1.概述
随着经济体制改革的不断深化，面对市场经济带来的竞争局面，使电力企业本身增强了忧患意识和市场意识。目前，供电企业大力开展城网改造，合理安排计划检修，重视基建和检修质量，广泛实施带电作业，其目的是为了减少对客户的停电时间，增加售电量，提高供电可靠性。
配电线路及设备运行规程明确指出：“运行单位应贯彻预防为主的方针。根据地区和季节性特点，做好运行、维护工作，及时发现和消除设备缺陷，预防事故发生，提高配电网的供电可靠性，降低线损和运行维护费用，为用户提供优质电能而努力。”
在城市电网规模不断扩大，设备类型不断增多的情况下，传统的配电设备缺陷管理方法已不能适应现代电网发展的要求，过去主要是依靠个人经验，直觉判断，或待设备发生事故后，或依据运行时间周期再进行检修；由此造成设备运行的维护盲目性和粗放型，缺乏科学的管理，未能达到对设备运行状况的定量分析，从而进行有针对性的设备检修。
随着计算机技术的广泛应用及其飞跃发展，经济数学引入到各项管理工作之中；供电企业的设备运行状态是大量数据的展现，正是由于这些使利用相关各学科技术，将设备数据和相关数据进行积累统计，采用数据挖掘工具，通过定量的数据模型计算和定性的智能分析、预测设备的运行状态成为可能。
缺陷管理是可靠性管理的重要环节，可靠性管理是一个全过程的管理，加强可靠性管理，使可靠性管理工作向产品质量管理延伸，向检修管理深入，向设备状态扩延，精细化运行维护工作的每一个环节；通过技术创新，加大在线监测力度，带电作业广度，状态检修深度；只有通过现代科学的管理，才能真正提高设备可靠性，才能获得最大的经济效益，提高企业管理水平。
2.设备缺陷分类管理原则
缺陷管理的目的是为了掌握运行设备存在的问题以便消除缺陷，提高设备的健康水平，保障电网安全运行。另一方面对缺陷进行全面分析，掌握其规律性，为大修、更新改造电网提供依据。
2.1缺陷分类原则
设备运行规程中规定缺陷分类是按一般缺陷、重大缺陷和紧急缺陷，其分类方式主要是针对其缺陷对电网安全运行影响的程度而进行，其分类粗放而且缺乏科学性。
设备的缺陷与制造质量，制造厂家装备水平，设计优化，安装工艺，运行环境，维护人员素质等各类因素有关，因此为达到缺陷管理的科学性，需要对其进行全方位数据的统计、登录；通过数据积累，建立数据模型，挖掘数据间的相关度，实现支持决策。
为达到上述目的，实现设备状态的定量分析，设备缺陷应按其电压等级、设备类别、个体部件和部位等进行设备缺陷的定位，按其环境，技术和责任原因等对设备缺陷进行定性，根据上述对设备缺陷的定位和定性实现设备缺陷分类的基本原则。
2.2缺陷原因分析
确定设备缺陷产生的原因是决定设备缺陷影响电网安全运行程度的关键。建立数学模型进行定量分析，挖掘其缺陷的内在因素，提高分析精度，将设备缺陷原因分为环境原因，技术原因和责任原因三部分。
2.2.1环境原因主要是设备制造厂家、运行气候状况和运行电物理参数等。例如：气温40℃。
2.2.2技术原因主要是设备存在缺陷的物理现象。例如：操作机构失灵。
2.2.3责任原因主要是指造成设备缺陷的直接原因。例如：绝缘老化造成变压器高压线圈主绝缘击穿。
上述三方面原因分析最困难的是责任原因，但通过设备缺陷定位和定性输入数据库中，建立数学模型，将逐步提高责任原因分析的精度，找出各类设备存在问题的根本所在，对设备设计、制造、安装和运行整个系统监控，从而提高设备的建康水平。
2.3缺陷管理方法
