CN113702861B - 一种基于大数据分析的电源故障位置预测方法及装置 - Google Patents

Abstract

本发明公开了一种基于大数据分析的电源故障位置预测方法及装置，其中，所述方法包括：接收在电源各节点上设置的各节点传感器采集的多源异构信号数据；对多源异构信号数据进行预处理，获得预处理后的多源异构信号数据；对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征；将信号提取特征输入故障诊断模型中进行故障诊断处理，输出信号提取特征对应的故障信息；基于信号提取特征对应的故障信息利用多源异构信号数据之间的关联度进行故障信息的故障位置预测处理，获得电源故障位置。在本发明实施例中，可以快速的诊断出电源是否存在相关的故障，并且快速的预测出电源的故障位置，加快对电源故障的修复速度，使得电源供电更加稳定。

Description

一种基于大数据分析的电源故障位置预测方法及装置

技术领域

本发明涉及供电电源技术领域，尤其涉及一种基于大数据分析的电源故障位置预测方法及装置。

背景技术

在大功率多级放大射频电源中，功率多级放大器采用全固态功率管，射频驱动信号输入为多级放大器提供激励源，阻抗匹配器通过阻抗匹配实现最大功率输出；大功率输出电源因此存在多级且设置较为复杂，在电源发生故障时，无法快速预测到所发送故障的位置，导致无法第一时间对电源相关故障点就行维修或者更换处理，存在较大的安全隐患且给用户的使用带来极大的不便。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于大数据分析的电源故障位置预测方法及装置，可以快速的诊断出电源是否存在相关的故障，并且快速的预测出电源的故障位置，加快对电源故障的修复速度，保证电源的安全，且使得电源供电更加稳定。

为了解决上述技术问题，本发明实施例提供了一种基于大数据分析的电源故障位置预测方法，所述方法包括：

接收在电源各节点上设置的各节点传感器采集的多源异构信号数据，其中所述多源异构信号数据中包含采集时间戳和节点传感器编号；

对所述多源异构信号数据进行预处理，获得预处理后的多源异构信号数据；

对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征；

将所述信号提取特征输入故障诊断模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息；

基于所述信号提取特征对应的故障信息利用多源异构信号数据之间的关联度进行故障信息的故障位置预测处理，获得电源故障位置。

可选的，所述接收在电源各节点上设置的各节点传感器采集的多源异构信号数据，包括：

在电源各个节点上设置的所述各节点传感器基于中间网关与服务器相连接；

所述服务器基于中间网关接收在电源各节点上设置的各节点传感器采集的多源异构信号数据。

可选的，所述对所述多源异构信号数据进行预处理，获得预处理后的多源异构信号数据，包括：

将所述多源异构信号数据依次进行采样、保持及量化处理，获得处理结果；

对所述处理结果按照其对应的多源异构信号数据中所包含采集时间戳和节点传感器编号进行唯一性识别编码处理，获得唯一性编码后的处理结果；

基于数字滤波对唯一性编码后的处理结果进行去噪处理，获得去噪处理结果；

对所述去噪处理结果进行数据清洗处理，获得预处理后的多源异构信号数据。

可选的，所述对所述去噪处理结果进行数据清洗处理，获得预处理后的多源异构信号数据，包括：

基于粗糙集理论的决策树对所述去噪处理结果进行无效和重复数据的删除处理，获得删除处理后的去噪处理结果；

对所述删除处理后的去噪处理结果进行纠正异常数据处理，并对纠正后的数据基于差值法进行补全缺失数据处理，获得预处理后的多源异构信号数据。

可选的，所述对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征，包括：

利用信号统计分析方法基于时域分析和频域分析对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征；

其中，所述信号特征包括信号的最小值、最大值、平均值、滑动平均值、方差值、均方根值、频率响应峰值、频谱、功率谱、功率密度谱。

可选的，所述信号提取特征包括直流电源信号提取特征和低压电源信号提取特征；所述故障诊断模型包括训练收敛的BP神经网络模型和遗传算法优化的模糊集理论；其中，所述BP神经网络模型在训练前利用遗传算法进行优化处理。

