一种基于多源异构数据的电网故障诊断系统及方法

专利名称：一种基于多源异构数据的电网故障诊断系统及方法

专利类型：实用新型专利

专利申请号：CN202410574788.0

专利申请（专利权）人：国网四川省电力公司广安供电公司
权利人地址：四川省广安市金安大道199号

专利发明（设计）人：蒙媛,何军,崔键祥,辜超,杨勇波,姚柯祺,胡轶加,赖昌华,谢心蕊,余海齐,向婷,李明超,龚妮

专利摘要：本申请公开了一种基于多源异构数据的电网故障诊断系统及方法，涉及数据处理领域，包括，获取电网网络拓扑结构、停电区域对应拓扑位置和区域内电气量数据；将故障前后和故障时刻的每类电气量分别载入到不同的矩阵模型，以时间序列从八个矩阵角向矩阵模型录入数据并补入缺省数据，归一化矩阵模型的大小为同一大小并调整各个矩阵模型，对矩阵模型之间执行DTW运算，获取用于找到电网故障线路的DTW距离矩阵，计算出差异度矩阵，依据差异度矩阵采用人工鱼群聚类算法优化求解和聚类获取故障线路。本申请通过DTW结合数据递归构建矩阵模型，挖掘异构数据在故障诊断上的价值，提高故障线路分析效率。

