如今是大數據時代，大數據的價值被越來越多的人所認知與關注。大數據對於電力係統來說既是機遇，也是挑戰。本文基於大數據中側重相關分析的思想，運用數據挖掘中皮爾遜關聯分析法分析電能質量各項監測數據與電容器組故障統計數據的相關性，分析的結果表明電壓偏差和諧波電壓畸變率與電容器組故障的相關性最大，在各次諧波中三次諧波與電容器組故障的相關性最大，與普遍認知一致，從而驗證了大數據相關分析在電力係統中運用的有效性。

中華人民共和國國民經濟和社會發展第十三個五年規劃綱要（簡稱“十三五”規劃（2016－2020年））中提出：“實施國家大數據戰略，推進數據資源開放共享”。在這樣的背景下，大數據的應用必然會越來越廣泛，創造的價值也必然會越來越多。然而，大數據帶來的不僅僅是機遇，還有挑戰。大數據帶來的挑戰不僅僅存在於技術方麵，更重要的是思想方法和思維方式的變革

大數據更側重相關關係的分析，而非因果關係，這是大數據帶來的挑戰之一。當數據的數學或物理模型不明確時，這一側重關聯分析的思想尤其有效，不同類別數據交叉關聯分析不僅能完成從數據到有用信息的轉化，完成數據分析與挖掘的基本工作，而且能避免數學或物理模型不確定所帶來的分析困難，提升數據的分析挖掘效率。因此，多類別數據交叉關聯分析是大數據思想的重要體現，是大數據分析的重要理念之一。

在每天的運行中電網內部都會產生大量的數據，這些數據主要包括以下三種類型：電網設備運行中的監測數據、電網運營數據和電網管理數據。監測數據包括調度運行數據、設備故障與檢修數據和GIS數據等；運營數據包括電力市場數據和客戶服務數據等電網外部數據；管理數據包括電網內部行政管理的一些數據。由於用戶直接與配電網打交道，因此配電網運營數據的數量至少是輸電網中運營數據的數量十倍以上。除了電網內部數據，電網外部數據諸如天氣數據、互聯網數據甚至日後的電動汽車GPS數據都會提供數量極大的數據以供分析和挖掘。

因此，運用大數據的方法對電網相關數據進行分析就顯得尤為重要。麵對數量和維度都如此巨大的電網數據時，多變量交叉關聯分析更能凸顯出其優越性。

目前，對電力係統中數據的挖掘與分析仍處於單一類別的分析狀態，未將多類別數據聯合起來進行分析，導致很多有用的信息無法通過數據分析與挖掘得出。本文基於大數據中側重相關分析的思想方法，運用皮爾遜相關分析，對電網設備故障統計數據和電能質量監測數據進行大量交叉分組關聯分析，分析的結果表明在眾多電網設備中，電容器組故障與電能質量監測數據的相關性最強，而在眾多的電能質量指標中，電壓偏差與三次諧波電壓畸變率與電容器組故障的相關性最強，這與普遍認知一致。因此，大數據關聯分析可以在電力係統數據中完成從數據向有用信息的轉化，驗證了方法的有效性。

1、數據來源及關聯分析緯度

本文分析所用數據來源為2013年7月至2015年3月某市389個變電站的電能質量監測數據和所有變電站統計的設備故障信息。設備故障數據主要包括110kV及以上變電站內的主變、電容器、電抗器、開關、避雷器、電壓互感器、電流互感器、GIS設備、有載調壓器和套管等設備的故障記錄。每條記錄中都包含故障設備所屬變電站，故障發生時間，故障類型等信息。將電容器和電抗器歸為一類、電壓互感器和電流骨幹其歸為一類，則統計數據中各種類型設備故障發生次數統計如圖1所示，所有設備故障中電容器/電抗器發生故障的比重最大，達到42%。

圖1電網設備故障統計

電能質量監測數據包括諧波電壓總畸變率、各次電壓諧波含有率、電壓偏差、電壓長時閃變和三相電壓不平衡度5個主要指標，包含各個相別中各個指標的最大值、平均值和95概率大值等。將上述兩組數據各個分量進行組合型關聯分析，關聯分析緯度如圖2所示。

