故障分類方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種故障分類方法和系統(tǒng)，所述方法包括：根據(jù)待聚類設(shè)備數(shù)和每臺設(shè)備的缺陷數(shù)據(jù)生成缺陷數(shù)據(jù)集；根據(jù)缺陷數(shù)據(jù)集獲得預(yù)設(shè)數(shù)目個粒子；設(shè)置各個粒子的初始狀態(tài)，確定各個粒子的初始位置矩陣、初始速度矩陣和初始最優(yōu)數(shù)據(jù)分類結(jié)果，以及整個粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果；根據(jù)缺陷數(shù)據(jù)集，整個粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果，以及各個粒子的初始位置矩陣、初始速度矩陣和初始最優(yōu)數(shù)據(jù)分類結(jié)果，通過迭代得到滿足第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果；將滿足第一預(yù)設(shè)要求的最優(yōu)分類結(jié)果作為迭代初值，再次迭代得到滿足第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果。本發(fā)明提高聚類準(zhǔn)確性的同時大大降低運行時間，滿足實際應(yīng)用需要。
【專利說明】
故障分類方法和系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及數(shù)據(jù)處理技術(shù)領(lǐng)域，特別是設(shè)及一種故障分類方法和系統(tǒng)。
【背景技術(shù)】
[0002] 隨著電網(wǎng)規(guī)模的不斷擴大，設(shè)備種類與數(shù)量的不斷增多，設(shè)備故障也不時發(fā)生，由 此產(chǎn)生的大量設(shè)備缺陷數(shù)據(jù)往往得不到有效利用，如何對其進行分析與處理值得研究。聚 類分析作為一種較好的數(shù)據(jù)處理方法，在許多領(lǐng)域已得到了成功的應(yīng)用，例如模式識別、數(shù) 據(jù)分析、圖像處理等等。將聚類分析應(yīng)用于電網(wǎng)設(shè)備缺陷分析中，對缺陷數(shù)據(jù)進行自動識別 與聚類，在此基礎(chǔ)上可W定量給出不同缺陷對設(shè)備健康狀況的影響因子，為制定檢修決策 提供有效依據(jù)。
[0003] 根據(jù)聚類的性質(zhì)又可分為兩類，一類是硬聚類，另一類是模糊聚類。模糊C均值算 法(FCM算法)就是最典型的模糊聚類法，其目標(biāo)是找出評判聚類性能優(yōu)劣的目標(biāo)函數(shù)取得 極小值時對應(yīng)的分類方法，因其算法較為簡便且聚類效果優(yōu)于許多傳統(tǒng)的硬聚類法，所W 在聚類分析中應(yīng)用愈發(fā)普遍。但FCM算法最明顯的缺陷就是容易陷入局部最優(yōu)解，單獨使用 時往往沒有好的解決辦法。
[0004] 根據(jù)W往經(jīng)驗，許多啟發(fā)式優(yōu)化算法例如遺傳算法、蟻群算法、粒子群算法等都可 較好的解決局部最優(yōu)解問題。其中，粒子群算法(PS0算法)因其功能多樣性W及簡便性已成 為使用最廣泛的啟發(fā)式算法之一。但粒子群算法本身也存在不足之處，例如在算法執(zhí)行前 需要計算一系列參數(shù)，而參數(shù)的不同會直接影響最終的算法結(jié)果。
[0005] 結(jié)合W上幾點，并考慮到由于電網(wǎng)設(shè)備運行時產(chǎn)生的數(shù)據(jù)量巨大且更新速度很 快，使得現(xiàn)有聚類方法對電網(wǎng)設(shè)備缺陷數(shù)據(jù)進行聚類，聚類準(zhǔn)確度低，算法運行速度慢，不 能滿足實際需要。

【發(fā)明內(nèi)容】

[0006] 基于上述情況，本發(fā)明提出了一種故障分類方法和系統(tǒng)，提高聚類準(zhǔn)確性的同時 大大降低運行時間，有效解決傳統(tǒng)方法分類效果不佳的問題。
[0007] 為了實現(xiàn)上述目的，本發(fā)明技術(shù)方案的實施例為：
[000引一種故障分類方法，包括W下步驟：
[0009] 根據(jù)待聚類設(shè)備數(shù)和每臺設(shè)備的缺陷數(shù)據(jù)生成缺陷數(shù)據(jù)集；
[0010] 根據(jù)所述缺陷數(shù)據(jù)集獲得預(yù)設(shè)數(shù)目個粒子，各個所述粒子中的第一個粒子采用預(yù) 設(shè)方法生成，各個所述粒子中的剩余粒子隨機生成；
[0011] 設(shè)置各個所述粒子的初始狀態(tài)，確定各個所述粒子的初始位置矩陣、初始速度矩 陣和初始最優(yōu)數(shù)據(jù)分類結(jié)果，并根據(jù)各個所述粒子的初始最優(yōu)數(shù)據(jù)分類結(jié)果，得到整個粒 子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果；
[0012] 根據(jù)所述缺陷數(shù)據(jù)集，所述整個粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果，W及各個所述 粒子的初始位置矩陣、初始速度矩陣和初始最優(yōu)數(shù)據(jù)分類結(jié)果，通過迭代得到滿足第一預(yù) 設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果；
[0013] 根據(jù)所述缺陷數(shù)據(jù)集和滿足所述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果，通 過迭代得到滿足第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果。
[0014] -種故障分類系統(tǒng)，包括：
[0015] 缺陷數(shù)據(jù)集生成模塊，用于根據(jù)待聚類設(shè)備數(shù)和每臺設(shè)備的缺陷數(shù)據(jù)生成缺陷數(shù) 據(jù)集；
[0016] 粒子獲得模塊，用于根據(jù)所述缺陷數(shù)據(jù)集獲得預(yù)設(shè)數(shù)目個粒子，各個所述粒子中 的第一個粒子采用預(yù)設(shè)方法生成，各個所述粒子中的剩余粒子隨機生成.
