周 曉，朱晗雨

(武漢理工大學(xué) 機(jī)電工程學(xué)院，湖北 武漢 430070)

高壓輸電線路電力故障診斷主要是指通過線路狀態(tài)信息進(jìn)行分析判斷準(zhǔn)確識別故障類別[1],而高壓輸電線路合閘故障診斷對于整個(gè)電力系統(tǒng)能夠穩(wěn)定運(yùn)行具有重要意義，該技術(shù)不僅能夠降低電網(wǎng)運(yùn)行風(fēng)險(xiǎn)，滿足日常用電需要，也提升了高壓輸電線路的可靠性[2]。目前，高壓輸電線路合閘故障診斷方法有基于信號分析技術(shù)的方法以及基于數(shù)據(jù)挖掘技術(shù)的方法等。

基于信號分析的電力系統(tǒng)故障診斷技術(shù)主要通過小波變換(wavelet transform, WT)和S變換等傳統(tǒng)方法對電力波形進(jìn)行分解，并在此基礎(chǔ)上根據(jù)數(shù)據(jù)特點(diǎn)進(jìn)行優(yōu)化從而實(shí)現(xiàn)故障診斷的目的?；谛〔ㄗ儞Q的故障診斷方法[3-4]首先將采集到的電力波形數(shù)據(jù)進(jìn)行小波分解，提取到波形信息的高頻小波系數(shù)，然后分析小波系數(shù)從而預(yù)測系統(tǒng)的故障時(shí)間點(diǎn)，然后結(jié)合故障發(fā)生的時(shí)間點(diǎn)，采用基于模極大值的奇異性檢測方法分析系統(tǒng)的故障位置，該方法對于暫態(tài)信號的處理效果較好，但是難以選取合適的小波基函數(shù)?；赟變換的故障診斷方法[5]通過獲取的時(shí)頻特性和系統(tǒng)狀態(tài)信息熵進(jìn)行電力系統(tǒng)故障診斷，該方法對系統(tǒng)的變化敏感度高，抗干擾能力強(qiáng)，但是對于高頻信號的分析能力不如小波變換。

數(shù)據(jù)挖掘技術(shù)利用各類機(jī)器學(xué)習(xí)算法分析高壓輸電線路合閘故障數(shù)據(jù)從而實(shí)現(xiàn)故障診斷的目的，目前圍繞數(shù)據(jù)挖掘技術(shù)開展研究的方法主要分為有監(jiān)督學(xué)習(xí)算法和無監(jiān)督學(xué)習(xí)算法。文獻(xiàn)[6]提出了一種基于Logistic回歸深度學(xué)習(xí)的故障診斷模型，解決SCADA(supervisory control and data acquisition)系統(tǒng)中故障診斷標(biāo)準(zhǔn)模塊誤報(bào)率過高的問題。文獻(xiàn)[7]使用貝葉斯網(wǎng)絡(luò)依據(jù)歷史數(shù)據(jù)庫中的真實(shí)數(shù)據(jù)對模型進(jìn)行訓(xùn)練,完成了電力系統(tǒng)故障的診斷研究。文獻(xiàn)[8]提出了基于自適應(yīng)神經(jīng)模糊推理方法的光伏發(fā)電站模塊故障診斷方法。

由于電力負(fù)荷數(shù)據(jù)量爆炸性增長，數(shù)據(jù)特征關(guān)系極其復(fù)雜，以往的統(tǒng)計(jì)學(xué)分析以及數(shù)據(jù)挖掘技術(shù)已經(jīng)無法滿足當(dāng)下的高壓輸電線路故障數(shù)據(jù)分析要求。伴隨著大數(shù)據(jù)技術(shù)的高速發(fā)展，陸續(xù)出現(xiàn)了各種各樣的大數(shù)據(jù)處理框架如Hadoop、Spark和Flink[9-10]。這些大數(shù)據(jù)處理系統(tǒng)提供了可靠、穩(wěn)定的數(shù)據(jù)分析流程，為大規(guī)模的電力系統(tǒng)故障診斷分析提供了有利的工具。文獻(xiàn)[11]通過構(gòu)建基于大數(shù)據(jù)的電力計(jì)量裝置解決了傳統(tǒng)電力計(jì)量智能診斷方法效率低下，準(zhǔn)確性不高的問題。文獻(xiàn)[12]搭建Hadoop大數(shù)據(jù)處理分析平臺，結(jié)合MapReduce并行式計(jì)算框架的特點(diǎn)設(shè)計(jì)了PCA-SVM(principal component analysis-support vector machine)算法，實(shí)現(xiàn)了基于數(shù)據(jù)的高壓輸電線路合閘故障診斷。文獻(xiàn)[13]設(shè)計(jì)了一種基于大數(shù)據(jù)分析平臺的聚類算法，該方法根據(jù)未標(biāo)記的數(shù)據(jù)自動選擇聚類值，解決了輸電塔故障預(yù)測的問題。目前依靠成熟的大數(shù)據(jù)技術(shù)可以對海量電力數(shù)據(jù)進(jìn)行挖掘從而精準(zhǔn)定位故障類別。