可选的，所述将所述信号提取特征输入故障诊断模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息，包括：

确认所述信号提取特征为直流电源信号提取特征或者为低压电源信号提取特征；

在所述信号提取特征为直流电源信号提取特征时，将所述信号提取特征输入训练收敛的BP神经网络模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息；

在所述信号提取特征为低压电源信号提取特征时，将所述信号提取特征输入利用遗传算法优化的模糊集理论中进行故障诊断处理，输出所述信号提取特征对应的故障信息。

可选的，所述基于所述信号提取特征对应的故障信息利用多源异构信号数据之间的关联度进行故障信息的故障位置预测处理，获得电源故障位置，包括：

基于所述信号提取特征对应的故障信息利用多源异构信号数据之间的电源各个节点采集的信号数据的关联度进行故障信息的故障位置预测处理，获得电源故障位置。

可选的，所述电源各个节点采集的信号数据的关联度构建包括：

利用历史数据对应于电源在不同操作模式下运行状态的各节点信号数据指标之间的关联关系，分析电源各节点信号数据与电源不同健康状态之间的对应关系；

同时，建立多维度静态、动态、准动态和外部参数设备数据与电源在不同健康状态下的关联规则，并分析各健康状态变量下的关联度与关联权重获得电源各个节点采集的信号数据的关联度。

另外，本发明实施还提供了一种基于大数据分析的电源故障位置预测装置，所述装置包括：

接收模块：用于接收在电源各节点上设置的各节点传感器采集的多源异构信号数据，其中所述多源异构信号数据中包含采集时间戳和节点传感器编号；

预处理模块：用于对所述多源异构信号数据进行预处理，获得预处理后的多源异构信号数据；

特征提取模块：用于对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征；

故障诊断模块：用于将所述信号提取特征输入故障诊断模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息；

故障位置预测模块：用于基于所述信号提取特征对应的故障信息利用多源异构信号数据之间的关联度进行故障信息的故障位置预测处理，获得电源故障位置。

在本发明实施例中，通过采集电源多节点的多源异构信号数据，然后进行相关的电源故障预测，并在电源存在故障时，利用相关的关联度预测故障信息在电源的位置，可以快速的诊断出电源是否存在相关的故障，并且快速的预测出电源的故障位置，加快对电源故障的修复速度，保证电源的安全，且使得电源供电更加稳定。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中的基于大数据分析的电源故障位置预测方法的流程示意图；

图2是本发明实施例中的基于大数据分析的电源故障位置预测装置的结构组成示意图。

具体实施方式

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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例一

请参阅图1，图1是本发明实施例中的基于大数据分析的电源故障位置预测方法的流程示意图。

如图1所示，一种基于大数据分析的电源故障位置预测方法，所述方法包括：

S11：接收在电源各节点上设置的各节点传感器采集的多源异构信号数据，其中所述多源异构信号数据中包含采集时间戳和节点传感器编号；

在本发明具体实施过程中，所述接收在电源各节点上设置的各节点传感器采集的多源异构信号数据，包括：在电源各个节点上设置的所述各节点传感器基于中间网关与服务器相连接；所述服务器基于中间网关接收在电源各节点上设置的各节点传感器采集的多源异构信号数据。

具体的，在电源的各个节点上均设置有相关节点的节点传感器，该节点传感器用于采集该节点的信号数据，并且有各个节点传感器采集的信号数据汇聚形成多源异构信号数据，并且在电源各个节点上设置的各节点传感器通过中间网关与服务器相连接；然后该服务器根据该中间网关接收在电源各节点上设置的各节点传感器采集汇聚的多源异构信号数据。

