CN109856299A - 一种变压器在线监测差异化阈值动态设置方法、系统 - Google Patents

Abstract

本发明公开了一种变压器在线监测差异化阈值动态设置方法，所述方法包括：依据不同运行环境以及不同运行季节监测到的变压器历史数据进行分类标识；对所述分类标识的历史数据进行预处理，去除所述历史数据中的异常数据；将所述去除异常数据的历史数据采用基于K‑means聚类的方法动态计算所述变压器的判别阈值；基于Spark分布式并行计算框架，构建基于所述判别阈值的阈值报警和趋势分析的所述变电设备综合预警模型，从而差异化监测所述变压器的判别阈值。提升了报警准确性的同时大幅缩短了动态阈值计算时间。

Description

一种变压器在线监测差异化阈值动态设置方法、系统

技术领域

本发明涉及输变电设备运行管理技术领域，具体涉及一种变压器在线监测差异化阈值动态设置方法、系统。

背景技术

变压器作为重要的输变电设备之一，其运行的可靠性直接关系到电力系统的安全运行。基于油中溶解气体分析的在线监测系统通过实时监测变压器油中溶解气体的体积分数及气体的产气率实现对变压器故障进行预警，即当监测到的气体的体积分数及产气率超过预先设定的某一个阈值时，监测系统给出相应的报警信息。因此设定合理的阈值，能有效的减少误报和漏报，对于提高在线监测系统的预警准确性具有重要的意义。

我国现有国标GB/T 7252中仅给出氢气、乙炔和总烃的体积分数及其绝对产气速率的注意值，且仅根据变压器电压等级的不同将注意值划分为“330kV及以上”和“220kV及以下”两个等级，因此存在气体种类上，分类过于粗狂的问题。现有国标是根据IEC 60599标准建立的，IEC标准是在统计全球的变压器的情况下制定的标准，而国外变压器在电压等级、加工工艺、运行环境与国内均有很大的差别。因此，完善国标中溶解其他的注意值、对变压器进行更详细的分类、根据我国的实际情况，给出不同类型变压器油中溶解气体的注意值是亟待解决的问题。

发明内容

针对现有技术的不足，即为了解决现有系统仅考虑阈值或趋势报警的不足，减少误报警次数，提升报警的准确性的问题，本发明提供了一种变压器在线监测差异化阈值动态设置方法，所述方法包括：分类标识不同运行环境以及不同运行季节监测到的变压器历史数据。预处理所述分类标识的历史数据，去除所述历史数据中的异常数据。将所述去除异常数据的历史数据采用基于K-means聚类的方法动态计算所述变压器的判别阈值。基于Spark分布式并行计算框架，构建基于所述判别阈值的阈值报警和趋势分析的所述变电设备综合预警模型，从而差异化监测所述变压器的判别阈值。

进一步地，所述监测变压器历史数据通过传感器采集所述变压器的变压油溶解气体数据，将所述变压油溶解气体数据上传到数据库并按时间序列进行排序。

所述对所述分类标识的历史数据进行预处理，去除所述历史数据中的异常数据，包括：获取所述历史数据中某一固定时间段的历史数据作为特征数据集；基于时间序列异常检测方法去除所述历史数据中的异常数据。

进一步地，所述将所述去除异常数据的历史数据采用基于K-means聚类的方法动态计算所述变压器的判别阀值，包括：

步骤S1，输入所述变压器油中溶解气体监测样本集X，并按公式(1)对所述样本集X进行均值方差标准化，得到样本集Y；

式中，x’为标准化后的数据，x为标准化前原始数据，μ为数据的平均值，σ为数据的方差；

步骤S2，确定聚类类数K，并在所述样本集Y中随机选取K个样本类作为初始聚类中心，设定迭代中止条件；(如最大循环次数或者聚类中心收敛的误差容限)；将所述样本集Y中的每一数据样本按最小距离原则分别分配到K个聚类中，进行初始聚类；