[0017] 初始狀態(tài)設(shè)置模塊，用于設(shè)置各個所述粒子的初始狀態(tài)，確定各個所述粒子的初 始位置矩陣、初始速度矩陣和初始最優(yōu)數(shù)據(jù)分類結(jié)果，并根據(jù)各個所述粒子的初始最優(yōu)數(shù) 據(jù)分類結(jié)果，得到整個粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果；
[0018] 第一迭代模塊，用于根據(jù)所述缺陷數(shù)據(jù)集，所述整個粒子群的初始最優(yōu)數(shù)據(jù)分類 結(jié)果，W及各個所述粒子的初始位置矩陣、初始速度矩陣和初始最優(yōu)數(shù)據(jù)分類結(jié)果，通過迭 代得到滿足第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果；
[0019] 第二迭代模塊，用于根據(jù)所述缺陷數(shù)據(jù)集和滿足所述第一預(yù)設(shè)要求的整個粒子群 的最優(yōu)分類結(jié)果，通過迭代得到滿足第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果。
[0020] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為:本發(fā)明故障分類方法和系統(tǒng)，根據(jù)待聚類 設(shè)備數(shù)和每臺設(shè)備的缺陷數(shù)據(jù)生成缺陷數(shù)據(jù)集，獲得預(yù)設(shè)數(shù)目個粒子，設(shè)置各個粒子的初 始狀態(tài)，通過迭代得到滿足第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果;將滿足第一預(yù)設(shè) 要求的最優(yōu)分類結(jié)果作為迭代初值，再次迭代得到滿足第二預(yù)設(shè)要求的整個粒子群的最優(yōu) 分類結(jié)果，相比于傳統(tǒng)聚類方法例如k-means、層次聚類等方法而言，有更好的分類精度與 準(zhǔn)確性，具有更快的運行速度，提高了分類效率，從而解決了由于電網(wǎng)設(shè)備缺陷數(shù)據(jù)量大、 實時性強導(dǎo)致傳統(tǒng)方法分類效果不佳的問題，可針對性用于電網(wǎng)設(shè)備缺陷的家族分類。
【附圖說明】
[0021 ]圖1為一個實施例中故障分類方法流程圖；
[0022] 圖2為基于圖1所示方法一個具體示例中故障分類方法流程圖；
[0023] 圖3為一個實施例中一個缺陷數(shù)據(jù)集的第一標(biāo)準(zhǔn)聚類結(jié)果；
[0024] 圖4為一個實施例中一個缺陷數(shù)據(jù)集的第二標(biāo)準(zhǔn)聚類結(jié)果；
[0025] 圖5為一個實施例中故障分類系統(tǒng)結(jié)構(gòu)示意圖。
【具體實施方式】
[0026] 為使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，W下結(jié)合附圖及實施例，對本 發(fā)明進行進一步的詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的【具體實施方式】僅僅用W解釋本發(fā)明， 并不限定本發(fā)明的保護范圍。
[0027] -個實施例中故障分類方法，如圖1所示，包括W下步驟：
[0028] 步驟SlOl:根據(jù)待聚類設(shè)備數(shù)和每臺設(shè)備的缺陷數(shù)據(jù)生成缺陷數(shù)據(jù)集；
[0029] 步驟S102:根據(jù)所述缺陷數(shù)據(jù)集獲得預(yù)設(shè)數(shù)目個粒子，各個所述粒子中的第一個 粒子采用預(yù)設(shè)方法生成，各個所述粒子中的剩余粒子隨機生成；
[0030] 步驟S103:設(shè)置各個所述粒子的初始狀態(tài)，確定各個所述粒子的初始位置矩陣、初 始速度矩陣和初始最優(yōu)數(shù)據(jù)分類結(jié)果，并根據(jù)各個所述粒子的初始最優(yōu)數(shù)據(jù)分類結(jié)果，得 到整個粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果；
[0031] 步驟S104:根據(jù)所述缺陷數(shù)據(jù)集，所述整個粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果，W 及各個所述粒子的初始位置矩陣、初始速度矩陣和初始最優(yōu)數(shù)據(jù)分類結(jié)果，通過迭代得到 滿足第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果；
[0032] 步驟S105:根據(jù)所述缺陷數(shù)據(jù)集和滿足所述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分 類結(jié)果，通過迭代得到滿足第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果。
[0033] 從W上描述可知，本發(fā)明故障分類方法，根據(jù)待聚類設(shè)備數(shù)和每臺設(shè)備的缺陷數(shù) 據(jù)生成缺陷數(shù)據(jù)集，獲得預(yù)設(shè)數(shù)目個粒子，設(shè)置各個粒子的初始狀態(tài)，通過迭代得到滿足第 一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果;將滿足第一預(yù)設(shè)要求的最優(yōu)分類結(jié)果作為迭代 初值，再次迭代得到滿足第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果，有更好的分類精度 與準(zhǔn)確性，具有更快的運行速度，提高了分類效率，適合應(yīng)用。
[0034] 此外，在一個具體示例中，根據(jù)所述缺陷數(shù)據(jù)集，所述整個粒子群的初始最優(yōu)數(shù)據(jù) 分類結(jié)果，W及各個所述粒子的初始位置矩陣、初始速度矩陣和初始最優(yōu)數(shù)據(jù)分類結(jié)果，通 過迭代得到滿足第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果的步驟包括：
[0035] 根據(jù)所述缺陷數(shù)據(jù)集和各個所述粒子的初始位置矩陣得到第一初始聚類中屯、位 置矩陣；
[0036] 根據(jù)所述第一初始聚類中屯、位置矩陣、所述缺陷數(shù)據(jù)集和各個所述粒子的初始位 置矩陣得到第一初始指標(biāo)函數(shù)；
[0037] 根據(jù)所述第一初始指標(biāo)函數(shù)對所述整個粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果和各個 所述粒子的初始最優(yōu)數(shù)據(jù)分類結(jié)果進行更新；
[0038] 根據(jù)得到的更新后的整個粒子群的最優(yōu)數(shù)據(jù)分類結(jié)果和各個所述粒子的最優(yōu)數(shù) 據(jù)分類結(jié)果，對各個所述粒子的初始位置矩陣和初始速度矩陣進行更新；
[0039] 根據(jù)得到的更新后的各個所述粒子的位置矩陣和速度矩陣，對各個所述粒子的慣 性常數(shù)和權(quán)重因子進行更新；
[0040] 判斷當(dāng)前迭代得到的指標(biāo)函數(shù)與上一次迭代得到的指標(biāo)函數(shù)之間的變動是否小 于預(yù)設(shè)第一闊值；
[0041] 當(dāng)判定小于所述預(yù)設(shè)第一闊值時，停止迭代，得到當(dāng)前迭代更新后的整個粒子群 的最優(yōu)數(shù)據(jù)分類結(jié)果并輸出；否則，將得到的當(dāng)前迭代更新后的整個粒子群的最優(yōu)數(shù)據(jù)分 類結(jié)果作為新的各個所述粒子的初始位置矩陣，返回步驟根據(jù)所述缺陷數(shù)據(jù)集和各個所述 粒子的初始位置矩陣得到第一初始聚類中屯、位置矩陣。
