺配變，低壓用戶數以千計。配網搶修工作任務繁重，特別是特殊用電時段（如春節、夏季負荷高峰）或惡劣天氣下，配網異動事件數激增，為應急搶修工作帶來巨大壓力。

（2）配網運行動態實時性強，異動和運行風險難以有效防范。用戶負荷具有區域性、時變性、外部氣象環境敏感性等特點，配變重過載、低電壓等異動狀態導致的停運故障時有發生，影響用戶用電體驗，且由于配網監測終端數據傳輸的滯后性，故障處理只能采用事后搶修手段，無法消除配網設備異常對客戶服務造成的事實影響。

（3）以電網為中心的檢修作業模式不能有效滿足新時代的要求。以客戶為中心的現代服務模式要求我們能夠第一時間捕獲客戶用電需求，并深度挖掘、快速響應，能夠根據客戶用電訴求合理安排運維檢修工作，實現對內面向設備的運維管理工作與對外面向客戶的優質服務工作的進一步融合，以促進客戶服務訴求驅動運檢工作有效開展，提高供電質量，但目前供電企業對客戶用電體驗的主動感知手段相對缺乏。

為了提高項目的可推廣性，項目團隊還調研了三大通信運營商、廣電、供水、供氣等企業在設備、線路、管網運維工作中存在的難點，深入了解各行各業數據特點和存儲方式，與電力大數據的相似性和差異程度，為后續項目在電力系統外的推廣提供理論依據。

2 數據概述

本項目選擇以電力大數據為問題突破口。電力大數據是指通過傳感器、智能設備、視頻監控設備、音頻通信設備、電量采集終端等各種信息獲取渠道收集到的、海量的、結構化、半結構化、非結構化的，且相互間存在關聯的業務數據集合，也包括氣象、水文、交通等與電網運行相關的外部數據。

本項目數據來源主要為浙江省電力有限公司數據在線服務平臺，通過平臺接入的用電信息采集系統、設備（資產）運維精益管理系統（PMS2.0）、浙江氣象信息系統等，獲取項目進行數據挖掘所需的大量基礎信息，項目涉及的數據表單單日數據量超過50萬條數據。

3 算法及應用

3.1 BP神經網絡算法簡介

Rmmemart和McCelland提出了一種智能的訓練預測模型—BP神經網絡，該模型通過誤差逆傳播算法訓練的多層前饋，實現對輸入結果的準確預測，是迄今為止最成功的神經網絡算法。BP神經網絡模型通過對大量的輸入——輸出模式映射關系進行學習和存儲，無需提前知道反映這種關系的數學公式，使用梯度下降法的訓練規則，通過反向傳播，不斷調整網絡的輸入參數的權值和輸出結果的閾值，最終使得網絡的誤差平方和最小。

假設有訓練集D={（x1，y1）， （x2，y2），…，（xm，ym）}，其中xi∈Rd，yi∈Rl，即輸入每個樣本有d個特征描述，輸出的為l維的向量。在神經網絡的的訓練過程中，會得到一個和實際有偏差的l維預測向量，并且通過不斷將預測向量和真實向量進行比較，并按照梯度下降法對各個神經元的權重進行修正，最終使誤差平方和最小。誤差平方和公式如下：

任意神經元的權重的更新公式如下：

由于梯度下降法是基于梯度下降策略，以目標的負梯度方向對參數進行調整。對于給定學習率η和誤差Ek，有以下公式：

3.2 預測結果及分析

訓練模型總共使用了905條數據，其中故障數據有205條，正常數據有700條。為了提高模型的泛化能力，我們做了10組交叉驗證實驗，使用了180條數據來評估模型的性能，其中故障數據有40條，正常數據有140條。模型的主要參數為隱藏層為200，輸出層為30，最大訓練迭代次數為1000次，激活函數為ReLU，采用adam算法進行優化求解。

整體上所有樣本的識別準確率可以達到93.22%，敏感性達到81.1%，特異性達到96.71%。針對正常運行的樣本預測正確率為96.7%，針對故障樣本數據的預測，準確達到81%，有較高的準確率。極高的特異性，有利于減少設備檢修的人力成本。但是，我們的現有的故障數據樣本較少，因此在總樣本數量上進行了一定的限制，在僅考慮目前選定的特征量的情況下的表現良好，面對復雜的情況進行分析存在一定的缺陷。后續若能推廣至全省應用，可獲取大量故障數據和正常數據作為訓練樣本，有助于模型的優化，進一步提高預測準確率。

4 成效及前景

本項目以配網運維所使用的各個信息系統為數據源，融合“浙電云平臺”所接入的各類信息表，在Python編程環境中建立數學模型，用算法實現配網采集數據的提取、清洗、處理和展示。根據模型輸入的不同的數據源，可以輸出配網故障概率預測（時間分布和空間分布）、配電變壓器電壓電流值的異常波動監測（預警單相重載、低電壓、三相不平衡等故障前兆）、特殊氣象條件和自然災害前配網巡視重點區域預測與指揮，以及配網設備故障歷史數據的聚類分析與可視化展示等。

