CN115130578A - 一种基于增量式粗糙聚类的配电设备状态在线评估方法 - Google Patents

Abstract

本发明公开了一种基于增量式粗糙聚类的配电设备状态在线评估方法，包括：输入已处理完成的历史监测数据；判断是否有新增监测数据，并计算类簇间的不均衡度；计算新增监测数据到各聚类中心的欧氏距离，新增监测数据的邻域信息，根据欧氏距离和邻域信息将监测数据划分至类簇的下近似集或者边界区域；根据类簇数据分布情况，对类簇中心进行更新迭代；根据聚类结果对配电设备进行状态评估；本发明实现了配电设备运行状态评估模型的在线更新，有效提高了状态评估精度。

Description

一种基于增量式粗糙聚类的配电设备状态在线评估方法

技术领域

本发明属于配电设备运行状态评估技术领域，具体涉一种基于增量式粗糙聚类的配电设备状态在线评估方法。

背景技术

配电设备分布在配电网络的各个关键节点上，因此其运行状态直接影响电网***的供电可靠性。配电设备随着时间和使用的损耗，设备本身逐渐出现老化、发热等问题，也有可能产生新的问题，这对配电设备监测***提出了新的要求。国内电力***的运行维护仍处于定期检查维护的阶段，然而负载不断增加，配电设备的数量也迅速增加，对配电设备运行状况的评估逐渐引起了专家学者们的关注。

根据现有配电设备评估模型的评估结果进行定期检查维护存在一些不可忽视的问题，例如，配电设备在检修前突然故障或者配电设备的检修结果正常，却在短期内发生故障，这会导致检修人员的检修计划被打乱，浪费大量人力资源。这些问题的产生，归根到底是现有评估模型与设备不匹配的问题。大量配电设备尽管未到达使用年限，但随着时间的推移，设备的使用损耗和故障的维护都使得设备性能与原始设备不同，配电设备状态评估模型仍保持不变，这导致了配电设备的新故障不能及时被发现，也不能随着设备状态的变化自适应的调整评估模型，大大降低了配电设备状态评估的精度。因此，应在原有配电设备状态评估模型上进行改进，使得评估模型能够随着配电设备性能改变自适应评估模型。

配电设备监测数据由大量正常的工作数据和少量的异常数据构成，这两种运行模式信息共同构成配电设备的不平衡信息。异常数据包含设备的故障信息、异常信息及大量供故障预测的数据特征，这表明了从海量设备监测数据中挖掘出异常数据信息的重要性。随着泛在感知的发展和电网的逐渐稳定，配电设备监测数据量不断增大，异常数据在海量监测数据中的比例极小，如何能够快速准确挖掘出设备故障信息也成为了亟待解决的问题。

聚类分析作为一种经典算法在数据挖掘领域发挥了重要的作用，但一般仅适用于静态数据的处理，若有新增数据对象的加入，需要对所有的数据重新进行计算，因此基于传统聚类算法的配电设备状态评估方法不能在线实时处理配电设备监测数据的问题。

发明内容

基于上述技术问题，本发明提供了一种基于增量式粗糙聚类的配电设备状态在线评估方法，该方法根据配电变压器常见故障指标体系，将监测数据按不同的故障类型筛选出对应的指标参数，并对筛选出的指标参数进行归一化处理；新增监测数据采用基于动态增量式粗糙聚类分析算法的配电设备状态评估方法，对新增监测数据进行聚类分析，并获得对应的配电变压器状态评估结果。

具体技术实施方案如下：

一种基于增量式粗糙聚类的配电设备状态在线评估方法，其特征在于，所述方法包括：

步骤一、设置距离判断阈值并对历史数据进行聚类处理，导入聚类参数、结果及聚类中心；

步骤二、判断是否有新增监测数据的加入，并计算类簇间的不均衡度；

步骤三、计算新增监测数据到各聚类中心的欧氏距离，新增监测数据的邻域信息，根据欧氏距离和邻域信息将新增监测数据划分至类簇的下近似集、边界区域或者判断其为孤立点；

步骤四、计算融合混合度量结果的新增监测数据的隶属度，所述混合度量包括不均衡度、距离度量、邻域信息；

步骤五、根据步骤四对新增监测数据的聚类结果，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新增数据样本，对配电变压器状态进行评估；否则，返回步骤二。

