一种基于多站融合的故障数据诊断算法的制作方法

1.本发明涉及数据诊断领域，尤其涉及一种基于多站融合的故障数据诊断算法。


背景技术：

2.近年来，伴随能源加快向清洁低碳方向转型和信息化产业快速发展，在城市区域内，电动汽车、5g通信、数据中心、分布式发电、储能等蓬勃发展，对土地资源及变配电资源的需求量快速增长，多站融合理念越来越多的被应用，然而由于电站数据采集不规范，此外多站融合场景下的各个站点分布较为分散，造成多站融合场景的数据采集，管理和监控无法得到保障。因此，考虑采用大数据、边缘计算等先进技术，实现对多站融合场景下生产的运行数据的高效采集和处理很有必要。


技术实现要素：

3.本发明的目的在于提出一种基于多站融合的故障数据诊断算法，通过提出的分层数据采集架构，实现了适用于多站融合场景下的数据高效采集诊断；通过在边缘层对采集的数据进行预处理，实现对数据的甄别与重构，保障数据在采集与传输过程中的完整性；在数据中心层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充分保障了电网数据的安全，降低了事故风险。
4.为了达到上述目的，本发明通过以下技术方案实现：
5.一种基于多站融合的故障数据诊断算法，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。
6.优选地，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；
7.所述设备层通过能源路由器对站内设备进行数据采集；
8.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。
9.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；
10.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；
11.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；
12.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。
13.优选地，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；
14.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
15.定义数据的缺失程度d，其公式如下：
[0016][0017]
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；
[0018]
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。
[0019]
优选地，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：
[0020]
步骤1，对粒子群位置、速度等进行随机初始化；
[0021]
步骤2，计算每一个粒子的适应值；
[0022]
步骤3，根据适应度值来更新粒子个体的历史最佳位置；
[0023]
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；
[0024]
步骤5，更新粒子的速度和位置进行更新；
[0025]
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。
[0026]
具体的，所述提出的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(距离最优解的调整值)，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。它利用群体中个体的协作实现寻优，实现方式便捷、鲁棒性强、效率较高，并且对学习因子进行优化改进，避免在求解复杂的优化问题时，因学习因子为定值使粒子群算法中的粒子在迭代开始时出现“扎堆”的现象，而出现局部最优。通过设置非线性动态学习因子，可使算法能够尽快跳出局部最优，提高算法收敛速度，更容易获得全局最优解。在迭代初期，c1取值较大，c2取值较小，可以提高粒子自身学习的能力，避免粒子过度在某一区域内集中而陷入局部最优；在迭代后期，c1取值较小，c2取值较大，可以提高算法群体学习的能力，以使大部分粒子向全局最优解移动，提高算法的准确度。
[0027]
在基于非线性动态学习因子的粒子群优化算法中，所有粒子组成了一个搜索空间，其中每一个粒子都具有记忆功能和一个适应度值，分别用来记住搜索到的最优位置和对当前位置的优劣进行判断，搜索空间中所有的粒子都代表目标问题的可行解。例如，定义一个d维搜索空间，它由n个粒子构成，其中将第i个粒子的位置定义为：
[0028]
xi＝(x
i1
,x
i2
,
…
,x
id
)
[0029]
将第i个粒子当前的速度定义为
[0030]
vi＝(v
i1
,v
i2
,
…
,v
id
)
[0031]
第i个粒子的个体历史最佳位置为
[0032]
pi＝(p
i1
,p
i2
,
…
,p
id
)
[0033]
整个粒子群全局最佳位置为
[0034]
pg＝(p
g1
,p
g2
,
…
,p
gd
)
[0035]
第k代的第i个微粒在第d维(1＜d＜d)的速度更新公式为：
[0036]vid
(k+1)＝ωv
id
(k)+c1r1[p
id
(k)-x
id
(k)]+c2r2[p
gd
(k)-x
id
(k)]
[0037]
当t≤0.7
·
t
max
时，c2＝0.3+0.1
·
rand
[0038]
当t＞0.7
·
t
max
时，c1＝0.3+0.1
·
rand，
[0039]
式中，t为当前迭代次数，t
max
为设置的最大迭代次数，rand为(0,1)的随机数，这使得迭代初期，粒子可快速搜索到局部最优解，加快算法收敛速度，在迭代后期，可快速向全局最优解靠近，大幅提高算法的准确度；ω为惯性权重，惯性权重ω的作用主要是可以控制前面速度对当前速度造成的影响，较大的ω对于pso的全局搜索能力有着很大的提高作用，而相对较小的ω对于pso的局部搜索能力有着一定的提高；r1、r2为随机数，r1,r2∈[0,1]。
[0040]
d维搜索空间中粒子位置移动过程如图3所示，第i个粒子的位置更新公式为：
[0041]
xi(k+1)＝xi(k)+vi(k+1)
[0042]
每个粒子个体最佳位置的更新公式为：
[0043][0044]
式中，f(
·
)为适应度函数。
[0045]
本发明一种基于多站融合的故障数据诊断算法，通过提出的分层数据采集架构，实现了适用于多站融合场景下的数据高效采集诊断。通过在边缘层对采集的数据进行预处理，实现对数据的甄别与重构，保障数据在采集与传输过程中的完整性。在数据中心层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充分保障了电网数据的安全，降低了事故风险。