[0042] 在一個實施例中根據(jù)表達式Y(jié)i= {yw}獲得第一初始聚類中屯、位置矩陣，其中Yi表 示第i個聚類中屯、的坐標(biāo)，i = l，2,. . .，c，c表示聚類中屯、數(shù)
j = l，2,...， P，P表示每個設(shè)備的缺陷種類數(shù)，n表示待聚類設(shè)備數(shù)，m表示隸屬度因子，IHk表示設(shè)備k隸屬 于聚類中屯、i的隸屬度函數(shù)值，XA表示設(shè)備k的第j個缺陷指標(biāo)的值；
[0043] 根據(jù)表達式
獲得第一初始指標(biāo)函數(shù)J的值，其中
' dik表示設(shè)備k與聚類中屯、i的歐氏距離;指標(biāo)函數(shù)J表示某一組缺陷數(shù)據(jù)到計算所得聚類中 屯、對應(yīng)缺陷數(shù)據(jù)的維加權(quán)歐氏距離；指標(biāo)函數(shù)J的值越小說明某組缺陷數(shù)據(jù)屬于該聚類中 屯、的可能性越大；
[0044] 獲得最小指標(biāo)函數(shù)J的值，根據(jù)獲得的最小指標(biāo)函數(shù)J的值對所述整個粒子群的初 始最優(yōu)數(shù)據(jù)分類結(jié)果和各個所述粒子的初始最優(yōu)數(shù)據(jù)分類結(jié)果進行更新；
[0045] 根據(jù)表達式《^ + 1) =《貨腳更新各個所述粒子的初始位置矩陣；根據(jù)表達 式Vi(t+1)= 〇i(t) XVi(t) + (cii(t)；Ti) X (pbesti(t)-Xi(t)) + (C2i(t)r2) X (gbest(t)-Xi (t))更新各個所述粒子的初始速度矩陣;其中Xi(t+1)表示t+1時刻粒子I的位置矩陣，Xi(t) 表示t時刻粒子1的位置矩陣，Vi(t+1)表示t+1時刻粒子1的速度矩陣，Vi(t)表示t時刻粒子1 的速度矩陣，…(t)表示慣性常數(shù)，cii(t)和C2i(t)表示t時刻粒子1的權(quán)重因子，ri和n表示 區(qū)間[0-1]上的隨機數(shù)，pbesti(t)表示粒子1在t時刻前獲得的最優(yōu)數(shù)據(jù)分類結(jié)果，gbest (t)表示整個粒子群在t時刻前獲得的最優(yōu)數(shù)據(jù)分類結(jié)果；
[0046] 根據(jù)表達支
更新各個所述粒子的慣性常數(shù);根
各個所述粒子的權(quán)重因子，其中 表示t-1時刻粒子1的位置矩陣， ?1。1心1表示《1(1：)的預(yù)設(shè)初值，〇仙31表示《1(1：)的預(yù)設(shè)終值，心3、表示最大迭代次數(shù)，1^表 示調(diào)整系數(shù)，Cll (t-1)和C21( t-1)表示t-1時刻粒子1的權(quán)重因子；
[0047] 判斷當(dāng)前迭代得到的指標(biāo)函數(shù)與上一次迭代得到的指標(biāo)函數(shù)之間的變動是否小 于 1〇-5;
[004引當(dāng)判定小于1(T5時，停止迭代，得到當(dāng)前迭代更新后的整個粒子群的最優(yōu)數(shù)據(jù)分類 結(jié)果并輸出；否則，將得到的當(dāng)前迭代更新后的整個粒子群的最優(yōu)數(shù)據(jù)分類結(jié)果作為新的 各個所述粒子的初始位置矩陣，返回步驟根據(jù)表達式Y(jié)i= {yji}獲得第一初始聚類中屯、位置 矩陣。
[0049] 此外，在一個具體示例中，根據(jù)所述缺陷數(shù)據(jù)集和滿足所述第一預(yù)設(shè)要求的整個 粒子群的最優(yōu)分類結(jié)果，通過迭代得到滿足第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果的 步驟包括：
[0050] 根據(jù)所述缺陷數(shù)據(jù)集和滿足所述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果得 到第二初始聚類中屯、位置矩陣；
[0051] 根據(jù)所述缺陷數(shù)據(jù)集和所述第二初始聚類中屯、位置矩陣得到初始隸屬度函數(shù)；
[0052] 根據(jù)所述缺陷數(shù)據(jù)集、所述第二初始聚類中屯、位置矩陣和所述初始隸屬度函數(shù)得 到第二初始指標(biāo)函數(shù)；
[0053] 根據(jù)所述第二初始指標(biāo)函數(shù)對滿足所述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類 結(jié)果進行更新；
[0054] 判斷當(dāng)前迭代得到的指標(biāo)函數(shù)與上一次迭代得到的指標(biāo)函數(shù)之間的變動是否小 于預(yù)設(shè)第二闊值；
[0055] 當(dāng)判定小于所述預(yù)設(shè)第二闊值時，停止迭代，得到當(dāng)前迭代更新后的整個粒子群 的最優(yōu)分類結(jié)果；否則，將得到的當(dāng)前迭代更新后的整個粒子群的最優(yōu)分類結(jié)果作為新的 滿足所述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果，返回步驟根據(jù)所述缺陷數(shù)據(jù)集和滿 足所述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果得到第二初始聚類中屯、位置矩陣。
[0056] 在一個實施例中根據(jù)表達式Y(jié)/= {/ji}獲得第二初始聚類中屯、位置矩陣，其中 Y/表示第i個聚類中屯、的坐標(biāo)，i = 1,2, ...，c，c表示聚類中屯、數(shù)
>j = l, 2,...，p，p表示每個設(shè)備的缺陷種類數(shù)，n表示待聚類設(shè)備數(shù)，m表示隸屬度因子，Uii/表示滿 足第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果中設(shè)備k隸屬于聚類中屯、i的隸屬度函數(shù)值， X化表示設(shè)備k的第j個缺陷指標(biāo)的值；
[0057] 根據(jù)表達式
獲得初始隸屬度函數(shù)u"ik，其^
， dik表示設(shè)備k與聚類中屯、i的歐氏距離，
，dak表示設(shè)備k與聚類中屯、a的歐 氏距罔，￡i = l,2,...,c,k 二
，'
[005引根據(jù)表達式
獲得第二初始指標(biāo)函數(shù)r的值，其中
dik表示設(shè)備k與聚類中屯、i的歐氏距離;指標(biāo)函數(shù)r表示某一組缺陷數(shù)據(jù)到計算所得聚類中 屯、對應(yīng)缺陷數(shù)據(jù)的維加權(quán)歐氏距離;指標(biāo)函數(shù)r的值越小說明某組缺陷數(shù)據(jù)屬于該聚類中 屯、的可能性越大；
[0059] 獲得最小指標(biāo)函數(shù)r的值，根據(jù)獲得的最小指標(biāo)函數(shù)r的值對滿足所述第一預(yù)設(shè) 要求的整個粒子群的最優(yōu)分類結(jié)果進行更新；
[0060] 判斷當(dāng)前迭代得到的指標(biāo)函數(shù)與上一次迭代得到的指標(biāo)函數(shù)之間的變動是否小 于 1〇-5;
[0061] 當(dāng)判定小于1(T5時，停止迭代，得到當(dāng)前迭代更新后的整個粒子群的最優(yōu)分類結(jié) 果；否則，將得到的當(dāng)前迭代更新后的整個粒子群的最優(yōu)分類結(jié)果作為新的滿足所述第一 預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果，返回步驟根據(jù)表達式Y(jié)/= 獲得第二初始聚 類中屯、位置矩陣。
[0062] 此外，在一個具體示例中，在根據(jù)所述缺陷數(shù)據(jù)集和滿足所述第一預(yù)設(shè)要求的整 個粒子群的最優(yōu)分類結(jié)果，通過迭代得到滿足第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果 的步驟之后，還包括步驟：
[0063] 判斷兩次迭代的迭代總次數(shù)是否達到預(yù)設(shè)迭代次數(shù)闊值；
