CN116522171A - 一种基于大数据的电力现场故障分析方法及系统 - Google Patents

Abstract

本发明公开了一种基于大数据的电力现场故障分析方法及系统，涉及数据处理技术领域，该方法包括：先采集电力现场的历史故障数据进行故障聚类和时序分析，获得N个故障聚类结果并确定时序关联特征，设置故障数据关联窗口，采集故障前数据并提取故障前关联特征，然后根据时序关联特征、故障前关联特征与N个故障聚类结果的映射关系构建故障分析模型，最后对电力现场进行实时电力数据的窗口采集，将采集到的实时窗口数据输入故障分析模型，输出故障识别结果。本发明解决了现有技术中电力现场故障分析的效率低、分析结果的准确性低的技术问题，达到了提高电力现场故障分析的效率和准确性的技术效果。

Description

一种基于大数据的电力现场故障分析方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于大数据的电力现场故障分析方法及系统。

背景技术

电力线路故障一直是困扰安全供电的一个难题，故障事故几乎占线路损耗即成本的2/3或更多，因此，寻求更有效的线路故障检修方法和预防措施，是当前电力工作者所关注的。

但是目前的电力现场故障分析方法单一，存在故障分析的效率比较低，故障的识别效果不佳的问题。

发明内容

本申请提供了一种基于大数据的电力现场故障分析方法及系统，用于电力现场故障分析的效率低、分析结果的准确性低的技术问题。

本申请的第一个方面，提供了一种基于大数据的电力现场故障分析方法，所述方法包括：采集电力现场的历史故障数据；对所述历史故障数据进行故障聚类，获得N个故障聚类结果，其中，所述N个故障聚类结果带有故障原因标识和映射故障特征数据；对所述历史故障数据进行故障时序分析，确定时序关联特征；设置故障数据关联窗口，通过所述故障数据关联窗口进行故障前数据采集，并根据数据采集结果提取故障前关联特征；确定所述时序关联特征、所述故障前关联特征与所述N个故障聚类结果的映射关系，并根据所述映射关系构建故障分析模型；对电力现场进行实时电力数据的窗口采集，生成实时窗口数据；将所述实时窗口数据输入所述故障分析模型，输出故障识别结果。

本申请的第二个方面，提供了一种基于大数据的电力现场故障分析系统，所述系统包括：历史故障数据采集模块，所述历史故障数据采集模块用于采集电力现场的历史故障数据；故障聚类结果获取模块，所述故障聚类结果获取模块用于对所述历史故障数据进行故障聚类，获得N个故障聚类结果，其中，所述N个故障聚类结果带有故障原因标识和映射故障特征数据；时序关联特征确定模块，所述时序关联特征确定模块用于对所述历史故障数据进行故障时序分析，确定时序关联特征；故障前关联特征获取模块，所述故障前关联特征获取模块用于设置故障数据关联窗口，通过所述故障数据关联窗口进行故障前数据采集，并根据数据采集结果提取故障前关联特征；故障分析模型构建模块，所述故障分析模型构建模块用于确定所述时序关联特征、所述故障前关联特征与所述N个故障聚类结果的映射关系，并根据所述映射关系构建故障分析模型；实时窗口数据生成模块，所述实时窗口数据生成模块用于对电力现场进行实时电力数据的窗口采集，生成实时窗口数据；故障识别结果获取模块，所述故障识别结果获取模块用于将所述实时窗口数据输入所述故障分析模型，输出故障识别结果。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请提供的一种先采集电力现场的历史故障数据进行故障聚类和时序分析，获得N个故障聚类结果并确定时序关联特征，设置故障数据关联窗口，采集故障前数据并提取故障前关联特征，然后根据时序关联特征、故障前关联特征与N个故障聚类结果的映射关系构建故障分析模型，最后对电力现场进行实时电力数据的窗口采集，将采集到的实时窗口数据输入故障分析模型，输出故障识别结果，解决了现有技术中电力现场故障分析的效率低、分析结果的准确性低的技术问题，实现了提高电力现场故障分析的效率和准确性的技术效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，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他的附图。

图1为本申请实施例提供的一种基于大数据的电力现场故障分析方法流程示意图；

图2为本申请实施例提供的一种基于大数据的电力现场故障分析方法中构建故障分析模型的流程示意图；

图3为本申请实施例提供的一种基于大数据的电力现场故障分析方法中进行故障分析模型的周期更新管理的流程示意图；

图4为本申请实施例提供的一种基于大数据的电力现场故障分析系统结构示意图。

附图标记说明：历史故障数据采集模块11，故障聚类结果获取模块12，时序关联特征确定模块13，故障前关联特征获取模块14，故障分析模型构建模块15，实时窗口数据生成模块16，故障识别结果获取模块17。

