故障分类方法和系统技术方案

本发明专利技术公开了一种故障分类方法和系统，所述方法包括：根据待聚类设备数和每台设备的缺陷数据生成缺陷数据集；根据缺陷数据集获得预设数目个粒子；设置各个粒子的初始状态，确定各个粒子的初始位置矩阵、初始速度矩阵和初始最优数据分类结果，以及整个粒子群的初始最优数据分类结果；根据缺陷数据集，整个粒子群的初始最优数据分类结果，以及各个粒子的初始位置矩阵、初始速度矩阵和初始最优数据分类结果，通过迭代得到满足第一预设要求的整个粒子群的最优分类结果；将满足第一预设要求的最优分类结果作为迭代初值，再次迭代得到满足第二预设要求的整个粒子群的最优分类结果。本发明专利技术提高聚类准确性的同时大大降低运行时间，满足实际应用需要。

【技术实现步骤摘要】

本专利技术涉及数据处理
，特别是涉及一种故障分类方法和系统。
技术介绍
随着电网规模的不断扩大，设备种类与数量的不断增多，设备故障也不时发生，由此产生的大量设备缺陷数据往往得不到有效利用，如何对其进行分析与处理值得研究。聚类分析作为一种较好的数据处理方法，在许多领域已得到了成功的应用，例如模式识别、数据分析、图像处理等等。将聚类分析应用于电网设备缺陷分析中，对缺陷数据进行自动识别与聚类，在此基础上可以定量给出不同缺陷对设备健康状况的影响因子，为制定检修决策提供有效依据。根据聚类的性质又可分为两类，一类是硬聚类，另一类是模糊聚类。模糊C均值算法(FCM算法)就是最典型的模糊聚类法，其目标是找出评判聚类性能优劣的目标函数取得极小值时对应的分类方法，因其算法较为简便且聚类效果优于许多传统的硬聚类法，所以在聚类分析中应用愈发普遍。但FCM算法最明显的缺陷就是容易陷入局部最优解，单独使用时往往没有好的解决办法。根据以往经验，许多启发式优化算法例如遗传算法、蚁群算法、粒子群算法等都可较好的解决局部最优解问题。其中，粒子群算法(PSO算法)因其功能多样性以及简便性已成为使用最广泛的启发式算法之一。但粒子群算法本身也存在不足之处，例如在算法执行前需要计算一系列参数，而参数的不同会直接影响最终的算法结果。结合以上几点，并考虑到由于电网设备运行时产生的数据量巨大且更新速度很快，使得现有聚类方法对电网设备缺陷数据进行聚类，聚类准确度低，算法运行速度慢，不能满足实际需要。
技术实现思路
基于上述情况，本专利技术提出了一种故障分类方法和系统，提高聚类准确性 的同时大大降低运行时间，有效解决传统方法分类效果不佳的问题。为了实现上述目的，本专利技术技术方案的实施例为：一种故障分类方法，包括以下步骤：根据待聚类设备数和每台设备的缺陷数据生成缺陷数据集；根据所述缺陷数据集获得预设数目个粒子，各个所述粒子中的第一个粒子采用预设方法生成，各个所述粒子中的剩余粒子随机生成；设置各个所述粒子的初始状态，确定各个所述粒子的初始位置矩阵、初始速度矩阵和初始最优数据分类结果，并根据各个所述粒子的初始最优数据分类结果，得到整个粒子群的初始最优数据分类结果；根据所述缺陷数据集，所述整个粒子群的初始最优数据分类结果，以及各个所述粒子的初始位置矩阵、初始速度矩阵和初始最优数据分类结果，通过迭代得到满足第一预设要求的整个粒子群的最优分类结果；根据所述缺陷数据集和满足所述第一预设要求的整个粒子群的最优分类结果，通过迭代得到满足第二预设要求的整个粒子群的最优分类结果。一种故障分类系统，包括：缺陷数据集生成模块，用于根据待聚类设备数和每台设备的缺陷数据生成缺陷数据集；粒子获得模块，用于根据所述缺陷数据集获得预设数目个粒子，各个所述粒子中的第一个粒子采用预设方法生成，各个所述粒子中的剩余粒子随机生成；初始状态设置模块，用于设置各个所述粒子的初始状态，确定各个所述粒子的初始位置矩阵、初始速度矩阵和初始最优数据分类结果，并根据各个所述粒子的初始最优数据分类结果，得到整个粒子群的初始最优数据分类结果；第一迭代模块，用于根据所述缺陷数据集，所述整个粒子群的初始最优数据分类结果，以及各个所述粒子的初始位置矩阵、初始速度矩阵和初始最优数据分类结果，通过迭代得到满足第一预设要求的整个粒子群的最优分类结果；第二迭代模块，用于根据所述缺陷数据集和满足所述第一预设要求的整个粒子群的最优分类结果，通过迭代得到满足第二预设要求的整个粒子群的最优分类结果。