CN109816031B - 一种基于数据不均衡度量的变压器状态评估聚类分析方法 - Google Patents

Abstract

本发明公开了一种基于数据不均衡度量的变压器状态评估聚类分析方法，包括：根据电力变压器常见故障指标体系，从不均衡监测数据中筛选出与电力变压器不同类型故障分析对应所需的指标参数，并用比例归一化的方法处理所述指标参数；随机选取所述指标参数中两组数据作为初始聚类中心，并设置聚类分析参数；计算各类型故障指标参数与初始聚类中心的欧氏距离，根据欧式距离将不均衡监测数据中数据划分至类簇的下近似集或边界区域，并计算类簇间的不均衡度；融合类簇不均衡度对监测数据的隶属度进行度量；根据类簇数据分布情况，对类簇中心进行迭代计算；最后根据聚类结果对电力变压器进行状态评估；本发明有效提高了电力变压器状态评估精度。

Description

一种基于数据不均衡度量的变压器状态评估聚类分析方法

技术领域

本发明属于电力变压器状态评估技术领域，具体涉一种基于数据不均衡度量的变压器状态评估聚类分析方法。

背景技术

电力变压器作为重要的输变电设备，遍布整个输变电网络的关键节点，其安全稳定运行对于保障电力供应至关重要。一旦发生故障不仅会造成重大经济损失，还会对社会稳定造成影响。因此，通过分析电力变压器监测数据，对电力变压器运行状态进行评估对于保持整个电力***安全稳定运行有着重要意义。传统的状态评估方法通过分析由故障录波器记录的故障数据，可以较好地对变压器已发生的故障类型进行诊断。但是随着物联网技术在电力***的广泛应用，海量的监测设备每天都在产生着海量的监测数据，海量数据中有正常运行状态下的监测数据，也有密度极低的异常/故障状态下的监测数据，电力变压器监测数据构成了典型的不均衡分布的数据集。如何分析电力变压器不均衡数据监测数据，并对电力变压器状态进行评估成了近年来学者研究的热点。

聚类分析作为经典的无监督学习算法，可以根据数据间的特征将数据划分成若干类，可以用于分析电力变压器的不均衡监测数据。但传统的聚类算法会将电力变压器不均衡监测数据集均分，从而将正常运行状态的监测数据错误地划分为故障数据，影响电力变压器状态评估精度。

发明内容

本发明针对现有的聚类算法处理电力变压器不均衡监测数据集效果较差的问题，给出了一种基于数据不均衡度量的变压器状态评估聚类分析方法，该方法根据电力变压器常见故障指标体系，从不均衡监测数据中筛选出与电力变压器不同类型故障分析对应所需的指标参数，并用比例归一化的方法处理所述指标参数；最后采用不均衡度量粗糙模糊k-means聚类的电力变压器状态评估方法，对不均衡监测数据进行聚类分析，并得到对应的电力变压器状态评估结果；具体技术实施方案如下：

一种基于数据不均衡度量的变压器状态评估聚类分析方法，其特征在于，所述方法包括：

步骤一，根据电力变压器常见故障指标体系，从不均衡监测数据中筛选出与电力变压器不同类型故障分析对应所需的指标参数，并用比例归一化的方法处理所述指标参数；

步骤二，随机选取所述指标参数中两组数据作为初始聚类中心，并根据历史数据特征设置所述不均衡监测数据的聚类分析参数；

步骤三，计算各类型的所述故障指标数据与所述初始聚类中心的欧氏距离，根据所述距离将所述不均衡监测数据中数据划分至类簇的下近似集或边界区域，并计算类簇间的不均衡度；

步骤四，融合所述不均衡度对所述不均衡监测数据的隶属度进行度量；

步骤五，根据步骤三对数据样本的聚类结果，对类簇中心进行迭代计算，若类簇中心不再更新，统计各类簇下近似集和边界区域的样本，对变压器状态进行评估；否则，返回步骤三。

进一步的，所述步骤一中，所述不均衡监测数据由所述指标参数组成。

进一步的，所述步骤二中包括：

随机选取所述指标参数中两组数据，一组作为电力变压器的状态正常类簇的初始聚类中心，一组作为电力变压器的故障类簇的初始聚类中心；并根据所述历史数据特征设置一距离判断阈值和模糊系数。

进一步的，所述距离判断阈值用于比较样本与正常类簇簇心的欧氏距离和样本与故障类簇簇心的欧氏距离的相对大小，并根据比较结果将样本划分至类簇下近似集或边界区域；模糊系数为粗糙模糊K-means算法中的一个常系数2。

