基于大数据的设备故障诊断分析

何 彪

(一汽-大众汽车有限公司佛山分公司，广东 佛山 528200)

作者简介：何彪（1987—），男，工程师，主要从事机电自动化相关工作， lingon67968@163.com.

摘要：为有效处理电网调度中心检测得到的设备数据，提出了流处理平台Spark与Xgboost 算法相结合的分类电力设备数据故障诊断模型。首先介绍了变压器设备故障诊断的判断依据；然后在Spark框架的基础上，利用Xgboost算法构建了一个设备故障诊断模型；最后对模型的分类性能和运算速度进行了分析。结果显示：模型使用Spark平台和Xgboost算法性能更优。

关键词：大数据；Spark框架；Xgboost 算法；故障诊断；变压器

中图分类号：TP311   文献标识码：A   文章编号：2095-509X(2021)04-0063-05

电网调控一体化向智能方向发展下，电力监测系统的结构越来越多样化。状态监测数据的复杂性使得电力系统的故障监测难度增大、效率降低，这对极端天气状况下的井喷式报警数据的处理提出了挑战。另一方面，电网系统对数据的实时性要求很高，这对数据处理系统的计算能力提出了更高的要求^［1-3］。随着大数据处理技术的高速发展，并行分布式处理算法相比于传统简单的串行计算方法，能为数据计算能力的提升带来更大的帮助，而流处理平台可以极大地提高数据质量的实时性^［4-5］。大数据技术用于电力设备的故障诊断不仅是电网企业智能化管理的发展方向之一，还为电网企业的业务拓展增值提供了条件^［6-8］。本文针对突发情况下电网系统大量实时数据处理困难的问题，提出了基于Spark大数据计算平台的Xgboost算法模型，对电力设备的实时故障诊断进行研究。

1 变压器设备故障诊断

在智能时代的电力系统中，电力数据具有实时性高、规模巨大、价值密度低的特点^［9-11］。在电力系统的监测数据中，变压器的溶解气体数据是典型的代表。这些溶解气体是由变压器绝缘油在设备运行过程中分解产生的不同分子量的烃混合物^［12］。表1为不同类型的变压器故障所产生的溶解气体组合。油中溶解气体以DGA（dissolved gas analysis）表示，其组成成分有氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳。