一种基于多站融合的故障数据诊断算法制造技术

本发明专利技术公开了一种基于多站融合的故障数据诊断算法，包括：提出了基于多站融合的分层数据采集架构；在边缘层对采集到的数据进行预处理；在数据中心层对预处理后的数据使用非线性动态学习因子的粒子群优化算法进行故障诊断。本发明专利技术通过提出的分层数据采集架构，实现了适用于多站融合场景下的数据高效采集诊断。通过在边缘层对采集的数据进行预处理，实现对数据的甄别与重构，保障数据在采集与传输过程中的完整性。在数据中心层使用非线性动态学习因子的粒子群优化算法进行故障诊断充分保障了电网数据的安全，降低了事故风险。降低了事故风险。降低了事故风险。

【技术实现步骤摘要】
一种基于多站融合的故障数据诊断算法


[0001]本专利技术涉及数据诊断领域，尤其涉及一种基于多站融合的故障数据诊断算法。

技术介绍

[0002]近年来，伴随能源加快向清洁低碳方向转型和信息化产业快速发展，在城市区域内，电动汽车、5G通信、数据中心、分布式发电、储能等蓬勃发展，对土地资源及变配电资源的需求量快速增长，多站融合理念越来越多的被应用，然而由于电站数据采集不规范，此外多站融合场景下的各个站点分布较为分散，造成多站融合场景的数据采集，管理和监控无法得到保障。因此，考虑采用大数据、边缘计算等先进技术，实现对多站融合场景下生产的运行数据的高效采集和处理很有必要。

技术实现思路

[0003]本专利技术的目的在于提出一种基于多站融合的故障数据诊断算法，通过提出的分层数据采集架构，实现了适用于多站融合场景下的数据高效采集诊断；通过在边缘层对采集的数据进行预处理，实现对数据的甄别与重构，保障数据在采集与传输过程中的完整性；在数据中心层使用非线性动态学习因子的粒子群优化算法进行故障诊断充分保障了电网数据的安全，降低了事故风险。
[0004]为了达到上述目的，本专利技术通过以下技术方案实现：
[0005]一种基于多站融合的故障数据诊断算法，采用基于多站融合的分层数据采集架构，在边缘层对采集到的数据进行预处理，在数据中心层对预处理后的数据使用非线性动态学习因子的粒子群优化算法进行故障诊断。
[0006]优选地，基于多站融合的分层数据采集架构，包括设备层、边缘层、数据传输层、数据中心、系统平台层、决策层；
[0007]所述设备层通过能源路由器对站内设备进行数据采集；
[0008]所述边缘层根据设备层采集到的各系统运行数据，对数据进行初步的处理，接着按照规定的数据传输规范定期将采集数据的全量或增量上传至数据中心。
[0009]所述数据传输层用于将边缘层数据根据电网数据种类、类型的不同，按照不同的传输方式传输至数据中心，传输方式包括但不限于电网专线传输、无线专网传输；
[0010]所述数据中心对接收到的数据进行二次加工，同时基于非线性动态学习因子的粒子群优化算法对数据进行故障诊断，保障了电网数据的安全，降低了事故风险，并且其具备数据存储功能，对上传的数据和处理后的结果数据进行暂存和永久存储，以满足电网实时查看和临时备份的需求；
[0011]所述系统平台层以多站融合为业务场景根据数据中心处理的数据监控电网，用于支撑上层应用；
[0012]所述决策层开展生产操作类、运营管理类和分析决策类应用，以智能手机、平板电脑、Web页面等方式进行应用展现。
[0013]优选地，在边缘层对采集到的数据进行预处理，具体是对采集到的数据进行数据补全；
[0014]定义表示具有缺失数据的原始序列数据，其中T为X本来应该包含的数据个数，T
’
为缺失数据，Y为X中缺失数据对应的下标集
[0015]定义数据的缺失程度D，其公式如下：
[0016][0017]其中L
max
表示数据X中最长连续缺失数据段的长度，与阈值MaxV比较，如果大于阈值MaxV，则X为严重缺失数据，即D＝1，否则X为少量缺失数据，即D＝0；
[0018]对于少量丢失的时间随机数据，将丢失的数据归零；对于严重缺失的数据，使用ARMA算法对缺失数据进行预测和补全。
[0019]优选地，基于非线性动态学习因子的粒子群优化算法，包括步骤以下步骤：
[0020]步骤1，对粒子群位置、速度等进行随机初始化；
[0021]步骤2，计算每一个粒子的适应值；
[0022]步骤3，根据适应度值来更新粒子个体的历史最佳位置；
[0023]步骤4，根据适应度值来更新粒子群体的历史全局最佳位置；
[0024]步骤5，更新粒子的速度和位置进行更新；
[0025]步骤6，如果没有达到结束条件，返回步骤2继续执行算法，反之结束算法。
[0026]具体的，所述提出的非线性动态学习因子的粒子群优化算法通过群体中的个体共享位置向量和速度向量，寻求个体适应值(距离最优解的调整值)，个体通过交互学习而不断迭代位置向量和速度向量，从而计算出群体最优位置和个体在群体中的最优位置。它利用群体中个体的协作实现寻优，实现方式便捷、鲁棒性强、效率较高，并且对学习因子进行优化改进，避免在求解复杂的优化问题时，因学习因子为定值使粒子群算法中的粒子在迭代开始时出现“扎堆”的现象，而出现局部最优。通过设置非线性动态学习因子，可使算法能够尽快跳出局部最优，提高算法收敛速度，更容易获得全局最优解。在迭代初期，c1取值较大，c2取值较小，可以提高粒子自身学习的能力，避免粒子过度在某一区域内集中而陷入局部最优；在迭代后期，c1取值较小，c2取值较大，可以提高算法群体学习的能力，以使大部分粒子向全局最优解移动，提高算法的准确度。
[0027]在基于非线性动态学习因子的粒子群优化算法中，所有粒子组成了一个搜索空间，其中每一个粒子都具有记忆功能和一个适应度值，分别用来记住搜索到的最优位置和对当前位置的优劣进行判断，搜索空间中所有的粒子都代表目标问题的可行解。例如，定义一个D维搜索空间，它由n个粒子构成，其中将第i个粒子的位置定义为：
[0028]x
i
＝(x
i1
,x
i2
,
…
,x
iD
)
[0029]将第i个粒子当前的速度定义为
[0030]v
i
＝(v
i1
,v
i2
,
…
,v
iD
)
[0031]第i个粒子的个体历史最佳位置为
[0032]p
i
＝(p
i1
,p
i2
,
…
,p
iD
)
[0033]整个粒子群全局最佳位置为
[0034]p
g
＝(p
g1
,p
g2
,
…
,p
gD
)
[0035]第k代的第i个微粒在第d维(1＜d＜D)的速度更新公式为：
[0036]v
id
(k+1)＝ωv
id
(k)+c1r1[p
id
(k)
‑
x
id
(k)]+c2r2[p
gd
(k)
‑
x
id
(k)][0037]当t≤0.7
·
T
max
时，c2＝0.3+0.1
·
rand
[0038]当t＞0.7
·
T
max
时，c1＝0.3+0.1
·
rand，
[0039]式中，t为当前迭代次数，T...