筆者以高壓輸電線路合閘故障數(shù)據(jù)為分析對象，著重分析挖掘數(shù)據(jù)中隱含的規(guī)律，通過多種數(shù)據(jù)特征提取策略對數(shù)據(jù)進(jìn)行處理，并結(jié)合數(shù)據(jù)具有連續(xù)性、時(shí)序邏輯性等特點(diǎn)提取數(shù)據(jù)特征并構(gòu)建故障數(shù)據(jù)集，然后利用遺傳算法改進(jìn)的K-means算法進(jìn)行高壓輸電線路合閘故障診斷。在此基礎(chǔ)上，通過Hadoop并行式計(jì)算框架對算法進(jìn)行加速，通過并行計(jì)算的方式解決算法在高壓輸電線路合閘故障數(shù)據(jù)量較大的情況下收斂速度慢的問題。

1 高壓輸電線路合閘數(shù)據(jù)特征工程

高壓輸電線路合閘狀態(tài)數(shù)據(jù)通過故障錄波器實(shí)時(shí)監(jiān)測故障前后時(shí)刻的電力負(fù)荷狀態(tài)，采集該信息并以時(shí)間序列的形式存儲在數(shù)據(jù)庫中，以時(shí)序波形信號存在的電力數(shù)據(jù)中蘊(yùn)含了大量有價(jià)值的信息[14]，但是通常都無法直接利用機(jī)器學(xué)習(xí)的方法對其進(jìn)行分析，而且故障錄波器采集到的數(shù)據(jù)通常存在各種噪聲，若不進(jìn)行特征提取直接通過機(jī)器學(xué)習(xí)算法進(jìn)行數(shù)據(jù)挖掘，得到的結(jié)果往往也不盡人意，因此需要對波形信號進(jìn)行特征工程和預(yù)處理操作，具體流程如圖1所示。

圖1 特征工程流程示意圖

1.1 數(shù)據(jù)濾波

真實(shí)工況下的電力信號由于周圍環(huán)境的影響在采集的過程中可能會攜帶大量噪聲，這對于后續(xù)信號特征提取會有極大的負(fù)面作用。因此對信號進(jìn)行噪聲濾波處理是必要的，通過濾波能夠?qū)⒂杏眯盘柵c噪聲分離提高信號的信噪比，并提升分析精度。筆者通過使用算術(shù)平均濾波法對原始信號進(jìn)行濾波處理，濾波效果如圖2所示。

圖2 竄入波形濾波對比示意圖

1.2 分段信息提取

根據(jù)故障類型的不同可以將數(shù)據(jù)分為兩個(gè)大類，分別為兩段式波形和三段式波形。為了使特征提取過程中得到的特征屬性更能反映故障發(fā)生時(shí)刻前后的波形變化，設(shè)計(jì)了一種分段信息提取方案，將每一條樣本數(shù)據(jù)劃分為5段，分別是波形起始階段、故障發(fā)生時(shí)刻前、故障發(fā)生時(shí)刻、故障時(shí)刻后與波形結(jié)束階段。第一段長度為2周期；第二段長度為2周期；第四段長度為2周期；第五段長度為2周期；第三段為不包含以上4段的所有周期內(nèi)的數(shù)據(jù)，周期長度依據(jù)數(shù)據(jù)采樣率而定，如圖3所示。

圖3 波形分段示意圖

由于每種類型的故障在某個(gè)時(shí)間段的波形特點(diǎn)都與其他類型不同，因此圖3所示的分段提取特征方式能夠有效地將各類合閘故障區(qū)分開。

1.3 時(shí)頻域特征提取

時(shí)域分析是對以時(shí)間序列表示的信號進(jìn)行信號提取、波形特征計(jì)算的信號處理方法，常用的時(shí)域故障特征參數(shù)有均值、方差、波形指標(biāo)等。頻域分析法是研究控制系統(tǒng)的常用方法，頻率特性表示不同函數(shù)對于系統(tǒng)輸入輸出的影響程度。時(shí)頻域特征提取過程獲取的特征值包含各類故障數(shù)據(jù)的特點(diǎn)，為故障診斷提供了有效信息，同時(shí)也為數(shù)據(jù)樣本集的構(gòu)建提供了數(shù)據(jù)支撐。圖4為時(shí)頻域轉(zhuǎn)換對比圖。

圖4 時(shí)頻域轉(zhuǎn)換對比圖

2 基于K-means的高壓輸電線路合閘故障分類

2.1 基于K-means的故障分類流程

傳統(tǒng)的K-means算法是無監(jiān)督的聚類算法，算法原理是基于數(shù)據(jù)樣本集，按照樣本之間的距離將數(shù)據(jù)集劃分為不同的簇，劃分的原則是讓簇內(nèi)的點(diǎn)緊密靠近，簇與簇之間則最大程度分散。假設(shè)簇劃分為(c1,c2,…,ck)，則算法的目標(biāo)是最小化平方誤差E，其計(jì)算公式為：

(1)

式中：xi為第i個(gè)樣本；μi為ci的質(zhì)心；k為聚類數(shù)。

(2)

K-means算法在執(zhí)行前需要確定k，該值的變動對算法最終結(jié)果影響較大。通常使用該算法進(jìn)行數(shù)據(jù)分析時(shí)，k值都是依靠研究人員對數(shù)據(jù)的經(jīng)驗(yàn)或者交叉驗(yàn)證方法來確定。在確定k之后，還需要選擇k個(gè)初始聚類質(zhì)心，若聚類質(zhì)心選擇不當(dāng)也會對結(jié)果產(chǎn)生較大影響。這種隨機(jī)取值方式會造成極大的誤差，因此，筆者利用遺傳算法的自動尋優(yōu)特性對K-means算法進(jìn)行優(yōu)化。

2.2 基于遺傳算法的K-means診斷算法優(yōu)化

遺傳算法(genetic algorithm，GA)求解問題時(shí)，問題的每一個(gè)可能解都會被編碼為一條“染色體”，也可以稱為個(gè)體，若干個(gè)體構(gòu)成群體。算法初始階段，會隨機(jī)產(chǎn)生一些初始解，計(jì)算每一個(gè)個(gè)體的適應(yīng)度值，該值是算法迭代的關(guān)鍵。筆者采用的遺傳算法步驟如下：

(1)編碼方式。染色體的基因編碼用初始聚類質(zhì)心在數(shù)據(jù)集中的編號表示，每個(gè)染色體代表一個(gè)可行解，染色體長度為聚類數(shù)量，例如染色體{2,4,9,12,15,20,70,90,130}表示編號為2、編號為4、編號為9、編號為12、編號為15、編號為20、編號為70、編號為90以及編號為130的樣本被選定為中心。

(2)適應(yīng)度函數(shù)。由于本文采用遺傳算法是對K-means做優(yōu)化改進(jìn)，而K-means算法的最優(yōu)結(jié)果具有相同類別的數(shù)據(jù)緊密，不同類別的數(shù)據(jù)松散的特點(diǎn)，因此設(shè)計(jì)了如下適應(yīng)度函數(shù)：

(3)

(3)選擇算子。采用輪盤賭的方式對個(gè)體的適應(yīng)度函數(shù)值度量的優(yōu)劣性進(jìn)行判斷，該個(gè)體在下一代中是否該淘汰。適應(yīng)度較大的個(gè)體存活幾率較大，適應(yīng)度較小的個(gè)體在迭代結(jié)束后被淘汰的機(jī)率較大。選擇概率的計(jì)算公式為：

(4)

(5)變異算子。通過變異概率改變個(gè)體基因，從而形成新個(gè)體。

基于上述步驟，筆者設(shè)計(jì)的基于遺傳算法的初始聚類質(zhì)心尋優(yōu)主要流程如圖5所示。

圖5 基于遺傳算法的初始聚類質(zhì)心尋優(yōu)流程圖

基于遺傳算法的初始聚類質(zhì)心尋優(yōu)步驟如下：

(1)確定算法初始值，主要包括種群內(nèi)個(gè)體數(shù)量p，一般取20～100，最大遺傳迭代次數(shù)N，一般取100～500，交叉概率pc，一般取0.4～0.99，變異概率pm，一般取0.001～0.1以及最優(yōu)解的適應(yīng)度閾值θ；

