CN117235557A - 基于大数据分析的电气设备故障快速诊断方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及基于大数据分析的电气设备故障快速诊断方法，包括：采集电气设备运行时的温度时序数据序列，获取温度时序数据序列中的初始问题特征，再将温度时序数据序列划分为若干个数据序列段，结合数据序列段的波动差异性、局部极值点数量、差值序列，得到数据序列段的压缩调整值，从而得到数据序列段的压缩精度参数，再使用旋转门算法，得到目标序列段的压缩数据，由此得到所述电气设备的故障诊断结果。本发明通过数据分段，并自适应压缩精度参数，用以提高数据压缩效率的同时，保护重要数据，从而提高电气设备故障诊断的及时性和准确性。

Description

基于大数据分析的电气设备故障快速诊断方法

技术领域

本发明涉及数据处理技术领域，具体涉及基于大数据分析的电气设备故障快速诊断方法。

背景技术

基于大数据分析的电气设备故障快速诊断方法是通过采集电气设备工作时会产生各种传感器数据，如电流、电压、温度、振动等。其中电气设备运行时的温度时序数据可以较为直观的反应出电气设备的运行状态。因此再将采集的电气设备运行时的温度时序数据输入到相应的故障诊断模型中，判断当前状态下是否存在设备故障，并将故障诊断结果发送给工程师和维护人员，方便及时处理故障。

现有的问题：长时间实时采集的电气设备运行时的温度数据量庞大，需要较大的存储空间，并且导致数据传输效率较慢，会降低电气设备故障诊断的及时性。其通常使用旋转门算法进行数据压缩处理，该算法中较大的压缩精度参数，能提高压缩效率，但数据损失较大，从而导致解压后的数据可信度较低，会减小电气设备故障诊断的准确性。

发明内容

本发明提供基于大数据分析的电气设备故障快速诊断方法，以解决现有的问题。

本发明的基于大数据分析的电气设备故障快速诊断方法采用如下技术方案：

本发明一个实施例提供了基于大数据分析的电气设备故障快速诊断方法，该方法包括以下步骤：

实时采集任意一个电气设备运行时的温度数据，得到温度时序数据序列，并将温度时序数据序列划分为若干个聚类簇；

根据聚类簇之间的数据差异、数据数量，得到每个聚类簇的异常值，并将聚类簇分为疑似问题聚类簇与疑似正常聚类簇；根据连续相邻的疑似问题聚类簇，构成新聚类簇；根据新聚类簇中疑似问题聚类簇的数量，得到温度时序数据序列中的疑似问题聚类簇的集中程度；

根据所有聚类簇的异常值、所有疑似问题聚类簇的中数据数量、疑似问题聚类簇的集中程度，得到温度时序数据序列中的初始问题特征；

根据新聚类簇与疑似正常聚类簇，得到温度时序数据序列划分的若干个数据序列段；根据数据序列段之间的数据差异，得到每个数据序列段的波动差异性；

将任意一个数据序列段，记为目标序列段，并得到目标序列段中的局部极值点；根据目标序列段中局部极值点对应的时间点之间的差异，得到目标序列段对应的差值序列；根据目标序列段的波动差异性、局部极值点数量、差值序列、温度时序数据序列中的初始问题特征，得到目标序列段的压缩调整值；

根据目标序列段的压缩调整值与数据值，得到目标序列段的压缩精度参数；根据目标序列段的压缩精度参数，使用旋转门算法，得到目标序列段的压缩数据；根据所有数据序列段的压缩数据，得到所述电气设备的故障诊断结果。