进一步的，所述步骤一中，参考配电设备常见故障指标体系，处理历史监测数据，并导入历史监测数据的聚类结果，历史监测数据聚类后的类簇规模呈现出一种数据规模不均衡的状态；根据聚类结果，将配电设备正常运行状态下的数据归为一类，称其为正常数据；将配电设备故障运行状态的数据按不同故障进行分类，这些类簇统称为故障数据。

进一步的，所述步骤二中包括：实时监测判断有无新增监测数据的加入，若有新增监测数据加入，计算类簇间的不均衡度；若没有新增监测数据加入，则结束流程；

分别计算所述正常类簇与故障类簇中所述上近似集样本数的比值，根据公式

得到所述正常类簇与所述故障类簇间的不均衡度。其中，N_i是故障类簇的数据点个数，N是参与计算的所有类簇的数据点的个数。

进一步的，所述步骤三中：计算新增数据点到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比较得到两者的比值；

统计新增监测数据点邻域数据的归属信息，包括邻域数据中属于类簇i的数据个数，新增监测数据点半径ζ范围内的所有邻域数据点个数|N(x_i)|_ζ，新增监测数据的局部密度

ζ是数据点的邻域半径；

将所述比值与所述距离判断阈值比较，距离判断阈值融合所述不均衡度，若所述比值大于所述距离判断阈值且邻域数据全部归属于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中，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；若所述比值小于所述距离判断阈值且邻域数据均不归属于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中，则判断为为孤立点；否则，划分至所述边界区域。

进一步的，所述步骤四中包括：

当所述新增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；当新增数据属于边界区域时，其隶属度需要通过改进隶属度公式：

进行描述，其中，X_j为邻域数据中属于类簇i的数据个数，|N(x_i)|_ζ是数据点半径ζ范围内的所有邻域数据点个数，

是计算数据点与类簇数据点之间的距离系数；den_ζ表示数据的局部密度

ζ是数据点的邻域半径。

进一步的，所述步骤五中包括：

根据步骤三对新增监测数据的聚类结果，对类簇中心进行迭代计算；若类簇中心不再更新，统计划分进正常类簇和故障类簇的样本数量，对配电设备状态进行评估：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“0”，表示所述数据对应配电设备没发生故障；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“1”表示该变压器未来可能发生该类型故障；统计“孤立点”样本，并给这些样本标记“2”表示该设备故障类型未知，应引起新一轮的注意；若类簇中心持续更新，则返回步骤二。

与现有技术相比，本发明的有益效果为：

1)由于历史数据量不足，在实时处理配电设备监测数据的过程中，本发明提出了改进的增量式聚类算法，可以在原有聚类分析结果的基础上，根据新增数据对象的特征，快速地更新聚类分析的结果，而且能够根据新增数据对象的加入，自适应的调整类簇的结构，很好地满足配电设备状态评估模型的需求；本发明所述的方法能够不断强化完善该增量式粗糙聚类分析模型，提高了配电设备运行状态在线评估方法的准确性；

2)能够对配电设备运行状态进行在线评估，采用增量式粗糙聚类分析处理监测数据效果相对理想，能够在线将新增监测数据划分至确定属于正常或故障类簇，表示该新增监测数据确定属于正常或故障数据；将不确定分类的新增数据划分至边界区域，表示该新增监测数据属于异常数据，未来可能发生该类型故障；将信息不明确的数据划分成孤立点，表示状态不清晰，若与孤立点特征相同的数据反复出现，形成新的类簇，表明产生了新类型故障，需及时进行检修，减少了配电设备故障所带来的不利影响。

附图说明

图1是本发明实施例中所述基于增量式粗糙聚类的配电设备状态在线评估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增量式粗糙聚类的配电设备状态在线评估方法的整体框架图示意。

图3是本发明实施例中所述基于邻域信息混合度量的增量式聚类算法流程图示意。

图4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5是本发明实施例中采用经典粗糙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，本方法同样适用于其他配电设备。