(2)初始化種群，首先在樣本集中隨機(jī)選取9個(gè)樣本作為初始染色體的等位基因編碼值，重復(fù)該操作p次，生成初始種群；

(3)對種群中的每一個(gè)個(gè)體進(jìn)行K-means聚類，并根據(jù)適應(yīng)度函數(shù)評價(jià)聚類結(jié)果適應(yīng)度；

(4)判斷結(jié)果是否滿足最大迭代次數(shù)或最優(yōu)解的適應(yīng)度函數(shù)值是否超過閾值θ，若不滿足則進(jìn)行選擇操作、交叉操作、變異操作、產(chǎn)生新種群，并重復(fù)執(zhí)行步驟(3)；若滿足則輸出最優(yōu)結(jié)果。

2.3 算法并行化設(shè)計(jì)原理

通過Hadoop平臺對算法進(jìn)行加速處理，需要算法與MapReduce并行框架相結(jié)合。筆者設(shè)計(jì)的GA-K-means聚類算法本質(zhì)是一個(gè)兩段式求解問題，首先通過遺傳算法自動獲取到最優(yōu)的初始聚類質(zhì)心，然后通過該質(zhì)心進(jìn)行正常的K-means聚類。因此通過Hadoop平臺對遺傳算法和K-means算法進(jìn)行加速優(yōu)化的過程主要分為兩步，首先針對遺傳算法進(jìn)行并行化設(shè)計(jì)，在保證算法運(yùn)行效率的前提下獲取最優(yōu)的聚類質(zhì)心，在此基礎(chǔ)上針對K-means算法進(jìn)行并行化設(shè)計(jì)，得到最終的高壓輸電線路合閘故障聚類結(jié)果。

2.4 遺傳算法并行化設(shè)計(jì)

在進(jìn)行遺傳算法并行化設(shè)計(jì)的過程中，需要將迭代過程根據(jù)MapReduce框架特點(diǎn)設(shè)計(jì)為任務(wù)流的形式。圖6為遺傳算法并行化流程圖。

圖6 遺傳算法并行化流程

遺傳算法的并行化流程如下：

(1)Mapper任務(wù)設(shè)計(jì)。設(shè)置Map任務(wù)數(shù)量，讀取全局初始質(zhì)心文件。輸出自定義數(shù)據(jù)格式：Mapper任務(wù)通常以鍵值對的形式輸出數(shù)據(jù)，筆者設(shè)計(jì)的數(shù)據(jù)格式為<染色體個(gè)體號，數(shù)據(jù)的元信息>，其中染色體個(gè)體號為種群中的染色體順序號，指定了該條數(shù)據(jù)對應(yīng)的染色體個(gè)體，數(shù)據(jù)的元信息指數(shù)據(jù)原始值，聚類結(jié)果，該條數(shù)據(jù)到質(zhì)心的距離。

(2)Reducer任務(wù)設(shè)計(jì)。Reducer函數(shù)首先將各個(gè)Mapper任務(wù)執(zhí)行完成的結(jié)果拉取到本地節(jié)點(diǎn)中，以Mapper任務(wù)輸出的數(shù)據(jù)格式進(jìn)行解析并執(zhí)行個(gè)體的適應(yīng)度計(jì)算。然后根據(jù)函數(shù)終止條件判斷是否輸出最優(yōu)結(jié)果，如果當(dāng)前結(jié)果不滿足終止條件，則對個(gè)體進(jìn)行選擇、變異、交叉操作，產(chǎn)生新種群并將新種群的所有個(gè)體信息更新到全局文件中。

2.5 K-means算法并行化設(shè)計(jì)

由并行化遺傳算法計(jì)算得到的最優(yōu)初始聚類質(zhì)心，基于此質(zhì)心對所有的高壓輸電線路合閘故障特征數(shù)據(jù)進(jìn)行并行化K-means聚類。圖7為并行化K-means算法流程圖。

圖7 K-means算法并行化流程圖

針對K-means算法的并行化設(shè)計(jì)主要分為Mapper部分和Reducer部分，在提交任務(wù)之前首先初始化算法運(yùn)行參數(shù)，包括最大迭代次數(shù)N，誤差閾值σ。