进一步的，所述步骤三中包括：

计算不同类型故障对应的所述指标参数与正常所述正常类簇簇心的第一欧式距离，以及与所述故障类簇簇心的第二欧氏距离，判断所述第一欧式距离与所述第二欧式距离的大小，并将两者中的较大数值与较小数值的比值；

将所述比值与所述距离判断阈值比较，若所述比值大于所述距离判断阈值，则将所述指标参数划分至所述第一欧式距离和第二欧式距离中较小欧氏距离对应的类簇的所述下近似集中；反之，则划分至所述边界区域；

分别计算所述正常类簇和故障类簇中所述下近似集样本数与所述所述不均衡监测数据中所有所述下近似集样本数的比值，得到所述正常类簇与所述故障类簇间的不均衡度。

进一步的，所述步骤四中：

当所述不均衡监测数据中数据属于所述正常类簇或故障类簇中的下近似集时，其隶属度值为1；当样本数据属于边界区域时，其隶属度需要通过隶属度公式：

进行刻画，其中，u_ij是样本X_j对于第i个类簇的隶属度；d_ij是样本X_j与簇心的欧式距离；m是模糊系数；k是聚类的类簇个数。

进一步的，所述步骤五中包括：

根据步骤三对数据样本的聚类结果，对类簇中心进行迭代计算；若类簇中心不再更新，统计对应类簇中所述下近似集和边界区域的样本，对变压器状态进行评估：统计正常类簇下近似集样本，这些样本确定属于正常数据，并给这些数据标记“1”，表示所述数据对应电力变压器没发生该类型故障；统计故障类簇下近似集样本，这些样本确定属于“故障”样本，并给这些样本标记“-1”，表示该变压器发生了该类型故障；统计“边界区域”样本，并给这些样本标记“0”表示该变压器未来可能发生该类型故障；若类簇中心持续更新，则返回步骤三。

与现有技术相比，本发明的有益效果为：对于电力变压器不均衡监测数据集聚类效果较好，通过引入粗糙集的概念，将监测数据划分至确定属于正常或故障类簇，表示该监测数据确定属于正常或故障数据；将不确定分类的数据划分至边界区域，表示该监测数据属于异常数据，未来可能发生该类型故障，有效提高了电力变压器状态评估精度。

附图说明

图1是本发明实施例中所述基于数据不均衡度量的变压器状态评估聚类分析方法的流程框图示意。

图2是本发明实施例中实现所述基于数据不均衡度量的变压器状态评估聚类分析方法的整体框架图示意。

图3是本发明实施例所述隶属度的计算方法流程图示意。

图4是本发明实施例中所述基于不均衡度量粗糙模糊k-means聚类流程图示意。

图5是本发明实施例中采用本发明方法对变压器进行状态评估聚类分析的效果图。

图6是本发明实施例中采用经典粗糙模糊k-means算法对变压器进行状态评估聚类分析的效果图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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。

在本发明实施例中，提供了一种基于数据不均衡度量的变压器状态评估聚类分析方法，所述方法基于不均衡度量粗糙模糊k-means聚类实现对电力变压器状态评估，参阅图2，本发明通过分析电力变压器不均衡监测数据，可以对已发生故障的电力变压器进行故障诊断，也可以对未发生该故障的电力变压器进行故障预测；具体的方法步骤可参阅图1，从中可知，本发明方法包括步骤：

步骤一，根据电力变压器常见故障指标体系，从不均衡监测数据中筛选出与电力变压器不同类型故障分析对应所需的指标参数，并用比例归一化的方法处理指标参数；其中，本发明中的不均衡监测数据由指标参数构成，主要是指电力变压器监测设备采集到的数据，如油中溶解气体H₂、CH₄、C₂H₄、C₂H₆等，以及变压器的电压、电流参数等；优选的，本实施例将不均衡监测数据中的每一组监表示成一个1×5的矩阵，即x_ij＝[x_i1,x_i2,x_i3,x_i4,x_i5],i＝1,2,3,...,200，接着用公式

