【技术实现步骤摘要】
一种基于混合聚类的电力设备并行故障诊断方法及装置
[0001]本专利技术属于电网电力行业多元数据监测诊断领域,涉及一种基于混合聚类的电力设备并行故障诊断方法及装置。
技术介绍
[0002]随着电力系统的发展,电力设备故障对人们生活造成重大影响,因此亟需对设备的状态进行持续监测。而传感器技术和通信技术的不断进步,导致电网数据以指数级增长,同时这些数据呈实时性、易失性和无限性,是需要持续监测的流式数据。原有平台Hadoop可以处理批量数据,但实时性较差,而Storm是开源的分布式实时计算架构,可以快速处理海量数据流,弥补了Hadoop实时性处理的不足。
[0003]当前,随着Storm的兴起,其在电力行业领域出现一些应用成果。在Storm上实现基于时间的滑动窗口处理方法,并通过阈值判断实现电网数据流的异常检测。对电网设备中报警数据进行快速处理,通过聚类算法实现相关数据流的处理。
[0004]减法聚类算法和K
‑
means算法属于机器学习算法,机器学习算法可以分为有监督学习和无监督学习两种。在现实世界中,大部分样本是不带标签的,因此无监督学习比监督学习应用更加广泛。K
‑
means算法属于典型的无监督学习聚类算法,其初始聚类中心的选择为随机初始化,因此其聚类结果的准确性不稳定。
技术实现思路
[0005]本专利技术的目的在于克服现有技术中的不足,提供一种基于混合聚类的电力设备并行故障诊断方法,能够实时的完成相应流式数据的并行诊断,实时满足监测数据的故障诊断 ...
【技术保护点】
【技术特征摘要】
1.一种基于混合聚类的电力设备并行故障诊断方法,其特征在于,包括以下步骤:根据历史电网数据自适应配置storm平台中各个组件的并行度和相关进程数;通过IRichSpout接口将实时电网数据接入到storm平台的Spout源组件中,形成待处理数据流;按照时间顺序将待处理数据流封装到多个Tuple元组中,并为每个Tuple元组生成唯一的ID;利用PreBolt组件接收Tuple元组,并通过标准分数法对Tuple元组中的数据集进行预处理,得到标准化样本;利用故障诊断模型处理标准化样本,获得电力设备的故障诊断结果。2.根据权利要求1所述的基于混合聚类的电力设备并行故障诊断方法,其特征在于,自适应配置storm平台中各个组件的并行度和相关进程数的方法为:利用历史电网数据模拟实时电网数据流,其中,历史电网数据的流量大于实时电网数据的预期流量;根据历史电网数据计算storm平台中各个组件在不同并行度和不同进程数下的数据吞吐量;在数据吞吐量满足预期吞吐量的情况下,自适应配置开销最低的组件并行度和进程数。3.根据权利要求1所述的基于混合聚类的电力设备并行故障诊断方法,其特征在于,通过标准分数法对Tuple元组中的数据集进行预处理,得到标准化样本,包括:按照下述公式对其进行归一化,公式如下:上式中,x`(x`∈[0,1])为归一化后的数据值;x
min
为元组数据中某一维数据的最小值;x
max
为这一维度数据的最大值。4.根据权利要求1所述的基于混合聚类的电力设备并行故障诊断方法,其特征在于,所述故障诊断模型的构建方法包括:将减法聚类算法和K
‑
means聚类算法分别部署SCMBolt组件和K
‑
meansBolt组件中,将SCMBolt组件和K
‑
meansBolt组件连接起来,设置组件的并行度,得到故障诊断模型。5.根据权利要求4所述的基于混合聚类的电力设备并行故障诊断方法,其特征在于,利用故障诊断模型处理标准化样本,获得电力设备的故障诊断结果,包括:将标准化样本通过减法聚类算法确定较优的初始聚类中心;将减法聚类处理所得的较优的初始聚类中心作为K
‑
means算法的初始聚类中心,再进行聚类,从而实现该样本数据的故障诊断结果。6.根据权利要求5所述的基于混合聚类的电力设备并行故障诊断方法,其特征在于,将标准化样本通过减法聚类算法确定较优的初始聚类中心,包括:SCMBolt组件接收PreBolt组件传递的元组,对元组中数据进行减法聚类,通过密度值确定聚类中心,得到的聚类中心为原数据中的点;当减法聚类算法完成后,得到初始聚类中心,将其与相应Id编号及此编号对应的标准化待聚类样本封装为一个元组,传递给下游组件K
‑
meansBolt;
减法聚类的方法包括:样本维度为M,样本点个数为n,分别为(x1,x2,...,x
n
);当维度较高时所有样本点归一到一个超立方体中;在此,每个样本点都可为聚类中心的候选者;则样本点xi的密度指标定义为上式中,r
a
为一个正数;r
a
的取值为该点的一个邻域半...
【专利技术属性】
技术研发人员:刘少伟,戴必翔,秦昌嵩,董贝,经周,
申请(专利权)人:南京国电南自电网自动化有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。