[0064] 當(dāng)判定達到所述預(yù)設(shè)迭代次數(shù)闊值時，輸出滿足所述第二預(yù)設(shè)要求的整個粒子群 的最優(yōu)分類結(jié)果。
[0065] 在一個實施例中判斷兩次迭代的迭代總次數(shù)是否達到500次，當(dāng)判定達到500次 時，整個粒子群的最優(yōu)分類結(jié)果的值不再變化，輸出當(dāng)前整個粒子群的最優(yōu)分類結(jié)果。
[0066] 此外，在一個具體示例中，所述預(yù)設(shè)方法包括模糊C均值算法。在生成第一個粒子 時引入模糊C均值算法，減少了初始粒子分布的隨機性，運行速度更快，提高分類效率，從而 解決了由于電網(wǎng)設(shè)備缺陷數(shù)據(jù)量大、實時性強導(dǎo)致傳統(tǒng)方法分類效果不佳的問題。
[0067] 為了更好地理解上述方法，W下詳細(xì)闡述一個本發(fā)明故障分類方法的應(yīng)用實例。
[0068] 本應(yīng)用實例將FCM算法(模糊C均值算法)與IDPSO算法(改進型自適應(yīng)粒子群算法） 相結(jié)合，運用IDPSO時結(jié)合使用FCM，避免了單一使用時FCM算法容易陷入局部最優(yōu)解W及基 本PSO算法無法獲得最優(yōu)解的問題，同時在創(chuàng)建初始粒子群時結(jié)合FCM算法，降低了初始解 的隨機性從而減少了迭代次數(shù)，大大縮減運行時間的同時也提高了聚類的準(zhǔn)確性，如圖2所 示，該應(yīng)用實例可W包括W下步驟：
[0069] 步驟S201:收集的2套變壓器的標(biāo)準(zhǔn)缺陷數(shù)據(jù)，每套數(shù)據(jù)包含3類共300臺變壓器， 每臺變壓器包含8個不同的缺陷指標(biāo)，所構(gòu)成的缺陷數(shù)據(jù)集Q的大小均為300*8,聚類中屯、 數(shù)C取3，標(biāo)準(zhǔn)聚類結(jié)果如圖3、4所示；
[0070] 步驟S202:初始化FCMW及IDPSO算法的相關(guān)參數(shù)，所述參數(shù)包括隸屬度因子m，慣 性常數(shù)《的初值《 initial與終值W final，權(quán)重因子Cll與C21，W及調(diào)整因子Ji,本次實驗中取m 二 2, Winitial 二 0.9, Wfinal 二 0.4,C11 = C21 二 2,U=IOO;
[0071] 步驟S203:根據(jù)輸入的缺陷數(shù)據(jù)獲得10個粒子，運行FCM算法生成第一個粒子，隨 機生成剩余9個粒子;運用FCM算法生成的粒子提供了一個樣本的可能聚類結(jié)果，降低了 IDPSO算法中初始粒子的隨機性；
[0072] 步驟S204:設(shè)置各個所述粒子的初始狀態(tài)，確定各個所述粒子的初始位置矩陣XI、 初始速度矩陣Vi和初始最優(yōu)數(shù)據(jù)分類結(jié)果Pbesti，并根據(jù)各個所述粒子的初始最優(yōu)數(shù)據(jù)分 類結(jié)果Pbesti，得到整個粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果gbest，并令每個粒子的慣性常數(shù) ?1等于《的初值Uinit，即0.9,其中
，Uik表示設(shè)備k隸屬于聚類中屯、i的 隸屬度函數(shù)值，1 = 1，2,. . .，b，b表示粒子數(shù)，b=10，i = l，2, ...，c，k=l，2，...，n，c 表示聚 類中屯、數(shù)，C = 3，n表示待聚類設(shè)備數(shù)，n = 300;
[0073] 步驟S205:采用IDPSO算法，根據(jù)表達式Y(jié)i= {yji}獲得第一初始聚類中屯、位置矩 陣，其中Yi表示第i個聚類中屯、的坐標(biāo)，
j = l，2,. . .，p，p表示每個設(shè)備的缺 陷種類數(shù)，Uik表示設(shè)備k隸屬于聚類中屯、i的隸屬度函數(shù)值，XA表示設(shè)備k的第j個缺陷指標(biāo) 的值；
[0074] 步驟S206:根據(jù)表達式
獲得第一初始指標(biāo)函數(shù)J的值，其中
，山k表示設(shè)備k與聚類中屯、i的歐氏距離；指標(biāo)函數(shù)J表示某一組缺陷數(shù)據(jù) 到計算所得聚類中屯、對應(yīng)缺陷數(shù)據(jù)的維加權(quán)歐氏距離;指標(biāo)函數(shù)J的值越小說明某組缺陷 數(shù)據(jù)屬于該聚類中屯、的可能性越大；
[0075] 步驟S207:獲得最小指標(biāo)函數(shù)J的值，根據(jù)獲得的最小指標(biāo)函數(shù)J的值對所述整個 粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果gbest和各個所述粒子的初始最優(yōu)數(shù)據(jù)分類結(jié)果進行更新 pbesti;
[0076] 步驟S208:根據(jù)表達式Xi(t+l)=Xi(t)eVi(t)更新各個粒子的初始位置矩陣;根 據(jù)表達式Vi(t+1)= 〇i(t) XVi(t) + (cii(t);ri) X (pbesti(t)-Xi(t)) + (C2i(t)r2) X (gbest (t)-Xi(t))更新各個粒子的初始速度矩陣;其中Xi(t+1)表示t+1時刻粒子I的位置矩陣，Xi (t)表示t時刻粒子1的位置矩陣，Vi(t+1)表示t+1時刻粒子1的速度矩陣，Vi(t)表示t時刻粒 子1的速度矩陣，wi(t)表示慣性常數(shù)，cii(t)和C2i(t)表示t時刻粒子1的權(quán)重因子，ri和n 表示區(qū)間[0-1]上的隨機數(shù)，pbesti(t)表示粒子1在t時刻前獲得的最優(yōu)數(shù)據(jù)分類結(jié)果， gbest(t)表示整個粒子群在t時刻前巧得的景優(yōu)敬據(jù)A類結(jié)果：
[0077] 步驟5209:根據(jù)表達；1^
更新各個所述粒子的 慣性常數(shù);根據(jù)表達J
更新各個所述粒子的權(quán)重 因子，其中
表示t-1時刻粒子1的 位置矩陣，W initial表示W(wǎng) l(t)的預(yù)設(shè)初值，O final表示W(wǎng) l(t)的預(yù)設(shè)終值，kmax表示最大迭代 次數(shù)，y表示調(diào)整系數(shù)，Cll(t-l)和C21(t-1)表示t-1時刻粒子1的權(quán)重因子；
[0078] 步驟S210:判斷IDPSO算法是否達到終止循環(huán)條件，即判斷當(dāng)前迭代得到的指標(biāo)函 數(shù)與上一次迭代得到的指標(biāo)函數(shù)之間的變動是否小于1(T5;
[0079] 當(dāng)判定小于1(T5時，停止迭代，得到當(dāng)前迭代更新后的整個粒子群的最優(yōu)數(shù)據(jù)分類 結(jié)果并輸出；否則，將得到的當(dāng)前迭代更新后的整個粒子群的最優(yōu)數(shù)據(jù)分類結(jié)果作為新的 各個所述粒子的初始位置矩陣，返回步驟205;
[0080] 步驟S211:采用FCM算法，根據(jù)表達式Y(jié)/ ={/w}獲得第二初始聚類中屯、位置矩 陣，其中Y/表示第i個聚類中屯、的坐標(biāo)：
'uii/表示IDPSO算法終止循環(huán)后輸 出的整個粒子群的最優(yōu)分類結(jié)果中設(shè)備k隸屬于聚類中屯、i的隸屬度函數(shù)值；
[OOW] 步驟521 2 :根據(jù)表達^5
庚得初始隸屬度函數(shù)U" ik，其中
表示設(shè)備k與聚類中屯、a的歐氏距離，a = l，2,...， C，
Uai/表示IDPSO算法終止循環(huán)后輸出的整個粒子群的最優(yōu)分類結(jié)果中 設(shè)備k隸屬于聚類中屯、a的隸屬度函數(shù)值；
[0082] 步驟S213:根據(jù)表達式
獲得第二初始指標(biāo)函數(shù)J/的值，其中
:指標(biāo)函數(shù)r表示某一組缺陷數(shù)據(jù)到計算所得聚類中屯、對應(yīng)缺陷數(shù)據(jù)的 維加權(quán)歐氏距離;指標(biāo)函數(shù)r的值越小說明某組缺陷數(shù)據(jù)屬于該聚類中屯、的可能性越大；
[0083] 步驟S214:獲得最小指標(biāo)函數(shù)r的值，根據(jù)獲得的最小指標(biāo)函數(shù)r的值對IDPSO算 法終止循環(huán)后輸出的整個粒子群的最優(yōu)分類結(jié)果進行更新；
[0084] 步驟S215:判斷FCM算法是否達到終止循環(huán)條件，即判斷當(dāng)前迭代得到的指標(biāo)函數(shù) 與上一次迭代得到的指標(biāo)函數(shù)之間的變動是否小于1(T5;
[0085] 當(dāng)判定小于1(T5時，停止迭代，得到當(dāng)前迭代更新后的整個粒子群的最優(yōu)分類結(jié) 果;否則，將得到的當(dāng)前迭代更新后的整個粒子群的最優(yōu)分類結(jié)果作為新的IDPSO算法終止 循環(huán)后輸出的整個粒子群的最優(yōu)分類結(jié)果，返回步驟211;
[0086] 步驟S216:判斷上述IDPSO算法和FCM算法兩次迭代的迭代總次數(shù)是否達到500次；
[0087] 步驟S217:當(dāng)判定兩次迭代的迭代總次數(shù)達到500次時，輸出FCM算法終止循環(huán)后 得到的整個粒子群的最優(yōu)分類結(jié)果，否則將FCM算法終止循環(huán)后得到的整個粒子群的最優(yōu) 分類結(jié)果作為新的各個粒子的初始位置矩陣，返回步驟205。
[0088] 當(dāng)判定兩次迭代的迭代總次數(shù)達到500次時，輸出FCM算法終止循環(huán)后得到的整個 粒子群的最優(yōu)分類結(jié)果，同時輸出FCM算法終止循環(huán)后得到的指標(biāo)函數(shù)，計算聚類評價指標(biāo) ARI，平均迭代次數(shù)，W及輸出的指標(biāo)函數(shù)、聚類評價指標(biāo)ARI、平均迭代次數(shù)的偏差；
[0089] 其中ARI用于評價不同聚類方法的性能，表達式如下所示：
[0090]
，設(shè)Q= {qi, . . . ,qi, . . . 表示 運行算法后所得到的C個聚類中屯、;R=Iri,. . .，rj，. . .，rd}表示d個先驗聚類中屯、。則上式 中，11^表示運行聚類算法后同時屬于qiW及rj的樣本數(shù);m.表示僅屬于qi的樣本數(shù);n.j表 示僅屬于rj的樣本數(shù)，本例中取C = d = 2 dARI指標(biāo)在區(qū)間[-1，1 ]上取值，取值越接近1表示 計算所得分布與先驗分布越匹配。表1-3分別給出了聚類評價指標(biāo)ARI、FCM算法終止循環(huán)后 得到的指標(biāo)函數(shù)、平均迭代次數(shù)W及各自的偏差。
[0091 ]表1兩類數(shù)據(jù)下=種方法的聚類評價指標(biāo)ARI及其偏差
[0092]
[0093]
[0094]
[0095]
[0096]
[0097]
[0098] 仿真結(jié)果主要通過將本發(fā)明方法的聚類結(jié)果與FCM-PSOW及FCM-IDPSO算法的聚 類結(jié)果進行比較，對本發(fā)明方法的聚類效果進行說明。
[0099] 仿真結(jié)果顯示，對缺陷數(shù)據(jù)類一而言，基于IDPSO算法的指標(biāo)函數(shù)值相較于基于傳 統(tǒng)PSO算法更小，同時本實施例算法的指標(biāo)函數(shù)值小于FCM-IDPSO算法，即本實施例算法的 聚類效果較好。對缺陷數(shù)據(jù)類二而言，=種方法的指標(biāo)函數(shù)值基本相同，但本實施例算法有 較小的偏差。就迭代次數(shù)而言，本實施例算法明顯低于其他兩種方法，即提高了運行效率。 最后考慮到本實施例算法的ARI指標(biāo)在兩類數(shù)據(jù)下均大于其余兩種算法。綜上所述，本發(fā)明 方法在分類準(zhǔn)確性W及快速性上有較明顯的優(yōu)勢。
[0100] 為了對上述仿真實驗的結(jié)果進行驗證，引入威爾科克森符號秩假設(shè)檢驗對結(jié)果進 行合理性分析。原假設(shè)為成對觀測數(shù)據(jù)之差來自均值為0的總體，顯著性水平取為5%。計算 所得P值如表4-6所示，若p<5%則可拒絕原假設(shè)，認(rèn)為比較的兩總體數(shù)據(jù)均值不同。假設(shè)檢 驗的結(jié)果驗證了仿真實驗的所得數(shù)據(jù)的正確性。
[0101 ]表4聚類評價指標(biāo)ARI的威爾科克森符號秩假設(shè)檢驗P值
[0107]從W上描述可知，本實施例提出的FCM與IDPSO結(jié)合的聚類方法，相比于傳統(tǒng)聚類 「/"H no1 方法例如k-means、層次聚類等方法而言，有更好的分類精度與準(zhǔn)確性，而且生成初始粒子 時引入FCM算法，減少了初始粒子分布的隨機性，針對電網(wǎng)設(shè)備缺陷數(shù)據(jù)實時性強，數(shù)據(jù)量 大的特點，引入IDPSO算法，在分類過程中自動調(diào)整算法參數(shù)，配合使用FCM算法減少算法迭 代次數(shù)，彌補了基于粒子群算法的聚類方法運行時間過長的缺點；同時由于結(jié)合了IDPSO算 法從而有效避免算法陷入局部最優(yōu)解;另外本發(fā)明較之基于PSO的聚類方法，具有更快的運 行速度，提高了分類效率，從而解決了由于電網(wǎng)設(shè)備缺陷數(shù)據(jù)量大、實時性強導(dǎo)致傳統(tǒng)方法 分類效果不佳的問題，可針對性用于電網(wǎng)設(shè)備缺陷的家族分類。
[0108] -個實施例中故障分類系統(tǒng)，如圖5所示，包括：
[0109] 缺陷數(shù)據(jù)集生成模塊501，用于根據(jù)待聚類設(shè)備數(shù)和每臺設(shè)備的缺陷數(shù)據(jù)生成缺 陷數(shù)據(jù)集；
[0110] 粒子獲得模塊502,用于根據(jù)所述缺陷數(shù)據(jù)集獲得預(yù)設(shè)數(shù)目個粒子，各個所述粒子 中的第一個粒子采用預(yù)設(shè)方法生成，各個所述粒子中的剩余粒子隨機生成；
[0111] 初始狀態(tài)設(shè)置模塊503，用于設(shè)置各個所述粒子的初始狀態(tài)，確定各個所述粒子的 初始位置矩陣、初始速度矩陣和初始最優(yōu)數(shù)據(jù)分類結(jié)果，并根據(jù)各個所述粒子的初始最優(yōu) 數(shù)據(jù)分類結(jié)果，得到整個粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果；
[0112] 第一迭代模塊504,用于根據(jù)所述缺陷數(shù)據(jù)集，所述整個粒子群的初始最優(yōu)數(shù)據(jù)分 類結(jié)果，W及各個所述粒子的初始位置矩陣、初始速度矩陣和初始最優(yōu)數(shù)據(jù)分類結(jié)果，通過 迭代得到滿足第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果；
[0113] 第二迭代模塊505,用于根據(jù)所述缺陷數(shù)據(jù)集和滿足所述第一預(yù)設(shè)要求的整個粒 子群的最優(yōu)分類結(jié)果，通過迭代得到滿足第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果。
[0114] 如圖5所示，在一個具體示例中，所述第一迭代模塊504包括：
[0115] 第一聚類中屯、位置矩陣單元5041，用于根據(jù)所述缺陷數(shù)據(jù)集和各個所述粒子的初 始位置矩陣得到第一初始聚類中屯、位置矩陣；
[0116] 第一指標(biāo)函數(shù)單元5042,用于根據(jù)所述第一初始聚類中屯、位置矩陣、所述缺陷數(shù) 據(jù)集和各個所述粒子的初始位置矩陣得到第一初始指標(biāo)函數(shù)；
[0117] 第一更新單元5043,用于根據(jù)所述第一初始指標(biāo)函數(shù)對所述整個粒子群的初始最 優(yōu)數(shù)據(jù)分類結(jié)果和各個所述粒子的初始最優(yōu)數(shù)據(jù)分類結(jié)果進行更新；
[0118] 第二更新單元5044,用于根據(jù)得到的更新后的整個粒子群的最優(yōu)數(shù)據(jù)分類結(jié)果和 各個所述粒子的最優(yōu)數(shù)據(jù)分類結(jié)果，對各個所述粒子的初始位置矩陣和初始速度矩陣進行 更新；
