【技术实现步骤摘要】
本说明书实施例涉及数据中心机房供配电监控与故障诊断领域，尤其涉及一种基于机器学习的机房配电线路监测方法、装置及设备。
技术介绍
1、ups或精密配电柜至机柜服务器的供电线路容易出现小母线及电缆虚接、老化、接触不良、线缆质量等问题，导致供电线路局部电阻增大，进而导致局部过热。现有技术方案主要通过以下两种方式：第一种是机房投入使用时测量配电线路两端的压降，及使用假负载，带载一段时间后采用红外测量仪，测量配电线缆温度。第二种是日常运维巡检中，定期(一般为季度或者年度)采用红外测温仪，测量配电线缆温度热成像。检测出因为小母线及电缆虚接、老化、接触不良、线缆质量等导致的局部温度过高。
2、第一种技术方案存在时效性不足，无法及时发现问题。只有在电路已经因为局部问题导致阻值升高，从而导致局部温度升高后，通过定期(月度、季度、年度)抽检，才有可能发现问题，甚至线路不可用之后才被发现。第二种技术方案存在人力成本投入大，定期全覆盖检测难度大。
3、如何及时发现数据中心机房配电线路存在的安全隐患，同时降低监测的人力投入成本，提高线路故障诊断的实时性是目前亟待解决的技术问题。
技术实现思路
1、为解决现有技术中无法及时发现数据中心机房配电线路存在的安全隐患，并且监测的人力投入成本高的问题，本说明书实施例提供了一种基于机器学习的机房配电线路监测方法、装置及设备，通过对机房配电(ups输出、精密配电柜)监测、服务器带外管理监测获取监测数据，将监测数据处理后，通过机器学习诊断出机房配电柜
2、本说明书实施例的具体技术方案如下：
3、一方面，本说明书实施例提供了一种基于机器学习的机房配电线路监测方法，所述方法包括：
4、通过机房基础环境监控平台和server服务器带外管理平台获取监测的多个目标配电线路的线路压降和线路长度；
5、将每个目标配电线路的线路压降和线路长度作为该目标配电线路的样本，得到多个目标配电线路对应的样本集数据；
6、对样本集数据进行数据处理后，通过机器学习中的层次聚类方法，对数据中心机房配电线路进行故障诊断分析，得到异常的配电线路；
7、对于异常的配电线路，提示现场工作人员对异常配电线路进行故障排查和确认。
8、进一步地，通过机器学习中的层次聚类方法，对数据中心机房配电线路进行故障诊断分析，得到异常的配电线路进一步包括：
9、将所述样本集数据中的每个样本作为一个聚类；
10、计算任意两个聚类之间的第一距离；
11、根据所述第一距离对相应的聚类进行合并，得到新的聚类；
12、判断所有样本是否均合并为一个聚类；
13、若否，则根据得到的新的聚类重复执行计算任意两个聚类之间的第一距离的步骤；
14、若是，则完成聚类；
15、根据层次聚类结果从多个样本中确定异常检测样本，并将异常检测样本对应的配电线路作为异常的配电线路。
16、进一步地，计算任意两个聚类之间的第一距离的公式为：
17、
18、其中，davg表示聚类ci与cj之间的第一距离，dist(x,y)表示聚类ci中的样本x与聚类cj中的样本y之间的距离。
19、进一步地，根据所述层次聚类结果从多个样本中确定异常检测样本进一步包括：
20、确定最大一级聚类对应的下一级的两个聚类中样本数量少的聚类与样本数量多的聚类之间的第一距离是否超过阈值；
21、若是，则将样本数量少的聚类中的样本作为异常检测样本。
22、进一步地，所述方法还包括：
23、计算样本数量多的聚类中各样本之间的第二距离平均值，作为参考距离；
24、计算所述样本数量少的聚类中每个异常检测样本与样本数量多个的聚类的质心之间的第三距离；
25、根据所述第三距离与所述参考距离之间的比值确定所述异常检测样本的异常概率值，提醒工作人员根据所述异常概率值，对所述异常检测样本对应的配电线路进行检查和确认。
26、进一步地，通过机房基础环境监控平台和server服务器带外管理平台获取监测的多个目标配电线路的线路压降和线路长度进一步包括：
27、从所述机房基础环境监控平台的配置管理子模块中获取多个目标配电线路的线路长度；
28、从所述机房基础环境监控平台获取所述目标配电线路的供电端电压值；
29、从所述server服务器带外管理平台获取所述目标配电线路的用电端电压值；
30、计算所述供电端电压值与用电端电压值之间的差值，得到所述线路压降。
31、进一步地，所述方法还包括：
32、在获取所述目标配电线路的用电端电压值的过程中，若相邻两个电压获取时间点获取到的用电端电压值之间的差值超过预定的电压波动率最大参数，则判断相邻两个电压获取时间点中在后的电压获取时间点对应的用电端电压值是否超出正常电压值的第一预定范围且这两个电压获取时间点获取到的用电端电压值之间的差值与在前的电压获取时间点对应的用电端电压值之间的比值是否超出第二预定范围，若是，则将获取到的在后的电压获取时间点对应的用电端电压值置为标准电压值。