进一步地，所述根据聚类簇之间的数据差异、数据数量，得到每个聚类簇的异常值，并将聚类簇分为疑似问题聚类簇与疑似正常聚类簇，包括的具体步骤如下：

在温度时序数据序列中，依次计算每个聚类簇中的数据均值，得到均值序列；

将均值序列中任意一个数据，记为参考数据；将参考数据对应的聚类簇，记为参考聚类簇；

在均值序列中，分别计算参考数据与其相邻的所有数据的差值的绝对值，将所述绝对值的均值，记为参考聚类簇的异常值；

统计温度时序数据序列中每个聚类簇中的数据数量，将所述数据数量小于预设的数量阈值的聚类簇，记为疑似问题聚类簇；

将所述数据数量大于等于预设的数量阈值的聚类簇，记为疑似正常聚类簇。

进一步地，所述根据新聚类簇中疑似问题聚类簇的数量，得到温度时序数据序列中的疑似问题聚类簇的集中程度，包括的具体步骤如下：

统计每个新聚类簇中疑似问题聚类簇的数量，将所有新聚类簇中疑似问题聚类簇的数量中的最大值，记为温度时序数据序列中的疑似问题聚类簇的集中程度。

进一步地，所述根据所有聚类簇的异常值、所有疑似问题聚类簇的中数据数量、疑似问题聚类簇的集中程度，得到温度时序数据序列中的初始问题特征，包括的具体步骤如下：

使用最大最小规范法，对所有聚类簇的异常值进行归一化处理，得到每个聚类簇的异常值的归一化值；

统计每个疑似问题聚类簇的中数据数量，将所有疑似问题聚类簇的中数据数量之和，记为温度时序数据序列中的问题数据数量；

根据所有聚类簇的异常值的归一化值、温度时序数据序列中的问题数据数量、温度时序数据序列中的疑似问题聚类簇的集中程度、得到温度时序数据序列中的初始问题特征对应的具体计算公式为：

其中A为温度时序数据序列中的初始问题特征，为所有聚类簇的异常值的归一化值的均值，/>为温度时序数据序列中的疑似问题聚类簇的集中程度，D为温度时序数据序列中的问题数据数量，/>为以自然常数为底的指数函数。

进一步地，所述根据新聚类簇与疑似正常聚类簇，得到温度时序数据序列划分的若干个数据序列段，包括的具体步骤如下：

在温度时序数据序列中，依次将每个新聚类簇与其相邻的后一个疑似正常聚类簇合并，得到温度时序数据序列划分的若干个数据序列段。

进一步地，所述根据数据序列段之间的数据差异，得到每个数据序列段的波动差异性，包括的具体步骤如下：

在温度时序数据序列中，依次计算每个数据序列段中的数据方差，得到方差序列；

将方差序列中任意一个数据，记为目标数据；将目标数据对应的数据序列段，记为目标数据序列段；

在方差序列中，计算目标数据分别减去其相邻的所有数据的差值，将所述差值的均值，记为目标数据序列段的波动差异性。

进一步地，所述根据目标序列段中局部极值点对应的时间点之间的差异，得到目标序列段对应的差值序列，包括的具体步骤如下：

依次统计目标序列段中每个局部极值点对应的时间点，得到时间序列；

在时间序列中的所有相邻数据中，依次计算后一个数据减去前一个数据的差值，得到目标序列段对应的差值序列。

进一步地，所述根据目标序列段的波动差异性、局部极值点数量、差值序列、温度时序数据序列中的初始问题特征，得到目标序列段的压缩调整值对应的具体计算公式为：

其中F为目标序列段的压缩调整值，A为温度时序数据序列中的初始问题特征，H为目标序列段的波动差异性的归一化值，G为目标序列段中的数据数量，为目标序列段中的局部极值点数量，V为目标序列段对应的差值序列中的数据方差，/>为线性归一化函数。