[0119] 第=更新單元5045,用于根據(jù)得到的更新后的各個所述粒子的位置矩陣和速度矩 陣，對各個所述粒子的慣性常數(shù)和權(quán)重因子進行更新；
[0120] 第一判斷單元5046,用于判斷當(dāng)前迭代得到的指標(biāo)函數(shù)與上一次迭代得到的指標(biāo) 函數(shù)之間的變動是否小于預(yù)設(shè)第一闊值;當(dāng)判定小于所述預(yù)設(shè)第一闊值時，停止迭代，得到 當(dāng)前迭代更新后的整個粒子群的最優(yōu)數(shù)據(jù)分類結(jié)果并輸出；否則，將得到的當(dāng)前迭代更新 后的整個粒子群的最優(yōu)數(shù)據(jù)分類結(jié)果作為新的各個所述粒子的初始位置矩陣，返回所述第 一聚類中屯、位置矩陣模塊。
[0121] 在一個實施例中第一聚類中屯、位置矩陣單元5041根據(jù)表達式Y(jié)i= {yji}獲得第一 初始聚類中屯、位置矩陣，其中Yi表示第i個聚類中屯、的坐標(biāo)，i = l，2, ...，c，c表示聚類中 屯、數(shù)
，j = l，2,. . .，p，p表示每個設(shè)備的缺陷種類數(shù)，n表示待聚類設(shè)備數(shù)，
m表示隸屬度因子，Uik表示設(shè)備k隸屬于聚類中屯、i的隸屬度函數(shù)值，Xjk表示設(shè)備k的第j個 缺陷指標(biāo)的值；
[0122] 第一指標(biāo)函數(shù)單元5042根據(jù)表達式 獲得第一初始指標(biāo)函數(shù)J的 值，其4
，dik表示設(shè)備k與聚類中屯、i的歐氏距離;指標(biāo)函數(shù)J表示某一組缺 陷數(shù)據(jù)到計算所得聚類中屯、對應(yīng)缺陷數(shù)據(jù)的維加權(quán)歐氏距離;指標(biāo)函數(shù)J的值越小說明某 組缺陷數(shù)據(jù)屬于該聚類中屯、的可能性越大；
[0123] 第一更新單元5043獲得最小指標(biāo)函數(shù)J的值，根據(jù)獲得的最小指標(biāo)函數(shù)J的值對所 述整個粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果和各個所述粒子的初始最優(yōu)數(shù)據(jù)分類結(jié)果進行更 新；
[0124] 第二更新單元5044根據(jù)表達式
更新各個所述粒子的初始位 置矩陣;根據(jù)表達式Vi(t+1)= ?i(t) XVi(t) + (cii(t);ri) X (pbesti(t)-Xi(t)) + (C2i(t)r2) X(gbest(t)-Xi(t))更新各個所述粒子的初始速度矩陣;其中Xi(t+1)表示t+1時刻粒子I的 位置矩陣，Xi(t)表示t時刻粒子1的位置矩陣，Vi(t+1)表示t+1時刻粒子1的速度矩陣，Vi(t) 表示t時刻粒子1的速度矩陣，Wl(t)表示慣性常數(shù)，Cll(t)和C21(t)表示t時刻粒子1的權(quán)重 因子，ri和K表示區(qū)間[0-1]上的隨機數(shù)，pbesti(t)表示粒子1在t時刻前獲得的最優(yōu)數(shù)據(jù)分 類結(jié)果，gbest(t)表示整個粒子群在t時刻前獲得的最優(yōu)數(shù)據(jù)分類結(jié)果；
[01巧]第=更新單元5045根據(jù)表達式
夏新各個所述
粒子的慣性常數(shù)； 夏新各個所述粒子 的權(quán)重因子，其4 -O表示t-1時刻粒 子1的位置矩陣，《 initial表不W l(t)的預(yù)設(shè)初值，O final表不W l(t)的預(yù)設(shè)終值，kmax表不最 大迭代次數(shù)，y表示調(diào)整系數(shù)，Cll(t-l)和C21(t-1)表示t-1時刻粒子1的權(quán)重因子；
[01%] 第一判斷單元5046判斷當(dāng)前迭代得到的指標(biāo)函數(shù)與上一次迭代得到的指標(biāo)函數(shù) 之間的變動是否小于1(T5;
[0127] 當(dāng)判定小于1(T5時，停止迭代，得到當(dāng)前迭代更新后的整個粒子群的最優(yōu)數(shù)據(jù)分類 結(jié)果并輸出；否則，將得到的當(dāng)前迭代更新后的整個粒子群的最優(yōu)數(shù)據(jù)分類結(jié)果作為新的 各個所述粒子的初始位置矩陣，返回步驟根據(jù)表達式Y(jié)i= {yji}獲得第一初始聚類中屯、位置 矩陣。
[0128] 如圖5所示，在一個具體示例中，所述第二迭代模塊505包括：
[0129] 第二聚類中屯、位置矩陣單元5051，用于根據(jù)所述缺陷數(shù)據(jù)集和滿足所述第一預(yù)設(shè) 要求的整個粒子群的最優(yōu)分類結(jié)果得到第二初始聚類中屯、位置矩陣；
[0130] 隸屬度函數(shù)單元5052,用于根據(jù)所述缺陷數(shù)據(jù)集和所述第二初始聚類中屯、位置矩 陣得到初始隸屬度函數(shù)；
[0131] 第二指標(biāo)函數(shù)單元5053,用于根據(jù)所述缺陷數(shù)據(jù)集、所述第二初始聚類中屯、位置 矩陣和所述初始隸屬度函數(shù)得到第二初始指標(biāo)函數(shù)；
[0132] 第四更新單元5054,用于根據(jù)所述第二初始指標(biāo)函數(shù)對滿足所述第一預(yù)設(shè)要求的 整個粒子群的最優(yōu)分類結(jié)果進行更新；
[0133] 第二判斷單元5055,用于判斷當(dāng)前迭代得到的指標(biāo)函數(shù)與上一次迭代得到的指標(biāo) 函數(shù)之間的變動是否小于預(yù)設(shè)第二闊值;當(dāng)判定小于所述預(yù)設(shè)第二闊值時，停止迭代，得到 當(dāng)前迭代更新后的整個粒子群的最優(yōu)分類結(jié)果；否則，將得到的當(dāng)前迭代更新后的整個粒 子群的最優(yōu)分類結(jié)果作為新的滿足所述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果，返回 所述第二聚類中屯、位置矩陣模塊。
[0134] 在一個實施例中第二聚類中屯、位置矩陣單元5051根據(jù)表達式Y(jié)/= {/w}獲得第 二初始聚類中屯、位置矩陣，其中Y/表示第i個聚類中屯、的坐標(biāo)，i = l，2, ...，c，c表示聚類 中屯、數(shù)
^' = 1，2，...，口，口表示每個設(shè)備的缺陷種類數(shù)，11表示待聚類設(shè)備
數(shù)，m表示隸屬度因子，Uii/表示滿足第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果中設(shè)備k隸 屬于聚類中屯、i的隸屬度函數(shù)值，X化表示設(shè)么kA々笛1?個^臨搭標(biāo)的值；
[0135] 隸屬度函數(shù)單元5052根據(jù)表達式 獲得初始隸屬度函數(shù)U" Ik,其 4
idik表示設(shè)備k與聚類中屯、i的歐氏距離，
2，dak表示設(shè)備 k與聚類中屯、a的歐氏距離，a=l，2，...，c，k=l，2，...，n，
'
[0136] 第二指標(biāo)函數(shù)單元5053根據(jù)表達式
巧得第二初始指標(biāo)函數(shù)r的 值，其中
Iik表示設(shè)備k與聚類中屯、i的歐氏距離;指標(biāo)函數(shù)r表示某一組 缺陷數(shù)據(jù)到計算所得聚類中屯、對應(yīng)缺陷數(shù)據(jù)的維加權(quán)歐氏距離;指標(biāo)函數(shù)r的值越小說明 某組缺陷數(shù)據(jù)屬于該聚類中屯、的可能性越大；
[0137] 第四更新單元5054獲得最小指標(biāo)函數(shù)r的值，根據(jù)獲得的最小指標(biāo)函數(shù)r的值對 滿足所述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果進行更新；
[0138] 第二判斷單元5055判斷當(dāng)前迭代得到的指標(biāo)函數(shù)與上一次迭代得到的指標(biāo)函數(shù) 之間的變動是否小于1(T5;
