基于粗糙K-means 算法的配電設(shè)備狀態(tài)自動(dòng)評(píng)估研究

劉 燕， 劉 筱， 雷立黎， 李 玲

（國網(wǎng)重慶市電力公司永川供電分公司， 重慶 402160）

0 引言

隨著現(xiàn)代化城市的不斷發(fā)展，電力供應(yīng)成為城市發(fā)展中不可或缺的一部分。在電力供應(yīng)中，配電設(shè)備是電力傳輸和分配的重要組成部分，其運(yùn)行狀態(tài)直接影響到整個(gè)城市的供電質(zhì)量[1]。因此，對(duì)配電設(shè)備的狀態(tài)進(jìn)行實(shí)時(shí)評(píng)估，及時(shí)發(fā)現(xiàn)并解決故障問題，是保證電力供應(yīng)安全和穩(wěn)定的重要措施。然而，由于配電設(shè)備種類繁多、結(jié)構(gòu)復(fù)雜以及運(yùn)行環(huán)境惡劣，傳統(tǒng)的人工評(píng)估方法往往存在主觀性和局限性，難以滿足實(shí)時(shí)評(píng)估需求。配電設(shè)備狀態(tài)自動(dòng)測(cè)試研究是指利用自動(dòng)化測(cè)試技術(shù)，對(duì)配電設(shè)備的運(yùn)行狀況進(jìn)行自動(dòng)測(cè)試和評(píng)估的過程。配電設(shè)備狀態(tài)自動(dòng)測(cè)試研究可以幫助電力公司更快、更準(zhǔn)確地發(fā)現(xiàn)配電設(shè)備的故障，并及時(shí)采取措施以保證電力系統(tǒng)的安全、可靠運(yùn)行[2]。當(dāng)前的配電設(shè)備狀態(tài)自動(dòng)測(cè)試可以涉及多種技術(shù)，例如信號(hào)處理、計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)等。在實(shí)現(xiàn)配電設(shè)備狀態(tài)自動(dòng)測(cè)試的過程中，需要考慮多種因素，例如，數(shù)據(jù)來源、數(shù)據(jù)預(yù)處理和評(píng)估指標(biāo)等，以確保評(píng)估結(jié)果的準(zhǔn)確性和可靠性。設(shè)計(jì)配電設(shè)備狀態(tài)自動(dòng)評(píng)估方法可以幫助電力公司更有效地監(jiān)測(cè)配電設(shè)備的運(yùn)行情況，及時(shí)發(fā)現(xiàn)配電設(shè)備的故障，并采取相應(yīng)的措施，以提高電力系統(tǒng)的穩(wěn)定性和可靠性[3]。此外，設(shè)計(jì)配電設(shè)備狀態(tài)自動(dòng)評(píng)估模型還可以節(jié)省人力、物力，提高評(píng)估效率，實(shí)現(xiàn)配電設(shè)備狀態(tài)的自動(dòng)化評(píng)估。但是，傳統(tǒng)的配電設(shè)備狀態(tài)自動(dòng)評(píng)估方法存在一定的局限性，例如，數(shù)據(jù)質(zhì)量和數(shù)量可能不足、評(píng)估方法存在主觀性等。因此，需要針對(duì)配電設(shè)備狀態(tài)評(píng)估的特點(diǎn)和需求，采用合適的方法和技術(shù)來設(shè)計(jì)配電設(shè)備狀態(tài)自動(dòng)評(píng)估方法。

1 配電網(wǎng)狀態(tài)評(píng)估過程與評(píng)估指標(biāo)設(shè)計(jì)

配電網(wǎng)是指用于連接電力系統(tǒng)和終端用戶的配電線路。配電網(wǎng)通常由大量的電力設(shè)備組成，包括變壓器、斷路器、開關(guān)、電抗器、電纜和通信系統(tǒng)等。配電網(wǎng)的主要功能是為終端用戶提供安全、可靠的供電服務(wù)，并保證電力在傳輸和分配中的效率和質(zhì)量[4]。在我國，配電網(wǎng)是指城市及農(nóng)村地區(qū)的配電網(wǎng)絡(luò)，主要由變壓器、斷路器和開關(guān)等配電設(shè)備以及電纜等通信設(shè)施組成。配電網(wǎng)通常采用集中式或分布式的運(yùn)行方式，可以滿足不同用戶的供電需求。此次研究采用粗糙K-means 算法搭建了配電設(shè)備狀態(tài)自動(dòng)評(píng)估模型，有助于電力系統(tǒng)管理員及時(shí)發(fā)現(xiàn)配電網(wǎng)存在的問題并采取措施，確保電力系統(tǒng)安全、穩(wěn)定運(yùn)行。配電網(wǎng)狀態(tài)評(píng)估流程分為六個(gè)部分，分別是狀態(tài)信息獲取、狀態(tài)信息管理、樣本案例、運(yùn)行評(píng)估算法、維修決策和算法驗(yàn)證。其中，狀態(tài)信息的獲取途徑主要來源于制造信息、配電網(wǎng)投運(yùn)信息，將獲取的配電網(wǎng)相關(guān)狀態(tài)信息傳遞到信息管理模塊進(jìn)行管理，利用完整的配電設(shè)備評(píng)估模型進(jìn)行電網(wǎng)狀態(tài)評(píng)估，并提出維修意見處理后續(xù)的電網(wǎng)維修。整個(gè)流程信息會(huì)反饋到設(shè)備運(yùn)營維修平臺(tái)中，并提供給工作人員進(jìn)行再一次核查。整個(gè)配電網(wǎng)狀態(tài)評(píng)估流程不僅優(yōu)化了人力、物力和財(cái)力的消耗，還提高了網(wǎng)絡(luò)運(yùn)行的安全性與穩(wěn)定性。

