韩叶林　刘波　田晶

[摘    要]在传统的设备运维工作中，各行业普遍采取“广撒网”的模式，过于依赖人员经验水平和人员数量，且故障预判困难，运维主动性差。如今大数据技术的迅速发展为解决以上问题提供了新的可能。本项目基于各行业的设备在运行中积累的历史数据，结合气象、水文、交通状况等外部信息，在Python开发环境中采用BP神经网络算法建立了设备故障预测模型，实现了基于多源数据融合的设备故障预测和运维调度，对各行业设备运维工作具有指导意义。通过在舟山供电公司配网运维工作一年以来的试运行，其实用性和准确性已得到充分验证，并且在2019年抗击超强台风“利奇马”和“米娜”的过程中，发挥了至关重要的作用，帮助舟山电网提前布置各项应对措施，快速响应，及时复电，将台风影响降至最低。通过模型的修正和输入数据的替换，本项目成果可以推广至其他行业的设备运维和故障预测，从而实现推动社会发展，服务国计民生的最终目标。

[关键词]设备运维;Python;多源数据融合;故障预测

[中图分类号]E92 [文献标志码]A [文章编号]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 業务背景

在当今社会，水电煤气的稳定供应，通信、交通等社会公共事业的正常运转，既与人民群众的日常生活息息相关，又与国家经济发展命脉紧密相连。以上各行业有诸多共同特征：设备众多，线路管网复杂，易受恶劣天气影响，且一旦故障停运，对正常社会秩序和人民生产生活将造成严重影响。长期以来，各行业在设备运维和故障抢修，特别是在抵御台风、洪涝等自然灾害的过程中，投入了大量的人力物力，但始终处于被动抢修的状态，收效不够良好。如今，大数据、物联网等技术的迅速发展，以及5G时代的到来，为上述难题提供了一种新的解决思路。

通过调查论证，本项目团队发现各行业设备数据类的隐性价值并未得到充分开发。针对这一问题，团队利用数据挖掘技术处理存量数据，并建立同时具备准确性、可靠性、实用性的数学模型，通过模型对数据的处理和挖掘，将整个设备系统的安全、可靠运行与大数据技术连接为一个有机的整体，实现参数测量和监视、故障记录与分析、数据存储、处理、共享等功能，并在此基础开展设备运行状态预测、故障预判和运维方式、方法的优化运筹。

本项目以团队成员所从事的10kV配电网运维工作为切入点，由点及面，逐步推广至其他领域。考虑到配电网覆盖面积广、网架结构复杂、设备体量大、运行方式灵活多变的特点，对比新形势下电力客户对供电服务的需求，总结得出配电网目前存在的特点，也即本项目所需解决的几大难点，主要包括：

（1）配网设备点多面广，配网抢修工作任务繁重。据统计，舟山城区配电网平均每平方公里就有2台配变，低压用户数以千计。配网抢修工作任务繁重，特别是特殊用电时段（如春节、夏季负荷高峰）或恶劣天气下，配网异动事件数激增，为应急抢修工作带来巨大压力。

（2）配网运行动态实时性强，异动和运行风险难以有效防范。用户负荷具有区域性、时变性、外部气象环境敏感性等特点，配变重过载、低电压等异动状态导致的停运故障时有发生，影响用户用电体验，且由于配网监测终端数据传输的滞后性，故障处理只能采用事后抢修手段，无法消除配网设备异常对客户服务造成的事实影响。

（3）以电网为中心的检修作业模式不能有效满足新时代的要求。以客户为中心的现代服务模式要求我们能够第一时间捕获客户用电需求，并深度挖掘、快速响应，能够根据客户用电诉求合理安排运维检修工作，实现对内面向设备的运维管理工作与对外面向客户的优质服务工作的进一步融合，以促进客户服务诉求驱动运检工作有效开展，提高供电质量，但目前供电企业对客户用电体验的主动感知手段相对缺乏。