33、进一步地，所述方法还包括：
34、在获取所述目标配电线路的用电端电压值的过程中，若相邻两个电压获取时间点获取到的用电端电压值之间的差值超过预定的电压波动率最大参数，则根据该相邻两个电压获取时间点之前的电压获取时间点获取到的用电端电压值确定用电端的连续稳定工作时间；
35、将每个目标配电线路的线路压降和线路长度作为该目标配电线路的样本进一步包括：
36、将每个目标配电线路的线路压降、线路长度以及所述目标配电线路对应的用电端的连续稳定工作时间作为该目标配电线路的样本。
37、进一步地，所述目标配电线路的供电端为配电柜的电压输出端，所述目标配电线路的用电端为机柜的电压输入端。
38、进一步地，所述多个目标配电线路包括多个配电柜与同一个机柜之间的多个配电线路。
39、进一步地，从所述server服务器带外管理平台获取所述目标配电线路的用电端电压值进一步包括：
40、从所述server服务器带外管理平台获取所述机柜内多台服务器的输入电压值；
41、计算多台服务器的输入电压平均值，得到所述用电端电压值。
42、另一方面，本说明书实施例还提供了一种基于机器学习的机房配电线路监测装置，所述装置包括：
43、配电线路数据获取单元，用于通过机房基础环境监控平台和server服务器带外管理平台获取监测的多个目标配电线路的线路压降和线路长度；
44、样本构建单元，用于将每个目标配电线路的线路压降和线路长度作为该目标配电线路的本文档来自技高网...
【技术保护点】
1.一种基于机器学习的机房配电线路监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，通过机器学习中的层次聚类方法，对数据中心机房配电线路进行故障诊断分析，得到异常的配电线路进一步包括：
3.根据权利要求2所述的方法，其特征在于，计算任意两个聚类之间的第一距离的公式为：
4.根据权利要求2所述的方法，其特征在于，根据所述层次聚类结果从多个样本中确定异常检测样本进一步包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，通过机房基础环境监控平台和server服务器带外管理平台获取监测的多个目标配电线路的线路压降和线路长度进一步包括：
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
8.根据权利要求6所述的方法，其特征在于，所述方法还包括：
9.根据权利要求6所述的方法，其特征在于，所述目标配电线路的供电端为配电柜的电压输出端，所述目标配电线路的用电端为机柜的电压输入端。
10.根据
11.根据权利要求9所述的方法，其特征在于，从所述server服务器带外管理平台获取所述目标配电线路的用电端电压值进一步包括：
12.一种基于机器学习的机房配电线路监测装置，其特征在于，所述装置包括：
13.一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至11任一所述的方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至11任一所述方法。
15.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至11任一所述方法。
...【技术特征摘要】
1.一种基于机器学习的机房配电线路监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，通过机器学习中的层次聚类方法，对数据中心机房配电线路进行故障诊断分析，得到异常的配电线路进一步包括：
3.根据权利要求2所述的方法，其特征在于，计算任意两个聚类之间的第一距离的公式为：
4.根据权利要求2所述的方法，其特征在于，根据所述层次聚类结果从多个样本中确定异常检测样本进一步包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，通过机房基础环境监控平台和server服务器带外管理平台获取监测的多个目标配电线路的线路压降和线路长度进一步包括：
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
8.根据权利要求6所述的方法，其特征在于，所述方法还包括：
9.根据权利要求6所述的方法，其特征在于，所述目标配电线路的供...
【专利技术属性】
技术研发人员：郭轩，徐敏辉，蔡东明，
申请(专利权)人：上海浦东发展银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。