主权利要求：
1.一种基于多源异构数据的电网故障诊断方法，其特征在于，包括：
获取电网网络拓扑结构；
获取停电区域对应拓扑位置和区域内电气量数据，按照电气量采样周期，在时间上进行同步调整，获取不同类型电气量在同一时间尺度下的数据包；
将故障前后和故障时刻的每类电气量分别载入到不同的矩阵模型，所述矩阵模型的大小与同一类电气量的采集样本数量有关，电气量类型包括电压、电流；
以时间序列从八个矩阵角向矩阵模型录入数据并补入缺省数据，从空白数据向邻近录入数据拟合获取缺省数据，对矩阵模型归一化处理为同一大小的矩阵模型，对矩阵模型之间执行DTW运算，获取用于找到电网故障线路的DTW距离矩阵，具体包括：对不同类型电气量进行时间尺度选择，依据不同电气量类型获取到的采集周期，构建采集周期矩阵；所述采集周期矩阵为三维矩阵，将电气量采集周期进行排序并从三维矩阵的八个边角录入到采集周期矩阵，每个三维矩阵边角局域部分为一系列具有接近电气量采集周期的数据；从三维空间补齐三维矩阵中缺少的采样周期数据，调取邻近采样周期数据，并向存在采样数据方向拟合获取采样周期数据邻近的缺省数据，然后获取到的采样周期数据邻近的缺省数据作为邻近的采样周期数据来拟合缺省数据，迭代拟合出所有缺省数据，对一系列空白位置的数据向存在数据的位置对应方向上的数据进行拟合，且存在数据的位置对应方向为至少一个方向；从三维矩阵的八个角上寻找八个不同尺度的最优采集周期：所述最优采集周期到对应三维矩阵所在角局域内的各个采集周期的差值总和最小；
依据故障前后对应的DTW距离矩阵与故障时刻对应的DTW距离矩阵，计算出差异度矩阵，依据差异度矩阵采用人工鱼群聚类算法优化求解和聚类获取故障线路。
2.根据权利要求1所述的一种基于多源异构数据的电网故障诊断方法，其特征在于，所述获取电网网络拓扑结构的同时获取电网节点上的电气量数据。
3.根据权利要求2所述的一种基于多源异构数据的电网故障诊断方法，其特征在于，监测到停电区域，并对应所述电网网络拓扑结构提取停电区域的电气量数据，并统计电气量数据类型。
4.根据权利要求3所述的一种基于多源异构数据的电网故障诊断方法，其特征在于，所述对矩阵模型归一化处理为同一大小的矩阵模型，对矩阵模型之间执行DTW运算，包括：选取同类电气量数据对应的多个故障前后和故障时刻的矩阵模型大小排序后，选取中位数规格大小的矩阵模型作为归一化的目标，并将同一类电气量数据对应的矩阵模型向归一化目标进行归一化处理，归一化处理过程为：将矩阵模型内的数据组成离散的三个方向的曲线簇，并将三个方向的曲线簇分别对应不同维度方向，依据归一化目标与当前矩阵模型的大小比例，进行放大或缩小，获取同一维度下与归一化目标矩阵大小相同的曲线簇，曲线簇中的缺省数据同步曲线簇放大或缩小；
对于缺省数据，设置收放阈值，包括放大阈值和缩小阈值，监测到所在矩阵模型朝向归一化目标矩阵放大或缩小的比例，当监测到所述比例大于放大阈值或小于缩小阈值时，删除操作曲线簇前补入的缺省数据，在缺省数据位置补入0值，先进行归一化过程，归一化过程后，删除补入的0值，并重新进行拟合获取缺省数据的操作，直至拟合完当前监测所在矩阵模型所有缺省数据，并完成所有矩阵模型的归一化过程。
5.根据权利要求4所述的一种基于多源异构数据的电网故障诊断方法，其特征在于，所述从三维矩阵的八个角上寻找八个不同尺度的最优采集周期，包括：选择一个最优采集周期作为元素，计算元素在三维矩阵所在角局域内的到各个采集周期的差值总和最小；
一直到计算到拟合的第一个数据，比较后选出差值总和最小的元素作为新的最优采集周期，
从八个矩阵角出发，获取八个最优采集周期。
6.根据权利要求5所述的一种基于多源异构数据的电网故障诊断方法，其特征在于，计数监测到所述比例大于放大阈值或小于缩小阈值的次数，次数高于矩阵模型总数的一半，重新向中位数两侧寻找下一归一化的目标矩阵模型，并重复所述处理过程。
7.根据权利要求6所述的一种基于多源异构数据的电网故障诊断方法，其特征在于，依据所述八个最优采集周期获取对应三维矩阵局域内的电气量，填充同一时间尺度下的电气量为一个数据包。
8.根据权利要求7所述的一种基于多源异构数据的电网故障诊断方法，其特征在于，每两个矩阵模型对应维度运算DTW，获取归一化矩阵模型计算到的DTW矩阵。
9.根据权利要求8所述的一种基于多源异构数据的电网故障诊断方法，其特征在于，所述电气量的类型还具体包括三相电之间的电压、电流，三相电距离地的电压值。
10.一种基于多源异构数据的电网故障诊断系统，其特征在于，用于实现如权利要求1‑
9任一所述的一种基于多源异构数据的电网故障诊断方法，包括：
服务器，用于获取电网网络拓扑结构；
采集装置，用于获取停电区域对应拓扑位置和区域内电气量数据，按照电气量采样周期，在时间上进行同步调整，获取不同类型电气量在同一时间尺度下的数据包，将故障前后和故障时刻的每类电气量分别载入到不同的矩阵模型，所述矩阵模型的大小与同一类电气量的采集样本数量有关，电气量类型包括电压、电流；