为了提高项目的可推广性，项目团队还调研了三大通信运营商、广电、供水、供气等企业在设备、线路、管网运维工作中存在的难点，深入了解各行各业数据特点和存储方式，与电力大数据的相似性和差异程度，为后续项目在电力系统外的推广提供理论依据。

2 数据概述

本项目选择以电力大数据为问题突破口。电力大数据是指通过传感器、智能设备、视频监控设备、音频通信设备、电量采集终端等各种信息获取渠道收集到的、海量的、结构化、半结构化、非结构化的，且相互间存在关联的业务数据集合，也包括气象、水文、交通等与电网运行相关的外部数据。

本项目数据来源主要为浙江省电力有限公司数据在线服务平台，通过平台接入的用电信息采集系统、设备（资产）运维精益管理系统（PMS2.0）、浙江气象信息系统等，获取项目进行数据挖掘所需的大量基础信息，项目涉及的数据表单单日数据量超过50万条数据。

3 算法及应用

3.1 BP神经网络算法简介

Rmmemart和McCelland提出了一种智能的训练预测模型—BP神经网络，该模型通过误差逆传播算法训练的多层前馈，实现对输入结果的准确预测，是迄今为止最成功的神经网络算法。BP神经网络模型通过对大量的输入——输出模式映射关系进行学习和存储，无需提前知道反映这种关系的数学公式，使用梯度下降法的训练规则，通过反向传播，不断调整网络的输入参数的权值和输出结果的阈值，最终使得网络的误差平方和最小。

假设有训练集D={（x1，y1）， （x2，y2），…，（xm，ym）}，其中xi∈Rd，yi∈Rl，即输入每个样本有d个特征描述，输出的为l维的向量。在神经网络的的训练过程中，会得到一个和实际有偏差的l维预测向量，并且通过不断将预测向量和真实向量进行比较，并按照梯度下降法对各个神经元的权重进行修正，最终使误差平方和最小。误差平方和公式如下：

任意神经元的权重的更新公式如下：

由于梯度下降法是基于梯度下降策略，以目标的负梯度方向对参数进行调整。对于给定学习率η和误差Ek，有以下公式：

3.2 预测结果及分析

训练模型总共使用了905條数据，其中故障数据有205条，正常数据有700条。为了提高模型的泛化能力，我们做了10组交叉验证实验，使用了180条数据来评估模型的性能，其中故障数据有40条，正常数据有140条。模型的主要参数为隐藏层为200，输出层为30，最大训练迭代次数为1000次，激活函数为ReLU，采用adam算法进行优化求解。

整体上所有样本的识别准确率可以达到93.22%，敏感性达到81.1%，特异性达到96.71%。针对正常运行的样本预测正确率为96.7%，针对故障样本数据的预测，准确达到81%，有较高的准确率。极高的特异性，有利于减少设备检修的人力成本。但是，我们的现有的故障数据样本较少，因此在总样本数量上进行了一定的限制，在仅考虑目前选定的特征量的情况下的表现良好，面对复杂的情况进行分析存在一定的缺陷。后续若能推广至全省应用，可获取大量故障数据和正常数据作为训练样本，有助于模型的优化，进一步提高预测准确率。

4 成效及前景

本项目以配网运维所使用的各个信息系统为数据源，融合“浙电云平台”所接入的各类信息表，在Python编程环境中建立数学模型，用算法实现配网采集数据的提取、清洗、处理和展示。根据模型输入的不同的数据源，可以输出配网故障概率预测（时间分布和空间分布）、配电变压器电压电流值的异常波动监测（预警单相重载、低电压、三相不平衡等故障前兆）、特殊气象条件和自然灾害前配网巡视重点区域预测与指挥，以及配网设备故障历史数据的聚类分析与可视化展示等。

有了以上数据处理结果，结合舟山供电公司创新性提出的“巡警式”配网检修模式，真正做到将电力大数据与实际运维有机结合，实现了数据与运维、“软件”与“硬件”的互相搭配，为配网的巡视和检修工作提供辅助的决策和指挥，大大提高工作效率。

