[发明专利]一种电力设备状态监测数据聚类方法和系统

权利要求书

1.一种电力设备状态监测数据聚类方法，其特征在于：

所述方法包括以下步骤：

步骤1：获取待聚类的电力设备在线监测数据集X_m×n，X_m×n包含m个样本，每个样本包含n类变量，对X_m×n中每个样本的n类变量进行标准化处理；

步骤2：设置DBSCAN模型的密度阈值参数k；

步骤3：根据标准化处理后X_m×n中每个样本与其余样本的距离绘制k距离图；

步骤4：根据DBSCAN(0,k)模型对标准化处理后X_m×n进行聚类的聚类结果类别数，确定邻域半径参数E的下限阈值E₀；

步骤5：根据步骤3绘制的k距离图，确定邻域半径参数E的上限阈值E_max；

步骤6：根据E₀和E_max绘制“类别数–E”曲线；

步骤7：根据“类别数–E”曲线确定邻域半径参数E的最优值；

步骤8：使用步骤7形成的DBSCAN模型聚类电力设备在线监测数据，用于在线监测实时数据的模式识别和异常检测，判断正常数据类别与异常数据；

DBSCAN是指基于密度聚类。

2.根据权利要求1所述的电力设备状态监测数据聚类方法，其特征在于：

步骤1中，对X_m×n中每个样本的n类变量分别进行z-score标准化处理，标准化公式为：

式中，是第j类变量的第t个样本标准化后的量测值；和σ_j分别是第j类变量的平均值和标准差。

3.根据权利要求1所述的电力设备状态监测数据聚类方法，其特征在于：

步骤2中，设置DBSCAN模型的密度阈值参数k＝2n。

4.根据权利要求1所述的电力设备状态监测数据聚类方法，其特征在于：

步骤3包括以下步骤：

步骤3.1：计算标准化处理后X_m×n中每个样本与其余样本的距离；

步骤3.2：计算每个样本与距离最近的k个样本的平均距离；

步骤3.3：对m个平均距离值进行升序排序，以获得的升序排序序号作为横坐标，对应的m个平均距离值为纵坐标绘制k距离图。

5.根据权利要求1或4所述的电力设备状态监测数据聚类方法，其特征在于：

步骤3所述距离为欧式距离。

6.根据权利要求1所述的电力设备状态监测数据聚类方法，其特征在于：

步骤4中，DBSCAN(E,k)模型对标准化处理后X_m×n进行聚类的聚类结果类别数随着E值的增加而开始增加且大于N₀时，此时的E值为E₀，其中，N₀为DBSCAN(0,k)模型聚类结果的类别数。

7.根据权利要求1所述的电力设备状态监测数据聚类方法，其特征在于：

步骤5中，在k距离图上找到纵坐标值为最大纵坐标值一半时的点，进一步找到该点附近k距离图上折线斜率变化最大的点，将该点的纵坐标确定为E_max。

8.根据权利要求1所述的电力设备状态监测数据聚类方法，其特征在于：

步骤6包括以下步骤：

步骤6.1：在E₀和E_max之间生成含有10个值的对数网格向量[E(1),E(2),E(3),…E(9),E(10)]；其中E(1)＝E₀，E(10)＝E_max；

步骤6.2：在不同E(i)取值下使用DBSCAN(E(i),k)模型对标准化处理后X_m×n中的样本数据进行聚类，统计聚类类别数N(i)，以E(i)为横坐标，对应的N(i)为纵坐标绘制“类别数–E”曲线，i＝1,2,…,10。