具体实施方式

本申请提供了一种基于大数据的电力现场故障分析方法，用于解决现有技术中电力现场故障分析的效率低、分析结果的准确性低的技术问题。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“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、产品或服务器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模块。

实施例一

如图1所示，本申请提供了一种基于大数据的电力现场故障分析方法，所述方法包括：

S100：采集电力现场的历史故障数据；

具体的，通过登录目标电力现场的电厂管理平台，采集过去一段时间内(比如过去一个月、半年等，具体时间可根据实际需求进行适应性调整)目标电力现场的故障数据，包括故障发生时间、发生位置、故障原因、故障类型、影响范围等数据，以此作为所述历史故障数据，可以作为后续进行故障时序分析的基础数据。

S200：对所述历史故障数据进行故障聚类，获得N个故障聚类结果，其中，所述N个故障聚类结果带有故障原因标识和映射故障特征数据；

具体而言，聚类是将数据分类到不同的类或者簇的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。本申请将所述历史故障数据中的所有故障数据按照相似性进行分类，将相似性高的故障数据分类到同一个簇中，相似性低的数据分到不同的簇中，示例性的，可以分为短路故障和断路故障分为不同的类别，这里假设最终获得了N个簇，也就是N个故障聚类结果。所述N个故障聚类结果带有故障原因标识和映射故障特征数据，所述故障原因标识是用来表明故障原因特征的记号，可以用来区分每一类故障发生的原因，所述映射故障特征数据是每一类故障所包含的特征数据，包括故障的发生时间、发生位置、发生故障时的电压等特征。所述N个故障聚类结果可以作为构建故障分析模型的基础数据。

S300：对所述历史故障数据进行故障时序分析，确定时序关联特征；

具体的，将所述历史故障数据发生的时间和故障的其他特征进行对比，判断故障的发生时间和故障本身有没有关联关系，比如是否为用电高峰期的电路负荷过大导致电线过热，造成断电或者火灾，或是否为夜间电力监测管理疏忽造成的断电等，依次判断所有历史故障发生的时间和故障的关联特征，以此作为所述时序关联特征，可以用作构建故障分析模型的基础数据。

S400：设置故障数据关联窗口，通过所述故障数据关联窗口进行故障前数据采集，并根据数据采集结果提取故障前关联特征；

具体而言，所述故障数据关联窗口是指故障数据的时间窗口，时间窗口指在时间周期中的某一关键时间段，如果对特定事物施加影响或采取某种行动，成功概率将增加。本申请就是以故障前的一段时间作为关键时间段，并对这个时间段内的电力数据进行采集，然后判断采集到的数据和之后发生的故障之间的关联关系，也就是找出每一类故障发生前显示异常的数据，以此作为故障关联特征，可以作为故障分析模型的故障匹配参数。

S500：确定所述时序关联特征、所述故障前关联特征与所述N个故障聚类结果的映射关系，并根据所述映射关系构建故障分析模型；

具体的，利用所述时序关联特征、所述故障前关联特征与所述N个故障聚类结果之间的相互关系构建故障分析模型，所述故障分析模型是一种神经网络模型，是一种按照误差逆向传播算法训练的多层前馈神经网络，无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练学习某种规则，在给定输入值时得到最接近期望输出值的结果。本申请基于神经网络模型的架构，并利用所述时序关联特征、所述故障前关联特征与所述N个故障聚类结果作为样本数据进行模型训练，直至模型收敛，得到所述故障分析模型，所述故障分析模型可以使用关联窗口数据为输入数据，来输出故障结果。

