基于粗糙K-means 算法的配电设备状态自动评估研究

刘 燕， 刘 筱， 雷立黎， 李 玲

（国网重庆市电力公司永川供电分公司， 重庆 402160）

0 引言

随着现代化城市的不断发展，电力供应成为城市发展中不可或缺的一部分。在电力供应中，配电设备是电力传输和分配的重要组成部分，其运行状态直接影响到整个城市的供电质量[1]。因此，对配电设备的状态进行实时评估，及时发现并解决故障问题，是保证电力供应安全和稳定的重要措施。然而，由于配电设备种类繁多、结构复杂以及运行环境恶劣，传统的人工评估方法往往存在主观性和局限性，难以满足实时评估需求。配电设备状态自动测试研究是指利用自动化测试技术，对配电设备的运行状况进行自动测试和评估的过程。配电设备状态自动测试研究可以帮助电力公司更快、更准确地发现配电设备的故障，并及时采取措施以保证电力系统的安全、可靠运行[2]。当前的配电设备状态自动测试可以涉及多种技术，例如信号处理、计算机视觉和机器学习等。在实现配电设备状态自动测试的过程中，需要考虑多种因素，例如，数据来源、数据预处理和评估指标等，以确保评估结果的准确性和可靠性。设计配电设备状态自动评估方法可以帮助电力公司更有效地监测配电设备的运行情况，及时发现配电设备的故障，并采取相应的措施，以提高电力系统的稳定性和可靠性[3]。此外，设计配电设备状态自动评估模型还可以节省人力、物力，提高评估效率，实现配电设备状态的自动化评估。但是，传统的配电设备状态自动评估方法存在一定的局限性，例如，数据质量和数量可能不足、评估方法存在主观性等。因此，需要针对配电设备状态评估的特点和需求，采用合适的方法和技术来设计配电设备状态自动评估方法。

1 配电网状态评估过程与评估指标设计

配电网是指用于连接电力系统和终端用户的配电线路。配电网通常由大量的电力设备组成，包括变压器、断路器、开关、电抗器、电缆和通信系统等。配电网的主要功能是为终端用户提供安全、可靠的供电服务，并保证电力在传输和分配中的效率和质量[4]。在我国，配电网是指城市及农村地区的配电网络，主要由变压器、断路器和开关等配电设备以及电缆等通信设施组成。配电网通常采用集中式或分布式的运行方式，可以满足不同用户的供电需求。此次研究采用粗糙K-means 算法搭建了配电设备状态自动评估模型，有助于电力系统管理员及时发现配电网存在的问题并采取措施，确保电力系统安全、稳定运行。配电网状态评估流程分为六个部分，分别是状态信息获取、状态信息管理、样本案例、运行评估算法、维修决策和算法验证。其中，状态信息的获取途径主要来源于制造信息、配电网投运信息，将获取的配电网相关状态信息传递到信息管理模块进行管理，利用完整的配电设备评估模型进行电网状态评估，并提出维修意见处理后续的电网维修。整个流程信息会反馈到设备运营维修平台中，并提供给工作人员进行再一次核查。整个配电网状态评估流程不仅优化了人力、物力和财力的消耗，还提高了网络运行的安全性与稳定性。

配电网设备故障指标体系是指用于评估配电网设备故障情况的体系，其目的是及时发现和解决配电网设备故障，确保配电网安全、可靠运行。为进一步搭建配电网状态评估系统，研究首先选取配电网设备故障指标，包括电力设备故障次数、电力设备故障时间和电力设备故障影响程度等。电力设备故障次数是指在某一时间段内，发生电力设备故障的次数。电力设备通常包括变压器、断路器、开关和电抗器等，设备故障则包括变压器短路、断路器短路和电抗器短路等。电力设备故障时间指从电力设备发生故障到恢复正常运行的时间。电力设备故障影响程度指评估配电网设备故障对用户用电造成的影响程度。通常包括用户投诉、客户停电等。上述指标体系可以通过监测配电网设备的运行情况，及时发现和解决配电网设备故障，确保用户用电安全、可靠。