步骤S3，按聚类中心公式重新计算新的聚类中心；

步骤S4，根据步骤S3得到的新的聚类中心，按照最小距离原则重新分配所述样本集Y数据到K个聚类中，顺序且反复执行步骤S3、步骤S4，直至满足所述步骤S2设定的所述迭代中止条件，得到聚类结果；

步骤S5，将所述样本集Y中聚类簇中的数据与所述步骤S4得到的聚类中心的距离乘以常数D，作为R，即R为计算得到的判别阀值。

所述判别阈值包括：注意阈值、告警阈值、趋势告警阈值、三相比对告警阈值。

一种在线监测差异化阈值动态设置系统，所述系统包括：采集单元，用于依据不同运行环境以及不同运行季节监测到的变压器历史数据进行分类标识。

预处理单元，用于对所述分类标识的历史数据进行预处理，去除所述历史数据中的异常数据。

生成单元，用于将所述去除异常数据的历史数据采用基于K-means聚类的方法动态计算所述变压器的判别阈值。

模型化单元，用于基于Spark分布式并行计算框架，构建基于所述判别阈值的阈值报警和趋势分析的所述变电设备综合预警模型，从而差异化监测所述变压器的判别阈值。

进一步地，所述采集单元监测到的变压器历史数据通过传感器采集所述变压器的变压油溶解气体数据，将所述变压油溶解气体数据上传到数据库并按时间序列进行排序。

所述预处理单元包括：获取模块，用于获取所述历史数据中某一固定时间段的历史数据作为特征数据集。

处理模块，用于基于时间序列异常检测方法去除所述历史数据中的异常数据。

所述生成单元包括：获取模块，用于将输入所述变压器油中溶解气体监测样本集X，并对对所述样本集X进行均值方差标准化，得到样本集Y；

初始化模块，用于确定聚类类数K，并在所述样本集Y中随机选取K个样本类作为初始聚类中心，将所述获取模块得到的所述样本集Y数据每一数据样本按最小距离原则分别分配到K个聚类中，进行初始聚类；

聚类模块，将初始化模块的初始聚类计算的到新聚类中心，并按最小距离原则重新分配所述样本集Y数据到K个聚类中，设定迭代中止条件，得到聚类中心。

生成模块，用于将所述样本集Y中聚类簇中的数据与所述聚类模块得到的聚类中心的距离乘以常数D，计算得到判别阀值。

所述判别阈值包括：注意阈值、告警阈值、趋势告警阈值、三相比对告警阈值。

本发明的有益效果是：本发明对收集到的大量的现场变压器油色谱数据进行清洗，去除异常数据，提升数据质量。依据每台设备不同运行环境和不同运行季节将其历史监测数据分类标识，根据需求针对每类数据采用基于K-means聚类的方法动态计算阈值，阈值设置体现了设备在厂家、类型、电压等级、运行年限、运行环境等层面的个性化差异，提升了报警准确性。同时阈值计算基于Spark进行并行化设计，相比于串行算法，大幅缩短了动态阈值计算时间。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1是本发明实施例一的变压器在线监测差异化阈值动态设置方法流程图；

图2是本发明实施例一的某地区变压器顶层油温数据图；

图3是本发明实施例一的的某地区变压器顶层油温时间序列上的异常特征值；

图4是本发明实施例一的某地区变压器顶层油温时间序列上检测出的异常点；

图5是本发明实施例一的电力变压器数据聚类效果图；

图6是本发明实施例二的变压器在线监测差异化阈值动态设置系统结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

针对现有变电设备在线监测系统主要依据标准和规程设定的判断阈值进行预警，没有从不同厂家、不同设备类型、不同电压等级、不同运行年限、不同运行环境，不同运行季节等层面分析设备状态变化的个性化规律，阈值设置没有体现设备个性化差异，因而造成系统误报警次数多，报警准确性不高等问题。