进一步的，如图2所示，本申请实施例步骤S500还包括：

S510：设置故障类型的聚类尺度评价特征，通过所述聚类尺度评价特征对所述历史故障数据中的故障分布分析，确定故障分布密度；

S520：对所述N个故障聚类结果进行故障聚类间隔分析，确定故障间隔距离；

S530：通过所述故障分布密度和所述故障间隔距离进行识别效果评价，生成识别效果关联系数；

S540：通过所述识别效果关联系数进行所述故障分析模型的构建优化。

具体而言，设置每一类故障特征的聚类评价尺度，然后通过该聚类尺度评价特征来确定所述历史故障数据中每一个尺度内的故障的分布情况，举例而言，设置温度的聚类尺度为20～25℃、25～30℃(可根据实际需求进行更改)，分别统计温度为20～25℃、25～30℃时的故障数据个数，以此作为所述历史故障数据在不同温度尺度下的故障分布密度。计算所述N个故障聚类结果中相邻的故障聚类的间隔聚类，作为该聚类特征的故障间隔距离，示例性的，电压值70V和80V之间的间隔距离为10V。所述故障分布密度越大，说明数据基数越大，相应的数据可信度越高，所述故障间隔距离越近，相应的数据可信度也越高，利用所述故障分布密度和所述故障间隔距离对识别效果的影响关系，生成相应的识别效果关联系数，基于所述识别效果关联系数，可以对所述故障分析模型进行调整优化，可以提高所述故障分析模型进行故障识别的准确性。

进一步的，本申请实施例步骤S500还包括：

S550：获取故障识别需求信息；

S560：通过所述故障识别需求信息对所述识别效果关联系数进行效果判定，生成判定结果；

S570：当所述判定结果为判定通过时，则基于所述映射关系构建故障分析模型。

具体的，获取当前的故障识别需求信息，包括故障识别精度和识别速度的要求。将所述故障识别需求信息的要求与当前的历史故障数据的故障识别关联系数所能达到的识别效果进行对比，也就是对当前历史故障数据的所述识别效果关联系数进行效果判定，判断当前历史故障数据是否能满足需求识别精度和识别速度的要求，当效果判定的结果为判定通过时，即说明当前的历史故障数据可以满足当前的故障识别要求，可以基于上述时序关联特征、故障前关联特征与N个故障聚类结果的映射关系构建故障分析模型，所述故障分析模型是

进一步的，本申请实施例步骤S500还包括：

S581：当所述判定结果为判定未通过时，则根据所述识别效果关联系数生成数据补偿指令；

S582：通过所述数据补偿指令进行大数据采集，生成新增数据集合，其中，所述新增数据集合为公开数据，且所述新增数据集合包括数据可信标识；

S583：通过所述可信标识进行所述新增数据集合的数据弱化，并将弱化后的所述新增数据集合添加至所述N个故障聚类结果。

具体而言，当所述判定结果为判定未通过时，也就是说当前的历史故障数据的识别效果无法满足预设的识别要求，需要根据当前历史数据的识别效果关联系数的识别效果和需求识别效果的，生成数据补偿指令，也就是计算出当前识别效果关联系数需要补充的数据量并发布补偿指令，根据数据补偿指令的数据要求从大数据中采集相应的故障数据，并以此作为新增数据集合，因为所述修正数据集合中的数据来自各平台的公开数据，故其数据可信度低于电厂内部故障数据，需要根据数据的质量划分可信度等级，按照等级做好标识，并根据可信度等级设置相应的弱化系数，来降低新增数据集合对整体历史故障数据的影响，提高使用公开数据的安全性，将新增的数据集合弱化后添加至所述N个故障聚类结果，可以增加所述历史故障数据的数据基数，进而增大所述识别效果关联系数，提高故障识别效果。

进一步的，本申请实施例步骤S500还包括：

S591：当所述判定结果为判定未通过时，则根据所述识别效果关联系数生成模型优化指令；

S592：基于所述模型优化指令将所述故障分析模型发送至第三方机构；

S593：调用所述第三方机构的关联加密数据，联合所述关联加密数据进行所述故障分析模型的模型参数优化，生成更新故障分析模型；

S594：通过所述更新故障分析模型进行故障识别。

具体的，当所述判定结果为判定未通过时，也就是说当前的历史故障数据的识别效果无法满足预设的识别要求，则根据所述识别效果关联系数和模型识别效果之间的关系，计算出优化模型需要达到的识别效果关联系数值，以及达到该识别效果关联系数所需要的数据量，以此生成模型优化指令，将所述模型优化指令和所述故障分析模型发送给第三方机构，由第三方机构进行模型优化。所述第三方机构指的是使用联邦学习技术进行模型优化的机构，所述联邦学习技术是在多个拥有本地数据的数据源之间进行分布式模型训练，在不需要交换本地个体或样本数据的前提下，仅通过交换模型参数或中间结果的方式，实现数据隐私保护和数据共享分析的平衡。本申请通过调用所述第三方机构的电力故障关联加密数据作为新增数据，对所述故障分析模型进行训练，进而优化所述故障分析模型的参数，获得优化后的更新故障分析模型，通过所述更新故障分析模型进行故障识别，可以达到更好的故障识别效果。