S12：对所述多源异构信号数据进行预处理，获得预处理后的多源异构信号数据；

在本发明具体实施过程中，所述对所述多源异构信号数据进行预处理，获得预处理后的多源异构信号数据，包括：将所述多源异构信号数据依次进行采样、保持及量化处理，获得处理结果；对所述处理结果按照其对应的多源异构信号数据中所包含采集时间戳和节点传感器编号进行唯一性识别编码处理，获得唯一性编码后的处理结果；基于数字滤波对唯一性编码后的处理结果进行去噪处理，获得去噪处理结果；对所述去噪处理结果进行数据清洗处理，获得预处理后的多源异构信号数据。

进一步的，所述对所述去噪处理结果进行数据清洗处理，获得预处理后的多源异构信号数据，包括：基于粗糙集理论的决策树对所述去噪处理结果进行无效和重复数据的删除处理，获得删除处理后的去噪处理结果；对所述删除处理后的去噪处理结果进行纠正异常数据处理，并对纠正后的数据基于差值法进行补全缺失数据处理，获得预处理后的多源异构信号数据。

具体的，多源异构信号数据为各个节点传感器在各个节点所采集的信号数据，为了方便后续的处理需求，需要将这些多源异构信号数据转换及去噪处理，其主要是讲模拟信号转换为数字信号，方便后续的读取及去噪处理，可以有效的减少杂质影响，提高监控的精度。

即在对多源异构信号数据通过模数转换器转换之后，依次进行采样、保持及量化处理，从而得到处理结果，然后将该处理结果按照其对应的多源异构信号数据中所包含采集时间戳和节点传感器编号进行唯一性识别编码处理，获得唯一性编码后的处理结果，方便后续通过该编码查询或者调用该具体唯一性编码的数据；然后根据数字滤波对唯一性编码后的处理结果进行去噪处理，获得去噪处理结果，即采用数字滤波算法来对数据信号进行滤波去噪，其中，该数字滤波包括经典滤波和现代滤波；经典滤波是根据傅里叶分析和变换提出的一个工程概念，根据高等数学理论，任何一个满足一定条件的信号，都可以被看成是由无限个正弦波叠加而成，就是工程信号是不同频率的正弦波线性叠加而成的，组成信号的不同频率的正弦波叫做信号的频率成分或叫做谐波成分；现代滤波是利用信号的随机性的本质，将信号及其噪声看成随机信号，通过利用其统计特征，估计出信号本身，一旦信号被估计出，得到的信号本身比原来的信噪比高出许多，典型的数字滤波器有Kalman滤波，Wenner滤波，自适应滤波，小波变换(wavelet)等；数字滤波具有高精度、高可靠性、可程控改变特性或复用、便于集成等优点；数字滤波有低通、高通、带通、带阻和全通等类型；可以是时不变的或时变的、因果的或非因果的、线性的或非线性的；应用最广的是线性、时不变数字滤波器；最后对去噪处理结果需要进行数据清洗处理，从而获得预处理后的多源异构信号数据。

具体的，数据清洗处理的过程中，采用粗糙集理论的决策树对去噪处理结果进行无效和重复数据的删除处理，获得删除处理后的去噪处理结果，粗糙集理论的决策树可以实现对数据进行归纳，使得数据内冗余杂质数据被剔除，所形成的数据较为精简；然后对删除处理后的去噪处理结果进行纠正异常数据处理，并对纠正后的数据基于差值法进行补全缺失数据处理，获得预处理后的多源异构信号数据，在纠正异常数据时，采用三西格玛准则判断异常值来实现纠正异常数据，异常值为一组测定值中与平均值的偏差超过3倍标准差的值；三西格玛准则又称为拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除；在补全缺失处理过程中采用插值算法来实现补全缺失数据，具体可以由Lagrange插值、Newton插值、Hermite插值、分段插值和样条插值等来实现。

S13：对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征；

在本发明具体实施过程中，所述对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征，包括：利用信号统计分析方法基于时域分析和频域分析对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征；其中，所述信号特征包括信号的最小值、最大值、平均值、滑动平均值、方差值、均方根值、频率响应峰值、频谱、功率谱、功率密度谱。

具体的，利用信号统计分析方法根据时域分析和频域分析对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征；其中，该信号特征主要包括信号的最小值、最大值、平均值、滑动平均值、方差值、均方根值、频率响应峰值、频谱、功率谱、功率密度谱。