进一步地，所述根据目标序列段的压缩调整值与数据值，得到目标序列段的压缩精度参数对应的具体计算公式为：

其中P为目标序列段的压缩精度参数，x为预设的最小压缩调整值，y为预设的最大压缩调整值，F为目标序列段的压缩调整值，W为目标序列段中的数据标准差。

进一步地，所述根据所有数据序列段的压缩数据，得到所述电气设备的故障诊断结果，包括的具体步骤如下：

在温度时序数据序列中，将所有数据序列段的压缩数据构成的数据集，记为温度时序数据序列的压缩数据；

根据温度时序数据序列的压缩数据，使用所述电气设备自带的故障诊断软件，得到所述电气设备的故障诊断结果。

本发明的技术方案的有益效果是：

本发明实施例中，采集电气设备运行时的温度时序数据序列，获取温度时序数据序列中的初始问题特征，再将温度时序数据序列划分为若干个数据序列段，获取数据序列段的压缩精度参数，再使用旋转门算法，得到数据序列段的压缩数据。其中赋予重要数据序列段较小的压缩精度参数，减少重要数据序列段的数据损失，赋予不重要数据序列段较大的压缩精度参数，提高不重要数据序列段的压缩效率，由此实现温度时序数据序列较大压缩效率的同时，保护重要数据。根据所有数据序列段的压缩数据，得到所述电气设备的故障诊断结果。其中较高的压缩效率会提高了传输效率，而压缩时保护了重要数据，令解压的数据更加可信，并且分段压缩，使得故障诊断进行数据分析时，不需要对整个数据序列进行解压，只需要对所需时间段对应的数据序列段进行解压，可以提高数据分析的效率。至此本发明通过数据分段，并自适应压缩精度参数，用以提高数据压缩效率的同时，保护重要数据，从而提高了数据传输速度、解压数据的可信度，由此增加了电气设备故障诊断的及时性和准确性。

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为本发明基于大数据分析的电气设备故障快速诊断方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于大数据分析的电气设备故障快速诊断方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于大数据分析的电气设备故障快速诊断方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于大数据分析的电气设备故障快速诊断方法的步骤流程图，该方法包括以下步骤：

步骤S001：实时采集任意一个电气设备运行时的温度数据，得到温度时序数据序列，并将温度时序数据序列划分为若干个聚类簇。

电气设备故障快速诊断需要采集电气设备工作时会产生各种传感器数据，如电流、电压、温度、振动等，其中电气设备运行时的温度时序数据可以较为直观的反应出电气设备的运行状态。因此本实施例以电气设备运行时的温度时序数据为主要参数，进行电气设备故障诊断。

使用温度传感器，实时采集任意一个电气设备运行时的温度数据，得到温度时序数据序列。

已知DBSCAN是一种基于密度的聚类算法，DBSCAN算法中的主要参数为邻域半径和密度阈值。本实施例设定的邻域半径为3，密度阈值为4，数量阈值为10，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。

使用邻域半径为3、密度阈值为4的DBSCAN算法，对温度时序数据序列进行聚类操作，将温度时序数据序列划分为若干个聚类簇。所需说明的是：每个聚类簇内的数据值相似。其中，DBSCAN算法为公知技术，具体方法在此不做介绍。

步骤S002：根据聚类簇之间的数据差异、数据数量，得到每个聚类簇的异常值，并将聚类簇分为疑似问题聚类簇与疑似正常聚类簇；根据连续相邻的疑似问题聚类簇，构成新聚类簇；根据新聚类簇中疑似问题聚类簇的数量，得到温度时序数据序列中的疑似问题聚类簇的集中程度。

在温度时序数据序列中，依次计算每个聚类簇中的数据均值，得到均值序列。将均值序列中任意一个数据，记为参考数据。将参考数据对应的聚类簇，记为参考聚类簇。

在均值序列中，分别计算参考数据与其相邻的所有数据的差值的绝对值，将所述绝对值的均值，记为参考聚类簇的异常值。

所需说明的是：均值序列中第一个和最后一个数据的相邻数据只有一个，则第一个和最后一个数据对应的一个差值的绝对值，就是其对应的聚类簇的异常值。

按照上述方式，得到均值序列中每个数据对应的聚类簇的异常值，即得到每个聚类簇的异常值。

使用最大最小规范法，对所有聚类簇的异常值进行归一化至[0,1]区间内，得到每个聚类簇的异常值的归一化值。其中，最大最小规范法为公知技术，具体方法在此不做介绍。

在温度时序数据序列中，统计每个聚类簇中的数据数量，将所述数据数量小于数量阈值10的聚类簇，记为疑似问题聚类簇；将所述数据数量大于等于数量阈值10的聚类簇，记为疑似正常聚类簇。

所需说明的是：再电气设备正常运行状态下，温度应该保持相对稳定，故温度数据波动范围较小，即温度数据之间的差异较小，因此划分的聚类簇中的数据数量越小，该聚类簇中的数据为异常数据的可能性越大。

在温度时序数据序列中，根据连续相邻的疑似问题聚类簇，构成新聚类簇。即将一组连续相邻的疑似问题聚类簇合并为一个新聚类簇。统计每个新聚类簇中疑似问题聚类簇的数量，将所有新聚类簇中疑似问题聚类簇的数量中的最大值，记为温度时序数据序列中的疑似问题聚类簇的集中程度。

