1.概述
隨著經濟體制改革的不斷深化，面對市場經濟帶來的競爭局面，使電力企業本身增強了憂患意識和市場意識。目前，供電企業大力開展城網改造，合理安排計劃檢修，重視基建和檢修質量，廣泛實施帶電作業，其目的是為了減少對客戶的停電時間，增加售電量，提高供電可靠性。
配電線路及設備運行規程明確指出：“運行單位應貫徹預防為主的方針。根據地區和季節性特點，做好運行、維護工作，及時發現和消除設備缺陷，預防事故發生，提高配電網的供電可靠性，降低線損和運行維護費用，為用戶提供優質電能而努力�！�
在城市電網規模不斷擴大，設備類型不斷增多的情況下，傳統的配電設備缺陷管理方法已不能適應現代電網發展的要求，過去主要是依靠個人經驗，直覺判斷，或待設備發生事故后，或依據運行時間周期再進行檢修；由此造成設備運行的維護盲目性和粗放型，缺乏科學的管理，未能達到對設備運行狀況的定量分析，從而進行有針對性的設備檢修。
隨著計算機技術的廣泛應用及其飛躍發展，經濟數學引入到各項管理工作之中；供電企業的設備運行狀態是大量數據的展現，正是由于這些使利用相關各學科技術，將設備數據和相關數據進行積累統計，采用數據挖掘工具，通過定量的數據模型計算和定性的智能分析、預測設備的運行狀態成為可能。
缺陷管理是可靠性管理的重要環節，可靠性管理是一個全過程的管理，加強可靠性管理，使可靠性管理工作向產品質量管理延伸，向檢修管理深入，向設備狀態擴延，精細化運行維護工作的每一個環節；通過技術創新，加大在線監測力度，帶電作業廣度，狀態檢修深度；只有通過現代科學的管理，才能真正提高設備可靠性，才能獲得最大的經濟效益，提高企業管理水平。
2.設備缺陷分類管理原則
缺陷管理的目的是為了掌握運行設備存在的問題以便消除缺陷，提高設備的健康水平，保障電網安全運行。另一方面對缺陷進行全面分析，掌握其規律性，為大修、更新改造電網提供依據。
2.1缺陷分類原則
設備運行規程中規定缺陷分類是按一般缺陷、重大缺陷和緊急缺陷，其分類方式主要是針對其缺陷對電網安全運行影響的程度而進行，其分類粗放而且缺乏科學性。
設備的缺陷與制造質量，制造廠家裝備水平，設計優化，安裝工藝，運行環境，維護人員素質等各類因素有關，因此為達到缺陷管理的科學性，需要對其進行全方位數據的統計、登錄；通過數據積累，建立數據模型，挖掘數據間的相關度，實現支持決策。
為達到上述目的，實現設備狀態的定量分析，設備缺陷應按其電壓等級、設備類別、個體部件和部位等進行設備缺陷的定位，按其環境，技術和責任原因等對設備缺陷進行定性，根據上述對設備缺陷的定位和定性實現設備缺陷分類的基本原則。
2.2缺陷原因分析
確定設備缺陷產生的原因是決定設備缺陷影響電網安全運行程度的關鍵。建立數學模型進行定量分析，挖掘其缺陷的內在因素，提高分析精度，將設備缺陷原因分為環境原因，技術原因和責任原因三部分。
2.2.1環境原因主要是設備制造廠家、運行氣候狀況和運行電物理參數等。例如：氣溫40℃。
2.2.2技術原因主要是設備存在缺陷的物理現象。例如：操作機構失靈。
2.2.3責任原因主要是指造成設備缺陷的直接原因。例如：絕緣老化造成變壓器高壓線圈主絕緣擊穿。
上述三方面原因分析最困難的是責任原因，但通過設備缺陷定位和定性輸入數據庫中，建立數學模型，將逐步提高責任原因分析的精度，找出各類設備存在問題的根本所在，對設備設計、制造、安裝和運行整個系統監控，從而提高設備的建康水平。
2.3缺陷管理方法