【技术保护点】

【技术特征摘要】
1.一种基于多站融合的故障数据诊断算法，其特征在于，采用基于多站融合的分层数据采集架构，在边缘层对采集到的数据进行预处理，在数据中心层对预处理后的数据使用非线性动态学习因子的粒子群优化算法进行故障诊断。2.根据权利要求1所述的基于多站融合的故障数据诊断算法，其特征在于，基于多站融合的分层数据采集架构，包括设备层、边缘层、数据传输层、数据中心、系统平台层、决策层；所述设备层通过能源路由器对站内设备进行数据采集；所述边缘层根据设备层采集到的各系统运行数据，对数据进行初步的处理，接着按照规定的数据传输规范定期将采集数据的全量或增量上传至数据中心。所述数据传输层用于将边缘层数据根据电网数据种类、类型的不同，按照不同的传输方式传输至数据中心，传输方式包括但不限于电网专线传输、无线专网传输；所述数据中心对接收到的数据进行二次加工，同时基于非线性动态学习因子的粒子群优化算法对数据进行故障诊断，保障了电网数据的安全，降低了事故风险，并且其具备数据存储功能，对上传的数据和处理后的结果数据进行暂存和永久存储，以满足电网实时查看和临时备份的需求；所述系统平台层以多站融合为业务场景根据数据中心处理的数据监控电网，用于支撑上层应用；所述决策层开展生产操作类、运营管理类和分析决策类应用，以智能手机、平板电脑、Web页面等方式进行应用展现。3.根据权利要求1所述的基于多站融合的故障数据诊断算法，其特征在于，在边缘层对采集到的数据进行预处理，具体是对采集到的数据进行数据补全；定义表示具有缺失数据的原始序列数据，其中T为X本来应该包含的数据个数，T
’...

【专利技术属性】
技术研发人员：张相宇，房军，李文芳，李静，周全，邹竞帆，邢广杰，凌冰，
申请(专利权)人：国网安徽综合能源服务有限公司合肥分公司，
类型：发明
国别省市：