(1)Mapper任務(wù)設(shè)計(jì)。每個(gè)Mapper任務(wù)會讀取不同的數(shù)據(jù)切片以及全局初始聚類質(zhì)心，針對讀取到的每一個(gè)數(shù)據(jù)樣本進(jìn)行一次距離計(jì)算并劃分到距離最近的樣本點(diǎn)所屬類別中。當(dāng)Mapper任務(wù)內(nèi)的所有數(shù)據(jù)都完成計(jì)算之后，將聚類得到的類別與數(shù)據(jù)信息封裝為符合Mapper輸出要求的數(shù)據(jù)格式，如<聚類類別，數(shù)據(jù)信息>的鍵值對形式。

(2)Reducer任務(wù)設(shè)計(jì)。在優(yōu)化聚類質(zhì)心的迭代過程中，每一個(gè)Reducer任務(wù)會將所有Mapper任務(wù)的輸出拉取到本地節(jié)點(diǎn)中進(jìn)行計(jì)算。通過<聚類類別，數(shù)據(jù)信息>的形式解析每個(gè)類別的數(shù)據(jù)量大小并以此為基礎(chǔ)進(jìn)行誤差計(jì)算，判斷當(dāng)前的質(zhì)心是否滿足了迭代終止條件，如果不滿足條件則更新質(zhì)心并將新的聚類質(zhì)心結(jié)果寫入到全局文件，然后開始下一輪迭代任務(wù)；如果滿足迭代條件，則終止迭代任務(wù)，直接執(zhí)行最終的聚類任務(wù)。

3 實(shí)驗(yàn)設(shè)計(jì)與分析

實(shí)驗(yàn)主要是對比分析基于K-means算法的故障診斷方法以及筆者提出的GA-K-means算法，然后分析優(yōu)化改進(jìn)后的并行化算法相較于串行算法的加速性能。筆者使用的實(shí)驗(yàn)數(shù)據(jù)來自于各地高壓輸電線路合閘實(shí)時(shí)數(shù)據(jù)，一共有9種故障類型，數(shù)據(jù)樣本如表1所示。

表1 高壓輸電線路合閘故障數(shù)據(jù)樣本

3.1 基于K-means的故障診斷試驗(yàn)

為了對所提出的基于K-means的高壓輸電線路合閘故障的有效性進(jìn)行驗(yàn)證，筆者在硬件環(huán)境為Inter(R)Core(TM)i5-8300H CPU@2.30GHz， 16 GB 內(nèi)存，軟件環(huán)境為Python 3.6 的機(jī)器上進(jìn)行實(shí)驗(yàn)。本次實(shí)驗(yàn)分為3個(gè)部分，分別是基于K-means算法的高壓輸電線路合閘故障分類實(shí)驗(yàn)、文獻(xiàn)[15]設(shè)計(jì)的DGK-K-means算法以及筆者設(shè)計(jì)的GA-K-means分類算法。

實(shí)驗(yàn)一使用傳統(tǒng)的K-means算法對上述數(shù)據(jù)集中的訓(xùn)練集進(jìn)行聚類，初始參數(shù)設(shè)置：最大迭代次數(shù)Maxgen=200，最小誤差σ=0.01；

實(shí)驗(yàn)二使用DGK-K-means算法對訓(xùn)練集進(jìn)行聚類，該算法利用高斯核密度確定初始聚類質(zhì)心。初始參數(shù)設(shè)置：平均類內(nèi)最大相似度AMS為20，終止條件為AMS≤4；

實(shí)驗(yàn)三使用GA-K-means算法進(jìn)行聚類，遺傳算法初始參數(shù)設(shè)置為：最大迭代次數(shù)N為200，種群內(nèi)個(gè)體數(shù)量p為30，交叉概率pc為0.7，變異概率pm為0.08；K-means算法初始參數(shù)設(shè)置為：最大迭代次數(shù)Maxgen為200，最小誤差σ為0.01。

每個(gè)實(shí)驗(yàn)得到最終的算法模型后在相同的測試集上進(jìn)行準(zhǔn)確率測試，每組實(shí)驗(yàn)分別重復(fù)運(yùn)算3次，然后取3次的準(zhǔn)確率均值比較3個(gè)算法的性能，測試結(jié)果如表2所示。

