Application Research of Big Data and Machine Learning Technology in Cable Operation and Maintenance

doi:10.16628/j.cnki.2095-8188.2020.12.020

Abstract

Abstract:

Traditional cable operation and maintenance methods consume a lot of manpower,material resources and time costs.In order to realize the intelligent operation and maintenance of cables and improve the efficiency of operation and maintenance,the big datas and machine learning technologies are gradually applied to this field.The big datas and machine learning technology were briefly introduced.According to the order of the cable big data life cycle,its applications in the four major links of massive cable data storage,cable data anomaly detection,cable status evaluation,and cable fault diagnosis were specifically analyzed.The typical technologies applied in the four major links of cable operation and maintenance were summarized,and the next research direction was looked forward to.

Key words: cable operation and maintenance, big data technology, machine learning, condition assessment, fault diagnosis

CLC Number:

TM73

WANG Rui, YU Lingfeng, ZHU Bin, XU Jian. Application Research of Big Data and Machine Learning Technology in Cable Operation and Maintenance[J]. LOW VOLTAGE APPARATUS, 2020, 0(12): 114-118.

Figures/Tables 4

References 33

[1]	李康乐, 周凯, 黄明, 等. XLPE在电场作用下的取向对温度变化条件下水树生长的促进作用机理[J]. 中国电机工程学报, 2018,38(3):956-964.
[2]	李雯雯, 高阳, 孙英华, 等. 老化评估模型对电缆绝缘性能老化问题的研究[J]. 电器与能效管理技术, 2018(13):26-29.
[3]	周凯, 马智远, 许中. 基于大数据技术的智能电网态势感知分析[J]. 电器与能效管理技术, 2018(21):70-76.
[4]	李向阳, 喇果彦, 向英, 等. 大云物移智等新技术在电网应用的研究[J]. 电力信息与通信技术, 2019,17(1):93-97.
[5]	程乐峰, 余涛, 张孝顺, 等. 机器学习在能源与电力系统领域的应用和展望[J]. 电力系统自动化, 2019,43(1):21-49.
[6]	蒲天骄, 乔骥, 韩笑, 等. 人工智能技术在电力设备运维检修中的研究及应用[J]. 高电压技术, 2020,46(2):369-383.
[7]	刘云鹏, 许自强, 李刚, 等. 人工智能驱动的数据分析技术在电力变压器状态检修中的应用综述[J]. 高电压技术, 2019,45(2):337-348.
[8]	李川. 基于“移动互联+网格化”的输电设备精益化运维管理[J]. 中国电力企业管理, 2015(17):56-57.
[9]	刘伟. 基于Hadoop的电力电缆故障监测平台研究[J]. 花炮科技与市场, 2019,98(1):201-202.
[10]	杨彬彬, 范海波, 梁磊. 基于大数据的地下电缆精益化管理关键技术研究与应用[J]. 电力大数据, 2019(12):15-20.
[11]	朝乐门. 数据科学理论与实践[M]. 北京: 清华大学出版社, 2017.
[12]	王纯林, 王辉, 文锐, 等. 互联网时代苏州电网电缆智慧管理模式研究[J]. 中国电业(技术版), 2015 (9):105-110.
[13]	罗佑锋. 基于Hadoop云平台的电力设备状态检修系统关键技术研究[D]. 长沙:湖南大学, 2017.
[14]	翟果, 李欢, 何浩辉, 等. 基于大数据的高压电缆运维管理应用的研究[J]. 企业技术开发, 2019,38(7):77-80,89.
[15]	王宣, 姜伟, 田智, 等. 基于设备运维精益管理系统的电缆监测大数据应用[J]. 自动化与仪器仪表, 2018(5):167-170.
[16]	DOMINIK F, THIEMO G, BERNHARD S. Swiftrule:mining comprehensible classification rules for time series analysis[J]. IEEE Transactions on knowledge and data engineering, 2011,23(5):774-787. doi: 10.1109/TKDE.2010.161
[17]	GILL S, STEPHEN B, GALLOWAY S. Wind turbine condition assessment through power curve copula modeling[J]. IEEE Transactions on Sustainable Energy, 2012,3(1):94-101. doi: 10.1109/TSTE.2011.2167164
[18]	TORRES R S, FALCAO A X, GONC M A, et al. A genetic programming framework for content-based image retrieval[J]. Pattern Recognition, 2009,42(2):283-292. doi: 10.1016/j.patcog.2008.04.010
[19]	朱永利, 尹金良. 组合核相关支持向量机在电力变压器故障诊断中的应用[J]. 中国电机工程学报, 2013,33(22):68-74.
[20]	林长锥, 吴宇忻, 胡臻达, 等. 基于大数据的台区异动判别研究[J]. 电器与能效管理技术, 2017(15):15-20.
[21]	严英杰, 盛戈皞, 陈玉峰, 等. 基于大数据分析的输变电设备状态数据异常检测方法[J]. 中国电机工程学报, 2015,35(1):52-59. doi: 10.13334/j.0258-8013.pcsee.2015.01.007
[22]	李方利, 钱帅伟, 毛振宇, 等. 基于多传感器融合技术的电缆附件局部放电检测系统[J]. 电器与能效管理技术, 2020(6):53-60.
[23]	CATTERSONV, BAHADOORSINGH S, RUDD S, et al. Identifying harmonic attributes from on-line partial discharge data[J]. IEEE Transactions on Power Delivery, 2011,26(3):1811-1819. doi: 10.1109/TPWRD.2011.2114373
[24]	杨丹, 夏荣, 王昱力, 等. 基于大数据分析的电缆智能检修框架研究[J]. 电力信息与通信技术, 2018,16(7):68-72.
[25]	吴炬卓, 肖笛, 牛海清. 计算电缆导体暂态温度的粒子群优化的BP神经网络新方法[J]. 电器与能效管理技术, 2018(3):14-19,24.
[26]	周丹. 基于支持向量机的电缆故障识别[D]. 西安:西安科技大学, 2009.
[27]	李小薇. 基于IPSO-SVM的电缆故障识别[D]. 西安:西安科技大学, 2014.
[28]	李俊峰. 矿井高压电缆故障定位方法的研究[D]. 北京:中国矿业大学(北京), 2017.
[29]	RAYP, MISHRA D. Application of extreme learning machine for underground cable fault location[J]. International Transactions on Electrical Energy Systems, 2015,25(12):3227-3247. doi: 10.1002/etep.2032
[30]	金红卫, 朱权, 杨彪, 等. 基于灰色关联法的电缆故障大数据分析模型[J]. 电工技术, 2016(8):75-76.
[31]	LIVANIH, EVRENOSOGLU C Y. A machine learning and wavelet-based fault location method for hybrid transmission lines[J]. IEEE Transactions on Smart Grid, 2014,5(1):51-59. doi: 10.1109/TSG.2013.2260421
[32]	QIN X B, WANG M, LIN J S, et al. Power cable fault recognition based on an annealed chaotic competitive learning network[J]. Algorithms, 2014,7(4):492-509. doi: 10.3390/a7040492
[33]	COLEMAN N S, SCHEGAN C, MIU K N. A study of power distribution system fault classification with machine learning techniques:2015 North American Power Symposium (NAPS)[C]. 2015.

数据组织形式	分类	包含内容
结构化数据	运行数据	电压、电流、功率因数、温度、环境湿度等
结构化数据	本身属性	生产厂家、绝缘类型、敷设方式、运行时长等
半结构化数据	—	巡检记录、历史故障、试验数据等
非结构化数据	—	红外图像、局部放电波形、监控视频等