进行比例归一化处理；在本发明的其他实施例中，也可以将不均衡监测数据的每一组监表示为任意类型的矩阵，并不限于1×5的矩阵，具体情况看选取的指标体系的个数。

步骤二，随机选取指标参数中两组数据作为初始聚类中心，并设置不均衡监测数据的聚类分析参数；其中，初始聚类中心的数据选择为随机选取，即随机选取不均衡监测数据中两组数据，一组作为电力变压器的状态正常类簇的初始聚类中心，一组作为电力变压器的故障类簇的初始聚类中心；并根据电力变压器的实际记录的历史数据特征来进行设定一距离判断阈值和一模糊系数；具体的，从对电力变压器的状态记录数据中选取少量的特征数据设定，特征数据为电力变压器正常运行或故障运行情况下的记录数据，以此保证设置的距离判断阈值符合电力变压器的实际情况；其中，距离判断阈值用于比较样本与正常类簇簇心的欧氏距离和样本与故障类簇簇心的欧氏距离的相对大小，并根据比较结果将样本划分至类簇下近似集或边界区域；模糊系数为粗糙模糊K-means算法中的一个常系数2。

优选的，假设距离判断阈值用

表示，本实施例将距离判断阈值设为

当然，此仅为本实施的较佳实施例，并不是对本发明方法中距离判断阈值的取值的限制和固定，可根据电力变压器的历史指标参数的特征进行设定。

步骤三，计算各类型的故障指标数据与初始聚类中心的欧氏距离，根据距离将不均衡监测数据中数据划分至类簇的下近似集或边界区域，并计算类簇间的不均衡度：首先，计算不同类型故障对应的指标参数与正常类簇簇心的第一欧式距离，以及与故障类簇簇心的第二欧氏距离，判断第一欧式距离与第二欧式距离的大小，并获取两者中的较大数值与较小数值的比值；然后，将得到的比值与距离判断阈值比较，若比值大于距离判断阈值，则将指标参数划分至第一欧式距离和第二欧式距离中较小欧氏距离对应类簇的下近似集中；反之，则划分至边界区域；最后，分别计算正常类簇和故障类簇中下近似集的样本数与不均衡监测数据中所有下近似集样本数的比值，得到正常类簇与故障类簇间的不均衡度；具体的，不均衡度通过公式

计算得到，其中

表示落入第i个类簇上近似集的样本个数，C_z表示数据样本x_j目前所在的交叉类簇。

步骤四，基于不均衡度计算不均衡监测数据中数据的隶属度，参阅图3，当不均衡监测数据中数据属于正常类簇或故障类簇中的下近似集时，其隶属度值为1；当样本数据属于边界区域时，其隶属度需要通过隶属度公式：

进行刻画，其中，u_ij是样本X_j对于第i个类簇的隶属度；d_ij是样本X_j与簇心的欧式距离；m是模糊系数；k是聚类的类簇个数。

综合上述内容并结合图4，本发明方法中整个聚类流程包括：首先输入待聚类的不均衡监测数据，随机选取两个数据样本作为初始簇心；然后计算每个样本与簇心的距离，并根据设定的距离判断阈值，将每个样本划分至类簇的下近似集或边界区域；统计每个类簇的下近似集所含样本个数，由此计算不均衡度；并用本发明改进的隶属度计算公式计算每个样本的隶属度；更新簇心直至簇心不再变化。

步骤五，根据步骤三对数据样本的聚类结果，对类簇中心进行迭代计算，若类簇中心不再更新，统计各类簇下近似集和边界区域的样本，对变压器状态进行评估；否则，返回步骤三：统计正常类簇下近似集样本，这些样本确定属于正常数据，并给这些数据标记“1”，表示所述数据对应电力变压器没发生该类型故障；统计故障类簇下近似集样本，这些样本确定属于“故障”样本，并给这些样本标记“-1”，表示该变压器发生了该类型故障；统计“边界区域”样本，并给这些样本标记“0”表示该变压器未来可能发生该类型故障；若类簇中心持续更新，则返回步骤三。

参阅图5和图6，以4组正常数据集和16组故障数据集为例对本发明方法的进行测试分析进而说明本发明方法的有效性；具体的，分别用粗糙模糊k-means算法和基于不均衡度量粗糙模糊k-means聚类的电力变压器状态评估方法处理该组测试数据，图中，“*”和“o”表示聚类正确的样本；“◇”表示原本属于多数类类簇的样本被错误划分至少数类类簇；黑色的“□”表示被划分至边界区域的样本；根据两种算法对20组测试数据的评估结果来看，本发明提出的基于不均衡度量粗糙模糊k-means聚类的电力变压器状态评估方法仅错误评估两组数据，而粗糙模糊k-means算法错误评估六组数据，即说明本发明方法对电力变压器的状态评估和分析具有更好的准确性，可以提升对电力变压器状态的更精准预测；这样，在实际操作中，根据对电力变压器的状态评估聚类分析，可预先做好措施以及对电力变压器做相对应的维护，有利于提升电力变压器的使用安全性。