分析模块，用于以时间序列从八个矩阵角向矩阵模型录入数据并补入缺省数据，从空白数据向邻近录入数据拟合获取缺省数据，对矩阵模型归一化处理为同一大小的矩阵模型，对矩阵模型之间执行DTW运算，获取用于找到电网故障线路的DTW距离矩阵；包括：对不同类型电气量进行时间尺度选择，依据不同电气量类型获取到的采集周期，构建采集周期矩阵；所述采集周期矩阵为三维矩阵，将电气量采集周期进行排序并从三维矩阵的八个边角录入到采集周期矩阵，每个三维矩阵边角局域部分为一系列具有接近电气量采集周期的数据；从三维空间补齐三维矩阵中缺少的采样周期数据，调取邻近采样周期数据，并向存在采样数据方向拟合获取采样周期数据邻近的缺省数据，然后获取到的采样周期数据邻近的缺省数据作为邻近的采样周期数据来拟合缺省数据，迭代拟合出所有缺省数据，对一系列空白位置的数据向存在数据的位置对应方向上的数据进行拟合，且存在数据的位置对应方向为至少一个方向；从三维矩阵的八个角上寻找八个不同尺度的最优采集周期：所述最优采集周期到对应三维矩阵所在角局域内的各个采集周期的差值总和最小；
计算模块，用于依据故障前后对应的DTW距离矩阵与故障时刻对应的DTW距离矩阵，计算出差异度矩阵，依据差异度矩阵采用人工鱼群聚类算法优化求解和聚类获取故障线路。 说明书 : 一种基于多源异构数据的电网故障诊断系统及方法技术领域[0001] 本申请涉及数据处理领域，具体涉及一种基于多源异构数据的电网故障诊断系统及方法。背景技术[0002] 电力大数据主要来源于电力生产和电能使用的发电、输电、变电、配电、用电和调度各个环节，可大致分为三类：[0003] 一是电网运行和设备检测或监测数据；[0004] 二是电力企业营销数据，如交易电价、售电量、用电客户等方面数据；[0005] 三是电力企业管理数据；[0006] 配电网故障指导致配电设备（元件）不能按要求正常工作的物理状态，包括绝缘破坏故障与断线故障。绝缘破坏故障是三相导体之间或导体对地之间的绝缘遭到破坏而相互连通的现象；而断线故障是导体断开的现象。[0007] 但随着新技术在电网中的应用，电气量的采集越来越方便，利用电气量中包含的丰富信息进行故障诊断，成为电网故障诊断研究的热点。同时电气量信息相较于开关量信总具有准确性高、抗干扰性强等特点，但电气量信息形式多样、数据结构不同，对数据的读取、利用造成了很大困难；[0008] 因此，亟需一种基于多源异构数据的电网故障诊断系统及方法。发明内容[0009] 本申请一种基于多源异构数据的电网故障诊断系统及方法，解决现有技术的问题。[0010] 第一方面，本申请提供一种基于多源异构数据的电网故障诊断方法，包括：[0011] 获取电网网络拓扑结构；[0012] 获取停电区域对应拓扑位置和区域内电气量数据；[0013] 将故障前后和故障时刻的每类电气量分别载入到不同的矩阵模型，所述矩阵模型的大小与同一类电气量的采集样本数量有关，电气量类型包括电压、电流；[0014] 以时间序列从八个矩阵角向矩阵模型录入数据并补入缺省数据，从空白数据向邻近录入数据拟合获取缺省数据，对矩阵模型归一化处理为同一大小的矩阵模型，对矩阵模型之间执行DTW运算，获取用于找到电网故障线路的DTW距离矩阵；[0015] 依据故障前后对应的DTW距离矩阵与故障时刻对应的DTW距离矩阵，计算出差异度矩阵，依据差异度矩阵采用人工鱼群聚类算法优化求解和聚类获取故障线路。[0016] 进一步的，所述获取电网网络拓扑结构的同时获取电网节点上的电气量数据。[0017] 进一步的，监测到停电区域，并对应所述电网网络拓扑结构提取停电区域的电气量数据，并统计电气量数据类型，按照电气量采样周期，在时间上进行同步调整，获取不同类型电气量在同一时间尺度下的数据包。[0018] 进一步的，所述获取不同类型电气量在同一时间尺度下的数据包，包括：对不同类型电气量进行时间尺度选择，依据不同电气量类型获取到的采集周期，构建采集周期矩阵；[0019] 所述采集周期矩阵为三维矩阵，将电气量采集周期进行排序并从三维矩阵的八个边角录入到采集周期矩阵，每个三维矩阵边角局域部分为一系列具有接近电气量采集周期的数据；[0020] 从三维空间补齐三维矩阵中缺少的采样周期数据，调取邻近采样周期数据，并向存在采样数据方向拟合获取采样周期数据邻近的缺省数据，然后获取到的采样周期数据邻近的缺省数据作为邻近的采样周期数据来拟合缺省数据，迭代拟合出所有缺省数据，对一系列空白位置的数据向存在数据的位置对应方向上的数据进行拟合，且存在数据的位置对应方向为至少一个方向；[0021] 从三维矩阵的八个角上寻找八个不同尺度的最优采集周期：[0022] 所述最优采集周期到对应三维矩阵所在角局域内的各个采集周期的差值总和最小。