圖2關聯分析緯度

2、關聯分析原理及其流程

2.1、關聯分析原理

本文的關聯分析采用皮爾遜相關分析法，也稱為積差相關，是英國統計學家皮爾遜與20世紀提出的一種計算直線相關性的方法。其基本原理是假設存在兩個變量X，Y，那麽兩變量的皮爾遜相關係數可以通過式（1）進行計算。

   皮爾遜相關係數的範圍為[-1,1]，絕對值越接近1，相關性越強；絕對值越接近於0，相關性越弱，相關係數小於0時表示兩個變量呈負相關，相關係數大於0時表示兩個變量呈正相關。一般皮爾遜係數大於0.2時，可認為兩個變量之間存在相關性。

2.2、關聯分析流程

  對電網設備故障統計數據與電能質量監測數據進行關聯分析時，首先需要分別對電能質量監測數據和電網設備故障統計數據進行預處理。

對電網設備故障統計數據的預處理包括兩個步驟：

挑選出已安裝電能質量監測終端的變電站內的設備故障統計數據，並將各變電站內的各類設備故障發生次數進行匯總；

將匯總得到的數據進行歸一化處理，變換至[0,1]之間；

由於電網設備故障是瞬時性的，而穩態電能質量監測數據是長期性的。本文針對電網設備發生次數統計與電能質量監測數據進行關聯分析，因此隻能計及電能質量監測數據的空間特性，忽略時間特性。篩選出對應設備發生故障變電站，並獲取其電能質量監測終端的監測數據，對監測數據按以下步驟進行預處理：

整個監測周期內電能質量監測終端監測得到的各電能質量指標最大值作為該變電站的電能質量指標最大值。

將電能質量監測終端按月統計的各電能質量指標平均值在整個監測周期內進行平均，獲得該變電站各電能質量指標的平均值。

整個監測周期內容電能質量監測終端按月統計的各電能質量指標95概率大值在整個監測周期內做95概率大值進行計算，作為該變電站各電能質量指標的95概率大值。

對以上三個步驟中計算出的各變電站中各電能質量指標值進行歸一化處理，將所有數據變換至[0,1]之間。

通過數據的預處理，電網設備故障次數的統計數據和電能質量監測的各項電能質量指標均映射為[0,1]區間的數值

通過皮爾遜相關分析法計算變量間的皮爾遜相關係數，可獲得皮爾遜係數構成的mxn維的關聯矩陣，如式（4）所示。

   關聯矩陣關聯矩陣中皮爾遜相關係數大於0.3的兩個變量可以認為具有相關性

總結相關性分析流

電能質量監測數據的預處理按如下步驟進行：

設備故障數據的預處理按如下步驟進行：

將預處理後電能質量監測數據和設備故障數據進行正態分布檢驗或單峰分布檢驗，若檢驗未通過則進行適當的變換使變換後的數據近似服從正態分布或單峰分布，縮小皮爾遜相關係數的計算誤差。

將通過正態分布或單峰分布檢驗的電能質量監測數據和設備故障數據按變電站進行配對，準備計算各組數據的皮爾遜相關係數。

在完成數據的預處理後，對各設備和各電能質量指標進行大範圍、多角度的皮爾遜關聯分析，由於分析過程較長，故較詳細的分析過程不能在文章中給出。分析結果表明，電容器組故障與電能質量的相關性最強，因此，本文分析的重點放在電容器組故障與各電能質量指標相關性的分析。

3、關聯分析結果分析

3.1、諧波電壓畸變率與電容/電抗器組

故障統計數據

計算諧波電壓各監測項目與電容器組故障數據的皮爾遜相關係數，各相諧波電壓監測項目與電容器組故障數據的皮爾遜相關係數的計算結果如表3所示。

表3各相諧波電壓監測項目與電容器組故障的皮爾遜相關係數

各次諧波電壓含有率的95概率大值與電容器組故障數據的皮爾遜相關係數的計算結果如表4所示。

表4各次諧波電壓95概率大值與電容器組故障數據的皮爾遜相關係數

對於表3，首先從皮爾遜相關係數的正負性這個角度來分析。各相諧波電壓的最大值、平均值與95概率大值都與電容器組故障數據呈正相關，而各相諧波電壓合格率與電容器組故障數據都呈負相關，這符合九遊會登錄的一般認知，說明計算結果合理、有效。其次從皮爾遜相關係數絕對值的大小這個角度來分析。九遊會登錄可以看出，各相諧波電壓監測項目中，諧波電壓最大值與電容器組故障數據的皮爾遜相關係數均為最小，95概率大值次之，平均值和合格率均大於之前二者，但平均值與合格率的相對大小因相別的不同而不同。