该发明针对上述问题，本实例收集了多台变压器最近一年的在线监测数据，每台设备的监测量阈值单独计算，所以阈值从不同厂家、不同设备类型、不同电压等级、不同运行年限、不同运行环境等方面体现了设备的个体差异，并且该阈值计算算法可以根据历史数据情况定时自动启动和手动启动，实现了阈值动态设置的功能。

提出一种变压器在线监测差异化阈值动态设置方法。在规程阈值的基础上依据每台设备不同运行环境和不同运行季节将其历史监测数据分类标识，对每类数据进行预处理，采用基于时间序列和聚类的方法去除异常数据；根据需求针对每类数据采用基于K-means聚类的方法动态计算注意阈值、告警阈值、趋势告警阈值和三相比对告警阈值；最后本发明基于Spark分布式并行计算框架，构建基于阈值报警和趋势分析的设备综合预警模型，通过实际应用，明显减少了误报警、漏报警次数，提升了报警准确性。

图1是本发明实施例一的变压器在线监测差异化阈值动态设置方法流程图。

步骤101，分类标识不同运行环境以及不同运行季节监测到的变压器历史数据。在线监测数据类型包括油中溶解气体、顶层油温、铁芯接地电流、套管SF6气体压力和换流站的环境温度和湿度。通过相关性分析发现油色谱与其他类型监测量相关性不大，顶层油温与环境温度相关性较大，铁芯接地电流与环境湿度相关性，较大。所以油中溶解气体的单独计算阈值，顶层油温与环境温度合并计算阈值，铁芯接地电流与环境湿度合并计算阈值。

步骤103，预处理所述分类标识的历史数据，去除所述历史数据中的异常数据。对所述分类标识的历史数据进行预处理，去除所述历史数据中的异常数据。设备状态量的监测是由各个传感器来完成的，经过底层的预处理而上传到数据库的原始数据可以认为是按时间序列排列的特征量数据。这些数据的统一格式为“时间.特征量＝数值”，因此，可认为采集的所有状态量形成了一个单元或多元的连续而完整的时间序列。

传感器采集所述变压器的变压油溶解气体数据，将所述变压油溶解气体数据上传到数据库并按时间序列进行排序。获取所述历史数据中某一固定时间段的历史数据作为特征数据集；基于时间序列异常检测方法去除所述历史数据中的异常数据。

图2是某地区变压器顶层油温数据图，图中横坐标为数据的采样时刻，纵坐标为设备油温，油温呈周期性分布，数据采样期间设备状态良好。

现对其进行清洗，首先将时间序列转换成GMBR，然后将其映射成特征空间的特征向量，这样，时间序列T的GMBR表示就映射到特征空间中的一个对象集合，接着按照GMBR距离度量公式计算各点间的距离量度LBD，当某子序列q的网格表示序列Q与其他网格表示序列的距离均大于某一给定阈值(0.8)时，再比较时间序列的异常特征值，异常特征值则根据模式的密度来决定，模式的密度越大，那么与该模式相似的模式也就越多，该模式为异常的可能性就越小；反之，模式的密度越小，则与该模式相似的模式也就越少，该模式为异常的可能性就更大一些。计算该序列的密度，仿真结果如图3所示，由图可知，油温时间序列在时间点16、27、106、135处的异常特征值偏大，从而可判断出时间点6、27、106、135处的数据发生了异常，标记出的异常点如图4所示。

步骤105，将所述去除异常数据的历史数据采用基于K-means聚类的方法动态计算所述变压器的判别阈值，具体步骤如下：

步骤S1，输入所述变压器油中溶解气体监测样本集X，并按公式(1)对所述样本集X进行均值方差标准化，得到样本集Y；

式中，x’为标准化后的数据，x为标准化前原始数据，μ为数据的平均值，σ为数据的方差；

步骤S2，确定聚类类数K，并在所述样本集Y中随机选取K个样本类作为初始聚类中心，设定迭代中止条件；(如最大循环次数或者聚类中心收敛的误差容限)；将所述样本集Y中的每一数据样本按最小距离原则分别分配到K个聚类中，进行初始聚类；