2 基于粗糙K-means 算法的配电设备状态自动评估方法设计

K-means 算法是一种基于划分的聚类算法，通常用于对数据进行聚类分析，通过将数据划分为K个类或E个簇，然后对每个类或簇使用一种固定的方法对其进行标记，以便于后续处理。粗糙集K-means 算法是一种基于粗糙集理论的聚类算法，通过对数据进行约简来生成聚类算法。该算法通过将数据划分为K个等距的簇，使得每个簇都有一个初始中心点，然后将数据分配到每个簇中，直到数据集中的所有数据都被分配到新的簇中[5]。粗糙集K-means 算法通过约简来生成聚类，避免了数据集的主观分割，相对于传统的聚类算法，具有更好的客观性能。此外，该算法还可以处理大量的数据，并且在处理大型数据集时具有性能优势。由于配电设备在运行过程中所监测到的数据经常会呈现出不均衡的情况，因此，传统的数据聚类分析方法已不再适用于配电设备监测数据的处理。因此，构建了一种采用粗糙集K-means 算法进行配电设备状态自动评估的模型。

图1 所示为利用粗糙集K-means 所搭建的配电网状态评估算法流程图。在整个状态评估流程中，首先，需要训练粗糙集K-means 算法，并根据训练结果调整其相关参数。接着，需要输入配电设备不均衡监测数据进行数据分类检测。若在检测过程中有新加入的监测数据，则需要划分对应的新增数据集。若未检测到新增监测数据，则只需要分析已有数据即可。将上述新增数据集与已有数据集进行结合，从而生成配电设备状态矩阵。分析配电设备状态矩阵是否能够达到批量处理指标，若能够达到要求，则结束算法运行。若不能够满足达标要求，则需要输入新的监测数据，重新训练算法。

图1 基于粗糙集K-means 算法的配电网状态评估流程

3 实验结果分析

为了测试上述粗糙集K-means 算法的性能以及配电网状态评估效果，将传统的K-means 算法与粗糙集K-means 算法进行对比，分析了两种聚类分析算法在同一实验环境和实验数据集下的表现情况。传统的K-means 算法与粗糙集K-means 算法的检测精度和运行时间如图2 所示。

图2 两种聚类分析算法性能测试结果

图2 所示为两种K-means 算法的性能测试结果。由图2-1 可知，随着样本数量的增加，两种K-means 算法的检测精度均有所变化。其中，粗糙集K-means 算法的检测精度保持在0.9 以上，传统K-means 算法的检测精度则随着样本数量的增加而逐渐降低。当样本数量分别为10、20、30、40 和50 个时，传统K-means 算法的检测精度分别为0.63、0.58、0.52、0.50 和0.48，粗糙集K-means 算法的检测精度分别为0.90、0.92、0.95、0.91 和0.93。

由图2-2 可知，随着样本数量的增加，两种算法的运行时间均有所增加，但粗糙集K-means 算法的运行时间保持在10 s 以下，而传统K-means 算法的运行时间则是一直增加。当样本数量为10 时，传统K-means 算法和粗糙K-means 算法的运行时间分别为6.3 s 和12.4 s，当样本数量为50 时，传统K-means算法和粗糙集K-means 算法的运行时间分别为9.2 s和23.1 s。综上可得，粗糙集K-means 算法的性能要优于传统K-means 算法，因此，采用粗糙集K-means算法构建的配电网状态评估模型评估效果更好。

4 结论

为了及时检测出电力设备运行过程中的异常数据，从而辅助工作人员进行设备排查和维修，提出了一种基于粗糙K-means 算法的配电设备状态自动评估方法。分析了配电网状态评估的具体过程与评估指标的选取，并采用粗糙集K-means 算法构建了配电网状态评估模型。研究结果表明，所采用的粗糙集K-means 算法具有较好的性能。当样本数量为10 时，传统K-means 算法和粗糙K-means 算法的运行时间分别为6.3 s 和12.4 s。当样本数量为50 时，传统K-means 算法和粗糙K-means 算法的运行时间分别为9.2 s 和23.1 s。当样本数量为10 时，传统K-means算法和粗糙K-means 算法的检验精度分别为0.63 和0.90。当样本数量为50 时，传统K-means 算法和粗糙K-means 算法的检验精度分别0.48 和0.93。粗糙K-means 算法的检测精度能够一直保持在0.9 以上，其检测精度远高于传统K-means 算法。