“巡警式”配网检修模式，区别于传统的“全员待命——故障发生后出发抢修——完工后返回继续待命”工作模式，采用抢修人员主动出击，人员和车辆外出巡逻的形式，主要围绕故障高发区，争取提前发现并消除故障隐患。当有故障发生时，由距离故障最近的一组人员赶往抢修现场。通过电力大数据建立的数据挖掘模型，恰恰为“巡警式”配网检修提供了最需要的故障预测与运维调度功能，将人员、数据、设备巧妙结合为一体，实现了面向设备的运维管理工作与面向客户的优质服务工作进一步融合。

巡警式检修模式的关键环节是故障的预测和定位。本项目提供配网运行特征分析、配变过载预警、配变低电压预警、气象预警等功能，同时结合巡警式检修模式，辅助运检人员全方位掌控设备状态，打通了从设备状态变化，到巡警式检修工作安排，再到主动运维的工作通道，奠定了基于设备异动和环境异动的“神经反射”基础，辅助抢修人员将故障事件消灭于萌芽状态。对比传统工单受理、故障抢修模式，真正实现了“数据驱动业务”，稳定了电网运行、保障了供电服务质量。

对于移动、联通、电信等通信运营商的通信基站、光缆线路运维和抢修，以及供水、供气企业的管网检修等领域，上述模型同样具有实用性。通过包含数值特征、气象特征、地理特征的故障历史信息数据，进行数据清洗和处理，借助模型的演算，能够实现设备的故障预测和差异化运维，从而降低运维成本，提升服務质量和用户满意度。

本项目在电力行业落地实施以来，其实用性已在台风抢修和日常运维中得到充分验证。若能推广至其他行业领域，将有助于建设智慧城市，优化营商环境，提升公共服务水平，提高居民生活幸福指数。无论是对政府部门的城市治理工作，还是经济社会的发展，都具有积极的推动作用。

在电力行业有一条原则：“宁可让电力等发展，不能让发展等电力”，即电力应该是经济社会发展的推动力，而不能拖发展的后腿。要推动发展，必须做到未雨绸缪。因此本项目团队下一工作目标，全面分析最新的政府规划文件，挖掘规划中提及的重点开发区域、大型民生工程、招商引资重点项目等等，通过当前电网设备信息，计算出上述各区块的电力供应情况，预估电能缺口，通过新设线路、变电站改造、台区增容等手段，将负荷中心的供电纳入电网建设规划中，实现电网建设超前发展。同理，供水、供气、通信、交通等领域，同样可以借助模型对现有设备的深入分析，预估政府需求和供应能力的缺口，提前补强，在政府规划建设完成之前完善各类配套设施，助力城市建设，经济发展。

参考文献

[1] 吴明强，房红征，伊大伟，等.复杂系统故障预测方法与应用技术研究[J].计算机测量与控制，2010（1）：24.

[2] 于锋， 陈春生. 数据库智能化运维与故障预测平台研究与实践[J]. 金融电子化， 2015（4）：64-65.

[3] 刘兆炜. 基于故障预测与健康管理的智能化运维系统的设计与实现[D].中国科学院大学，2019.

[4] 秦爱民. 基于多源异构数据融合，机器学习及客服机器人的智能运维分析系统：CN109343995A[P].2019-02-15.

[5] 徐强. 基于多源信息融合的变电站智能运维监控平台研究[J]. 现代建筑电气， 2019（3）：59-62.

[6] 阎博， 张昊， 郭子明，等. 基于多源数据融合的电网故障综合分析与智能告警技术研究与应用[J]. 中国电力， 2018（4）：59.

[7] 刘斌， 王晓明， 田君杨，等. 基于多源信息的继电保护故障信息智能分析系统研发[J]. 电工技术， 2020（53）：63.

[8] 任翠蕾. 基于多源信息融合的传感器故障诊断技术的研究[D].华北电力大学，2012.

[9] 罗俊海， 王章静. 多源数据融合和传感器管理[M].北京： 清华大学出版社， 2015.

[10] 黄鹍， 陈森发， 周振国. 多源信息的实时智能融合系统研究[J]. 东南大学学报：自然科学版， 2004， 34（11）：219.