S600：对电力现场进行实时电力数据的窗口采集，生成实时窗口数据；

具体而言，采集电力现场的实时电力数据，包括电压、电流、各设备的使用状态、参数值等，以此作为实时窗口数据，可以用作所述故障分析模型的输入数据，通过将实时窗口数据与所述故障前关联特征进行匹配，可以接下来可能会发生的故障信息进行预测。

S700：将所述实时窗口数据输入所述故障分析模型，输出故障识别结果。

具体的，将采集到的电力现场的实时窗口数据输入所述故障分析模型中，由所述故障分析模型将当前的实时窗口数据与预设的故障前关联特征进行匹配，最后根据匹配到的故障前关联特征判定接下来可能会发生的故障的特征，以此作为故障识别结果进行输出，使用所述故障分析模型机芯电力现场的故障分析，可以提高电力现场故障分析的效率和准确性。

进一步的，本申请实施例还包括步骤S800，步骤S800还包括：

S810：设置所述故障分析模型的模型更新周期；

S820：当时间节点触发所述模型更新周期时，对当前周期内的检测数据进行数据整合，并进行共性特征提取；

S830：根据共性特征提取结果进行所述故障分析模型的更新训练。

具体而言，根据电力现场故障的更新频率和电力现场故障的检测精度要求，设置所述故障分析模型的模型更新周期，可以是一个月、半年等，具体时间可根据实际需求进行适应性调整，当前时间节点距离上次更新时间达到所述模型更新周期时，对当前周期内的故障检测数据进行收集、整理，并提取这些数据的共性特征，也就是将周期内的故障数据按照相同的特征进行聚类，最后将这些具有共性特征的数据作为新增数据，对所述故障分析模型进行更新训练，可以扩大所述故障分析模型的故障识别范围，提高故障识别的准确性。

进一步的，如图3所示，本申请实施例还包括步骤S900，步骤S900还包括：

S910：设置共性特征的多级约束值；

S920：通过所述多级约束值提取生成共性特征提取集合，其中，所述共性特征提取集合与所述多级约束值具有对应关系；

S930：通过所述共性特征提取集合分别进行所述故障分析模型的更新训练，并记录模型收敛速度；

S940：通过测试数据进行所述故障分析模型的模型测试，输出测试准确结果；

S950：通过所述收敛速度和所述测试准确结果进行所述多级约束值的适配评价，根据适配评价结果进行所述故障分析模型的周期更新管理。

具体的，根据所述电力现场故障数据的共性特征，将具有不同数量共性特征的数据集合分为不同的等级，每个等级的共性特征数量不超过规定的约束值，比如设置共性特征的约束值为40、50、60，就是将共性特征的数量约束在40、50、60以内，以所述多级约束值为基准，提取具有对应数量的共性特征作为的所述共性特征提取集合，分别使用具有不同多级约束值的所述共性特征提取集合进行故障分析模型训练，并记录模型训练过程中模型的收敛速度，也就是模型的完成速度。然后使用测试数据分别测试由不同的共性特征提取集合训练出来模型，并记录不同模型的测试结果的准确度，以此作为测试准确结果。将所述收敛速度和所述测试准确结果作为匹配所述多级约束值的评价参数，根据实际的模型训练速度要求和测试结果的准确性要求，来确定所述故障分析模型的更新周期，以达到按照实际需求进行所述故障分析模型的训练，提高所述故障分析模型使用的灵活性的效果。

综上所述，本申请实施例至少具有如下技术效果：

本申请通过先采集电力现场的历史故障数据进行故障聚类和时序分析，获得N个故障聚类结果并确定时序关联特征，设置故障数据关联窗口，采集故障前数据并提取故障前关联特征，然后根据时序关联特征、故障前关联特征与N个故障聚类结果的映射关系构建故障分析模型，最后对电力现场进行实时电力数据的窗口采集，将采集到的实时窗口数据输入故障分析模型，输出故障识别结果。

达到了提高电力现场故障分析的效率和准确性的技术效果。

实施例二

基于与前述实施例中一种基于大数据的电力现场故障分析方法相同的发明构思，如图4所示，本申请提供了一种基于大数据的电力现场故障分析系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：

历史故障数据采集模块，所述历史故障数据采集模块用于采集电力现场的历史故障数据；

故障聚类结果获取模块，所述故障聚类结果获取模块用于对所述历史故障数据进行故障聚类，获得N个故障聚类结果，其中，所述N个故障聚类结果带有故障原因标识和映射故障特征数据；

