传统输变电设备故障诊断方法具有易受专家意见主观影响以及模型固化的缺点。为此,提出了基于大数据挖掘技术的设备故障诊断方法,介绍了设备故障模式聚类算法、状态参量相关性分析算法以及基于相关性矩阵的故障诊断方法等基于大数据分析的设备故障诊断关键技术,并采用某电网公司500 kV电压等级油浸式变压器套管近10 a故障记录数据作为数据挖掘案例进行了实证。研究结果表明:k-means聚类算法配合轮廓系数能准确得得出故障分类模式;Apriori关联算法配合Tanimoto系数可用于评估状态参量之间的强弱关系;基于皮尔逊相关系数构造故障诊断矩阵能够准确判断出与实际运行维护试验结果相符合的设备故障模式。因此,基于大数据挖掘技术的输变电设备故障诊断方法能够有效挖掘出设备状态记录数据内在的规律,实现具有数据自适应性的、更加准确的设备故障诊断。 远程专家介入的诊断系统。设备故障诊断方法-数控滚圆机滚弧机折弯机张家港电动滚圆机滚弧机折弯机该系统可以将专家意见作为新样本对系统进行训练，综合了机器学习方法和专家系统方法的优点，能够提高后续诊断结果的准确可靠性。但远程专家意见的引入并不能解决模型固化的问题。本文由公司网站滚圆机网站采集转载中国知网资源整理!www.wanguanji138.com大数据挖掘分析方法的兴起和发展为电力设备状态评价和故障诊断开辟了一条全新的技术路线，并对现有设备状态监测参数提出了更高的要求。该方法引入了数理统计、模式识别等方面的理论和工具，在大规模数据分析的基础上，重点挖掘不确定模型条件下被分析因素之间的关联性。基于大数据分析方法的设备状态评价模型如图3所示。该方法采用大数据挖掘的思想，重点挖掘考察设备缺陷、故障状态结果与设备状态参量之间的关联度。与传统方法相比，基于大数据挖掘分析的电力设备状态评估与故障诊断方法最根本的区别及其特点在于：1）传统方法的评估模型中，设备状态监测量是输入参数，而设备缺陷及故障是输出参数；在大数据挖掘分析方法中，设备状态监测量、设备缺陷及故障都是输入参数，而输出量是所有输入参量之间的关联规则、关联度等要素。传统的通过输入量和输出量训练形成的模型，一旦生成，便不可改变，除非重新训练；而大数据挖掘分析方法模型采用动态相关性系数矩阵对设备状态指标和设备状态监测参量之间的相关性进行建模，可以不断回归修正，能够根据所研究的设备对象、状态参量、故障类型图2基于机器学习的输变电设备故障诊断方法示意图F图3基于大数据的设备评价模型示意图Fi等灵活变化，不需要重新对模型进行构建，不存在模型固化的问题。基于大数据挖掘的输变电设备状态评价方法适用于评估预测设备的设备故障诊断方法-数控滚圆机滚弧机折弯机张家港电动滚圆机滚弧机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.wanguanji138.com