所需说明的是：对于单独的疑似问题聚类簇，为一个新聚类簇。

步骤S003：根据所有聚类簇的异常值、所有疑似问题聚类簇的中数据数量、疑似问题聚类簇的集中程度，得到温度时序数据序列中的初始问题特征。

统计每个疑似问题聚类簇的中数据数量，将所有疑似问题聚类簇的中数据数量之和，记为温度时序数据序列中的问题数据数量。

由此可知温度时序数据序列中的初始问题特征A的计算公式为：

其中A为温度时序数据序列中的初始问题特征，为所有聚类簇的异常值的归一化值的均值，/>为温度时序数据序列中的疑似问题聚类簇的集中程度，D为温度时序数据序列中的问题数据数量。/>为以自然常数为底的指数函数，本实施例以/>来呈现反比例关系及归一化处理，则/>表示将数据值归一化至[0,1]区间内，实施者可根据实际情况设置反比例函数及归一化函数。

所需说明的是：D越大，说明温度时序数据序列中的问题数据越多，而设备故障诊断主要是识别问题数据，即温度时序数据序列越重要。但由于较大的D值，可能是因为噪声数据被误认为问题数据造成的，因此需要进一步分析问题数据是由于设备故障造成的可能性。已知当设备出现故障时，会造成异常剧烈的温度变化，即会导致较大，且一般持续时间较长，即会导致C较大，因此用已经归一化的/>为C的调整值，用两者乘积的归一化值，表示问题数据数量的校正系数，由此用/>和D的乘积，表示温度时序数据序列中的初始问题特征，A值越大，温度时序数据序列越重要。

步骤S004：根据新聚类簇与疑似正常聚类簇，得到温度时序数据序列划分的若干个数据序列段；根据数据序列段之间的数据差异，得到每个数据序列段的波动差异性。

已知当设备存在故障时，温度升高或下降的速率可能会显著增加，但增加的速率具有随机性，导致故障时一些局部时间段内的温度数据差异较小，由此造成疑似正常聚类簇中的数据可能为问题数据。因此需要进一步结合正常聚类簇中的数据特征，实现温度时序数据序列的分段压缩处理。当疑似正常聚类簇中的数据存在问题数据时，该疑似正常聚类簇会接近于疑似问题聚类簇。

因此在温度时序数据序列中，依次将每个新聚类簇与其相邻的后一个疑似正常聚类簇合并，得到温度时序数据序列划分的若干个数据序列段。

所需说明的是：DBSCAN算法对一维时序数据序列进行聚类操作，得到的聚类簇为一段连续相邻数据序列段，故每个聚类簇为一个时序数据序列段，因此每个新聚类簇与其相邻的后一个疑似正常聚类簇合并，会得到一个数据序列段，若温度时序数据序列中最后一个新聚类簇之后无疑似正常聚类簇，则将最后一个新聚类簇与其相邻的前一个疑似正常聚类簇合并。若某一个疑似正常聚类簇之前无相邻的新聚类簇，则该疑似正常聚类簇为一个数据序列段。由此上述将温度时序数据序列划分为若干个数据序列段。

已知当电气设备发生故障时，其温度变化一般有两种情况。一种是温度持续上升：例如电阻增加、局部短路或电流过载等，设备内部能量损耗会导致温度逐渐升高，直到达到设备的故障温度极限触发保护机制，此时已知设备出现故障。另一种是温度剧烈上下波动：例如接触不良、间歇性故障或设备内部结构问题等，温度可能会表现出剧烈的上下波动，其在极限温度范围内波动，因此需要根据大数据分析，进行故障诊断。故本实施例针对的是温度剧烈上下波动的问题，进行故障诊断。

在温度时序数据序列中，依次计算每个数据序列段中的数据方差，得到方差序列。将方差序列中任意一个数据，记为目标数据。将目标数据对应的数据序列段，记为目标数据序列段。

在方差序列中，计算目标数据分别减去其相邻的所有数据的差值，将所述差值的均值，记为目标数据序列段的波动差异性。

按照上述方式，得到方差序列中每个数据对应的数据序列段的波动差异性，即得到每个数据序列段的波动差异性。

所需说明的是：方差序列中第一个和最后一个数据的相邻数据只有一个，则第一个和最后一个数据对应的一个差值，就是其波动差异性。波动差异性越大，说明该数据序列段相较其相邻的数据序列段中的数据波动剧烈程度越大，则该数据序列段存在问题数据的概率越大。