在本发明实施例中，提供了一种基于增量式粗糙聚类的配电设备状态在线评估方法，所述方法基于邻域信息混合度量的增量式聚类算法实现对配电变压器状态评估，参阅图2，本发明通过分析配电变压器新增监测数据，可以对已发生故障的配电变压器进行故障诊断，也可以对未发生该故障的配电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，输入历史监测数据，包括聚类结果及其聚类中心。历史监测数据表现为根据配电变压器常见故障指标体系，从历史不均衡监测数据中筛选出与配电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，主要是指配电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

i＝1,2,3,...,200进行比例归一化处理；在本发明的其他实施例中，也可以将历史不均衡监测数据的每一组数据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。选取指标参数中密度最大的两组数据作为初始聚类中心，并设置聚类分析参数；其中，初始聚类中心的数据选择为历史不均衡监测数据中两组数据，一组作为配电变压器的状态正常类簇的初始聚类中心，一组作为配电变压器的故障类簇的初始聚类中心；并根据配电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，从对配电变压器的状态记录数据中选取少量的特征数据设定，特征数据为配电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配电变压器的实际情况；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、样本与故障类簇簇心的欧氏距离的相对大小；模糊系数为粗糙模糊K-means算法中的一个常系数2。

假设距离判断阈值用δ表示，本实施例基于配电变压器中少量的历史指标参数来设定距离判断阈值为δ＝1.4，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，可根据配电变压器的历史指标参数的特征进行设定。

步骤二，判断是否有新增监测数据，若存在新增监测数据，计算类簇间的不均衡度，若没有新增监测数据，则结束流程；分别计算所述正常类簇与故障类簇中所述上近似集样本数的比值，根据公式

得到所述正常类簇与所述故障类簇间的不均衡度。其中，N_i是故障类簇的数据点个数，N是参与计算的所有类簇的数据点的个数。

步骤三，计算新增数据点到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比较得到两者的比值；

统计新增监测数据点邻域数据的归属信息，包括邻域数据中属于类簇i的数据个数，新增监测数据点半径ζ范围内的所有邻域数据点个数|N(x_i)|_ζ，新增监测数据的局部密度

ζ是数据点的邻域半径；

将所述比值与所述距离判断阈值比较，距离判断阈值融合所述不均衡度，若所述比值大于所述距离判断阈值且邻域数据全部归属于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中，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；若所述比值小于所述距离判断阈值且邻域数据均不归属于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中，则判断为为孤立点；否则，划分至所述边界区域。

步骤四，基于邻域信息混合度量的新增数据隶属度，当所述新增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；当新增数据属于边界区域时，其隶属度需要通过改进隶属度公式：

进行描述，其中，X_j为邻域数据中属于类簇i的数据个数，|N(x_i)|_ζ是数据点半径ζ范围内的所有邻域数据点个数，

是计算数据点与类簇数据点之间的距离系数；den_ζ表示数据的局部密度

ζ是数据点的邻域半径。

综合上述内容并结合图3，本发明方法中整个聚类流程包括：首先输入已完成处理的历史不均衡监测数据，选取两个数据样本作为初始簇心并对其进行聚类；然后判断是否有新增数据样本，并计算不均衡度；计算每个新增样本与簇心的距离，统计新增数据邻域信息，并根据设定的距离判断阈值和划分条件，将每个新增样本划分至类簇的下近似集或边界区域；采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，根据步骤三对新增监测数据的聚类结果，对类簇中心进行迭代计算；若类簇中心不再更新，统计划分进正常类簇和故障类簇的样本数量，对配电设备状态进行评估：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“0”，表示所述数据对应配电设备没发生故障；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“1”表示该变压器未来可能发生该类型故障；统计“孤立点”样本，并给这些样本标记“2”表示该设备故障类型未知，应引起新一轮的注意；若类簇中心持续更新，则返回步骤二。

参阅图4和图5，以30组正常数据集和10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K-means算法和基于增量式粗糙聚类的配电设备状态在线评估方法处理该组测试数据，“○”对应聚类分析后正确划分至多数类正常数据类簇的数据；“*”对应聚类分析后正确划分至少数类异常数据类簇的数据；“□”对应聚类分析后被错误划分进其他类簇的数据；“◇”对应聚类分析后被划分至少数类异常数据集边界区域的数据。根据两种算法对40组测试数据的评估结果来看，本发明提出的基于增量式粗糙聚类的配电设备状态在线评估方法仅错误评估一组数据，而粗糙K-means算法错误评估四组数据，即说明本发明方法对配电变压器的状态评估和分析具有更好的准确性，可以提升对配电变压器状态的更精准预测；这样，在实际操作中，根据对配电变压器的状态评估聚类分析，可预先做好措施以及对配电变压器做相对应的维护，有利于提升配电变压器的使用安全性。

