[发明专利]一种基于混合聚类的电力设备并行故障诊断方法及装置

说明书

本发明提供一种基于混合聚类的电力设备并行故障诊断方法及装置，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，及时发现电力设备的故障。本方法包括以下步骤：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。

技术领域

本发明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。

背景技术

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。

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。

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。

发明内容

本发明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，及时发现电力设备的故障。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种基于混合聚类的电力设备并行故障诊断方法，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。

进一步的，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。

进一步的，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：