配電網(wǎng)設(shè)備故障指標(biāo)體系是指用于評(píng)估配電網(wǎng)設(shè)備故障情況的體系，其目的是及時(shí)發(fā)現(xiàn)和解決配電網(wǎng)設(shè)備故障，確保配電網(wǎng)安全、可靠運(yùn)行。為進(jìn)一步搭建配電網(wǎng)狀態(tài)評(píng)估系統(tǒng)，研究首先選取配電網(wǎng)設(shè)備故障指標(biāo)，包括電力設(shè)備故障次數(shù)、電力設(shè)備故障時(shí)間和電力設(shè)備故障影響程度等。電力設(shè)備故障次數(shù)是指在某一時(shí)間段內(nèi)，發(fā)生電力設(shè)備故障的次數(shù)。電力設(shè)備通常包括變壓器、斷路器、開關(guān)和電抗器等，設(shè)備故障則包括變壓器短路、斷路器短路和電抗器短路等。電力設(shè)備故障時(shí)間指從電力設(shè)備發(fā)生故障到恢復(fù)正常運(yùn)行的時(shí)間。電力設(shè)備故障影響程度指評(píng)估配電網(wǎng)設(shè)備故障對(duì)用戶用電造成的影響程度。通常包括用戶投訴、客戶停電等。上述指標(biāo)體系可以通過監(jiān)測(cè)配電網(wǎng)設(shè)備的運(yùn)行情況，及時(shí)發(fā)現(xiàn)和解決配電網(wǎng)設(shè)備故障，確保用戶用電安全、可靠。

2 基于粗糙K-means 算法的配電設(shè)備狀態(tài)自動(dòng)評(píng)估方法設(shè)計(jì)

K-means 算法是一種基于劃分的聚類算法，通常用于對(duì)數(shù)據(jù)進(jìn)行聚類分析，通過將數(shù)據(jù)劃分為K個(gè)類或E個(gè)簇，然后對(duì)每個(gè)類或簇使用一種固定的方法對(duì)其進(jìn)行標(biāo)記，以便于后續(xù)處理。粗糙集K-means 算法是一種基于粗糙集理論的聚類算法，通過對(duì)數(shù)據(jù)進(jìn)行約簡(jiǎn)來生成聚類算法。該算法通過將數(shù)據(jù)劃分為K個(gè)等距的簇，使得每個(gè)簇都有一個(gè)初始中心點(diǎn)，然后將數(shù)據(jù)分配到每個(gè)簇中，直到數(shù)據(jù)集中的所有數(shù)據(jù)都被分配到新的簇中[5]。粗糙集K-means 算法通過約簡(jiǎn)來生成聚類，避免了數(shù)據(jù)集的主觀分割，相對(duì)于傳統(tǒng)的聚類算法，具有更好的客觀性能。此外，該算法還可以處理大量的數(shù)據(jù)，并且在處理大型數(shù)據(jù)集時(shí)具有性能優(yōu)勢(shì)。由于配電設(shè)備在運(yùn)行過程中所監(jiān)測(cè)到的數(shù)據(jù)經(jīng)常會(huì)呈現(xiàn)出不均衡的情況，因此，傳統(tǒng)的數(shù)據(jù)聚類分析方法已不再適用于配電設(shè)備監(jiān)測(cè)數(shù)據(jù)的處理。因此，構(gòu)建了一種采用粗糙集K-means 算法進(jìn)行配電設(shè)備狀態(tài)自動(dòng)評(píng)估的模型。