[0023] 进一步的，所述从三维矩阵的八个角上寻找八个不同尺度的最优采集周期，包括：[0024] 选择一个最优采集周期作为元素，计算元素在三维矩阵所在角局域内的到各个采集周期的差值总和最小；[0025] 一直到计算到拟合的第一个数据，比较后选出差值总和最小的元素作为新的最优采集周期，[0026] 从八个矩阵角出发，获取八个最优采集周期。[0027] 进一步的，依据所述八个最优采集周期获取对应三维矩阵局域内的电气量，填充同一时间尺度下的电气量为一个数据包。[0028] 进一步的，所述电气量的类型还具体包括三相电之间的电压、电流，三相电距离地的电压值。[0029] 第二方面，本申请提供一种基于多源异构数据的电网故障诊断系统，其特征在于，用于实现如第一方面任一所述的一种基于多源异构数据的电网故障诊断方法，包括：[0030] 服务器，用于获取电网网络拓扑结构；[0031] 采集装置，用于获取停电区域对应拓扑位置和区域内电气量数据，按照电气量采样周期，在时间上进行同步调整，获取不同类型电气量在同一时间尺度下的数据包，将故障前后和故障时刻的每类电气量分别载入到不同的矩阵模型，所述矩阵模型的大小与同一类电气量的采集样本数量有关，电气量类型包括电压、电流；[0032] 分析模块，用于以时间序列从八个矩阵角向矩阵模型录入数据并补入缺省数据，从空白数据向邻近录入数据拟合获取缺省数据，对矩阵模型归一化处理为同一大小的矩阵模型，对矩阵模型之间执行DTW运算，获取用于找到电网故障线路的DTW距离矩阵；包括：对不同类型电气量进行时间尺度选择，依据不同电气量类型获取到的采集周期，构建采集周期矩阵；所述采集周期矩阵为三维矩阵，将电气量采集周期进行排序并从三维矩阵的八个边角录入到采集周期矩阵，每个三维矩阵边角局域部分为一系列具有接近电气量采集周期的数据；从三维空间补齐三维矩阵中缺少的采样周期数据，调取邻近采样周期数据，并向存在采样数据方向拟合获取采样周期数据邻近的缺省数据，然后获取到的采样周期数据邻近的缺省数据作为邻近的采样周期数据来拟合缺省数据，迭代拟合出所有缺省数据，对一系列空白位置的数据向存在数据的位置对应方向上的数据进行拟合，且存在数据的位置对应方向为至少一个方向；从三维矩阵的八个角上寻找八个不同尺度的最优采集周期：所述最优采集周期到对应三维矩阵所在角局域内的各个采集周期的差值总和最小；[0033] 计算模块，用于依据故障前后对应的DTW距离矩阵与故障时刻对应的DTW距离矩阵，计算出差异度矩阵，依据差异度矩阵采用人工鱼群聚类算法优化求解和聚类获取故障线路。[0034] 本申请通过构建矩阵的方式节约生成横向差异度的步骤，通过归一化操作，一并处理获取体现停电线路横向差异度的DTW距离矩阵，并同步换算了不同大小的矩阵模型过程，节约计算资源，提高处理效率。[0035] 本申请提供的一种基于多源异构数据的电网故障诊断系统及方法，实现异构数据去重去噪，通过数据延展和缩放减少不同类数据差异化带来的波动，波动不稳定带来误差，影响到故障诊断，无需要设置故障阈值，避免了诊断错误；[0036] 本申请通过DTW结合数据递归构建矩阵模型，挖掘异构数据在故障诊断上的价值，提高故障线路分析效率。附图说明[0037] 此处所说明的附图用来提供对本申请实施例的进一步理解，构成本申请的一部分，并不构成对本申请实施例的限定。在附图中：[0038] 图1为本申请一示例性实施例提供的一种基于多源异构数据的电网故障诊断方法流程图。具体实施方式[0039] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。[0040] 首先对本申请所涉及的名词进行解释：[0041] DTW：（DynamicTimeWarping，DTW）是按照距离最近原则，构建两个长度不同的序列元素的对应关系，评估两个序列的相似性。[0042] 人工鱼群算法：在一片水域中，鱼往往能自行或尾随其他鱼找到营养物质多的地方，因而鱼生存数目最多的地方一般就是本水域中营养物质最多的地方，人工鱼群算法就是根据这一特点，通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为，从而实现寻优。[0043] 多源主要指数据来源多样化，如遥感影像、摄像头、问卷调查、手机信令、GPS追踪等等。[0044] 异构主要指数据结构上的差异性。数据结构层把城市中纷繁复杂的数据归为三大类，针对每一类数据设计了相应的数据存储模型，确保了城市操作系统的扩展性和一致性。这三类数据包括：[0045] 1.结构化数据：以电子政务类表格数据为代表，通常以人或者机构的ID为锚点来聚合不同的信息，如名称、职业、收入等；后续会演变出基础库、主题库、专题库等一系列组织形式。[0046] 2.非结构化数据：以视频、图像、语音和文本为代表，后续大多需要经过分析处理变成结构化数据才能被使用。[0047] 3.时空数据：以地理信息、IoT、轨迹数据为代表。