一種基于大數據技術的水電設備監(jiān)測和故障診斷系統的制作方法【專利摘要】本發(fā)明公開一種基于大數據技術的水電設備監(jiān)測和故障診斷系統，該系統包括：可視化展現模塊，通過狀態(tài)接入控制器，將子站的被監(jiān)測信息采集上來，并通過狀態(tài)接入控制器上傳到數據上傳服務器，供數據上傳服務模塊將設備監(jiān)測數據上傳到Hbase數據庫中，供查詢與統計相關信息，展現設備監(jiān)測信息和設備相關統計信息；告警管理模塊，通過配置設備監(jiān)測點的組合告警條件產生告警記錄；查詢與統計模塊，用于提供設備監(jiān)測數據的歷史查詢、設備相關臺帳的綜合信息查詢功能；故障診斷模塊，采用多種故障診斷模型或預測模型，進行設備故障診斷及預警。采用本發(fā)明，能夠提高設備診斷效率和水平，并為設備狀態(tài)檢修提供基礎，降低檢修成本，提高供電的可靠性。【專利說明】一種基于大數據技術的水電設備監(jiān)測和故障診斷系統【
技術領域：
】[0001]本發(fā)明涉及設備監(jiān)測和故障診斷應用技術，尤其涉及一種基于大數據技術的水電設備監(jiān)測和故障診斷系統，適用于對集團級、大集中模式下的水電設備進行監(jiān)測和故障診斷?！?br>背景技術：
】[0002]近幾年，在水電站和抽水蓄能電站領域，其設備監(jiān)測及故障診斷還沒有形成一套成熟體系，設備的監(jiān)測和故障診斷還停留在設備廠家單套系統的定值報警分析模式。現有的水電站設備系統都是高度集成的成套系統，單個設備、單一數據維度的監(jiān)測診斷分析，已經不能滿足日常生產運行的需要。因此，建立一套基于大數據技術的水電設備監(jiān)測及故障診斷系統已成為必然趨勢。[0003]尤其是當前隨著物聯網、云計算等新一代信息通信技術的發(fā)展，水電站的自動化和信息化水平日益提高，海量的生產實時和狀態(tài)監(jiān)測數據得以采集、存儲。除此之外，生產管理中的機組等主設備試驗、檢修報告、安全監(jiān)測的視頻數據等非結構化數據等大量產生，為電力設備的故障診斷提供原始資料。如何最大限度地挖掘數據效益，改變以前信息系統建設側重系統功能而忽視數據效益的狀況，大數據技術應運而生，為電力設備的狀態(tài)監(jiān)測和故障診斷提供了有效手段。[0004]近年來為了滿足調峰調頻和多種能源協調的需要，抽水蓄能和常規(guī)水電機組規(guī)模迅速發(fā)展，電站主設備的數量急劇增加，定期檢修工作量劇增，檢修人員緊缺問題日益突出。同時隨著新投產的設備制造質量的大幅提升，集成式、少維護設備得到大量采用，早期定制的設備定期檢修、定期試驗已不能適應新設備檢修的要求。因此對水電站而言，增加一套在線監(jiān)測和故障診斷系統輔助設備進行狀態(tài)檢修已變得非常迫切和必要。[0005]目前有些水電站為了提高設備安全運行，安裝了一些設備狀態(tài)監(jiān)測系統，在同一電站里各個設備狀態(tài)監(jiān)測系統各自為政，孤立運行，孤立診斷，資源不能共享，沒有實現設備信息的綜合利用，不能實現完整的設備狀態(tài)診斷和輔助決策；同時各廠家在線監(jiān)測系統采集的信息內容不同，使用的技術手段不同，遵循的技術標準也不盡相同，缺乏一個統一的信息采集規(guī)范。因此各自為政的在線監(jiān)測系統對集中管理水電站在線監(jiān)測和故障診斷極為不利。【
發(fā)明內容】[0006]有鑒于此，本發(fā)明的主要目的在于提供一種基于大數據技術的水電設備監(jiān)測和故障診斷系統，為以水電站和抽水蓄能電站等發(fā)電企業(yè)的狀態(tài)檢修、生產運行、實時管控、生產管理、智能決策提供堅強支撐；以提高設備診斷效率和水平，并為設備狀態(tài)檢修提供基礎，降低檢修成本，提高供電的可靠性。[0007]為達到上述目的，本發(fā)明的技術方案是這樣實現的:[0008]一種基于大數據技術的水電設備監(jiān)測和故障診斷系統，該系統包括可視化展現模塊、告警管理模塊、查詢與統計模塊以及故障診斷模塊；其中:[0009]可視化展現模塊，通過狀態(tài)接入控制器，對水電設備進行狀態(tài)監(jiān)測，并通過數據上傳服務對設備監(jiān)測的結果數據進行上傳并存儲到Hbase數據庫中，然后以web應用的方式，提供查詢與統計Hbase數據庫存儲的設備臺帳相關信息，展現設備監(jiān)測信息和設備相關統計信息；[0010]告警管理模塊，通過配置設備監(jiān)測點的上限值、下限值、上上限、下下限以及多個監(jiān)測點的組合告警條件，產生告警記錄，并發(fā)出提醒信息；[0011]查詢與統計模塊，用于提供設備監(jiān)測數據的歷史查詢、設備相關臺帳的綜合信息查詢、設備監(jiān)測告警記錄的統計、設備運行工況信息的統計功能；以及，[0012]故障診斷模塊，采用聚類分類模型、貝葉斯網絡故障診斷模型或預測模型，進行設備故障診斷及預警。[0013]其中，所述可視化展現模塊具體包括大壩安全監(jiān)測子模塊、水利測量監(jiān)測子模塊、水輪機組監(jiān)測子模塊、變壓器監(jiān)測子模塊、斷路器監(jiān)測子模塊、容性設備監(jiān)測子模塊、避雷器監(jiān)測子模塊以及微氣象環(huán)境監(jiān)測子模塊。[0014]所述通過數據上傳服務對設備監(jiān)測的結果數據進行上傳，具體包括:利用狀態(tài)接入控制器的監(jiān)測層與接入層之間的Il接口，面向被監(jiān)測裝置即子站，采用DL/T80接口協議將子站的被監(jiān)測信息采集上來，并通過所述狀態(tài)接入控制器的位于接入層到主站層之間的12接口定時上傳到主站的CAG接入網關；利用CAG接入網關向數據上傳服務器發(fā)送XML文件，經數據上傳服務模塊將設備監(jiān)測數據上傳到Hbase數據庫中。[0015]所述設備的監(jiān)測結果數據，主要包括生產管理系統中的設備臺帳信息、缺陷信息、試驗信息、運行信息、檢修信息、生產廠家信息。[0016]所述告警管理模塊包括事件告警配置、短信告警配置、短信告警查詢、事件告警查詢子模塊。[0017]所述故障診斷模塊，包括包含模型設置、模型訓練、模型驗證、故障診斷、故障預警子模塊。[0018]所述故障診斷模塊，進一步包括通過模型設置功能，確定采用的模型和模型的細節(jié)調整；通過對水電設備的海量數據進行模型訓練，滿足模型求解的數據支撐；通過外部輸入數據測試，驗證模型準確性，以便對模型設置進行微調，達到準確的故障診斷和預警。[0019]本發(fā)明所提供的基于大數據技術的水電設備監(jiān)測和故障診斷系統，具有以下優(yōu)占-^\\\.[0020]相較于現有技術，本發(fā)明通過采用統一的狀態(tài)接入控制器(CAC)，實現了子站數據的統一接入；其數據存儲采用統一的分布式、高性能、可擴展的列數據庫Hbase，能夠實現海量數據存儲的負載均衡和動態(tài)擴展。[0021]采用本發(fā)明，能夠有效整合目前水電設備在線監(jiān)測系統各自為政、狀態(tài)診斷單一、信息不能共享等問題，充分利用現有水電生產運行數據、生產管理數據(試驗和檢修歷史數據)、狀態(tài)監(jiān)測數據等大量的實時、歷史數據，采用大數據技術進行水電設備故障診斷和預警，極大提高了水電設備故障診斷效率和準確性?！緦＠綀D】【附圖說明】[0022]圖1為大數據技術架構圖；[0023]圖2為本發(fā)明實施例的Spark集群部署架構圖；[0024]圖3為基于大數據技術的水電設備監(jiān)測數據采集與存儲結構圖；[0025]圖4為基于大數據技術的水電設備監(jiān)測與故障診斷系統功能圖?！揪唧w實施方式】[0026]下面結合附圖及本發(fā)明的實施例對本發(fā)明的基于大數據技術的水電設備監(jiān)測和故障診斷系統作進一步詳細的說明。[0027]圖1為大數據技術架構圖。如圖1所示，該大數據技術架構采用開源的大數據技術相關的項目ApacheSpark(以下簡稱Spark)和ApacheHadoop(以下簡稱Hadoop)、ApacheHbase(以下簡稱Hbase)相結合技術，以Spark集群架構為主,集成Hadoop和Hbase。[0028]這里，所述Spark是一個通用的并行計算框架，Spark的彈性分布式數據集(ResilientDistributedDataset7RDD)是基于內存計算、快速迭代的數據集合,運算效率比Hadoop分布式文件系統(HadoopDistributedFileSystem,HDFS)快一百二十倍，RDD兼容Hadoop的HDFS文件(Spark會把HDFS文件封裝成RDD對象)，另外Spark的分布式計算MapReduce算法比傳統的HadoopMapReduce的性能更好,并且操作數據集更加豐富。[0029]Spark集群方式主要有以下三種:單主機模式，是一種簡單的集群管理，一個SparkMaster和多個Sparkworker組成，Spark非常容易搭建的一種集群模式；ApacheMesos模式，是一種通用的集群管理，可以運行Hadoop的MapReduce和服務應用的模式；HadoopYARN(YetAnotherResourceNegotiator)模式，則是Hadoop2.0中的資源管理模式，從Hadoop0.23.0版本開始，Hadoop的MapReduce框架完全重構，新的HadoopMapReduce框架命名為MapReduceV2或者叫Yarn。優(yōu)選的，采用ApacheMesos集群模式，Mesos提供了高效、跨分布式應用程序和框架的資源隔離和共享功能，支持Hadoop和Spark0Mesos支持多種資源計劃分配(內存和CPU),提供Java、Python和C++APIs來開發(fā)新的并行應用程序，提供基于Web的用戶界面來提查看集群狀態(tài)。[0030]所述Hbase是高性能、高可靠性、可伸縮的分布式非關系列數據庫，是構建在HadoopHDFS之上的數據庫，主要用于海量結構化、非結構化數據存儲，能夠對大型數據提供隨機、實時的讀寫訪問。Hbase可存儲上T甚至P級別數據文件，Hbase目標主要依靠橫向擴展，通過不斷增加廉價的PC服務器，來增加計算和存儲能力。使用Hbase數據庫存儲海量數據而不使用Hadoop的HDFS，是因為HDFS不適合在并發(fā)環(huán)境下的寫入和修改，也不適合瞬時(毫秒級)的實時數據獲取。使用Spark的分布式計算架構,而不使用Hadoop的計算架構，是因為Spark的計算性能、通用性、容錯性等都比Hadoop好，另外還能有效地利用Spark的流處理技術(Streaming)、SQL處理技術(Shark)、機器學習技術(MLlib)等功能實現快速的大數據分析。可選的，也可以采用開源的Hypertable數據庫代替Hbase,Hypertable和Hbase都是基于GoogleBigTable的兩個開源實現，HBase主要使用Java語言開發(fā),而Hypertable使用BoostC++開發(fā)。[0031]圖2為本發(fā)明實施例的Spark集群部署架構圖，如圖2所示的Spark集群架構圖，Spark應用在集群上以獨立的進程集合運行，在驅動程序(即主程序)中以Spark環(huán)境對象(即SparkContext)來協調。在集群上運行時,Spark環(huán)境可以與不同的集群管理器(Spark單主機集群管理器或者ApacheMesos/HadoopYARN集群管理器)相連接，這些集群管理器可以在應用間分配資源；Spark環(huán)境一旦連接上集群管理器，Spark需要在集群上的執(zhí)行節(jié)點，也就是那些執(zhí)行計算和存儲應用數據的工作進程；然后，它將應用代碼(以Java打包后的JAR文件或者Python定義的文件并傳送到Spark環(huán)境)發(fā)送到執(zhí)行者節(jié)點；最后,Spark環(huán)境發(fā)送任務讓執(zhí)行節(jié)點運行。[0032]所述設備監(jiān)測數據采集與存儲，是利用業(yè)界成熟的狀態(tài)接入控制器(CAC)對水電設備進行狀態(tài)監(jiān)測，并通過數據上傳服務對設備監(jiān)測的結果數據進行上傳操作，存儲到分布式、非結構化、列存儲數據庫Hbase中。[0033]圖3為基于大數據技術的水電設備監(jiān)測數據采集與存儲結構圖。如圖3所示，狀態(tài)接入控制器(CAC)提供兩個層面接口:即Il和12。其中，Il接口是監(jiān)測層與接入層之間的接口，面向被監(jiān)測裝置即子站，采用較為底層的DL/T860接口協議實現。12接口則是接入層到主站層之間的接口，面向主站，采用具有良好擴展性的Web服務方式實現。主站通過CAG接入網關將狀態(tài)接入控制器(CAC)的監(jiān)測數據接入到CAG，一個CAG可以接入多個狀態(tài)接入控制器。CAG接入網關向數據上傳服務器發(fā)送XML文件，供數據上傳服務將設備監(jiān)測數據上傳到Hbase中。[0034]水電設備監(jiān)測數據，一般是基于時間序列的數據，實時性強、數據量大，不適合關系數據庫存儲，采用高性能、高可靠性、可伸縮的分布式非結構化列存儲數據庫Hbase來存儲，非常合適。[0035]所述管理數據采集，即通過Web服務方式，實現管理數據的采集，包括生產管理系統中的設備臺帳信息、缺陷信息、試驗信息、運行信息、檢修信息、生產廠家信息等?？梢蕴峁﹥煞NWeb服務接口，一種是實時的數據發(fā)送、接收；另一種是按一定時間周期(如每隔30分鐘)進行查詢、接收。實時Web服務是指生產管理系統一旦新增、修改或刪除一個設備臺帳信息時，就會將修改結果通過Web服務發(fā)送過來，Web服務接收到數據后，將數據更新到Hbase數據庫中。定時Web服務是指按照一定的時間周期(如30分鐘)定時向生產管理系統發(fā)送增量數據查詢服務，并將查詢到的數據更新到Hbase數據庫中。對于設備臺帳初始數據的更新，可以使用關系數據庫導出到文件，在通過編寫程序寫入到Hbase數據庫中。[0036]所述設備監(jiān)測展現，即編寫Web應用程序，查詢和統計Hbase數據庫存儲的設備臺帳相關信息，展現設備監(jiān)測信息和設備相關統計信息。包括可視化展現、告警管理、查詢與統計三個功能模塊，如圖4所示。[0037]這里，所述可視化展現模塊，包含大壩安全監(jiān)測、水利測量監(jiān)測、水輪機組監(jiān)測、變壓器監(jiān)測、斷路器監(jiān)測、溶性設備監(jiān)測、避雷器監(jiān)測、微氣象環(huán)境監(jiān)測等子模塊。[0038]所述告警管理模塊包括事件告警配置、短信告警配置、短信告警查詢、事件告警查詢子模塊。[0039]所述查詢與統計模塊包括監(jiān)測數據查詢、設備綜合查詢、告警統計、運行工況統計模塊。[0040]可視化展現模塊，是使用可視化的、非常直觀的圖形來描述現實世界中的設備、廠房、地理位置等要素，外加關注的熱點數據(設備監(jiān)測信息)實時顯示，并可以點擊熱點數據，展現熱點數據的詳細信息。[0041]告警管理模塊，包括事件告警和短信告警子模塊兩部分，均通過配置設備監(jiān)測點的上限值、下限值、上上限、下下限以及多個監(jiān)測點的組合告警條件，組合告警條件是一個條件表達式，可組合多個監(jiān)測點數據，一旦取得的設備監(jiān)測數據超過設置的上限值、上上限值或低于下限值、下下限值或滿足組合告警條件，就產生告警記錄，如果配置了短信告警，同時向相關人員發(fā)送短信提醒。[0042]查詢與統計模塊，包括設備監(jiān)測數據的歷史查詢、設備相關臺帳的綜合信息查詢、設備監(jiān)測告警記錄的統計、設備運行工況信息的統計等。[0043]設備的故障診斷模塊，包含模型設置、模型訓練、模型驗證、故障診斷、故障預警等子模塊，如圖4所示，屬于基于大數據技術的水電設備監(jiān)測和故障診斷系統的一個模塊。[0044]大數據技術的故障診斷技術主要采用聚類分類(K-mans、Birch)模型、貝葉斯網絡故障診斷模型、預測模型(基于時間序列Arima預測模型、神經網絡預測模型)等，進行設備故障診斷及預警。通過模型設置功能，確定采用的模型和模型的細節(jié)調整；通過對水電設備的海量數據(與設備相關的監(jiān)測數據、臺帳數據、技術參數、檢修數據、試驗數據、缺陷數據、運行數據)進行模型訓練，滿足模型求解的數據支撐；通過外部輸入數據測試，驗證模型準確性，以便對模型設置進行微調，達到準確故障診斷和預警的目的。故障診斷功能對已經存在故障的設備進行故障診斷分析，確定故障類型、故障位置和解決辦法。故障預警是預測一定范圍內的設備在一定時間范圍內(如一天、一周、一月、一年)后設備是否會發(fā)生故障，以及發(fā)生何種故障。[0045]本發(fā)明基于大數據技術的水電設備監(jiān)測和故障診斷系統，主要包括大數據技術架構、水電設備監(jiān)測數據采集與存儲、管理數據采集、設備監(jiān)測展現以及設備故障診斷功能模塊。[0046]所述基于大數據技術的水電設備監(jiān)測和故障診斷系統的設計與實現，主要包括:大數據技術架構搭建和故障診斷子系統、基于大數據技術的水電設備監(jiān)測數據采集與存儲子系統、基于大數據技術的水電設備監(jiān)測與故障診斷子系統。其具體的實現方式詳述如下:[0047]所述大數據技術架構搭建和故障診斷子系統，即在開源Linux操作系統(如Ubuntu12.04)上，安裝Java運行環(huán)境JDK1.6或以上版本，部署基于分布式集群架構的Spark和Hbase，其中Spark用于大數據環(huán)境下的故障診斷，包括模型訓練、模型驗證、故障診斷、故障預警等4個模塊，均通過Spark程序實現具體功能，部署在大數據環(huán)境下運行，充分利用Spark的分布式內存運算優(yōu)勢，實現海量數據的快速分析。Hbase用于大數據存儲，包括設備監(jiān)測數據、設備臺帳相關數據。采用的Spark版本為2014年7月11日發(fā)布的Spark1.01forHadoop2，采用的Hbase版本是2014年7月3日發(fā)布的Hbase-0.94.21，采用的Spark集群管理器版本是2014年6月9日發(fā)布的Mesos-0.19.0,采用的Hbase集群管理器版本是2014年3月10日發(fā)布的Zooke印er-3.4.6。[0048]從最簡單的大數據集群環(huán)境部署，需要六臺服務器，其中兩臺運行Spark集群(一主一備)、兩臺運行Hbase集群(一主一備)、一臺運行主Web應用程序，另一臺用于數據上傳服務(包括管理數據采集)，這六臺服務器都部署在主站內，搭建集群環(huán)境的詳細配置不再贅述。從Spark和Hbase集群能力上來說,集群臺數沒有限制,一般集群臺數越多，性能越好，在正式環(huán)境中，集群部署幾千臺PC服務器是沒有問題的。[0049]所述基于大數據技術的水電設備監(jiān)測數據采集與存儲子系統，即通過狀態(tài)接入控制器，實現子站設備監(jiān)測數據的采集與上傳，通過CAG接入網關，實現所有子站數據上傳到主站，并將數據以Xml文件形式上傳到指定的數據上傳服務器；數據上傳服務器中的數據上傳服務是一個Java任務調度程序，每隔一段時間(如30秒)進行一次數據上傳操作，通過Hbase提供的Java接口將數據寫入Hbase數據庫，實現對設備監(jiān)測數據(本地Xml文件)和生產管理系統中設備臺帳相關數據(設備臺帳數據、設備技術參數、設備檢修數據、設備試驗數據、設備缺陷數據、設備運行數據、設備生產廠家)上傳到Hbase數據庫中；其中與生產管理系統的數據接口使用Web服務方式進行；與設備監(jiān)測數據接口使用Java1(InputStream/OutputSteam)流處理。[0050]所述基于大數據技術的水電設備監(jiān)測與故障診斷系統，即編寫J2EEWeb程序，實現可視化展現、告警管理、查詢與統計、故障診斷等模塊的功能。Web程序使用Spring4框架，用于編寫Web后臺業(yè)務邏輯和前臺界面展現,后臺數據庫采用Hbase。由于Hbase不是關系數據庫，所以不能使用對象關系映射(ObjectRelat1nalMapping,0RM)框架(如Hibernate)，需要自己編寫一套基于Hbase的數據訪問層接口(與普通SQL不同)，提供對Hbase表的增加、刪除、修改、查找操作。[0051]可視化展現模塊，主要是利用可視化的圖形和實時測點數據展現設備監(jiān)測信息，包括大壩安全監(jiān)測、水利測量監(jiān)測、水輪機組監(jiān)測、變壓器監(jiān)測、斷路器監(jiān)測、溶性設備監(jiān)測、避雷器監(jiān)測、微氣象環(huán)境監(jiān)測等。實時測點數據展現是通過Ajax+javascript的定時函數(setlnterval(fun,time))實現的,通過前臺的Ajax,調用后臺的數據查詢,并將結果顯示在頁面上。[0052]告警管理模塊，用于實現事件告警和短信告警條件的配置維護，以及產生的事件告警和短信告警記錄的查詢功能。事件告警配置中可以配置單個測點的上上限(二級告警)、上限(一級告警)、下限(一級告警)、下下限(二級告警)，也可以配置多個測點組成的復雜告警條件(組合告警)。告警管理模塊包含一個告警數據生成功能，一般寫在數據庫的存儲過程中，如果通過Java程序實現，性能要差不少。由于Hbase數據庫沒有存儲過程，只能通過Java程序來實現，即每隔一段時間(如15秒)查詢所有復雜事件告警條件(組合告警)和單測點告警條件(一、二級告警)，將當前測點數據放入事件告警條件中的測點變量，若事件告警條件成立(單測點告警條件:大于上上限或小于下下限屬于二級告警，大于上限且小于上上限或小于下限且大于下下限屬于一級告警)，則判斷當前告警是否已經存在當前告警記錄中，如果不存在則增加事件告警記錄，如果配置了短信告警，同時向相關人員發(fā)送短信提醒。[0053]查詢與統計模塊，用于實現測點數據查詢、綜合設備查詢、告警統計、運行工況統計。測點數據查詢是按照電站、設備類型、電壓等級、設備名稱、測點名稱、開始時間、結束時間來查詢設備測點的歷史數據，并提供折線圖展現數據整體變化趨勢。綜合設備查詢是按設備列表、技術參數、缺陷記錄、檢修記錄、試驗記錄、運行記錄、監(jiān)測記錄等Tab頁,其中每個Tab頁都提供常用查詢條件(如電站、電壓等級、設備類型、設備名稱、開始時間、結束時間)查詢，默認是選中設備列表中的一行記錄后，切換到其它標簽頁時，其它標簽頁顯示當前選中設備的相關記錄。告警統計是統計一段時間內(年/月)按電站、電壓等級、設備類型、設備名稱、告警等級、告警次數進行統計。運行工況統計是通過設備監(jiān)測點狀態(tài)(正常/異常)和監(jiān)測數據統計設備整體運行工況，按電站、電壓等級、設備類型、設備名稱、正常運行率(監(jiān)測狀態(tài)正常時間/監(jiān)測時間)、一級告警率(一級告警時長/監(jiān)測時長)、二級告警率(二級告警時長/監(jiān)測時長)進行統計。[0054]所述故障診斷模塊中，模型設置子模塊是確定故障診斷和故障預警所采用的模型，以及模型的邊界設置，屬于模型配置信息，保存在Hbase數據庫中。Web程序中的模型訓練負責對訓練數據的范圍進行確定，并可以接收外部特定格式的訓練數據導入，將數據訓練范圍或接收的外部訓練數據都存儲在Hbase中后，向大數據環(huán)境發(fā)送執(zhí)行模型訓練指令(中間通過大數據環(huán)境集群主機上部署的Web服務，在Web服務中執(zhí)行大數據故障診斷程序的批處理)，大數據環(huán)境接收到執(zhí)行模型訓練指令后，執(zhí)行模型訓練，模型訓練子模塊會讀取Hbase中的模型訓練配置信息，并對訓練數據進行MapReduce式的任務分解，任務分解過程中進行模型數據訓練，任務聚合時，將當前完成進度信息寫入Hbase中，Web程序中，通過不斷讀取Hbase中的進度信息，顯示當前模型訓練進度情況。模型驗證、故障診斷、故障預警等子模塊都是采用上述方法實現。模型驗證子模塊是通過外部數據導入(設備故障數據或正常數據)，驗證模型準確性。故障診斷子模塊是對已經發(fā)生故障的設備進行診斷，確定故障類型、故障位置和解決辦法，可以直接通過條件選擇故障設備或導入故障設備進行分析。故障預警子模塊是預測一定范圍內(整個系統、電站、某一設備類型、某一電壓等級、某一生產廠家、某一設備型號、某一具體設備等條件)的設備在一定時間范圍(如一天、一周、一月、一年)內設備是否會發(fā)生故障，以及發(fā)生何種故障。[0055]以上所述，僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍?！緳嗬蟆?.一種基于大數據技術的水電設備監(jiān)測和故障診斷系統，其特征在于，該系統包括可視化展現模塊、告警管理模塊、查詢與統計模塊以及故障診斷模塊；其中:可視化展現模塊，通過狀態(tài)接入控制器，對水電設備進行狀態(tài)監(jiān)測，并通過數據上傳服務對設備監(jiān)測的結果數據進行上傳并存儲到Hbase數據庫中，然后以web應用的方式，提供查詢與統計Hbase數據庫存儲的設備臺帳相關信息，展現設備監(jiān)測信息和設備相關統計信息；告警管理模塊，通過配置設備監(jiān)測點的上限值、下限值、上上限、下下限以及多個監(jiān)測點的組合告警條件，產生告警記錄，并發(fā)出提醒信息；查詢與統計模塊，用于提供設備監(jiān)測數據的歷史查詢、設備相關臺帳的綜合信息查詢、設備監(jiān)測告警記錄的統計、設備運行工況信息的統計功能；以及，故障診斷模塊，采用聚類分類模型、貝葉斯網絡故障診斷模型或預測模型，進行設備故障診斷及預警。2.根據權利要求1所述的基于大數據技術的水電設備監(jiān)測和故障診斷系統，其特征在于，所述可視化展現模塊具體包括大壩安全監(jiān)測子模塊、水利測量監(jiān)測子模塊、水輪機組監(jiān)測子模塊、變壓器監(jiān)測子模塊、斷路器監(jiān)測子模塊、容性設備監(jiān)測子模塊、避雷器監(jiān)測子模塊以及微氣象環(huán)境監(jiān)測子模塊。3.根據權利要求1所述的基于大數據技術的水電設備監(jiān)測和故障診斷系統，其特征在于，所述通過數據上傳服務對設備監(jiān)測的結果數據進行上傳，具體包括:利用狀態(tài)接入控制器的監(jiān)測層與接入層之間的II接口，面向被監(jiān)測裝置即子站，采用DL/T80接口協議將子站的被監(jiān)測信息采集上來，并通過所述狀態(tài)接入控制器的位于接入層到主站層之間的12接口定時上傳到主站的CAG接入網關；利用CAG接入網關向數據上傳服務器發(fā)送XML文件，經數據上傳服務模塊將設備監(jiān)測數據上傳到Hbase數據庫中。4.根據權利要求1所述的基于大數據技術的水電設備監(jiān)測和故障診斷系統，其特征在于，所述設備的監(jiān)測結果數據，主要包括生產管理系統中的設備臺帳信息、缺陷信息、試驗信息、運行信息、檢修信息、生產廠家信息。5.根據權利要求1所述的基于大數據技術的水電設備監(jiān)測和故障診斷系統，其特征在于，所述告警管理模塊包括事件告警配置、短信告警配置、短信告警查詢、事件告警查詢子模塊。6.根據權利要求1所述的基于大數據技術的水電設備監(jiān)測和故障診斷系統，其特征在于，所述故障診斷模塊，包括包含模型設置、模型訓練、模型驗證、故障診斷、故障預警子模塊。7.根據權利要求1所述的基于大數據技術的水電設備監(jiān)測和故障診斷系統，其特征在于，所述故障診斷模塊，進一步包括通過模型設置功能，確定采用的模型和模型的細節(jié)調整；通過對水電設備的海量數據進行模型訓練，滿足模型求解的數據支撐；通過外部輸入數據測試，驗證模型準確性，以便對模型設置進行微調，達到準確的故障診斷和預警?！疚臋n編號】G05B19/418GK104281130SQ201410487983【公開日】2015年1月14日申請日期:2014年9月22日優(yōu)先權日:2014年9月22日【發(fā)明者】劉紅超,張健,陳清水申請人:國家電網公司,北京許繼電氣有限公司