   從皮爾遜相關係數的這個特征九遊會登錄可以得出，電容器組故障對諧波電壓最大值不敏感，皮爾遜相關係數均小於0.1，從數據中無法得出二者存在相關性；而電容器組故障對諧波電壓的平均值和合格率較為敏感，皮爾遜相關係數的絕對值均在0.35左右，相關性存在的證據較為明顯。因此，從以上分析可以看出，諧波電壓對電容器組故障的影響是長期性的，對個別峰值不敏感，若諧波電壓長期處在較高水平，易引發電容器組的故障。

   各次諧波對電容器組故障的影響可以很清晰地從表4中看出，其中三次諧波的諧波電壓95概率大值與電容器組故障數據的相關係數的絕對值最大，達到了0.405，已算中等程度相關，其他各次諧波相關性均比較小。因此，以減少電容器組故障為目標的諧波治理重點在三次諧波。

3.2、電壓偏差與電容器組故障

   計算電壓偏差各監測項目與電容器組故障數據的皮爾遜相關係數，計算結果如表5所示。

表5各相電壓偏差監測項目與電容器組故障的皮爾遜相關係數

   分析表5中各電壓偏差監測項目與電容器組故障的皮爾遜相關係數可以得出，A、B、C三相中A相電壓偏差與電容器組故障的相關性最大，A相電壓合格率的皮爾遜相關係數達到了-0.448，已屬於中等程度相關；B、C相電壓偏差與電容器組故障的相關性不明顯，數據無法支持二者存在相關性。在A相電壓偏差各監測項目中，電壓偏差合格率的皮爾遜相關係數的絕對值最大，A相電壓最大值的皮爾遜相關係數的絕對值最小，因此，可以得出，在由A相電壓偏差引起的電容器組故障中，電壓峰值較電壓合格率影響較小，電容器組故障對電壓偏差的個別峰值不敏感，電壓偏差引起電容器組故障是一個長期過程。

3.3、電壓長時閃變與電容器組故障

   計算電壓閃變各監測項目與電容器組故障數據的皮爾遜相關係數，計算結果如表6所示。各電壓閃變檢測項目與電容器組故障數據的皮爾遜相關係數絕對值均很小，無法從現有數據中得到電壓閃變與電容器組故障之間存在相關性。

表6各相電壓閃變監測項目與電容器組故障的皮爾遜相關係數

3.4、三相電壓不平衡度與電容器組故障

  完成對三相電壓不平衡度數據的預處理後，計算三相電壓不平衡度各監測項目與電容器組故障數據的皮爾遜相關係數，計算結果如表7所示。

表7各三相電壓不平衡度監測項目與電容器組故障的皮爾遜相關係數

   各三相電壓不平衡度檢測項目與電容器組故障數據的皮爾遜相關係數絕對值均很小，無法從現有數據中得到三相電壓不平衡度與電容器組故障之間存在相關性。

3.5、各電能質量項目對電容器組故障的綜合對比

   綜合諧波電壓、電壓偏差、電壓閃變和三相電壓不平衡度的皮爾遜相關係數計算結果，選取各電能質量監測數據的最大值，95概率大值，平均值和合格率綜合進行對比、分析，對比結果如表8所示。

表8各電能質量與電容器組故障的皮爾遜相關係數

表8（續）各電能質量與電容器組故障的皮爾遜相關係數

4、結論

   通過對電能質量各監測項目和電網設備故障統計數據的皮爾遜相關分析，可以得到某地區電容器組故障與電能質量的相關性最強，而在各項電能質量指標中，電壓偏差和三次諧波電壓畸變率與電容器組故障相關性最強，這與普遍認知一致。因此，基於大數據的思想方法，將皮爾遜相關分析應用在電網設備故障關聯特征提取這個場景中被證明是成功的。大數據思想方法和相關技術在電力係統其他應用場景中的應用仍需要進一步的探索和研究。

來源：北極星電力網