S14：将所述信号提取特征输入故障诊断模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息；

在本发明具体实施过程中，所述信号提取特征包括直流电源信号提取特征和低压电源信号提取特征；所述故障诊断模型包括训练收敛的BP神经网络模型和遗传算法优化的模糊集理论；其中，所述BP神经网络模型在训练前利用遗传算法进行优化处理。

进一步的，所述将所述信号提取特征输入故障诊断模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息，包括：确认所述信号提取特征为直流电源信号提取特征或者为低压电源信号提取特征；在所述信号提取特征为直流电源信号提取特征时，将所述信号提取特征输入训练收敛的BP神经网络模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息；在所述信号提取特征为低压电源信号提取特征时，将所述信号提取特征输入利用遗传算法优化的模糊集理论中进行故障诊断处理，输出所述信号提取特征对应的故障信息。

具体的，该信号提取特征主要包括直流电源信号提取特征和低压电源信号提取特征；同时，故障诊断模型包括训练收敛的BP神经网络模型和遗传算法优化的模糊集理论；其中，该BP神经网络模型在训练前利用遗传算法进行优化处理。

首先，需要确认信号提取特征为直流电源信号提取特征或者为低压电源信号提取特征；在确认该信号提取特征为直流电源信号提取特征时，则将信号提取特征输入训练收敛的BP神经网络模型中进行故障诊断处理，在诊断完成之后，输出信号提取特征对应的故障信息，即是否存在故障，若存在故障，该故障是何种类型的故障及故障等级；在信号提取特征为低压电源信号提取特征时，则将信号提取特征输入利用遗传算法优化的模糊集理论中进行故障诊断处理，输出信号提取特征对应的故障信息，即是否存在故障，若存在故障，该故障是何种类型的故障及故障等级。

S15：基于所述信号提取特征对应的故障信息利用多源异构信号数据之间的关联度进行故障信息的故障位置预测处理，获得电源故障位置。

在本发明具体实施过程中，所述基于所述信号提取特征对应的故障信息利用多源异构信号数据之间的关联度进行故障信息的故障位置预测处理，获得电源故障位置，包括：基于所述信号提取特征对应的故障信息利用多源异构信号数据之间的电源各个节点采集的信号数据的关联度进行故障信息的故障位置预测处理，获得电源故障位置。

进一步的，所述电源各个节点采集的信号数据的关联度构建包括：利用历史数据对应于电源在不同操作模式下运行状态的各节点信号数据指标之间的关联关系，分析电源各节点信号数据与电源不同健康状态之间的对应关系；同时，建立多维度静态、动态、准动态和外部参数设备数据与电源在不同健康状态下的关联规则，并分析各健康状态变量下的关联度与关联权重获得电源各个节点采集的信号数据的关联度。

具体的，根据信号提取特征对应的故障信息利用多源异构信号数据之间的电源各个节点采集的信号数据的关联度来进行故障信息的故障位置预测处理，即可预测得到电源故障位置；其中，该电源各个节点采集的信号数据的关联度构建是通过利用历史数据对应于电源在不同操作模式下运行状态的各节点信号数据指标之间的关联关系，分析电源各节点信号数据与电源不同健康状态之间的对应关系；同时建立多维度静态、动态、准动态和外部参数设备数据与电源在不同健康状态下的关联规则，并分析各健康状态变量下的关联度与关联权重获得电源各个节点采集的信号数据的关联度。

在本发明实施例中，通过采集电源多节点的多源异构信号数据，然后进行相关的电源故障预测，并在电源存在故障时，利用相关的关联度预测故障信息在电源的位置，可以快速的诊断出电源是否存在相关的故障，并且快速的预测出电源的故障位置，加快对电源故障的修复速度，保证电源的安全，且使得电源供电更加稳定。