表2 試驗(yàn)結(jié)果對比

從表2可知，傳統(tǒng)的K-means算法由于隨機(jī)選取初始聚類質(zhì)心導(dǎo)致分類準(zhǔn)確率較低，而DGK-K-means算法與GA-K-means算法選取了較優(yōu)的聚類質(zhì)心，因此極大提高了準(zhǔn)確率。同時(shí)由于初始聚類質(zhì)心的選取比傳統(tǒng)算法更合理，因此K-means迭代次數(shù)也隨之減少。然而DGK-K-means算法和GA-K-means算法對于最優(yōu)初始聚類質(zhì)心的選取依賴額外的優(yōu)化算法，且優(yōu)化算法的計(jì)算量較大，平均運(yùn)行時(shí)間更長。相比于傳統(tǒng)K-means算法，GA-K-means保證了準(zhǔn)確率和穩(wěn)定性，且與DGK-K-means相比，通過遺傳算法獲取的初始聚類質(zhì)心效果更優(yōu)，能夠獲取更高的準(zhǔn)確率。

為了客觀評價(jià)上述3個(gè)算法的聚類效果，筆者采用輪廓系數(shù)、CH(calinski-harabaz)指標(biāo)以及DB(davies-bouldin)指數(shù)作為聚類質(zhì)量評價(jià)標(biāo)準(zhǔn)，3種指標(biāo)都代表聚類結(jié)果簇的凝聚度，其中輪廓系數(shù)越接近1，表示聚類效果越好；CH指標(biāo)越大，表示聚類效果越好；DB指數(shù)越小，表示聚類效果越好。聚類結(jié)果評價(jià)如表3所示。

表3 聚類結(jié)果評價(jià)

從表3可知，GA-K-means算法的聚類效果要優(yōu)于K-means算法和DGK-K-means算法。

3.2 并行化算法實(shí)驗(yàn)

并行化加速實(shí)驗(yàn)的軟件環(huán)境為Hadoop平臺，Hadoop集群中配置5臺機(jī)器，其中一臺為管理節(jié)點(diǎn)，4臺為工作節(jié)點(diǎn)，所有節(jié)點(diǎn)都為騰訊云服務(wù)器，具體配置如表4所示。

表4 Hadoop集群配置表

并行式GA-K-means算法準(zhǔn)確度測試仍然采用和串行算法一致的方法，每組試驗(yàn)運(yùn)算3次，取3次的準(zhǔn)確率均值作為衡量的標(biāo)準(zhǔn)，具體結(jié)果如表5所示。

表5 并行算法準(zhǔn)確率測試

算法并行化對結(jié)果準(zhǔn)確率并無影響，并行式GA-K-means算法在對數(shù)據(jù)進(jìn)行加速的情況下，仍然能保證穩(wěn)定的準(zhǔn)確率。圖8為并行化GA-K-means算法的集群加速比測試結(jié)果示意圖。算法具體運(yùn)行時(shí)間如表6所示。

圖8 節(jié)點(diǎn)加速比測試結(jié)果

表6 并行算法運(yùn)行時(shí)間

隨著Hadoop平臺節(jié)點(diǎn)數(shù)的不斷增加，算法的數(shù)據(jù)處理效率也不斷上升，但是算法的加速增長率卻逐漸下降，這是因?yàn)楣?jié)點(diǎn)增加導(dǎo)致計(jì)算資源增加，Mapper任務(wù)與Reducer任務(wù)之間的通信復(fù)雜度升高，并且數(shù)據(jù)切片更加細(xì)化，加速效果逐漸減弱，因此算法性能增長速率逐漸下降。

4 結(jié)論

筆者基于高壓輸電線路合閘故障數(shù)據(jù)特點(diǎn)以及K-means算法對高壓輸電線路合閘故障展開研究。針對K-means算法的缺點(diǎn)進(jìn)行改進(jìn)，提出了基于遺傳算法的K-means聚類算法，解決了初始聚類質(zhì)心不穩(wěn)定的問題，然后針對算法迭代次數(shù)過多、運(yùn)行速度慢會影響實(shí)際工況數(shù)據(jù)處理效率問題，設(shè)計(jì)了兩段式的并行化優(yōu)化算法，提升運(yùn)行效率。通過分析實(shí)驗(yàn)結(jié)果可知,所設(shè)計(jì)的并行式GA-K-means算法不僅彌補(bǔ)了傳統(tǒng)K-means算法的不足，并且在保證算法運(yùn)行效率的基礎(chǔ)上，還能夠?qū)⒎诸悳?zhǔn)確率穩(wěn)定在91%。