[0048] 现有技术中，并未采用多源异构数据处理获取障碍故障分析的样本，本身数据狭隘且数据处理简单，存在系统误差，效果不好，故障判断不足够精确。[0049] 本申请具体的应用场景是多源异构数据电网故障诊断。[0050] 本申请的技术构思为：[0051] 将不同源的电气量数据，进行整理收集，由于异构数据，采集方式、采集周期和数据类型的不同，导致无法运用所有数据进行有价值的分析，无法帮助获取到结果内容，因此，本申请构思通过矩阵式数学方式处理数据，构造一个矩阵模型，用于载入多种形式的数据内容，且由于故障前后数据特征最明显，因此采用出故障前后的数据做处理，将矩阵模型对应数据类型、数据输入密度，进行调整，并将录入多数据在矩阵的形式下进行并行处理，再采用聚类算法处理。[0052] 本申请提供的一种基于多源异构数据的电网故障诊断系统及方法，旨在解决现有技术的如上技术问题。[0053] 下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。[0054] 实施例1：本申请提供一种基于多源异构数据的电网故障诊断方法，如图1所示，包括：[0055] s1、获取电网网络拓扑结构；[0056] 还包括：获取电网节点上的电气量数据。[0057] s2、获取停电区域对应拓扑位置和区域内电气量数据，按照电气量采样周期，在时间上进行同步调整，获取不同类型电气量在同一时间尺度下的数据包；[0058] 将故障前后和故障时刻的每类电气量分别载入到不同的矩阵模型，所述矩阵模型的大小与同一类电气量的采集样本数量有关，电气量类型包括电压、电流；[0059] 监测到停电区域，并对应所述电网网络拓扑结构提取停电区域的电气量数据，并统计电气量数据类型；[0060] s3、将故障前后和故障时刻的每类电气量分别载入到不同的矩阵模型，所述矩阵模型的大小与同一类电气量的采集样本数量有关，电气量类型包括电压、电流；[0061] 所述采集周期矩阵为三维矩阵，将电气量采集周期进行排序并从三维矩阵的八个边角录入到采集周期矩阵，每个三维矩阵边角局域部分为一系列具有接近电气量采集周期的数据；[0062] 从三维空间补齐三维矩阵中缺少的采样周期数据，调取邻近采样周期数据，并向存在采样数据方向拟合获取采样周期数据邻近的缺省数据，然后获取到的采样周期数据邻近的缺省数据作为邻近的采样周期数据来拟合缺省数据，迭代拟合出所有缺省数据，对一系列空白位置的数据向存在数据的位置对应方向上的数据进行拟合，且存在数据的位置对应方向为至少一个方向；[0063] 从三维矩阵的八个角上寻找八个不同尺度的最优采集周期：选择一个最优采集周期作为元素，计算元素在三维矩阵所在角局域内的到各个采集周期的差值总和最小；一直到计算到拟合的第一个数据，比较后选出差值总和最小的元素作为新的最优采集周期，[0064] 从八个矩阵角出发，获取八个最优采集周期。[0065] 所述最优采集周期到对应三维矩阵所在角局域内的各个采集周期的差值总和最小。依据所述八个最优采集周期获取对应三维矩阵局域内的电气量，填充同一时间尺度下的电气量为一个数据包。[0066] s4、以时间序列从八个矩阵角向矩阵模型录入数据并补入缺省数据，从空白数据向邻近录入数据拟合获取缺省数据，对矩阵模型归一化处理为同一大小的矩阵模型，对矩阵模型之间执行DTW运算，获取用于找到电网故障线路的DTW距离矩阵；[0067] 包括：对不同类型电气量进行时间尺度选择，依据不同电气量类型获取到的采集周期，构建采集周期矩阵；所述采集周期矩阵为三维矩阵，将电气量采集周期进行排序并从三维矩阵的八个边角录入到采集周期矩阵，每个三维矩阵边角局域部分为一系列具有接近电气量采集周期的数据；从三维空间补齐三维矩阵中缺少的采样周期数据，调取邻近采样周期数据，并向存在采样数据方向拟合获取采样周期数据邻近的缺省数据，然后获取到的采样周期数据邻近的缺省数据作为邻近的采样周期数据来拟合缺省数据，迭代拟合出所有缺省数据，对一系列空白位置的数据向存在数据的位置对应方向上的数据进行拟合，且存在数据的位置对应方向为至少一个方向；从三维矩阵的八个角上寻找八个不同尺度的最优采集周期：所述最优采集周期到对应三维矩阵所在角局域内的各个采集周期的差值总和最小；其中，选取同类电气量数据对应的多个故障前后和故障时刻的矩阵模型大小排序后，选取中位数规格大小的矩阵模型作为归一化的目标，并将同一类电气量数据对应的矩阵模型向归一化目标进行归一化处理，归一化处理过程为：[0068] 将矩阵模型内的数据组成离散的三个方向的曲线簇，并将三个方向的曲线簇分别对应不同维度方向，依据归一化目标与当前矩阵模型的大小比例，进行放大或缩小，获取同一维度下与归一化目标矩阵大小相同的曲线簇，曲线簇中的缺省数据同步曲线簇放大或缩小；[0069] 对于缺省数据，设置收放阈值，包括放大阈值和缩小阈值，监测到所在矩阵模型朝向归一化目标矩阵放大或缩小的比例，当监测到所述比例大于放大阈值或小于缩小阈值时，删除操作曲线簇前补入的缺省数据，在缺省数据位置补入0值，先进行归一化过程，归一化过程后，删除补入的0值，并重新进行拟合获取缺省数据的操作，直至拟合完当前监测所在矩阵模型所有缺省数据，并完成所有矩阵模型的归一化过程。