实施例二

请参阅图2，图2是本发明实施例中的基于大数据分析的电源故障位置预测装置的结构组成示意图。

如图2所示，一种基于大数据分析的电源故障位置预测装置，所述装置包括：

接收模块21：用于接收在电源各节点上设置的各节点传感器采集的多源异构信号数据，其中所述多源异构信号数据中包含采集时间戳和节点传感器编号；

在本发明具体实施过程中，所述接收在电源各节点上设置的各节点传感器采集的多源异构信号数据，包括：在电源各个节点上设置的所述各节点传感器基于中间网关与服务器相连接；所述服务器基于中间网关接收在电源各节点上设置的各节点传感器采集的多源异构信号数据。

具体的，在电源的各个节点上均设置有相关节点的节点传感器，该节点传感器用于采集该节点的信号数据，并且有各个节点传感器采集的信号数据汇聚形成多源异构信号数据，并且在电源各个节点上设置的各节点传感器通过中间网关与服务器相连接；然后该服务器根据该中间网关接收在电源各节点上设置的各节点传感器采集汇聚的多源异构信号数据。

预处理模块22：用于对所述多源异构信号数据进行预处理，获得预处理后的多源异构信号数据；

在本发明具体实施过程中，所述对所述多源异构信号数据进行预处理，获得预处理后的多源异构信号数据，包括：将所述多源异构信号数据依次进行采样、保持及量化处理，获得处理结果；对所述处理结果按照其对应的多源异构信号数据中所包含采集时间戳和节点传感器编号进行唯一性识别编码处理，获得唯一性编码后的处理结果；基于数字滤波对唯一性编码后的处理结果进行去噪处理，获得去噪处理结果；对所述去噪处理结果进行数据清洗处理，获得预处理后的多源异构信号数据。

进一步的，所述对所述去噪处理结果进行数据清洗处理，获得预处理后的多源异构信号数据，包括：基于粗糙集理论的决策树对所述去噪处理结果进行无效和重复数据的删除处理，获得删除处理后的去噪处理结果；对所述删除处理后的去噪处理结果进行纠正异常数据处理，并对纠正后的数据基于差值法进行补全缺失数据处理，获得预处理后的多源异构信号数据。

具体的，多源异构信号数据为各个节点传感器在各个节点所采集的信号数据，为了方便后续的处理需求，需要将这些多源异构信号数据转换及去噪处理，其主要是讲模拟信号转换为数字信号，方便后续的读取及去噪处理，可以有效的减少杂质影响，提高监控的精度。

即在对多源异构信号数据通过模数转换器转换之后，依次进行采样、保持及量化处理，从而得到处理结果，然后将该处理结果按照其对应的多源异构信号数据中所包含采集时间戳和节点传感器编号进行唯一性识别编码处理，获得唯一性编码后的处理结果，方便后续通过该编码查询或者调用该具体唯一性编码的数据；然后根据数字滤波对唯一性编码后的处理结果进行去噪处理，获得去噪处理结果，即采用数字滤波算法来对数据信号进行滤波去噪，其中，该数字滤波包括经典滤波和现代滤波；经典滤波是根据傅里叶分析和变换提出的一个工程概念，根据高等数学理论，任何一个满足一定条件的信号，都可以被看成是由无限个正弦波叠加而成，就是工程信号是不同频率的正弦波线性叠加而成的，组成信号的不同频率的正弦波叫做信号的频率成分或叫做谐波成分；现代滤波是利用信号的随机性的本质，将信号及其噪声看成随机信号，通过利用其统计特征，估计出信号本身，一旦信号被估计出，得到的信号本身比原来的信噪比高出许多，典型的数字滤波器有Kalman滤波，Wenner滤波，自适应滤波，小波变换(wavelet)等；数字滤波具有高精度、高可靠性、可程控改变特性或复用、便于集成等优点；数字滤波有低通、高通、带通、带阻和全通等类型；可以是时不变的或时变的、因果的或非因果的、线性的或非线性的；应用最广的是线性、时不变数字滤波器；最后对去噪处理结果需要进行数据清洗处理，从而获得预处理后的多源异构信号数据。