[0139] 當(dāng)判定小于1(T5時，停止迭代，得到當(dāng)前迭代更新后的整個粒子群的最優(yōu)分類結(jié) 果；否則，將得到的當(dāng)前迭代更新后的整個粒子群的最優(yōu)分類結(jié)果作為新的滿足所述第一 預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果，返回步驟根據(jù)表達式Y(jié)/= 獲得第二初始聚 類中屯、位置矩陣。
[0140] 如圖5所示，在一個具體示例中，所述故障分類系統(tǒng)還包括輸出模塊506,用于在所 述第二迭代模塊505通過迭代得到滿足第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果之后， 判斷兩次迭代的迭代總次數(shù)是否達到預(yù)設(shè)迭代次數(shù)闊值；當(dāng)判定達到所述預(yù)設(shè)迭代次數(shù) 闊值時，輸出滿足所述第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果。
[0141] 在一個實施例中判斷兩次迭代的迭代總次數(shù)是否達到500次，當(dāng)判定達到500次 時，整個粒子群的最優(yōu)分類結(jié)果的值不再變化，輸出當(dāng)前整個粒子群的最優(yōu)分類結(jié)果。
[0142] 此外，在一個具體示例中，所述預(yù)設(shè)方法包括模糊C均值算法。在生成第一個粒子 時引入模糊C均值算法，減少了初始粒子分布的隨機性，運行速度更快，提高分類效率，從而 解決了由于電網(wǎng)設(shè)備缺陷數(shù)據(jù)量大、實時性強導(dǎo)致傳統(tǒng)方法分類效果不佳的問題。
[0143] 從W上描述可知，本發(fā)明故障分類系統(tǒng)，根據(jù)待聚類設(shè)備數(shù)和每臺設(shè)備的缺陷數(shù) 據(jù)生成缺陷數(shù)據(jù)集，獲得預(yù)設(shè)數(shù)目個粒子，設(shè)置各個粒子的初始狀態(tài)，通過迭代得到滿足第 一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果;將滿足第一預(yù)設(shè)要求的最優(yōu)分類結(jié)果作為迭代 初值，再次迭代得到滿足第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果，相比于傳統(tǒng)聚類方 法例如k-means、層次聚類等方法而言，有更好的分類精度與準(zhǔn)確性，具有更快的運行速度， 提高了分類效率，從而解決了由于電網(wǎng)設(shè)備缺陷數(shù)據(jù)量大、實時性強導(dǎo)致傳統(tǒng)方法分類效 果不佳的問題，可針對性用于電網(wǎng)設(shè)備缺陷的家族分類。
[0144] W上所述實施例的各技術(shù)特征可W進行任意的組合，為使描述簡潔，未對上述實 施例中的各個技術(shù)特征所有可能的組合都進行描述，然而，只要運些技術(shù)特征的組合不存 在矛盾，都應(yīng)當(dāng)認(rèn)為是本說明書記載的范圍。
[0145] W上所述實施例僅表達了本發(fā)明的幾種實施方式，其描述較為具體和詳細(xì)，但并 不能因此而理解為對發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對于本領(lǐng)域的普通技術(shù)人員來 說，在不脫離本發(fā)明構(gòu)思的前提下，還可W做出若干變形和改進，運些都屬于本發(fā)明的保護 范圍。因此，本發(fā)明專利的保護范圍應(yīng)W所附權(quán)利要求為準(zhǔn)。
【主權(quán)項】
1. 一種故障分類方法，其特征在于，包括以下步驟： 根據(jù)待聚類設(shè)備數(shù)和每臺設(shè)備的缺陷數(shù)據(jù)生成缺陷數(shù)據(jù)集； 根據(jù)所述缺陷數(shù)據(jù)集獲得預(yù)設(shè)數(shù)目個粒子，各個所述粒子中的第一個粒子采用預(yù)設(shè)方 法生成，各個所述粒子中的剩余粒子隨機生成； 設(shè)置各個所述粒子的初始狀態(tài)，確定各個所述粒子的初始位置矩陣、初始速度矩陣和 初始最優(yōu)數(shù)據(jù)分類結(jié)果，并根據(jù)各個所述粒子的初始最優(yōu)數(shù)據(jù)分類結(jié)果，得到整個粒子群 的初始最優(yōu)數(shù)據(jù)分類結(jié)果； 根據(jù)所述缺陷數(shù)據(jù)集，所述整個粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果，以及各個所述粒子 的初始位置矩陣、初始速度矩陣和初始最優(yōu)數(shù)據(jù)分類結(jié)果，通過迭代得到滿足第一預(yù)設(shè)要 求的整個粒子群的最優(yōu)分類結(jié)果； 根據(jù)所述缺陷數(shù)據(jù)集和滿足所述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果，通過迭 代得到滿足第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果。2. 根據(jù)權(quán)利要求1所述的故障分類方法，其特征在于，根據(jù)所述缺陷數(shù)據(jù)集，所述整個 粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果，以及各個所述粒子的初始位置矩陣、初始速度矩陣和初 始最優(yōu)數(shù)據(jù)分類結(jié)果，通過迭代得到滿足第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果的步 驟包括： 根據(jù)所述缺陷數(shù)據(jù)集和各個所述粒子的初始位置矩陣得到第一初始聚類中心位置矩 陣； 根據(jù)所述第一初始聚類中心位置矩陣、所述缺陷數(shù)據(jù)集和各個所述粒子的初始位置矩 陣得到第一初始指標(biāo)函數(shù)； 根據(jù)所述第一初始指標(biāo)函數(shù)對所述整個粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果和各個所述 粒子的初始最優(yōu)數(shù)據(jù)分類結(jié)果進行更新； 根據(jù)得到的更新后的整個粒子群的最優(yōu)數(shù)據(jù)分類結(jié)果和各個所述粒子的最優(yōu)數(shù)據(jù)分 類結(jié)果，對各個所述粒子的初始位置矩陣和初始速度矩陣進行更新； 根據(jù)得到的更新后的各個所述粒子的位置矩陣和速度矩陣，對各個所述粒子的慣性常 數(shù)和權(quán)重因子進行更新； 判斷當(dāng)前迭代得到的指標(biāo)函數(shù)與上一次迭代得到的指標(biāo)函數(shù)之間的變動是否小于預(yù) 設(shè)第一閾值； 當(dāng)判定小于所述預(yù)設(shè)第一閾值時，停止迭代，得到當(dāng)前迭代更新后的整個粒子群的最 優(yōu)數(shù)據(jù)分類結(jié)果并輸出；否則，將得到的當(dāng)前迭代更新后的整個粒子群的最優(yōu)數(shù)據(jù)分類結(jié) 果作為新的各個所述粒子的初始位置矩陣，返回步驟根據(jù)所述缺陷數(shù)據(jù)集和各個所述粒子 的初始位置矩陣得到第一初始聚類中心位置矩陣。3. 