[0070] s5、依据故障前后对应的DTW距离矩阵与故障时刻对应的DTW距离矩阵，计算出差异度矩阵，依据差异度矩阵采用人工鱼群聚类算法优化求解和聚类获取故障线路。[0071] 对于DTW矩阵的求解运算，以人工鱼群聚类算法，更新、公告不同维下的DTW距离矩阵最优个体并持续迭代，获取解算结果，本申请在实施例中，可以采用如下方法步骤：[0072] A1、初始化算法的参数，每条人工鱼包含分类结果和它们对应的聚类中心，同时，将DTW距离矩阵中各元素与聚类中心之间的距离和的倒数作为评价每条人工鱼优劣的适应度值，即每条人工鱼的聚类中心值；[0073] A2、对若干条人工鱼执行三种行为，首先执行聚群行为，即将当前视野内所有人工鱼的聚类中心的平均数值作为鱼群中心位置的聚类中心，将DTW距离矩阵依照该聚类中心分成两类，具体执行时，将每个元素分到聚类中心与对应元素距离最近的一类：分类结束后得到鱼群中心的适应度值，如果所述适应度值满足：fitc>fitm&&fitc/nf>δfitm,其中fitm为第m条人工鱼的适应度值，fitc为鱼群中心位置的适应度值，δ为拥挤度因子：则鱼朝该对应元素距离最近的位置移动一步，并依照新的聚类中心进行分类：[0074] A3、执行追尾行为，找到当前视野内具有最大适应度值的人工鱼，若最大适应度值对应位置的适应度值满足fitx>fitm&fitx/nf>δfitm,其中fitx为具有最大适应度值的鱼的适应度值；朝最大适应度值对应位置移动一步，并依照新的聚类中心进行分类：[0075] A4、对比追尾行为和聚群行为适应度值的大小，将其中适应度值大的行为保留，并将更新后的人工鱼赋给公告板，作为本次行为选择的结果，如果没有执行上述两种行为，则执行觅食行为；[0076] A5、觅食行为是找到视野范围内比自身适应度值大的人工鱼，朝其所在方向移动一步，如果没有拥有较大适应度值的人工鱼，则随机移动一步，并将更新后的人工鱼赋给公告板；至此第m条人工鱼的更新结束；[0077] A6、所有人工鱼均照此更新一次之后，更新每条人工鱼的聚类中心，完成一次迭代：[0078] A7、按照上述步骤反复迭代，达到迭代次数结束：[0079] A8、获得公告板中记录的最优人工鱼的分类结果及聚类中心，分类结果包含故障类和正常类两类：由所述分类结果得到每条线路属于哪一类：选取聚类中心数值大的那一类作为故障类，然后将故障类包含的线路诊断为停电区域的故障线路。[0080] 且本申请提供该解决方法为用于补充实现DTW矩阵进行求解运算的方式之一，其他方式不再赘述，本申请的构思在于解决DTW矩阵运算的前置环节，即生成有关用于求解的DTW矩阵，采用将不同源的电气量数据，进行整理收集，通过矩阵式数学方式处理数据，构造一个矩阵模型，用于载入多种形式的数据内容，将矩阵模型对应数据类型、数据输入密度，进行调整，并将录入多数据在矩阵的形式下进行并行处理，获取DTW矩阵，再采用聚类算法处理。[0081] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，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。[0082] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。[0083] 另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。[0084] 应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。[0085] 本领域内的技术人员应明白，本发明的实施例可提供为方法或系统。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。[0086] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。[0087] 以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。[0088] 本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由上面的权利要求书指出。[0089] 应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

专利地区：四川

专利申请日期：2024-05-10

专利公开日期：2024-08-30

专利公告号：CN118130976B