[0046]
本发明通过提出的分层数据采集架构，实现了适用于多站融合场景下的数据高效采集诊断。
[0047]
本发明通过在边缘层对采集的数据进行预处理，实现对数据的甄别与重构，保障数据在采集与传输过程中的完整性。
[0048]
本发明通过在数据中心层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充分保障了电网数据的安全，降低了事故风险。
附图说明
[0049]
图1是基于多站融合的分层数据采集架构；
[0050]
图2是非线性动态学习因子的粒子群优化算法流程图；
[0051]
图3是本发明非线性动态学习因子的粒子群优化算法中粒子位置移动过程。
具体实施方式
[0052]
以下结合附图和具体实施方式对本发明提出的一种基于多站融合的故障数据诊断算法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，
附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
[0053]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0054]
结合附图1所示，本实施例提供的一种基于多站融合的故障数据诊断算法，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。
[0055]
基于多站融合的分层数据采集架构，整个架构如图1所示，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；
[0056]
所述设备层通过能源路由器对站内设备进行数据采集；
[0057]
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。
[0058]
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；
[0059]
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；
[0060]
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；
[0061]
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。
[0062]
边缘层对采集到的数据进行预处理，具体操作为对采集到的数据进行数据补全，具体流程如图2所示。
[0063]
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
[0064]
定义数据的缺失程度d，其公式如下：
[0065][0066]
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；
[0067]
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。
[0068]
具体的，所述提出的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(距离最优解的调整值)，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。它利用群体中个体的协作实现寻优，实现方式便捷、鲁棒性强、效率较高，并且对学习因子进行优化改进，避免在求解复杂的优化问题时，因学习因子为定值使粒子群算法中的粒子在迭代开始时出现“扎堆”的现象，而出现局部最优。通过设置非线性动态学习因子，可使算法能够尽快跳出局部最优，提高算法收敛速度，更容易获得全局最优解。在迭代初期，c1取值较大，c2取值较小，可以提高粒子自身学习的能力，避免粒子过度在某一区域内集中而陷入局部最优。在迭代后期，c1取值较小，c2取值较大，可以提高算法群体学习的能力，以使大部分粒子向全局最优解移动，提高算法的准确度。
[0069]
在基于非线性动态学习因子的粒子群优化算法中，所有粒子组成了一个搜索空间，其中每一个粒子都具有记忆功能和一个适应度值，分别用来记住搜索到的最优位置和对当前位置的优劣进行判断，搜索空间中所有的粒子都代表目标问题的可行解。例如，定义一个d维搜索空间，它由n个粒子构成，其中将第i个粒子的位置定义为：
[0070]
xi＝(x
i1
,x
i2
,
…
,x
id
)
[0071]
将第i个粒子当前的速度定义为
[0072]
vi＝(v
i1
,v
i2
,
…
,v
id
)
[0073]
第i个粒子的个体历史最佳位置为
[0074]
pi＝(p
i1
,p
i2
,
…
,p
id
)
[0075]
整个粒子群全局最佳位置为
[0076]
pg＝(p
g1
,p
g2
,
…
,p
gd
)
[0077]
第k代的第i个微粒在第d维(1＜d＜d)的速度更新公式为：
[0078]vid
(k+1)＝ωv
id
(k)+c1r1[p
id
(k)-x
id
(k)]+c2r2[p
gd
(k)-x
id
(k)]
[0079]
当t≤0.7
·
t
max
时，c2＝0.3+0.1
·
rand
[0080]
当t＞0.7
·
t
max
时，c1＝0.3+0.1
·
rand，
[0081]
式中，t为当前迭代次数，t
max
为设置的最大迭代次数，rand为(0,1)的随机数，这使得迭代初期，粒子可快速搜索到局部最优解，加快算法收敛速度，在迭代后期，可快速向全局最优解靠近，大幅提高算法的准确度；ω为惯性权重，惯性权重ω的作用主要是可以控制前面速度对当前速度造成的影响，较大的ω对于pso的全局搜索能力有着很大的提高作用，而相对较小的ω对于pso的局部搜索能力有着一定的提高；r1、r2为随机数，r1,r2∈[0,1]。
[0082]
d维搜索空间中粒子位置移动过程如图3所示，第i个粒子的位置更新公式为：
[0083]
xi(k+1)＝xi(k)+vi(k+1)
[0084]
每个粒子个体最佳位置的更新公式为：
[0085][0086]
式中，f(
·
)为适应度函数。
[0087]
下面给出一组对比实施例。
[0088]
假设传统粒子群算法中c1＝c2＝2，ω＝0.75。
[0089]
本发明公开的基于非线性动态学习因子的粒子群优化算法中，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，ω＝0.75。
[0090]
种群粒子数均为40，最大迭代次数为1500，测试函数分别为
[0091]
测试结果见下表1。
[0092][0093]
表1
[0094]
由表1可见，基于非线性动态学习因子的粒子群优化算法对于f1可找到理论最优值，对于f2也可无限接近最优值，搜索准确率均比传统粒子群优化算法提高很多。
[0095]
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。