步骤S3，按聚类中心公式重新计算新的聚类中心；

步骤S4，根据步骤S3得到的新的聚类中心，按照最小距离原则重新分配所述样本集Y数据到K个聚类中，顺序且反复执行步骤S3、步骤S4，直至满足所述步骤S2设定的所述迭代中止条件，得到聚类结果；

步骤S5，将所述样本集Y中聚类簇中的数据与所述步骤S4得到的聚类中心的距离乘以常数D，作为R，即R为计算得到的判别阀值。

下面以某台变压器为例，应用K-means算法进行变压器油中溶解气体差异化阈值计算。对该变压器2016年1月2日-2016年12月25日间油中溶解气体数据进行聚类，该变压器油中溶解气体在线监测数据主要有：H2、CH4、C2H4、C2H6、C2H2、CO、CO2。对654个样本数据进行标准化处理时，由于正常情况下C2H2一般为0，因此对C2H2的处理是根据原始数据是否超过准则中的阈值直接进行诊断是否故障，而不参与K聚类的运算中，其诊断阈值如下：1μL/L。

将标准化后的654组变压器正常历史数据样本输入到聚类算法中，按照正常数据类型的性质取k＝4。如图5所示，聚类结果输出4个聚类簇，聚类中心分别为(0.5595,0.4606,-0.9792,-1.0424,1.2613,-0.9791)，(-0.4469,0.1966,1.1346,0.8117,-0.4017,0.3212)，(-0.8000,-1.1551,-0.9756,-0.9295,-0.8727,-0.7988)，(1.3356,1.1453,0.8235,1.1279,0.9469,1.4538)。4个聚类簇中数据与中心距离的最大值分别是1.5241、1.5905、1.2988与1.4270。为了方便用户直观地了解聚类情况，需要对聚类中心进行退标准化处理，反求的出x即为原始数据的聚类中心：(11.85,9.02,0.26,0.53,878.02,853.51)，(8.02,8.33,0.80,0.89,425.24,1960.14)，(6.67,4.81,0.26,0.55,297.00,1006.97)，(14.80,10.81,0.72,0.96,792.42,2924.02)。

对于异常数据与聚类中心距离的判断阈值R取值，可将4个聚类簇中数据与中心距离的最大值乘上常数D(D≥1)作为R，一般D可取1。

选取该变电站同型号设备的180组待检测数据，其中32个异常状态数据，148个正常运行数据，对其与聚类中心距离进行计算，判断数据是否异常，结果由下表1所示。由于异常状态数据距离聚类中心较远，通过阈值判断可以正确诊断其状态。而由于聚类簇中的数据量有限，某些距离聚类中心稍远的正常运行数据会被误认为异常状态数据。

表1变压器异常状态判断结果

计算结果表明，本方法对数据标准化之后的聚类结果能有效将数据进行聚类，从而得到异常数据与聚类中心距离的判断阈值，通过判断新数据到聚类中心的距离是否超过阈值可识别出新输入的异常状态数据。