根據(jù)權(quán)利要求1所述的故障分類方法，其特征在于，根據(jù)所述缺陷數(shù)據(jù)集和滿足所述 第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果，通過迭代得到滿足第二預(yù)設(shè)要求的整個粒子 群的最優(yōu)分類結(jié)果的步驟包括： 根據(jù)所述缺陷數(shù)據(jù)集和滿足所述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果得到第 二初始聚類中心位置矩陣； 根據(jù)所述缺陷數(shù)據(jù)集和所述第二初始聚類中心位置矩陣得到初始隸屬度函數(shù)； 根據(jù)所述缺陷數(shù)據(jù)集、所述第二初始聚類中心位置矩陣和所述初始隸屬度函數(shù)得到第 二初始指標(biāo)函數(shù)； 根據(jù)所述第二初始指標(biāo)函數(shù)對滿足所述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果 進行更新； 判斷當(dāng)前迭代得到的指標(biāo)函數(shù)與上一次迭代得到的指標(biāo)函數(shù)之間的變動是否小于預(yù) 設(shè)第二閾值； 當(dāng)判定小于所述預(yù)設(shè)第二閾值時，停止迭代，得到當(dāng)前迭代更新后的整個粒子群的最 優(yōu)分類結(jié)果；否則，將得到的當(dāng)前迭代更新后的整個粒子群的最優(yōu)分類結(jié)果作為新的滿足 所述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果，返回步驟根據(jù)所述缺陷數(shù)據(jù)集和滿足所 述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果得到第二初始聚類中心位置矩陣。4. 根據(jù)權(quán)利要求1所述的故障分類方法，其特征在于，在根據(jù)所述缺陷數(shù)據(jù)集和滿足所 述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果，通過迭代得到滿足第二預(yù)設(shè)要求的整個粒 子群的最優(yōu)分類結(jié)果的步驟之后，還包括步驟： 判斷兩次迭代的迭代總次數(shù)是否達到預(yù)設(shè)迭代次數(shù)閾值； 當(dāng)判定達到所述預(yù)設(shè)迭代次數(shù)閾值時，輸出滿足所述第二預(yù)設(shè)要求的整個粒子群的最 優(yōu)分類結(jié)果。5. 根據(jù)權(quán)利要求1所述的故障分類方法，其特征在于，所述預(yù)設(shè)方法包括模糊C均值算 法。6. -種故障分類系統(tǒng)，其特征在于，包括： 缺陷數(shù)據(jù)集生成模塊，用于根據(jù)待聚類設(shè)備數(shù)和每臺設(shè)備的缺陷數(shù)據(jù)生成缺陷數(shù)據(jù) 集； 粒子獲得模塊，用于根據(jù)所述缺陷數(shù)據(jù)集獲得預(yù)設(shè)數(shù)目個粒子，各個所述粒子中的第 一個粒子采用預(yù)設(shè)方法生成，各個所述粒子中的剩余粒子隨機生成； 初始狀態(tài)設(shè)置模塊，用于設(shè)置各個所述粒子的初始狀態(tài)，確定各個所述粒子的初始位 置矩陣、初始速度矩陣和初始最優(yōu)數(shù)據(jù)分類結(jié)果，并根據(jù)各個所述粒子的初始最優(yōu)數(shù)據(jù)分 類結(jié)果，得到整個粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果； 第一迭代模塊，用于根據(jù)所述缺陷數(shù)據(jù)集，所述整個粒子群的初始最優(yōu)數(shù)據(jù)分類結(jié)果， 以及各個所述粒子的初始位置矩陣、初始速度矩陣和初始最優(yōu)數(shù)據(jù)分類結(jié)果，通過迭代得 到滿足第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果； 第二迭代模塊，用于根據(jù)所述缺陷數(shù)據(jù)集和滿足所述第一預(yù)設(shè)要求的整個粒子群的最 優(yōu)分類結(jié)果，通過迭代得到滿足第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果。7. 根據(jù)權(quán)利要求6所述的故障分類系統(tǒng)，其特征在于，所述第一迭代模塊包括： 第一聚類中心位置矩陣單元，用于根據(jù)所述缺陷數(shù)據(jù)集和各個所述粒子的初始位置矩 陣得到第一初始聚類中心位置矩陣； 第一指標(biāo)函數(shù)單元，用于根據(jù)所述第一初始聚類中心位置矩陣、所述缺陷數(shù)據(jù)集和各 個所述粒子的初始位置矩陣得到第一初始指標(biāo)函數(shù)； 第一更新單元，用于根據(jù)所述第一初始指標(biāo)函數(shù)對所述整個粒子群的初始最優(yōu)數(shù)據(jù)分 類結(jié)果和各個所述粒子的初始最優(yōu)數(shù)據(jù)分類結(jié)果進行更新； 第二更新單元，用于根據(jù)得到的更新后的整個粒子群的最優(yōu)數(shù)據(jù)分類結(jié)果和各個所述 粒子的最優(yōu)數(shù)據(jù)分類結(jié)果，對各個所述粒子的初始位置矩陣和初始速度矩陣進行更新； 第三更新單元，用于根據(jù)得到的更新后的各個所述粒子的位置矩陣和速度矩陣，對各 個所述粒子的慣性常數(shù)和權(quán)重因子進行更新； 第一判斷單元，用于判斷當(dāng)前迭代得到的指標(biāo)函數(shù)與上一次迭代得到的指標(biāo)函數(shù)之間 的變動是否小于預(yù)設(shè)第一閾值；當(dāng)判定小于所述預(yù)設(shè)第一閾值時，停止迭代，得到當(dāng)前迭代 更新后的整個粒子群的最優(yōu)數(shù)據(jù)分類結(jié)果并輸出；否則，將得到的當(dāng)前迭代更新后的整個 粒子群的最優(yōu)數(shù)據(jù)分類結(jié)果作為新的各個所述粒子的初始位置矩陣，返回所述第一聚類中 心位置矩陣模塊。8. 根據(jù)權(quán)利要求6所述的故障分類系統(tǒng)，其特征在于，所述第二迭代模塊包括： 第二聚類中心位置矩陣單元，用于根據(jù)所述缺陷數(shù)據(jù)集和滿足所述第一預(yù)設(shè)要求的整 個粒子群的最優(yōu)分類結(jié)果得到第二初始聚類中心位置矩陣； 隸屬度函數(shù)單元，用于根據(jù)所述缺陷數(shù)據(jù)集和所述第二初始聚類中心位置矩陣得到初 始隸屬度函數(shù)； 第二指標(biāo)函數(shù)單元，用于根據(jù)所述缺陷數(shù)據(jù)集、所述第二初始聚類中心位置矩陣和所 述初始隸屬度函數(shù)得到第二初始指標(biāo)函數(shù)； 第四更新單元，用于根據(jù)所述第二初始指標(biāo)函數(shù)對滿足所述第一預(yù)設(shè)要求的整個粒子 群的最優(yōu)分類結(jié)果進行更新； 第二判斷單元，用于判斷當(dāng)前迭代得到的指標(biāo)函數(shù)與上一次迭代得到的指標(biāo)函數(shù)之間 的變動是否小于預(yù)設(shè)第二閾值；當(dāng)判定小于所述預(yù)設(shè)第二閾值時，停止迭代，得到當(dāng)前迭代 更新后的整個粒子群的最優(yōu)分類結(jié)果；否則，將得到的當(dāng)前迭代更新后的整個粒子群的最 優(yōu)分類結(jié)果作為新的滿足所述第一預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果，返回所述第二 聚類中心位置矩陣模塊。9. 根據(jù)權(quán)利要求6所述的故障分類系統(tǒng)，其特征在于，還包括輸出模塊，用于在所述第 二迭代模塊通過迭代得到滿足第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果之后，判斷兩次 迭代的迭代總次數(shù)是否達到預(yù)設(shè)迭代次數(shù)閾值；當(dāng)判定達到所述預(yù)設(shè)迭代次數(shù)閾值時，輸 出滿足所述第二預(yù)設(shè)要求的整個粒子群的最優(yōu)分類結(jié)果。10. 根據(jù)權(quán)利要求6所述的故障分類系統(tǒng)，其特征在于，所述預(yù)設(shè)方法包括模糊C均值算 法。
【文檔編號】G06K9/62GK106022367SQ201610322442
【公開日】2016年10月12日
【申請日】2016年5月13日
【發(fā)明人】彭剛, 唐松平, 張云, 鐘振鑫, 林志明, 黃曉波, 曾力, 吳濤, 史良, 肖云, 劉瀟, 董玉璽, 王云龍, 柯祖梁, 巫小彬, 彭杰
【申請人】廣東電網(wǎng)有限責(zé)任公司惠州供電局