与现有技术相比，本发明的有益效果为：对于电力变压器不均衡监测数据集聚类效果较好，通过引入粗糙集的概念，将监测数据划分至确定属于正常或故障类簇，表示该监测数据确定属于正常或故障数据；将不确定分类的数据划分至边界区域，表示该监测数据属于异常数据，未来可能发生该类型故障，有效提高了电力变压器状态评估的精度。

Claims (5)

1.一种基于数据不均衡度量的变压器状态评估聚类分析方法，其特征在于，所述方法包括：

步骤一，根据电力变压器常见故障指标体系，从不均衡监测数据中筛选出与电力变压器不同类型故障分析对应所需的指标参数，并用比例归一化的方法处理所述指标参数；

步骤二，随机选取所述指标参数中两组数据作为初始聚类中心，并根据历史数据特征设置所述不均衡监测数据的聚类分析参数；

步骤三，计算各类型的故障指标数据与所述初始聚类中心的欧式距离，根据所述距离将所述不均衡监测数据中数据划分至类簇的下近似集或边界区域，并计算类簇间的不均衡度；

所述步骤三中包括：

计算不同类型故障对应的所述指标参数与正常类簇簇心的第一欧式距离，以及与所述故障类簇簇心的第二欧式距离，判断所述第一欧式距离与所述第二欧式距离的大小，并将两者中的较大数值与较小数值的比值；

将所述比值与所述距离判断阈值比较，若所述比值大于所述距离判断阈值，则将所述指标参数划分至所述第一欧式距离和第二欧式距离中较小欧式距离对应的类簇的所述下近似集中；反之，则划分至所述边界区域；

分别计算正常类簇和故障类簇中所述下近似集样本数与所述不均衡监测数据中所有所述下近似集样本数的比值，得到所述正常类簇与所述故障类簇间的不均衡度；

步骤四，融合所述不均衡度计算所述不均衡监测数据的隶属度；

所述步骤四中：

当所述不均衡监测数据中数据属于所述正常类簇或故障类簇中的下近似集时，其隶属度值为1；当样本数据属于边界区域时，其隶属度需要通过隶属度公式：

进行刻画，其中，u_ij是样本X_j对于第i个类簇的隶属度；d_ij是样本X_j与簇心的欧式距离；m是模糊系数；k是聚类的类簇个数；

步骤五，根据步骤三对数据样本的聚类结果，对类簇中心进行迭代计算，若类簇中心不再更新，统计各类簇下近似集和边界区域的样本，对变压器状态进行评估；否则，返回步骤三。

2.如权利要求1所述的基于数据不均衡度量的变压器状态评估聚类分析方法，其特征在于，所述步骤一中，所述不均衡监测数据由所述指标参数组成。

3.如权利要求1所述的基于数据不均衡度量的变压器状态评估聚类分析方法，其特征在于，所述步骤二中包括：

随机选取所述指标参数中两组数据，一组作为电力变压器的状态正常类簇的初始聚类中心，一组作为电力变压器的故障类簇的初始聚类中心；并根据所述历史数据特征设置一距离判断阈值和模糊系数。

4.如权利要求2所述的基于数据不均衡度量的变压器状态评估聚类分析方法，其特征在于，所述距离判断阈值用于比较样本与正常类簇簇心的欧式距离和样本与故障类簇簇心的欧式距离的相对大小，并根据比较结果将样本划分至类簇下近似集或边界区域；模糊系数为粗糙模糊K-means算法中的一个常系数2。

5.如权利要求1所述的基于数据不均衡度量的变压器状态评估聚类分析方法，其特征在于，所述步骤五中包括：

根据步骤三对数据样本的聚类结果，对类簇中心进行迭代计算；若类簇中心不再更新，统计对应类簇中所述下近似集和边界区域的样本，对变压器状态进行评估：统计正常类簇下近似集样本，这些样本确定属于正常数据，并给这些数据标记“1”，表示所述数据对应电力变压器没发生该类型故障；统计故障类簇下近似集样本，这些样本确定属于“故障”样本，并给这些样本标记“-1”，表示该变压器发生了该类型故障；统计“边界区域”样本，并给这些样本标记“0”表示该变压器未来可能发生该类型故障；若类簇中心持续更新，则返回步骤三。

Images