时序关联特征确定模块，所述时序关联特征确定模块用于对所述历史故障数据进行故障时序分析，确定时序关联特征；

故障前关联特征获取模块，所述故障前关联特征获取模块用于设置故障数据关联窗口，通过所述故障数据关联窗口进行故障前数据采集，并根据数据采集结果提取故障前关联特征；

故障分析模型构建模块，所述故障分析模型构建模块用于确定所述时序关联特征、所述故障前关联特征与所述N个故障聚类结果的映射关系，并根据所述映射关系构建故障分析模型；

实时窗口数据生成模块，所述实时窗口数据生成模块用于对电力现场进行实时电力数据的窗口采集，生成实时窗口数据；

故障识别结果获取模块，所述故障识别结果获取模块用于将所述实时窗口数据输入所述故障分析模型，输出故障识别结果。

进一步的，所述系统还包括：

故障分布密度确定模块，所述故障分布密度确定模块用于设置故障类型的聚类尺度评价特征，通过所述聚类尺度评价特征对所述历史故障数据中的故障分布分析，确定故障分布密度；

故障间隔距离确定模块，所述故障间隔距离确定模块用于对所述N个故障聚类结果进行故障聚类间隔分析，确定故障间隔距离；

识别效果关联系数生成模块，所述识别效果关联系数生成模块用于通过所述故障分布密度和所述故障间隔距离进行识别效果评价，生成识别效果关联系数；

故障分析模型构建优化模块，所述故障分析模型构建优化模块用于通过所述识别效果关联系数进行所述故障分析模型的构建优化；

进一步的，所述系统还包括：

故障识别需求信息获取模块，所述故障识别需求信息获取模块用于获取故障识别需求信息；

判定结果生成模块，所述判定结果生成模块用于通过所述故障识别需求信息对所述识别效果关联系数进行效果判定，生成判定结果；

故障分析模型构建模块，所述故障分析模型构建模块用于当所述判定结果为判定通过时，则基于所述映射关系构建故障分析模型；

进一步的，所述系统还包括：

数据补偿指令生成模块，所述数据补偿指令生成模块用于当所述判定结果为判定未通过时，则根据所述识别效果关联系数生成数据补偿指令；

新增数据集合生成模块，所述新增数据集合生成模块用于通过所述数据补偿指令进行大数据采集，生成新增数据集合，其中，所述新增数据集合为公开数据，且所述新增数据集合包括数据可信标识；

数据弱化模块，所述数据弱化模块用于通过所述可信标识进行所述新增数据集合的数据弱化，并将弱化后的所述新增数据集合添加至所述N个故障聚类结果；

进一步的，所述系统还包括：

模型优化指令生成模块，所述模型优化指令生成模块用于当所述判定结果为判定未通过时，则根据所述识别效果关联系数生成模型优化指令；

故障分析模型发送模块，所述故障分析模型发送模块用于基于所述模型优化指令将所述故障分析模型发送至第三方机构；调用所述第三方机构的关联加密数据，联合所述关联加密数据进行所述故障分析模型的模型参数优化，生成更新故障分析模型；

故障识别模块，所述故障识别模块用于通过所述更新故障分析模型进行故障识别；

进一步的，所述系统还包括：

模型更新周期设置模块，所述模型更新周期设置模块用于设置所述故障分析模型的模型更新周期；

共性特征提取模块，所述共性特征提取模块用于当时间节点触发所述模型更新周期时，对当前周期内的检测数据进行数据整合，并进行共性特征提取；

更新训练模块，所述更新训练模块用于根据共性特征提取结果进行所述故障分析模型的更新训练；

进一步的，所述系统还包括：

共性特征提取集合生成模块，所述共性特征提取集合生成模块用于通过所述多级约束值提取生成共性特征提取集合，其中，所述共性特征提取集合与所述多级约束值具有对应关系；

模型收敛速度记录模块，所述模型收敛速度记录模块用于通过所述共性特征提取集合分别进行所述故障分析模型的更新训练，并记录模型收敛速度；

测试准确结果输出模块，所述测试准确结果输出模块用于通过测试数据进行所述故障分析模型的模型测试，输出测试准确结果；

周期更新管理模块，所述周期更新管理模块用于通过所述收敛速度和所述测试准确结果进行所述多级约束值的适配评价，根据适配评价结果进行所述故障分析模型的周期更新管理。

需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其他实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种基于大数据的电力现场故障分析方法，其特征在于，所述方法包括：