步骤107，基于Spark分布式并行计算框架，构建基于所述判别阈值的阈值报警和趋势分析的所述变电设备综合预警模型，从而差异化监测所述变压器的判别阈值。

基于大数据平台上的Apache Spark实现阈值计算任务，Spark能够通过分布式的并行化计算来提高任务的执行效率。计算流程如下：

首先，把需要参与计算的数据从HBase中读取出来，通过行转列处理后存放到集群中的每个节点的内存中。

其次，把计算任务中的计算过程和步骤可以单独运行的子任务。

最后，通过并行化计算在每一台节点上执行相应的子任务，最终合并每个节点上的子任务结果得到最终的结果。

本发明针对现有变电设备在线监测系统仅考虑阈值或趋势报警的不足，提出了一种差异化阈值动态设置方法。在规程阈值的基础上依据每台设备不同运行环境和不同运行季节将其历史监测数据分类标识，对每类数据进行预处理，采用基于时间序列和聚类的方法去除异常数据，从而避免了对后续阈值计算的干扰；采用基于K-means聚类的方法对选定范围数据动态计算注意阈值、告警阈值、趋势告警阈值和三相比对告警阈值，阈值设备体现了设备的个性化差异，提升了报警准确性；阈值计算基于Spark分布式并行计算框架，针对海量监测数据，大幅缩短了阈值计算时间。

实施例二：

一种在线监测差异化阈值动态设置系统600，所述系统包括：

采集单元601，用于依据不同运行环境以及不同运行季节监测到的变压器历史数据进行分类标识；

预处理单元602，用于对所述分类标识的历史数据进行预处理，去除所述历史数据中的异常数据；

生成单元603，用于将所述去除异常数据的历史数据采用基于K-means聚类的方法动态计算所述变压器的判别阈值；

模型化单元604，用于基于Spark分布式并行计算框架，构建基于所述判别阈值的阈值报警和趋势分析的所述变电设备综合预警模型，从而差异化监测所述变压器的判别阈值。

所述采集单元601包括遥信采集模块、微处理模块，遥信采集模块包括传感器，所述采集单元监测到的变压器历史数据由传感器完成，所述传感器采集所述变压器的变压油溶解气体数据，将所述变压油溶解气体数据上传到数据库(微处理模块)并按时间序列进行排序。

所述预处理单元602包括：获取模块6021，用于获取所述历史数据中某一固定时间段的历史数据作为特征数据集；处理模块6022，用于基于时间序列异常检测方法去除所述历史数据中的异常数据。

所述生成单元603包括：获取模块6031，用于将输入所述变压器油中溶解气体监测样本集X，并对对所述样本集X进行均值方差标准化，得到样本集Y；

初始化模块6032，用于确定聚类类数K，并在所述样本集Y中随机选取K个样本类作为初始聚类中心，将所述获取模块得到的所述样本集Y数据每一数据样本按最小距离原则分别分配到K个聚类中，进行初始聚类；

聚类模块6033，将初始化模块的初始聚类计算的到新聚类中心，并按最小距离原则重新分配所述样本集Y数据到K个聚类中，设定迭代中止条件，得到聚类中心；

生成模块6034，用于将所述样本集Y中聚类簇中的数据与所述聚类模块得到的聚类中心的距离乘以常数D，计算得到判别阀值。

所述判别阈值包括：注意阈值、告警阈值、趋势告警阈值、三相比对告警阈值。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元或模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元或模块可以是或者也可以不是物理上分开的，作为单元或模块显示的部件可以是或者也可以不是物理单元或模块，即可以位于一个地方，或者也可以分布到多个网络单元或模块上。可以根据实际的需要选择其中的部分或者全部单元或模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元或模块可以集成在一个处理单元或模块中，也可以是各个单元或模块单独物理存在，也可以两个或两个以上单元或模块集成在一个单元或模块中。上述集成的单元或模块既可以采用硬件的形式实现，也可以采用软件功能单元或模块的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种变压器在线监测差异化阈值动态设置方法，其特征在于，所述方法包括：

分类标识不同运行环境以及不同运行季节监测到的变压器历史数据；

预处理所述分类标识的历史数据，去除所述历史数据中的异常数据；

将所述去除异常数据的历史数据采用基于K-means聚类的方法动态计算所述变压器的判别阈值；

基于Spark分布式并行计算框架，构建基于所述判别阈值的阈值报警和趋势分析的所述变电设备综合预警模型，从而差异化监测所述变压器的判别阈值。

2.根据权利要求1所述的方法，其特征在于，所述监测变压器历史数据通过传感器采集所述变压器的变压油溶解气体数据，将所述变压油溶解气体数据上传到数据库并按时间序列进行排序。