为了掌握设备的运行状况，及时发现缺陷隐患，按期对设备进行管理和检查，利用在线监测技术对设备运行监视，建立设备档案，将设备缺陷按分类原则进行设备缺陷定位和设备缺陷原因定性进行数库登录；由于数据库中提供了大量的设备数据，利用计算机技术、经济数学和人工智能技术将设备数据进行整合，输出设备状况。设备状况的输出，为设备的检修提供了依据，从而达到对设备检修的科学性，有效的提高了供电企业的管理水平。
3.缺陷管理系统实现方法
如何从大量数据中发现真正有用的信息，使企业资源达到最佳分配，损失减至最小，解决这一问题方法就是数据挖掘，数据挖掘是建立在对设备、设备运行数据和相关数据的深刻理解上，没有这些理解就无法提供挖掘的数据，建立的系统将无法提供可信赖的结果，更无法正确解释数据挖掘的结果。
进行数据挖掘的根本目的在于从大量数据记录中挖掘出有用的信息和知识，要进行复杂的数据智能挖掘，并不是简单地把一些数据代入模型进行计算，然后就可获得有意义的结果。它需要一个严谨的系统处理过程、同生产实际的结合。一般，系统实现的步骤包括确定问题、准备数据、建立模型、使用与监测模型等四个步骤。
3.1数据采集
当进行数据挖掘时，首先要从大量数据中取出一个与要解决的问题相关的样本数据集，这就象在对开采出来矿石首先要进行选矿一样。通过对数据样本的精选,不仅能减少数据处理量,节省系统资源,而且能通过数据的筛选,使数据反映的规律性更加突出出来。数据收集过程包括从公共数据库或专用数据库(例如设备档案数据)获取信息，购买外部数据(例如气象数据、厂家数据)等。在数据取样中,要把好数据的质量关，任何时候都不要忽视数据的质量，即使从一个数据仓库中进行数据取样，也要检查数据质量，因为数据挖掘的过程是探索设备运行的规律性，原始数据有误，必然影响探索的规律性。若数据是从正在运行着的系统中进行取样，则更要注意数据的完整性和有效性。
从巨大的数据母体中取出哪些数据作为样本数据呢?这要根据所制定要达到的目标来定。如果系统的目的是进行过程的观察和控制,则可对数据进行随机取样,然后根据获得的样本数据对过程的状况作出估计。若系统想通过数据挖掘得出过程的全面规律时,则必须获得足够广泛的数据使其有代表性。系统还应当从实际应用的要求来考察取样数据的代表性。对样本数据的仔细选择,才能通过数据挖掘得出反映本质规律性的结果，决策才是真正有效的。
3.2数据挖掘技术
数据挖掘并不是一项全新的技术，它的出现与发展有着其自身的必然性。用户不仅需要一般的查询和报表工具，更需要从多种相关联的数据中提取高质量的信息。一个数据挖掘处理系统不是多项技术的简单组合，而是一个完整的整体。
数据挖掘模型工作涉及了非常广阔的技术领域,当系统对应采用的技术有了明确的方向，系统的数据结构和内容也有了充分的适应性，采用合适的技术手段如数理统计方法、人工神经元网络、决策树等，就能很好的解决问题。数理统计方法是数据挖掘工作中最常用的主流技术手段，它可进行各种不同类型模型、不同特点数据的分析，并能产生各种有用的统计量和诊断信息。在多变量统计分析方面,它能提供主成分分析、典型相关分析、判别分析和因子分析等。数理统计工具不仅能揭示已有数据间的新关系、隐藏着的规律性，而且能反过来预测它的发展趋势，或是在一定条件下将会出现什么结果。数据挖掘工具应用于缺陷管理中，必须根据实际情况采用合适的算法：
关联分析：关联分析用于挖掘出数据间的相互关系，找出它们间的相关度。
序列分析：序列模式分析用于挖掘出同一类数据间的相互关系。
分类分析：分类分析根据数据库中的不同类别的记录，按照一个特征，将其归为新的一类。
延伸阅读
文章来源于领测软件测试网 https://www.ltesting.net/