具体的，数据清洗处理的过程中，采用粗糙集理论的决策树对去噪处理结果进行无效和重复数据的删除处理，获得删除处理后的去噪处理结果，粗糙集理论的决策树可以实现对数据进行归纳，使得数据内冗余杂质数据被剔除，所形成的数据较为精简；然后对删除处理后的去噪处理结果进行纠正异常数据处理，并对纠正后的数据基于差值法进行补全缺失数据处理，获得预处理后的多源异构信号数据，在纠正异常数据时，采用三西格玛准则判断异常值来实现纠正异常数据，异常值为一组测定值中与平均值的偏差超过3倍标准差的值；三西格玛准则又称为拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除；在补全缺失处理过程中采用插值算法来实现补全缺失数据，具体可以由Lagrange插值、Newton插值、Hermite插值、分段插值和样条插值等来实现。

特征提取模块23：用于对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征；

在本发明具体实施过程中，所述对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征，包括：利用信号统计分析方法基于时域分析和频域分析对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征；其中，所述信号特征包括信号的最小值、最大值、平均值、滑动平均值、方差值、均方根值、频率响应峰值、频谱、功率谱、功率密度谱。

具体的，利用信号统计分析方法根据时域分析和频域分析对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征；其中，该信号特征主要包括信号的最小值、最大值、平均值、滑动平均值、方差值、均方根值、频率响应峰值、频谱、功率谱、功率密度谱。

故障诊断模块24：用于将所述信号提取特征输入故障诊断模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息；

在本发明具体实施过程中，所述信号提取特征包括直流电源信号提取特征和低压电源信号提取特征；所述故障诊断模型包括训练收敛的BP神经网络模型和遗传算法优化的模糊集理论；其中，所述BP神经网络模型在训练前利用遗传算法进行优化处理。

进一步的，所述将所述信号提取特征输入故障诊断模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息，包括：确认所述信号提取特征为直流电源信号提取特征或者为低压电源信号提取特征；在所述信号提取特征为直流电源信号提取特征时，将所述信号提取特征输入训练收敛的BP神经网络模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息；在所述信号提取特征为低压电源信号提取特征时，将所述信号提取特征输入利用遗传算法优化的模糊集理论中进行故障诊断处理，输出所述信号提取特征对应的故障信息。

具体的，该信号提取特征主要包括直流电源信号提取特征和低压电源信号提取特征；同时，故障诊断模型包括训练收敛的BP神经网络模型和遗传算法优化的模糊集理论；其中，该BP神经网络模型在训练前利用遗传算法进行优化处理。

首先，需要确认信号提取特征为直流电源信号提取特征或者为低压电源信号提取特征；在确认该信号提取特征为直流电源信号提取特征时，则将信号提取特征输入训练收敛的BP神经网络模型中进行故障诊断处理，在诊断完成之后，输出信号提取特征对应的故障信息，即是否存在故障，若存在故障，该故障是何种类型的故障及故障等级；在信号提取特征为低压电源信号提取特征时，则将信号提取特征输入利用遗传算法优化的模糊集理论中进行故障诊断处理，输出信号提取特征对应的故障信息，即是否存在故障，若存在故障，该故障是何种类型的故障及故障等级。

故障位置预测模块25：用于基于所述信号提取特征对应的故障信息利用多源异构信号数据之间的关联度进行故障信息的故障位置预测处理，获得电源故障位置。

在本发明具体实施过程中，所述基于所述信号提取特征对应的故障信息利用多源异构信号数据之间的关联度进行故障信息的故障位置预测处理，获得电源故障位置，包括：基于所述信号提取特征对应的故障信息利用多源异构信号数据之间的电源各个节点采集的信号数据的关联度进行故障信息的故障位置预测处理，获得电源故障位置。

进一步的，所述电源各个节点采集的信号数据的关联度构建包括：利用历史数据对应于电源在不同操作模式下运行状态的各节点信号数据指标之间的关联关系，分析电源各节点信号数据与电源不同健康状态之间的对应关系；同时，建立多维度静态、动态、准动态和外部参数设备数据与电源在不同健康状态下的关联规则，并分析各健康状态变量下的关联度与关联权重获得电源各个节点采集的信号数据的关联度。

