王爽++赵会洋

摘要：发电站正常高效运行是社会发展和人民生活中一个非常重要的基础保障工作。利用数据预测技术对电站设备故障的趋势进行预测分析，发现隐藏在数据中的有用信息，有助于管理者制定更加有效的电站管理策略以及进行工作的改革和创新。根据某发电集团设备故障的统计报告，利用指数平滑的时间序列预测方法对电站设备故障的趋势进行预测。实验结果合理，对设备故障的其他研究具有一定的借鉴意义。

关键词：电站；设备故障；时间序列；指数平滑

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）26-0243-03

Research on the Time Series Prediction of Power Plants Equipment Faults with Exponential Smoothing Method

WANG Shuang， ZHAO Hui-yang

（School of Information Engineering， Xuchang University， Xuchang 461000， China）

Abstract： It is an important basic security work for social development and peoples life that power plants can run normally and efficiently. If we use data prediction techniques to analyze the trend of power plants equipment faults， the useful information hidden in the data will be found. It is helpful for managers to establish a more effective management strategy of power plant and carry out the reform and innovation. According to the equipment fault statistics report of a certain power group， the paper uses a method of time series prediction named exponential smoothing to predict the trend of power plants equipment faults. The result of experiments is reasonable and can be a reference for other studies on equipment faults.

Key words： Power Plants； Equipment Faults； Time Series； Linear Regression

1 引言

根据麦肯锡（McKinsey）2011年5月发布的《大数据：创新、竞争和生产力的下一个新领域》报告，数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产因素。数据挖掘能够从大量的数据中通过算法发现隐藏于其中的信息，并已经成功应用于电子商务、银行、医药、气象等众多领域。近年来，数据挖掘在电力领域的研究也受到了较多的关注。文献[1-3]研究了分类和聚类算法在电力客户分类及电力负荷分类方面的应用。文献[4-9]研究了数据预测算法在电力负荷预测、风电功率预测、电价预测、风力预测、风速预测等方面中的应用。文献[10-13]研究了关联规则算法在电力负荷、电网脆弱性、电站凝汽器等方面的应用。本文基于大量的设备故障历史统计数据，运用指数平滑的时间序列预测方法对设备故障的发展趋势进行预测，从而为电站的运行维护、设备检修管理提供决策支持。2013年电力行业信息化年会的与会专家一致认为：电力大数据的信息挖掘和利用将给电力企业带来新一轮商业模式转变和价值创新。

2 数据描述

研究所基于的数据来自中国某大型发电集团从2008年到2014年的设备运行故障月度报告。报告有word和pdf两种格式，每份报告的主要内容有设备运行故障的统计概况、具体案例描述。经过数据整理后形成了设备运行异常情况表，具体内容如表1所示。

由于数据条目较多，在此仅列出每张表的少数几条数据。对于文字内容描述较多的字段，仅列出了一条较为完整的数据来说明问题，其他条目的内容用“略”来代替。表1中的的类别1到类别4是从粗到细分别描述了设备故障的类别，每条样本数据展现了不同类别的故障在特定时间所发生的项数和具体的原因描述。

由于数据条目较多，在此仅列出每张表的少数几条数据。对于文字内容描述较多的字段，仅列出了一条较为完整的数据来说明问题，其他条目的内容用“略”来代替。表1中的的类别1到类别4是从粗到细分别描述了设备故障的类别，每条样本数据展现了不同类别的故障在特定时间所发生的项数和具体的原因描述。其中类别3随时间的变化关系如图1所示。从图中可以看出，电站故障的主要类别是锅炉故障，其次是汽机故障，然后是电气故障。特别是锅炉故障，每个月发生的次数均高于其他故障类别。因此，本文主要针对锅炉故障的时间序列进行趋势预测。

4 结束语

本文从新的数据视角，基于电站的设备故障分析报告，研究了基于三次指数平滑的时间序列预测在电站设备故障分析中的应用。研究结论对电力企业的管理决策制定和设备故障的技术创新都有一定的帮助，但研究结果还有待进一步提高，研究手段还有待进一步丰富。下一步，将综合多种数据挖掘技术应用于电力数据分析中，充分挖掘电力大数据的价值，为社会生产提供更多服务。

参考文献：

[1] 冀明，孔凡伟.聚类分析在电力客户分类中的应用[J].硅谷，2012（7）：112-184.

[2] 窦全胜，史忠植，姜平，等.调和聚类-分类方法在电力负荷预测中的应用[J].计算机学报，2012（12）：2645-2651.

[3] 刘莉，王刚，翟登辉.k-means聚类算法在负荷曲线分类中的应用[J].电力系统保护与控制，2011（23）：65-68.

[4] 杨茂，熊昊，严干贵，等.基于数据挖掘和模糊聚类的风电功率实时预测研究[J].电力系统保护与控制，2013（1）：1-6.

[5] 刘学琴，吴耀华，崔宝华.基于扩展粗糙集的短期电力负荷预测模型[J].电力系统保护与控制，2010（5）：25-28.

[6] 崔旻，顾洁.电力系统中长期负荷预测的改进决策树算法[J].上海交通大学学报，2004（8）：1246-1249.

[7] 刘庆彪，张步涵，王凯，等. 电价预测的自适应支持向量机方法研究[J].电力系统保护与控制，2008（22）：34-39.

[8] ?zkan M B， Kü?ük D， Terciyanl? E， et al. A Data Mining-Based Wind Power Forecasting Method： Results for Wind Power Plants in Turkey[M]. Springer Berlin Heidelberg， 2013.

[9] Colak I， Sagiroglu S， Demirtas M， et al. A data mining approach： Analyzing wind speed and insolation period data in Turkey for installations of wind and solar power plants[J].Energy Conversion & Management，2013，65（1）：185-197.

[10] 马瑞，周谢，彭舟，等.考虑气温因素的负荷特性统计指标关联特征数据挖掘[J].中国电机工程学报，2015（1）：43-51.

[11] 颜宏文，谢启龙.基于多维关联规则的电网脆弱性识别研究[J].计算机应用与软件，2015（11）：36-40.

[12] 谷俊杰，王为力，李家川，等. 关联规则挖掘在电站运行优化中的运用[J].电站系统工程，2009（1）：8-10.

[13] 胡鹏睿.定量关联规则挖掘电站凝汽器运行数据研究[J].华东电力，2007（10）：24-26.