与现有技术相比，本专利技术的有益效果为：本专利技术故障分类方法和系统，根据待聚类设备数和每台设备的缺陷数据生成缺陷数据集，获得预设数目个粒子，设置各个粒子的初始状态，通过迭代得到满足第一预设要求的整个粒子群的最优分类结果；将满足第一预设要求的最优分类结果作为迭代初值，再次迭代得到满足第二预设要求的整个粒子群的最优分类结果，相比于传统聚类方法例如k-means、层次聚类等方法而言，有更好的分类精度与准确性，具有更快的运行速度，提高了分类效率，从而解决了由于电网设备缺陷数据量大、实时性强导致传统方法分类效果不佳的问题，可针对性用于电网设备缺陷的家族分类。附图说明图1为一个实施例中故障分类方法流程图；图2为基于图1所示方法一个具体示例中故障分类方法流程图；图3为一个实施例中一个缺陷数据集的第一标准聚类结果；图4为一个实施例中一个缺陷数据集的第二标准聚类结果；图5为一个实施例中故障分类系统结构示意图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不限定本专利技术的保护范围。一个实施例中故障分类方法，如图1所示，包括以下步骤：步骤S101：根据待聚类设备数和每台设备的缺陷数据生成缺陷数据集；步骤S102：根据所述缺陷数据集获得预设数目个粒子，各个所述粒子中的第一个粒子采用预设方法生成，各个所述粒子中的剩余粒子随机生成；步骤S103：设置各个所述粒子的初始状态，确定各个所述粒子的初始位置矩阵、初始速度矩阵和初始最优数据分类结果，并根据各个所述粒子的初始最优数据分类结果，得到整个粒子群的初始最优数据分类结果；步骤S104：根据所述缺陷数据集，所述整个粒子群的初始最优数据分类结 果，以及各个所述粒子的初始位置矩阵、初始速度矩阵和初始最优数据分类结果，通过迭代得到满足第一预设要求的整个粒子群的最优分类结果；步骤S105：根据所述缺陷数据集和满足所述第一预设要求的整个粒子群的最优分类结果，通过迭代得到满足第二预设要求的整个粒子群的最优分类结果。从以上描述可知，本专利技术故障分类方法，根据待聚类设备数和每台设备的缺陷数据生成缺陷数据集，获得预设数目个粒子，设置各个粒子的初始状态，通过迭代得到满足第一预设要求的整个粒子群的最优分类结果；将满足第一预设要求的最优分类结果作为迭代初值，再次迭代得到满足第二预设要求的整个粒子群的最优分类结果，有更好的分类精度与准确性，具有更快的运行速度，提高了分类效率，适合应用。此外，在一个具体示例中，根据所述缺陷数据集，所述整个粒子群的初始最优数据分类结果，以及各个所述粒子的初始位置矩阵、初始速度矩阵和初始最优数据分类结果，通过迭代得到满足第一预设要求的整个粒子群的最优分类结果的步骤包括：根据所述缺陷数据集和各个所述粒子的初始位置矩阵得到第一初始聚类中心位置矩阵；根据所述第一初始聚类中心位置矩阵、所述缺陷数据集和各个所述粒子的初始位置矩阵得到第一初始指标函数；根据所述第一初始指标函数对所述整个粒子群的初始最优数据分类结果和各个所述粒子的初始最优数据分类结果进行更新；根据得到的更新后的整个粒子群的最优数据分类结果和各个所述粒子的最优数据分类结果，对各个所述粒子的初始位置矩阵和初始速度矩阵进行更新；根据得到的更新后的各个所述粒子的位置矩阵和速度矩阵，对各个所述粒子的惯性常数和权重因子进行更新；判断当前迭代得到的指标函数与上一次迭代得到的指标函数之间的变动是否小于预设第一阈值；当判定小于所述预设第一阈值时，停止迭代，得到当前迭代更新后的整个粒子群的最优数据分类结果并输出；否则，将得到的当前迭代更新后的整个粒 子群的最优数据分类结果作本文档来自技高网...

【技术保护点】
一种故障分类方法，其特征在于，包括以下步骤：根据待聚类设备数和每台设备的缺陷数据生成缺陷数据集；根据所述缺陷数据集获得预设数目个粒子，各个所述粒子中的第一个粒子采用预设方法生成，各个所述粒子中的剩余粒子随机生成；设置各个所述粒子的初始状态，确定各个所述粒子的初始位置矩阵、初始速度矩阵和初始最优数据分类结果，并根据各个所述粒子的初始最优数据分类结果，得到整个粒子群的初始最优数据分类结果；根据所述缺陷数据集，所述整个粒子群的初始最优数据分类结果，以及各个所述粒子的初始位置矩阵、初始速度矩阵和初始最优数据分类结果，通过迭代得到满足第一预设要求的整个粒子群的最优分类结果；根据所述缺陷数据集和满足所述第一预设要求的整个粒子群的最优分类结果，通过迭代得到满足第二预设要求的整个粒子群的最优分类结果。

