[发明专利]一种基于多站融合的故障数据诊断算法

权利要求书

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’为缺失数据，Y为X中缺失数据对应的下标集

定义数据的缺失程度D，其公式如下：

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；

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。

4.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：

步骤1，对粒子群位置、速度等进行随机初始化；

步骤2，计算每一个粒子的适应值；

步骤3，根据适应度值来更新粒子个体的历史最佳位置；

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；

步骤5，更新粒子的速度和位置进行更新；

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。

5.根据权利要求4所述的基于多站融合的故障数据诊断算法，其特征在于，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，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；

当t≤0.7·T_max时，c₂＝0.3+0.1·rand；当t＞0.7·T_max时，c₁＝0.3+0.1·rand，