(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210791423.4 (22)申请日 2022.07.07 (71)申请人 南京国电南自电网自动化有限公司 地址 211153 江苏省南京市江宁区水阁路 39号 (72)发明人 刘少伟　戴必翔　秦昌嵩　董贝　 经周　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 钟昕宇 (51)Int.Cl. G06K 9/62(2022.01) G06F 16/2455(2019.01) (54)发明名称 一种基于混合聚类的电力设备并行故障诊 断方法及装置 (57)摘要 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。 权利要求书3页 说明书9页 附图2页 CN 115293236 A 2022.11.04 CN 115293236 A 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T uple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； xmin为元组数据中某一维数据的最小值； xmax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；权　利　要　求　书 1/3 页 2 CN 115293236 A 2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,...,xn)； 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， ra为一个正数； ra的取值为该点的一个邻域半径， 当每一个样本点的密度指标计算完后， 选择密度指标最高的样本点作为第 一个聚类中 心， xc1为选中的点， Dc1是此点的密度指标； 则选择下一个聚类 中心时， 每个样本点xi的密度 指标可通过下式修正； 上式中， rb为一个正数； 当修正完所有样本点 的密度指标后， 选择出新的聚类中心xc2， 再次修正所有样本点的 密度指标， 不断的重复该 过程， 直到足够多的聚类中心出现， 得到较优的初始聚类中心。 7.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 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， 包括： K‑meansBolt组件对上游SCMBolt组件传来的标准化待聚类样本进行K ‑means聚类， 在 聚类过程中将上游SCMBolt组件传来的聚类中心作为K ‑means聚类的初始聚类中心， 通过迭 代实现聚类中心的更新， 最终得到相关聚类结果。 8.根据权利要求7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， 在 聚类过程中将上游SCMBolt组件传来的聚类中心作为K ‑means聚类的初始聚类中心， 通过迭 代实现聚类中心的更新， 包括： a)将上游SC MBolt组件传来的聚类中心作为K ‑means聚类的初始聚类中心； b)计算标准样本集中所有样本到各个初始聚类 中心的矢量距离， 从中选择矢量距离最 小的并将此样本划分到其对应的类中； c)更新聚类 中心， 即计算每一类 中所有样本数据的平均值， 将这些均值作为k类别中新 的聚类中心； d)不断执行步骤b)和步骤c)， 直到新得到的聚类中心不再变化或与上次得到的聚类 中 心相差的偏移值小于指定阈值， 或算法执行 的迭代次数达到指定要求， 满足以上三个条件 之一则停止聚类； e)计算结果保存与汇总。 9.根据权利要求8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， 计 算结果保存与汇总， 包括： 通过DatabaseBolt组件实现模型诊断结果到数据库的存储操作， 从而便于电力及相关 行业对诊断结果的查询与检索， 或者通过FileBolt组件将诊断结果存储到数据文件中， 此权　利　要　求　书 2/3 页 3 CN 115293236 A 3