【关键词】大数据；机器学习；配电设备故障；预警模型

引言

配电设备是电力系统组成的一部分，配电设备运行状态的好坏直接影响着供电的安全性和可靠性。传统的配电设备故障诊断方法多采用常规巡检和简单在线监视技术，难以做到及时、准确发现设备隐性故障。大数据技术的不断更新，以及机器学习算法的不断进步，为配电设备的故障预判提供了一种新的解决思路与办法，借助大数据技术收集、存储大量配电设备运行信息，并通过机器学习算法进行深入挖掘、分析，进而构建一个较为精准的预判模型。

一、配电设备运行大数据的采集与处理

（一）数据采集

配电设备运行数据种类繁多，主要来自设备的电气信息（电压、电流、功率等）、温度、湿度、振动等传感器以及设备检修记录、设备运行日志等文本信息。为了保证数据的准确性、实时性，可在配电设备中添加各类传感器，实时监控配电设备运行数据并通过通信网络将数据传递至数据中心进行数据存储管理。配电设备数据中心的建设为后续的数据分析处理提供基础保障[1]。

（二）数据预处理

原始数据采集所得结果不可避免地会存在噪声数据、缺失值、异常值等问题，若不对这些信息进行处理，将影响数据分析结果的准确性和可靠性。由此可见，对数据进行必要的预处理是数据处理流程的重要环节。数据预处理分为数据清洗、数据集成、数据变换和数据规约等。数据清洗是对噪声数据、异常值数据、缺失值数据等进行处理，将数据清洗干净，保证数据的纯净性；数据集成将多个异源数据中的信息集合形成数据的统一视图；数据变换对数据进行归一化、规范化等数据预处理，提升数据的质量和可用度；数据规约即对数据进行降维操作，以降低数据维数，提升数据处理效率[2]。

（三）特征提取

从预处理过后的数据中提取能够表征配电设备工况的信息是建立故障预警模型的必要环节。特征提取方法有多种，如统计特征提取、时域特征提取、频域特征提取、小波变换等。统计特征提取关注的是数据的统计特性，如均值、方差等；时域特征提取关注数据随时间变化的特性；频域特征提取关注数据在频率域上的表现；小波变换也是一种多尺度的分析方法，能够很好地描述数据的局部特性。通过对特征的分析和处理获得能够区分正常状态和故障状态的有效特征向量，为后续故障诊断预警提供支持。

二、机器学习算法在配电设备故障预警中的应用

文章主要研究支持向量机（Support Vector Machine，SVM）、决策树、神经网络在配电设备故障预警中的应用。

（一）SVM

1.原理概述

SVM基本原理是找出一个能将数据最优分类的分类超平面，二维空间中超平面是直线，在三维空间中超平面是平面，在更高维度空间中超平面只是概念，而原理与前两者相同。对于配电设备故障预警问题，可以把不同状态的数据分别看作为两类样本点，SVM的目标是找出一个超平面，能够尽可能把这两类数据分开，并且得到的超平面与这两类样本点之间的间隔最大化，而这样的超平面具有很好的泛化能力，可以实现未知状态数据的分类预测[3]。

2.处理高维与小样本数据的优势

对于配电设备故障预警数据而言，往往会有大量的设备运行数据，这些数据包含了特征值和特征参数的很多维数，如电压、电流、温度、湿度等。SVM对高维数据有较强的泛化能力和分类精度，因此对高维数据有着较好的处理效果。并且，通过核函数可将原始数据转换到高维空间中进行线性可分超平面的寻找，解决了非线性可分的难题。同时，SVM有较强的小样本数据分类能力。很多传统机器学习方法对于小样本数据容易出现过拟合现象，SVM采用的最大间隔的方法可以在较少的样本数据下找到最优的分类超平面，防止出现过拟合的现象。

3.应用步骤

在实际应用时，首先对配电设备的运行数据进行预处理，包括数据清洗、特征选择以及特征提取。数据清洗的作用是将数据中的噪声和异常值清除，确保数据的质量；特征选择是从大量特征中选取对故障分类最有利的特征，缩减数据的维度；特征提取将原始的数据转换成更具代表性的特征。将预处理后的数据划分为训练集和测试集，用训练集训练SVM模型，调节模型参数，使其分类器达到最大准确性。之后用测试集对训练好的模型进行测试，测试模型的性能。