3.根据权利要求1、2所述的方法，其特征在于，所述预处理所述分类标识的历史数据，去除所述历史数据中的异常数据，包括：

获取所述历史数据中某一固定时间段的历史数据作为特征数据集；

基于时间序列异常检测方法去除所述历史数据中的异常数据。

4.根据权利要求1所述的方法，其特征在于，所述将所述去除异常数据的历史数据采用基于K-means聚类的方法动态计算所述变压器的判别阀值，包括：

步骤S1，输入所述变压器油中溶解气体监测样本集X，并按公式(1)对所述样本集X进行均值方差标准化，得到样本集Y；

式中，x’为标准化后的数据，x为标准化前原始数据，μ为数据的平均值，σ为数据的方差；

步骤S2，确定聚类类数K，并在所述样本集Y中随机选取K个样本类作为初始聚类中心，设定迭代中止条件；(如最大循环次数或者聚类中心收敛的误差容限)；将所述样本集Y中的每一数据样本按最小距离原则分别分配到K个聚类中，进行初始聚类；

步骤S3，按聚类中心公式重新计算新的聚类中心；

步骤S4，根据步骤S3得到的新的聚类中心，按照最小距离原则重新分配所述样本集Y数据到K个聚类中，顺序且反复执行步骤S3、步骤S4，直至满足所述步骤S2设定的所述迭代中止条件，得到聚类结果；

步骤S5，将所述样本集Y中聚类簇中的数据与所述步骤S4得到的聚类中心的距离乘以常数D，作为R，即R为计算得到的判别阀值。

5.根据权利要求4所述的方法，其特征在于，所述判别阈值包括：注意阈值、告警阈值、趋势告警阈值、三相比对告警阈值。

6.一种在线监测差异化阈值动态设置系统，其特征在于，所述系统包括：

采集单元，用于依据不同运行环境以及不同运行季节监测到的变压器历史数据进行分类标识；

预处理单元，用于对所述分类标识的历史数据进行预处理，去除所述历史数据中的异常数据；

生成单元，用于将所述去除异常数据的历史数据采用基于K-means聚类的方法动态计算所述变压器的判别阈值；

模型化单元，用于基于Spark分布式并行计算框架，构建基于所述判别阈值的阈值报警和趋势分析的所述变电设备综合预警模型，从而差异化监测所述变压器的判别阈值。

7.根据权利要求6所述的系统，其特征在于，所述采集单元监测到的变压器历史数据通过传感器采集所述变压器的变压油溶解气体数据，将所述变压油溶解气体数据上传到数据库并按时间序列进行排序。

8.根据权利要求6、7所述的系统，其特征在于，所述预处理单元包括：

获取模块，用于获取所述历史数据中某一固定时间段的历史数据作为特征数据集；

处理模块，用于基于时间序列异常检测方法去除所述历史数据中的异常数据。

9.根据权利要求6所述的系统，其特征在于，所述生成单元包括：

获取模块，用于将输入所述变压器油中溶解气体监测样本集X，并对对所述样本集X进行均值方差标准化，得到样本集Y；

初始化模块，用于确定聚类类数K，并在所述样本集Y中随机选取K个样本类作为初始聚类中心，将所述获取模块得到的所述样本集Y数据每一数据样本按最小距离原则分别分配到K个聚类中，进行初始聚类；

聚类模块，将初始化模块的初始聚类计算的到新聚类中心，并按最小距离原则重新分配所述样本集Y数据到K个聚类中，设定迭代中止条件，得到聚类中心；

生成模块，用于将所述样本集Y中聚类簇中的数据与所述聚类模块得到的聚类中心的距离乘以常数D，计算得到判别阀值。

10.根据权利要求9所述的系统，其特征在于，所述判别阈值包括：注意阈值、告警阈值、趋势告警阈值、三相比对告警阈值。