使用最大最小规范法，对所有数据序列段的波动差异性进行归一化至[0,1]区间内，得到每个数据序列段的波动差异性的归一化值。

步骤S005：将任意一个数据序列段，记为目标序列段，并得到目标序列段中的局部极值点；根据目标序列段中局部极值点对应的时间点之间的差异，得到目标序列段对应的差值序列；根据目标序列段的波动差异性、局部极值点数量、差值序列、温度时序数据序列中的初始问题特征，得到目标序列段的压缩调整值。

在温度时序数据序列中，将任意一个数据序列段，记为目标序列段。使用一阶导数法，得到目标序列段中的局部极值点。其中，一阶导数法为公知技术，具体方法在此不做介绍。

依次统计目标序列段中每个局部极值点对应的时间点，得到时间序列。在时间序列的所有相邻数据中，依次计算后一个数据减去前一个数据，得到目标序列段对应的差值序列。

由此可知目标序列段的压缩调整值F的计算公式为：

其中F为目标序列段的压缩调整值，A为温度时序数据序列中的初始问题特征，H为目标序列段的波动差异性的归一化值，G为目标序列段中的数据数量，为目标序列段中的局部极值点数量，V为目标序列段对应的差值序列中的数据方差。/>为线性归一化函数，将数据值归一化至[0,1]区间内。

所需说明的是：值越大，说明目标序列段中温度上下波动越快，V越大，说明目标序列段中温度上下波动的时长越无序，故用/>与V的乘积，表示目标序列段的内部数据特征。当H越大时，说明目标序列段相较于其相邻数据序列段中的数据波动更为剧烈，因此用H与/>的乘积的归一化值，表示目标序列段的问题特征。而A越大，说明温度时序数据序列中存在问题数据的可能性越大，至此用A与/>的乘积的归一化值，表示目标序列段的压缩调整值，F值越大，目标序列段中的数据越重要。

步骤S006：根据目标序列段的压缩调整值与数据值，得到目标序列段的压缩精度参数；根据目标序列段的压缩精度参数，使用旋转门算法，得到目标序列段的压缩数据；根据所有数据序列段的压缩数据，得到所述电气设备的故障诊断结果。

本实施例设定的最小压缩调整值x为0.7，最大压缩调整值y为1，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。

由此可知目标序列段的压缩精度参数P的计算公式为：

其中P为目标序列段的压缩精度参数，x为最小压缩调整值，y为最大压缩调整值，F为目标序列段的压缩调整值，W为目标序列段中的数据标准差。

所需说明的是：数据标准差可以体现数据的离散程度，其用于旋转门算法中的压缩精度参数的选取，已知压缩精度参数越大，旋转门算法的压缩效率越高，但数据损失越大，压缩精度参数越小，旋转门算法的压缩效率越低，但数据损失越小。当F越大时，说明目标序列段中的数据越重要，需要减小数据损失，需要较小的压缩精度参数，当F越小时，说明目标序列段中的数据越不重要，需要增加压缩效率，需要较大的压缩精度参数，因此用表示最终调整值，用/>与W的乘积，表示目标序列段的压缩精度参数。

已知压缩精度参数为旋转门算法中的主要参数，根据目标序列段的压缩精度参数P，使用旋转门算法对目标序列段进行压缩处理，得到目标序列段的压缩数据。其中，旋转门算法为公知技术，具体方法在此不做介绍。

按照上述方式，得到温度时序数据序列中每个数据序列段的压缩数据。

所需说明的是：对温度时序数据序列进行分段压缩，赋予重要数据序列段较小的压缩精度参数，减少重要数据序列段的数据损失，赋予不重要数据序列段较大的压缩精度参数，提高不重要数据序列段的压缩效率，由此实现温度时序数据序列较大压缩效率的同时，保护重要数据。