為了掌握設備的運行狀況，及時發現缺陷隱患，按期對設備進行管理和檢查，利用在線監測技術對設備運行監視，建立設備檔案，將設備缺陷按分類原則進行設備缺陷定位和設備缺陷原因定性進行數庫登錄；由于數據庫中提供了大量的設備數據，利用計算機技術、經濟數學和人工智能技術將設備數據進行整合，輸出設備狀況。設備狀況的輸出，為設備的檢修提供了依據，從而達到對設備檢修的科學性，有效的提高了供電企業的管理水平。
3.缺陷管理系統實現方法
如何從大量數據中發現真正有用的信息，使企業資源達到最佳分配，損失減至最小，解決這一問題方法就是數據挖掘，數據挖掘是建立在對設備、設備運行數據和相關數據的深刻理解上，沒有這些理解就無法提供挖掘的數據，建立的系統將無法提供可信賴的結果，更無法正確解釋數據挖掘的結果。
進行數據挖掘的根本目的在于從大量數據記錄中挖掘出有用的信息和知識，要進行復雜的數據智能挖掘，并不是簡單地把一些數據代入模型進行計算，然后就可獲得有意義的結果。它需要一個嚴謹的系統處理過程、同生產實際的結合。一般，系統實現的步驟包括確定問題、準備數據、建立模型、使用與監測模型等四個步驟。
3.1數據采集
當進行數據挖掘時，首先要從大量數據中取出一個與要解決的問題相關的樣本數據集，這就象在對開采出來礦石首先要進行選礦一樣。通過對數據樣本的精選,不僅能減少數據處理量,節省系統資源,而且能通過數據的篩選,使數據反映的規律性更加突出出來。數據收集過程包括從公共數據庫或專用數據庫(例如設備檔案數據)獲取信息，購買外部數據(例如氣象數據、廠家數據)等。在數據取樣中,要把好數據的質量關，任何時候都不要忽視數據的質量，即使從一個數據倉庫中進行數據取樣，也要檢查數據質量，因為數據挖掘的過程是探索設備運行的規律性，原始數據有誤，必然影響探索的規律性。若數據是從正在運行著的系統中進行取樣，則更要注意數據的完整性和有效性。
從巨大的數據母體中取出哪些數據作為樣本數據呢?這要根據所制定要達到的目標來定。如果系統的目的是進行過程的觀察和控制,則可對數據進行隨機取樣,然后根據獲得的樣本數據對過程的狀況作出估計。若系統想通過數據挖掘得出過程的全面規律時,則必須獲得足夠廣泛的數據使其有代表性。系統還應當從實際應用的要求來考察取樣數據的代表性。對樣本數據的仔細選擇,才能通過數據挖掘得出反映本質規律性的結果，決策才是真正有效的。
3.2數據挖掘技術
數據挖掘并不是一項全新的技術，它的出現與發展有著其自身的必然性。用戶不僅需要一般的查詢和報表工具，更需要從多種相關聯的數據中提取高質量的信息。一個數據挖掘處理系統不是多項技術的簡單組合，而是一個完整的整體。
數據挖掘模型工作涉及了非常廣闊的技術領域,當系統對應采用的技術有了明確的方向，系統的數據結構和內容也有了充分的適應性，采用合適的技術手段如數理統計方法、人工神經元網絡、決策樹等，就能很好的解決問題。數理統計方法是數據挖掘工作中最常用的主流技術手段，它可進行各種不同類型模型、不同特點數據的分析，并能產生各種有用的統計量和診斷信息。在多變量統計分析方面,它能提供主成分分析、典型相關分析、判別分析和因子分析等。數理統計工具不僅能揭示已有數據間的新關系、隱藏著的規律性，而且能反過來預測它的發展趨勢，或是在一定條件下將會出現什么結果。數據挖掘工具應用于缺陷管理中，必須根據實際情況采用合適的算法：
關聯分析：關聯分析用于挖掘出數據間的相互關系，找出它們間的相關度。
序列分析：序列模式分析用于挖掘出同一類數據間的相互關系。
分類分析：分類分析根據數據庫中的不同類別的記錄，按照一個特征，將其歸為新的一類。
延伸閱讀
文章來源于領測軟件測試網 http://www.kjueaiud.com/