圖1 所示為利用粗糙集K-means 所搭建的配電網(wǎng)狀態(tài)評(píng)估算法流程圖。在整個(gè)狀態(tài)評(píng)估流程中，首先，需要訓(xùn)練粗糙集K-means 算法，并根據(jù)訓(xùn)練結(jié)果調(diào)整其相關(guān)參數(shù)。接著，需要輸入配電設(shè)備不均衡監(jiān)測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)分類檢測(cè)。若在檢測(cè)過程中有新加入的監(jiān)測(cè)數(shù)據(jù)，則需要?jiǎng)澐謱?duì)應(yīng)的新增數(shù)據(jù)集。若未檢測(cè)到新增監(jiān)測(cè)數(shù)據(jù)，則只需要分析已有數(shù)據(jù)即可。將上述新增數(shù)據(jù)集與已有數(shù)據(jù)集進(jìn)行結(jié)合，從而生成配電設(shè)備狀態(tài)矩陣。分析配電設(shè)備狀態(tài)矩陣是否能夠達(dá)到批量處理指標(biāo)，若能夠達(dá)到要求，則結(jié)束算法運(yùn)行。若不能夠滿足達(dá)標(biāo)要求，則需要輸入新的監(jiān)測(cè)數(shù)據(jù)，重新訓(xùn)練算法。

圖1 基于粗糙集K-means 算法的配電網(wǎng)狀態(tài)評(píng)估流程

3 實(shí)驗(yàn)結(jié)果分析

為了測(cè)試上述粗糙集K-means 算法的性能以及配電網(wǎng)狀態(tài)評(píng)估效果，將傳統(tǒng)的K-means 算法與粗糙集K-means 算法進(jìn)行對(duì)比，分析了兩種聚類分析算法在同一實(shí)驗(yàn)環(huán)境和實(shí)驗(yàn)數(shù)據(jù)集下的表現(xiàn)情況。傳統(tǒng)的K-means 算法與粗糙集K-means 算法的檢測(cè)精度和運(yùn)行時(shí)間如圖2 所示。

圖2 兩種聚類分析算法性能測(cè)試結(jié)果

圖2 所示為兩種K-means 算法的性能測(cè)試結(jié)果。由圖2-1 可知，隨著樣本數(shù)量的增加，兩種K-means 算法的檢測(cè)精度均有所變化。其中，粗糙集K-means 算法的檢測(cè)精度保持在0.9 以上，傳統(tǒng)K-means 算法的檢測(cè)精度則隨著樣本數(shù)量的增加而逐漸降低。當(dāng)樣本數(shù)量分別為10、20、30、40 和50 個(gè)時(shí)，傳統(tǒng)K-means 算法的檢測(cè)精度分別為0.63、0.58、0.52、0.50 和0.48，粗糙集K-means 算法的檢測(cè)精度分別為0.90、0.92、0.95、0.91 和0.93。

由圖2-2 可知，隨著樣本數(shù)量的增加，兩種算法的運(yùn)行時(shí)間均有所增加，但粗糙集K-means 算法的運(yùn)行時(shí)間保持在10 s 以下，而傳統(tǒng)K-means 算法的運(yùn)行時(shí)間則是一直增加。當(dāng)樣本數(shù)量為10 時(shí)，傳統(tǒng)K-means 算法和粗糙K-means 算法的運(yùn)行時(shí)間分別為6.3 s 和12.4 s，當(dāng)樣本數(shù)量為50 時(shí)，傳統(tǒng)K-means算法和粗糙集K-means 算法的運(yùn)行時(shí)間分別為9.2 s和23.1 s。綜上可得，粗糙集K-means 算法的性能要優(yōu)于傳統(tǒng)K-means 算法，因此，采用粗糙集K-means算法構(gòu)建的配電網(wǎng)狀態(tài)評(píng)估模型評(píng)估效果更好。

4 結(jié)論

為了及時(shí)檢測(cè)出電力設(shè)備運(yùn)行過程中的異常數(shù)據(jù)，從而輔助工作人員進(jìn)行設(shè)備排查和維修，提出了一種基于粗糙K-means 算法的配電設(shè)備狀態(tài)自動(dòng)評(píng)估方法。分析了配電網(wǎng)狀態(tài)評(píng)估的具體過程與評(píng)估指標(biāo)的選取，并采用粗糙集K-means 算法構(gòu)建了配電網(wǎng)狀態(tài)評(píng)估模型。研究結(jié)果表明，所采用的粗糙集K-means 算法具有較好的性能。當(dāng)樣本數(shù)量為10 時(shí)，傳統(tǒng)K-means 算法和粗糙K-means 算法的運(yùn)行時(shí)間分別為6.3 s 和12.4 s。當(dāng)樣本數(shù)量為50 時(shí)，傳統(tǒng)K-means 算法和粗糙K-means 算法的運(yùn)行時(shí)間分別為9.2 s 和23.1 s。當(dāng)樣本數(shù)量為10 時(shí)，傳統(tǒng)K-means算法和粗糙K-means 算法的檢驗(yàn)精度分別為0.63 和0.90。當(dāng)樣本數(shù)量為50 時(shí)，傳統(tǒng)K-means 算法和粗糙K-means 算法的檢驗(yàn)精度分別0.48 和0.93。粗糙K-means 算法的檢測(cè)精度能夠一直保持在0.9 以上，其檢測(cè)精度遠(yuǎn)高于傳統(tǒng)K-means 算法。