在温度时序数据序列中，将所有数据序列段的压缩数据构成的数据集，记为温度时序数据序列的压缩数据。根据温度时序数据序列的压缩数据，使用所述电气设备自带的故障诊断软件，得到所述电气设备的故障诊断结果。

所需说明的是：压缩效率较高的压缩数据，在向故障诊断软件传输时，提高了传输效率，而压缩时保护了重要数据，得到故障诊断更加可信，并且分段压缩，使得故障诊断软件进行数据分析时，不需要对整个温度时序数据序列进行解压，只需要对所需时间段对应的数据序列段进行解压，可以提高数据分析的效率。

至此，本发明完成。

综上所述，在本发明实施例中，采集任意一个电气设备运行时的温度数据，得到温度时序数据序列，并将其划分为若干个聚类簇。根据所有聚类簇的异常值、所有疑似问题聚类簇的中数据数量、疑似问题聚类簇的集中程度，得到温度时序数据序列中的初始问题特征。根据新聚类簇与疑似正常聚类簇，得到温度时序数据序列划分的若干个数据序列段，根据数据序列段的波动差异性、局部极值点数量、差值序列、温度时序数据序列中的初始问题特征，得到数据序列段的压缩调整值。根据数据序列段的压缩调整值与数据值，得到数据序列段的压缩精度参数，再使用旋转门算法，得到数据序列段的压缩数据，从而得到所述电气设备的故障诊断结果。本发明通过数据分段，并自适应压缩精度参数，用以提高数据压缩效率的同时，保护重要数据，从而提高电气设备故障诊断的及时性和准确性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于大数据分析的电气设备故障快速诊断方法，其特征在于，该方法包括以下步骤：

实时采集任意一个电气设备运行时的温度数据，得到温度时序数据序列，并将温度时序数据序列划分为若干个聚类簇；

根据聚类簇之间的数据差异、数据数量，得到每个聚类簇的异常值，并将聚类簇分为疑似问题聚类簇与疑似正常聚类簇；根据连续相邻的疑似问题聚类簇，构成新聚类簇；根据新聚类簇中疑似问题聚类簇的数量，得到温度时序数据序列中的疑似问题聚类簇的集中程度；

根据所有聚类簇的异常值、所有疑似问题聚类簇的中数据数量、疑似问题聚类簇的集中程度，得到温度时序数据序列中的初始问题特征；

根据新聚类簇与疑似正常聚类簇，得到温度时序数据序列划分的若干个数据序列段；根据数据序列段之间的数据差异，得到每个数据序列段的波动差异性；

将任意一个数据序列段，记为目标序列段，并得到目标序列段中的局部极值点；根据目标序列段中局部极值点对应的时间点之间的差异，得到目标序列段对应的差值序列；根据目标序列段的波动差异性、局部极值点数量、差值序列、温度时序数据序列中的初始问题特征，得到目标序列段的压缩调整值；

根据目标序列段的压缩调整值与数据值，得到目标序列段的压缩精度参数；根据目标序列段的压缩精度参数，使用旋转门算法，得到目标序列段的压缩数据；根据所有数据序列段的压缩数据，得到所述电气设备的故障诊断结果。

2.根据权利要求1所述基于大数据分析的电气设备故障快速诊断方法，其特征在于，所述根据聚类簇之间的数据差异、数据数量，得到每个聚类簇的异常值，并将聚类簇分为疑似问题聚类簇与疑似正常聚类簇，包括的具体步骤如下：

在温度时序数据序列中，依次计算每个聚类簇中的数据均值，得到均值序列；

将均值序列中任意一个数据，记为参考数据；将参考数据对应的聚类簇，记为参考聚类簇；

在均值序列中，分别计算参考数据与其相邻的所有数据的差值的绝对值，将所述绝对值的均值，记为参考聚类簇的异常值；

统计温度时序数据序列中每个聚类簇中的数据数量，将所述数据数量小于预设的数量阈值的聚类簇，记为疑似问题聚类簇；

将所述数据数量大于等于预设的数量阈值的聚类簇，记为疑似正常聚类簇。

3.根据权利要求1所述基于大数据分析的电气设备故障快速诊断方法，其特征在于，所述根据新聚类簇中疑似问题聚类簇的数量，得到温度时序数据序列中的疑似问题聚类簇的集中程度，包括的具体步骤如下：