【技术特征摘要】
1.一种故障分类方法，其特征在于，包括以下步骤：根据待聚类设备数和每台设备的缺陷数据生成缺陷数据集；根据所述缺陷数据集获得预设数目个粒子，各个所述粒子中的第一个粒子采用预设方法生成，各个所述粒子中的剩余粒子随机生成；设置各个所述粒子的初始状态，确定各个所述粒子的初始位置矩阵、初始速度矩阵和初始最优数据分类结果，并根据各个所述粒子的初始最优数据分类结果，得到整个粒子群的初始最优数据分类结果；根据所述缺陷数据集，所述整个粒子群的初始最优数据分类结果，以及各个所述粒子的初始位置矩阵、初始速度矩阵和初始最优数据分类结果，通过迭代得到满足第一预设要求的整个粒子群的最优分类结果；根据所述缺陷数据集和满足所述第一预设要求的整个粒子群的最优分类结果，通过迭代得到满足第二预设要求的整个粒子群的最优分类结果。2.根据权利要求1所述的故障分类方法，其特征在于，根据所述缺陷数据集，所述整个粒子群的初始最优数据分类结果，以及各个所述粒子的初始位置矩阵、初始速度矩阵和初始最优数据分类结果，通过迭代得到满足第一预设要求的整个粒子群的最优分类结果的步骤包括：根据所述缺陷数据集和各个所述粒子的初始位置矩阵得到第一初始聚类中心位置矩阵；根据所述第一初始聚类中心位置矩阵、所述缺陷数据集和各个所述粒子的初始位置矩阵得到第一初始指标函数；根据所述第一初始指标函数对所述整个粒子群的初始最优数据分类结果和各个所述粒子的初始最优数据分类结果进行更新；根据得到的更新后的整个粒子群的最优数据分类结果和各个所述粒子的最优数据分类结果，对各个所述粒子的初始位置矩阵和初始速度矩阵进行更新；根据得到的更新后的各个所述粒子的位置矩阵和速度矩阵，对各个所述粒子的惯性常数和权重因子进行更新；判断当前迭代得到的指标函数与上一次迭代得到的指标函数之间的变动是否小于预设第一阈值；当判定小于所述预设第一阈值时，停止迭代，得到当前迭代更新后的整个粒子群的最优数据分类结果并输出；否则，将得到的当前迭代更新后的整个粒子群的最优数据分类结果作为新的各个所述粒子的初始位置矩阵，返回步骤根据所述缺陷数据集和各个所述粒子的初始位置矩阵得到第一初始聚类中心位置矩阵。3.根据权利要求1所述的故障分类方法，其特征在于，根据所述缺陷数据集和满足所述第一预设要求的整个粒子群的最优分类结果，通过迭代得到满足第二预设要求的整个粒子群的最优分类结果的步骤包括：根据所述缺陷数据集和满足所述第一预设要求的整个粒子群的最优分类结果得到第二初始聚类中心位置矩阵；根据所述缺陷数据集和所述第二初始聚类中心位置矩阵得到初始隶属度函数；根据所述缺陷数据集、所述第二初始聚类中心位置矩阵和所述初始隶属度函数得到第二初始指标函数；根据所述第二初始指标函数对满足所述第一预设要求的整个粒子群的最优分类结果进行更新；判断当前迭代得到的指标函数与上一次迭代得到的指标函数之间的变动是否小于预设第二阈值；当判定小于所述预设第二阈值时，停止迭代，得到当前迭代更新后的整个粒子群的最优分类结果；否则，将得到的当前迭代更新后的整个粒子群的最优分类结果作为新的满足所述第一预设要求的整个粒子群的最优分类结果，返回步骤根据所述缺陷数据集和满足所述第一预设要求的整个粒子群的最优分类结果得到第二初始聚类中心位置矩阵。4.根据权利要求1所述的故障分类方法，其特征在于，在根据所述缺陷数据集和满足所述第一预设要求的整个粒子群的最优分类结果，通过迭代得到满足第二预设要求的整个粒子群的最优分类结果的步骤之后，还包括步骤：判断两次迭代的迭代总次数是否达到预设迭代次数阈值；当判定达到所述预设迭代次数阈值时，输出满足所述第二预设要求的整个粒子群的最优分类结果。5.根据权利要求1...

【专利技术属性】
技术研发人员：彭刚，唐松平，张云，钟振鑫，林志明，黄晓波，曾力，吴涛，史良，肖云，刘潇，董玉玺，王云龙，柯祖梁，巫小彬，彭杰，
申请(专利权)人：广东电网有限责任公司惠州供电局，
类型：发明
国别省市：广东;44