有了以上數據處理結果，結合舟山供電公司創新性提出的“巡警式”配網檢修模式，真正做到將電力大數據與實際運維有機結合，實現了數據與運維、“軟件”與“硬件”的互相搭配，為配網的巡視和檢修工作提供輔助的決策和指揮，大大提高工作效率。

“巡警式”配網檢修模式，區別于傳統的“全員待命——故障發生后出發搶修——完工后返回繼續待命”工作模式，采用搶修人員主動出擊，人員和車輛外出巡邏的形式，主要圍繞故障高發區，爭取提前發現并消除故障隱患。當有故障發生時，由距離故障最近的一組人員趕往搶修現場。通過電力大數據建立的數據挖掘模型，恰恰為“巡警式”配網檢修提供了最需要的故障預測與運維調度功能，將人員、數據、設備巧妙結合為一體，實現了面向設備的運維管理工作與面向客戶的優質服務工作進一步融合。

巡警式檢修模式的關鍵環節是故障的預測和定位。本項目提供配網運行特征分析、配變過載預警、配變低電壓預警、氣象預警等功能，同時結合巡警式檢修模式，輔助運檢人員全方位掌控設備狀態，打通了從設備狀態變化，到巡警式檢修工作安排，再到主動運維的工作通道，奠定了基于設備異動和環境異動的“神經反射”基礎，輔助搶修人員將故障事件消滅于萌芽狀態。對比傳統工單受理、故障搶修模式，真正實現了“數據驅動業務”，穩定了電網運行、保障了供電服務質量。

對于移動、聯通、電信等通信運營商的通信基站、光纜線路運維和搶修，以及供水、供氣企業的管網檢修等領域，上述模型同樣具有實用性。通過包含數值特征、氣象特征、地理特征的故障歷史信息數據，進行數據清洗和處理，借助模型的演算，能夠實現設備的故障預測和差異化運維，從而降低運維成本，提升服務質量和用戶滿意度。

本項目在電力行業落地實施以來，其實用性已在臺風搶修和日常運維中得到充分驗證。若能推廣至其他行業領域，將有助于建設智慧城市，優化營商環境，提升公共服務水平，提高居民生活幸福指數。無論是對政府部門的城市治理工作，還是經濟社會的發展，都具有積極的推動作用。

在電力行業有一條原則：“寧可讓電力等發展，不能讓發展等電力”，即電力應該是經濟社會發展的推動力，而不能拖發展的后腿。要推動發展，必須做到未雨綢繆。因此本項目團隊下一工作目標，全面分析最新的政府規劃文件，挖掘規劃中提及的重點開發區域、大型民生工程、招商引資重點項目等等，通過當前電網設備信息，計算出上述各區塊的電力供應情況，預估電能缺口，通過新設線路、變電站改造、臺區增容等手段，將負荷中心的供電納入電網建設規劃中，實現電網建設超前發展。同理，供水、供氣、通信、交通等領域，同樣可以借助模型對現有設備的深入分析，預估政府需求和供應能力的缺口，提前補強，在政府規劃建設完成之前完善各類配套設施，助力城市建設，經濟發展。

參考文獻

[1] 吳明強，房紅征，伊大偉，等.復雜系統故障預測方法與應用技術研究[J].計算機測量與控制，2010（1）：24.

[2] 于鋒， 陳春生. 數據庫智能化運維與故障預測平臺研究與實踐[J]. 金融電子化， 2015（4）：64-65.

[3] 劉兆煒. 基于故障預測與健康管理的智能化運維系統的設計與實現[D].中國科學院大學，2019.

[4] 秦愛民. 基于多源異構數據融合，機器學習及客服機器人的智能運維分析系統：CN109343995A[P].2019-02-15.

[5] 徐強. 基于多源信息融合的變電站智能運維監控平臺研究[J]. 現代建筑電氣， 2019（3）：59-62.

[6] 閻博， 張昊， 郭子明，等. 基于多源數據融合的電網故障綜合分析與智能告警技術研究與應用[J]. 中國電力， 2018（4）：59.

[7] 劉斌， 王曉明， 田君楊，等. 基于多源信息的繼電保護故障信息智能分析系統研發[J]. 電工技術， 2020（53）：63.

[8] 任翠蕾. 基于多源信息融合的傳感器故障診斷技術的研究[D].華北電力大學，2012.

[9] 羅俊海， 王章靜. 多源數據融合和傳感器管理[M].北京： 清華大學出版社， 2015.

[10] 黃鹍， 陳森發， 周振國. 多源信息的實時智能融合系統研究[J]. 東南大學學報：自然科學版， 2004， 34（11）：219.