统计每个新聚类簇中疑似问题聚类簇的数量，将所有新聚类簇中疑似问题聚类簇的数量中的最大值，记为温度时序数据序列中的疑似问题聚类簇的集中程度。

4.根据权利要求1所述基于大数据分析的电气设备故障快速诊断方法，其特征在于，所述根据所有聚类簇的异常值、所有疑似问题聚类簇的中数据数量、疑似问题聚类簇的集中程度，得到温度时序数据序列中的初始问题特征，包括的具体步骤如下：

使用最大最小规范法，对所有聚类簇的异常值进行归一化处理，得到每个聚类簇的异常值的归一化值；

统计每个疑似问题聚类簇的中数据数量，将所有疑似问题聚类簇的中数据数量之和，记为温度时序数据序列中的问题数据数量；

根据所有聚类簇的异常值的归一化值、温度时序数据序列中的问题数据数量、温度时序数据序列中的疑似问题聚类簇的集中程度、得到温度时序数据序列中的初始问题特征对应的具体计算公式为：

其中A为温度时序数据序列中的初始问题特征，为所有聚类簇的异常值的归一化值的均值，/>为温度时序数据序列中的疑似问题聚类簇的集中程度，D为温度时序数据序列中的问题数据数量，/>为以自然常数为底的指数函数。

5.根据权利要求1所述基于大数据分析的电气设备故障快速诊断方法，其特征在于，所述根据新聚类簇与疑似正常聚类簇，得到温度时序数据序列划分的若干个数据序列段，包括的具体步骤如下：

在温度时序数据序列中，依次将每个新聚类簇与其相邻的后一个疑似正常聚类簇合并，得到温度时序数据序列划分的若干个数据序列段。

6.根据权利要求1所述基于大数据分析的电气设备故障快速诊断方法，其特征在于，所述根据数据序列段之间的数据差异，得到每个数据序列段的波动差异性，包括的具体步骤如下：

在温度时序数据序列中，依次计算每个数据序列段中的数据方差，得到方差序列；

将方差序列中任意一个数据，记为目标数据；将目标数据对应的数据序列段，记为目标数据序列段；

在方差序列中，计算目标数据分别减去其相邻的所有数据的差值，将所述差值的均值，记为目标数据序列段的波动差异性。

7.根据权利要求1所述基于大数据分析的电气设备故障快速诊断方法，其特征在于，所述根据目标序列段中局部极值点对应的时间点之间的差异，得到目标序列段对应的差值序列，包括的具体步骤如下：

依次统计目标序列段中每个局部极值点对应的时间点，得到时间序列；

在时间序列中的所有相邻数据中，依次计算后一个数据减去前一个数据的差值，得到目标序列段对应的差值序列。

8.根据权利要求1所述基于大数据分析的电气设备故障快速诊断方法，其特征在于，所述根据目标序列段的波动差异性、局部极值点数量、差值序列、温度时序数据序列中的初始问题特征，得到目标序列段的压缩调整值对应的具体计算公式为：

其中F为目标序列段的压缩调整值，A为温度时序数据序列中的初始问题特征，H为目标序列段的波动差异性的归一化值，G为目标序列段中的数据数量，为目标序列段中的局部极值点数量，V为目标序列段对应的差值序列中的数据方差，/>为线性归一化函数。

9.根据权利要求1所述基于大数据分析的电气设备故障快速诊断方法，其特征在于，所述根据目标序列段的压缩调整值与数据值，得到目标序列段的压缩精度参数对应的具体计算公式为：

其中P为目标序列段的压缩精度参数，x为预设的最小压缩调整值，y为预设的最大压缩调整值，F为目标序列段的压缩调整值，W为目标序列段中的数据标准差。

10.根据权利要求1所述基于大数据分析的电气设备故障快速诊断方法，其特征在于，所述根据所有数据序列段的压缩数据，得到所述电气设备的故障诊断结果，包括的具体步骤如下：

在温度时序数据序列中，将所有数据序列段的压缩数据构成的数据集，记为温度时序数据序列的压缩数据；

根据温度时序数据序列的压缩数据，使用所述电气设备自带的故障诊断软件，得到所述电气设备的故障诊断结果。