以上所述仅为本发明的优选方案，并非作为对本发明的进一步限定，凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。

Claims (6)

1.一种基于增量式粗糙聚类的配电设备状态在线评估方法，其特征在于，所述方法步骤为：

步骤一、设置距离判断阈值并对历史数据进行聚类处理，导入聚类参数、结果及聚类中心；

步骤二、判断是否有新增监测数据的加入，并计算类簇间的不均衡度；

步骤三、计算新增监测数据到各聚类中心的欧氏距离，新增监测数据的邻域信息，根据欧氏距离和邻域信息将新增监测数据划分至类簇的下近似集、边界区域或者判断其为孤立点；

步骤四、计算融合混合度量结果的新增监测数据的隶属度，所述混合度量包括不均衡度、距离度量、邻域信息；

步骤五、根据步骤四对新增监测数据的聚类结果，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新增数据样本，对配电变压器状态进行评估；否则，返回步骤二。

2.如权利要求1所述的一种基于增量式粗糙聚类的配电设备状态在线评估方法，其特征在于，步骤一中，参考配电设备常见故障指标体系，处理历史监测数据，并导入历史监测数据的聚类结果，历史监测数据聚类后的类簇规模呈现出一种数据规模不均衡的状态；根据聚类结果，将配电设备正常运行状态下的数据归为一类，称其为正常数据；将配电设备故障运行状态的数据按不同故障进行分类，这些类簇统称为故障数据。

3.如权利要求1所述的一种基于增量式粗糙聚类的配电设备状态在线评估方法，其特征在于，所述步骤二中包括：

实时监测判断有无新增监测数据的加入，若有新增监测数据加入，计算类簇间的不均衡度；若没有新增监测数据加入，则结束流程；

分别计算所述正常数据与故障数据中上近似集样本数的比值，根据公式

得到所述正常类簇与所述故障类簇间的不均衡度；其中，N_i是故障类簇的数据点个数，N是参与计算的所有类簇的数据点的个数。

4.如权利要求1所述的一种基于增量式粗糙聚类的配电设备状态在线评估方法，其特征在于，所述步骤三中：

计算新增监测数据到正常所述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比较得到两者的比值；

统计新增监测数据点邻域数据的归属信息，包括邻域数据中属于类簇i的数据个数、新增监测数据点半径ζ范围内的所有邻域数据点个数|N(x_i)|_ζ及新增监测数据的局部密度

ζ是数据点的邻域半径；

将所述比值与所述距离判断阈值比较，距离判断阈值融合所述不均衡度，若所述比值大于所述距离判断阈值且邻域数据全部归属于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中，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下近似集中；若所述比值小于所述距离判断阈值且邻域数据均不归属于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中，则判断为为孤立点；否则，划分至所述边界区域。

5.如权利要求1所述的一种基于增量式粗糙聚类的配电设备状态在线评估方法，其特征在于，所述步骤四中包括：

当所述新增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；当新增数据属于边界区域时，其隶属度需要通过改进隶属度公式：

进行描述，其中，X_j为邻域数据中属于类簇i的数据个数，|N(x_i)|_ζ是数据点半径ζ范围内的所有邻域数据点个数，

是计算数据点与类簇数据点之间的距离系数；den_ζ表示数据的局部密度

ζ是数据点的邻域半径。

6.如权利要求1所述的一种基于增量式粗糙聚类的配电设备状态在线评估方法，其特征在于，所述步骤五中包括：

根据步骤四对新增监测数据的聚类结果，对类簇中心进行迭代计算；若类簇中心不再更新，统计划分进正常类簇和故障类簇的样本数量，对配电设备状态进行评估：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“0”，表示所述数据对应配电设备没发生故障；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“1”表示该变压器未来可能发生该类型故障；统计“孤立点”样本，并给这些样本标记“2”表示该设备故障类型未知，应引起新一轮的注意；若类簇中心持续更新，则返回步骤三。

Images