具体的，根据信号提取特征对应的故障信息利用多源异构信号数据之间的电源各个节点采集的信号数据的关联度来进行故障信息的故障位置预测处理，即可预测得到电源故障位置；其中，该电源各个节点采集的信号数据的关联度构建是通过利用历史数据对应于电源在不同操作模式下运行状态的各节点信号数据指标之间的关联关系，分析电源各节点信号数据与电源不同健康状态之间的对应关系；同时建立多维度静态、动态、准动态和外部参数设备数据与电源在不同健康状态下的关联规则，并分析各健康状态变量下的关联度与关联权重获得电源各个节点采集的信号数据的关联度。

在本发明实施例中，通过采集电源多节点的多源异构信号数据，然后进行相关的电源故障预测，并在电源存在故障时，利用相关的关联度预测故障信息在电源的位置，可以快速的诊断出电源是否存在相关的故障，并且快速的预测出电源的故障位置，加快对电源故障的修复速度，保证电源的安全，且使得电源供电更加稳定。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的一种基于大数据分析的电源故障位置预测方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种基于大数据分析的电源故障位置预测方法，其特征在于，所述方法包括：

接收在电源各节点上设置的各节点传感器采集的多源异构信号数据，其中所述多源异构信号数据中包含采集时间戳和节点传感器编号；

对所述多源异构信号数据进行预处理，获得预处理后的多源异构信号数据；

对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征；

将所述信号提取特征输入故障诊断模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息；

基于所述信号提取特征对应的故障信息利用多源异构信号数据之间的关联度进行故障信息的故障位置预测处理，获得电源故障位置；

所述信号提取特征包括直流电源信号提取特征和低压电源信号提取特征；所述故障诊断模型包括训练收敛的BP神经网络模型和遗传算法优化的模糊集理论；其中，所述BP神经网络模型在训练前利用遗传算法进行优化处理；

所述将所述信号提取特征输入故障诊断模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息，包括：

确认所述信号提取特征为直流电源信号提取特征或者为低压电源信号提取特征；

在所述信号提取特征为直流电源信号提取特征时，将所述信号提取特征输入训练收敛的BP神经网络模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息；

在所述信号提取特征为低压电源信号提取特征时，将所述信号提取特征输入利用遗传算法优化的模糊集理论中进行故障诊断处理，输出所述信号提取特征对应的故障信息；

所述对所述多源异构信号数据进行预处理，获得预处理后的多源异构信号数据，包括：

将所述多源异构信号数据依次进行采样、保持及量化处理，获得处理结果；

对所述处理结果按照其对应的多源异构信号数据中所包含采集时间戳和节点传感器编号进行唯一性识别编码处理，获得唯一性编码后的处理结果；

基于数字滤波对唯一性编码后的处理结果进行去噪处理，获得去噪处理结果；

对所述去噪处理结果进行数据清洗处理，获得预处理后的多源异构信号数据；

所述对所述去噪处理结果进行数据清洗处理，获得预处理后的多源异构信号数据，包括：

基于粗糙集理论的决策树对所述去噪处理结果进行无效和重复数据的删除处理，获得删除处理后的去噪处理结果；

对所述删除处理后的去噪处理结果进行纠正异常数据处理，并对纠正后的数据基于差值法进行补全缺失数据处理，获得预处理后的多源异构信号数据；

多源异构信号数据之间的关联度构建包括：

利用历史数据对应于电源在不同操作模式下运行状态的各节点信号数据指标之间的关联关系，分析电源各节点信号数据与电源不同健康状态之间的对应关系；

同时，建立多维度静态、动态、准动态和外部参数设备数据与电源在不同健康状态下的关联规则，并分析各健康状态变量下的关联度与关联权重，获得电源各个节点采集的信号数据的关联度。