采集电力现场的历史故障数据；

对所述历史故障数据进行故障聚类，获得N个故障聚类结果，其中，所述N个故障聚类结果带有故障原因标识和映射故障特征数据；

对所述历史故障数据进行故障时序分析，确定时序关联特征；

设置故障数据关联窗口，通过所述故障数据关联窗口进行故障前数据采集，并根据数据采集结果提取故障前关联特征；

确定所述时序关联特征、所述故障前关联特征与所述N个故障聚类结果的映射关系，并根据所述映射关系构建故障分析模型；

对电力现场进行实时电力数据的窗口采集，生成实时窗口数据；

将所述实时窗口数据输入所述故障分析模型，输出故障识别结果。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

设置故障类型的聚类尺度评价特征，通过所述聚类尺度评价特征对所述历史故障数据中的故障分布分析，确定故障分布密度；

对所述N个故障聚类结果进行故障聚类间隔分析，确定故障间隔距离；

通过所述故障分布密度和所述故障间隔距离进行识别效果评价，生成识别效果关联系数；

通过所述识别效果关联系数进行所述故障分析模型的构建优化。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

获取故障识别需求信息；

通过所述故障识别需求信息对所述识别效果关联系数进行效果判定，生成判定结果；

当所述判定结果为判定通过时，则基于所述映射关系构建故障分析模型。

4.如权利要求3所述的方法，其特征在于，所述方法还包括：

当所述判定结果为判定未通过时，则根据所述识别效果关联系数生成数据补偿指令；

通过所述数据补偿指令进行大数据采集，生成新增数据集合，其中，所述新增数据集合为公开数据，且所述新增数据集合包括数据可信标识；

通过所述可信标识进行所述新增数据集合的数据弱化，并将弱化后的所述新增数据集合添加至所述N个故障聚类结果。

5.如权利要求3所述的方法，其特征在于，所述方法还包括：

当所述判定结果为判定未通过时，则根据所述识别效果关联系数生成模型优化指令；

基于所述模型优化指令将所述故障分析模型发送至第三方机构；调用所述第三方机构的关联加密数据，联合所述关联加密数据进行所述故障分析模型的模型参数优化，生成更新故障分析模型；

通过所述更新故障分析模型进行故障识别。

6.如权利要求1所述的方法，其特征在于，所述方法还包括：

设置所述故障分析模型的模型更新周期；

当时间节点触发所述模型更新周期时，对当前周期内的检测数据进行数据整合，并进行共性特征提取；

根据共性特征提取结果进行所述故障分析模型的更新训练。

7.如权利要求6所述的方法，其特征在于，所述方法还包括：

设置共性特征的多级约束值；

通过所述多级约束值提取生成共性特征提取集合，其中，所述共性特征提取集合与所述多级约束值具有对应关系；

通过所述共性特征提取集合分别进行所述故障分析模型的更新训练，并记录模型收敛速度；

通过测试数据进行所述故障分析模型的模型测试，输出测试准确结果；

通过所述收敛速度和所述测试准确结果进行所述多级约束值的适配评价，根据适配评价结果进行所述故障分析模型的周期更新管理。

8.一种基于大数据的电力现场故障分析系统，其特征在于，所述系统包括：

历史故障数据采集模块，所述历史故障数据采集模块用于采集电力现场的历史故障数据；

故障聚类结果获取模块，所述故障聚类结果获取模块用于对所述历史故障数据进行故障聚类，获得N个故障聚类结果，其中，所述N个故障聚类结果带有故障原因标识和映射故障特征数据；

时序关联特征确定模块，所述时序关联特征确定模块用于对所述历史故障数据进行故障时序分析，确定时序关联特征；

故障前关联特征获取模块，所述故障前关联特征获取模块用于设置故障数据关联窗口，通过所述故障数据关联窗口进行故障前数据采集，并根据数据采集结果提取故障前关联特征；

故障分析模型构建模块，所述故障分析模型构建模块用于确定所述时序关联特征、所述故障前关联特征与所述N个故障聚类结果的映射关系，并根据所述映射关系构建故障分析模型；

实时窗口数据生成模块，所述实时窗口数据生成模块用于对电力现场进行实时电力数据的窗口采集，生成实时窗口数据；

故障识别结果获取模块，所述故障识别结果获取模块用于将所述实时窗口数据输入所述故障分析模型，输出故障识别结果。