2.根据权利要求1所述的电源故障位置预测方法，其特征在于，所述接收在电源各节点上设置的各节点传感器采集的多源异构信号数据，包括：

在电源各个节点上设置的所述各节点传感器基于中间网关与服务器相连接；

所述服务器基于中间网关接收在电源各节点上设置的各节点传感器采集的多源异构信号数据。

3.根据权利要求1所述的电源故障位置预测方法，其特征在于，所述对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征，包括：

利用信号统计分析方法基于时域分析和频域分析对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征；

其中，所述信号提取特征包括信号的最小值、最大值、平均值、滑动平均值、方差值、均方根值、频率响应峰值、频谱、功率谱、功率密度谱。

4.根据权利要求1所述的电源故障位置预测方法，其特征在于，所述基于所述信号提取特征对应的故障信息利用多源异构信号数据之间的关联度进行故障信息的故障位置预测处理，获得电源故障位置，包括：

基于所述信号提取特征对应的故障信息利用多源异构信号数据之间的电源各个节点采集的信号数据的关联度进行故障信息的故障位置预测处理，获得电源故障位置。

5.一种基于大数据分析的电源故障位置预测装置，其特征在于，所述装置包括：

接收模块：用于接收在电源各节点上设置的各节点传感器采集的多源异构信号数据，其中所述多源异构信号数据中包含采集时间戳和节点传感器编号；

预处理模块：用于对所述多源异构信号数据进行预处理，获得预处理后的多源异构信号数据；

特征提取模块：用于对预处理后的多源异构信号数据进行特征提取处理，获得信号提取特征；

故障诊断模块：用于将所述信号提取特征输入故障诊断模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息；

故障位置预测模块：用于基于所述信号提取特征对应的故障信息利用多源异构信号数据之间的关联度进行故障信息的故障位置预测处理，获得电源故障位置；

所述信号提取特征包括直流电源信号提取特征和低压电源信号提取特征；所述故障诊断模型包括训练收敛的BP神经网络模型和遗传算法优化的模糊集理论；其中，所述BP神经网络模型在训练前利用遗传算法进行优化处理；

所述将所述信号提取特征输入故障诊断模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息，包括：

确认所述信号提取特征为直流电源信号提取特征或者为低压电源信号提取特征；

在所述信号提取特征为直流电源信号提取特征时，将所述信号提取特征输入训练收敛的BP神经网络模型中进行故障诊断处理，输出所述信号提取特征对应的故障信息；

在所述信号提取特征为低压电源信号提取特征时，将所述信号提取特征输入利用遗传算法优化的模糊集理论中进行故障诊断处理，输出所述信号提取特征对应的故障信息；

所述对所述多源异构信号数据进行预处理，获得预处理后的多源异构信号数据，包括：

将所述多源异构信号数据依次进行采样、保持及量化处理，获得处理结果；

对所述处理结果按照其对应的多源异构信号数据中所包含采集时间戳和节点传感器编号进行唯一性识别编码处理，获得唯一性编码后的处理结果；

基于数字滤波对唯一性编码后的处理结果进行去噪处理，获得去噪处理结果；

对所述去噪处理结果进行数据清洗处理，获得预处理后的多源异构信号数据；

所述对所述去噪处理结果进行数据清洗处理，获得预处理后的多源异构信号数据，包括：

基于粗糙集理论的决策树对所述去噪处理结果进行无效和重复数据的删除处理，获得删除处理后的去噪处理结果；

对所述删除处理后的去噪处理结果进行纠正异常数据处理，并对纠正后的数据基于差值法进行补全缺失数据处理，获得预处理后的多源异构信号数据；

多源异构信号数据之间的关联度构建包括：

利用历史数据对应于电源在不同操作模式下运行状态的各节点信号数据指标之间的关联关系，分析电源各节点信号数据与电源不同健康状态之间的对应关系；

同时，建立多维度静态、动态、准动态和外部参数设备数据与电源在不同健康状态下的关联规则，并分析各健康状态变量下的关联度与关联权重，获得电源各个节点采集的信号数据的关联度。

Images