基于粗糙K-means 算法的配電設備狀態自動評估研究

劉 燕， 劉 筱， 雷立黎， 李 玲

（國網重慶市電力公司永川供電分公司， 重慶 402160）

0 引言

隨著現代化城市的不斷發展，電力供應成為城市發展中不可或缺的一部分。在電力供應中，配電設備是電力傳輸和分配的重要組成部分，其運行狀態直接影響到整個城市的供電質量[1]。因此，對配電設備的狀態進行實時評估，及時發現并解決故障問題，是保證電力供應安全和穩定的重要措施。然而，由于配電設備種類繁多、結構復雜以及運行環境惡劣，傳統的人工評估方法往往存在主觀性和局限性，難以滿足實時評估需求。配電設備狀態自動測試研究是指利用自動化測試技術，對配電設備的運行狀況進行自動測試和評估的過程。配電設備狀態自動測試研究可以幫助電力公司更快、更準確地發現配電設備的故障，并及時采取措施以保證電力系統的安全、可靠運行[2]。當前的配電設備狀態自動測試可以涉及多種技術，例如信號處理、計算機視覺和機器學習等。在實現配電設備狀態自動測試的過程中，需要考慮多種因素，例如，數據來源、數據預處理和評估指標等，以確保評估結果的準確性和可靠性。設計配電設備狀態自動評估方法可以幫助電力公司更有效地監測配電設備的運行情況，及時發現配電設備的故障，并采取相應的措施，以提高電力系統的穩定性和可靠性[3]。此外，設計配電設備狀態自動評估模型還可以節省人力、物力，提高評估效率，實現配電設備狀態的自動化評估。但是，傳統的配電設備狀態自動評估方法存在一定的局限性，例如，數據質量和數量可能不足、評估方法存在主觀性等。因此，需要針對配電設備狀態評估的特點和需求，采用合適的方法和技術來設計配電設備狀態自動評估方法。

1 配電網狀態評估過程與評估指標設計

配電網是指用于連接電力系統和終端用戶的配電線路。配電網通常由大量的電力設備組成，包括變壓器、斷路器、開關、電抗器、電纜和通信系統等。配電網的主要功能是為終端用戶提供安全、可靠的供電服務，并保證電力在傳輸和分配中的效率和質量[4]。在我國，配電網是指城市及農村地區的配電網絡，主要由變壓器、斷路器和開關等配電設備以及電纜等通信設施組成。配電網通常采用集中式或分布式的運行方式，可以滿足不同用戶的供電需求。此次研究采用粗糙K-means 算法搭建了配電設備狀態自動評估模型，有助于電力系統管理員及時發現配電網存在的問題并采取措施，確保電力系統安全、穩定運行。配電網狀態評估流程分為六個部分，分別是狀態信息獲取、狀態信息管理、樣本案例、運行評估算法、維修決策和算法驗證。其中，狀態信息的獲取途徑主要來源于制造信息、配電網投運信息，將獲取的配電網相關狀態信息傳遞到信息管理模塊進行管理，利用完整的配電設備評估模型進行電網狀態評估，并提出維修意見處理后續的電網維修。整個流程信息會反饋到設備運營維修平臺中，并提供給工作人員進行再一次核查。整個配電網狀態評估流程不僅優化了人力、物力和財力的消耗，還提高了網絡運行的安全性與穩定性。

配電網設備故障指標體系是指用于評估配電網設備故障情況的體系，其目的是及時發現和解決配電網設備故障，確保配電網安全、可靠運行。為進一步搭建配電網狀態評估系統，研究首先選取配電網設備故障指標，包括電力設備故障次數、電力設備故障時間和電力設備故障影響程度等。電力設備故障次數是指在某一時間段內，發生電力設備故障的次數。電力設備通常包括變壓器、斷路器、開關和電抗器等，設備故障則包括變壓器短路、斷路器短路和電抗器短路等。電力設備故障時間指從電力設備發生故障到恢復正常運行的時間。電力設備故障影響程度指評估配電網設備故障對用戶用電造成的影響程度。通常包括用戶投訴、客戶停電等。上述指標體系可以通過監測配電網設備的運行情況，及時發現和解決配電網設備故障，確保用戶用電安全、可靠。

2 基于粗糙K-means 算法的配電設備狀態自動評估方法設計

K-means 算法是一種基于劃分的聚類算法，通常用于對數據進行聚類分析，通過將數據劃分為K個類或E個簇，然后對每個類或簇使用一種固定的方法對其進行標記，以便于后續處理。粗糙集K-means 算法是一種基于粗糙集理論的聚類算法，通過對數據進行約簡來生成聚類算法。該算法通過將數據劃分為K個等距的簇，使得每個簇都有一個初始中心點，然后將數據分配到每個簇中，直到數據集中的所有數據都被分配到新的簇中[5]。粗糙集K-means 算法通過約簡來生成聚類，避免了數據集的主觀分割，相對于傳統的聚類算法，具有更好的客觀性能。此外，該算法還可以處理大量的數據，并且在處理大型數據集時具有性能優勢。由于配電設備在運行過程中所監測到的數據經常會呈現出不均衡的情況，因此，傳統的數據聚類分析方法已不再適用于配電設備監測數據的處理。因此，構建了一種采用粗糙集K-means 算法進行配電設備狀態自動評估的模型。

圖1 所示為利用粗糙集K-means 所搭建的配電網狀態評估算法流程圖。在整個狀態評估流程中，首先，需要訓練粗糙集K-means 算法，并根據訓練結果調整其相關參數。接著，需要輸入配電設備不均衡監測數據進行數據分類檢測。若在檢測過程中有新加入的監測數據，則需要劃分對應的新增數據集。若未檢測到新增監測數據，則只需要分析已有數據即可。將上述新增數據集與已有數據集進行結合，從而生成配電設備狀態矩陣。分析配電設備狀態矩陣是否能夠達到批量處理指標，若能夠達到要求，則結束算法運行。若不能夠滿足達標要求，則需要輸入新的監測數據，重新訓練算法。

圖1 基于粗糙集K-means 算法的配電網狀態評估流程

3 實驗結果分析

為了測試上述粗糙集K-means 算法的性能以及配電網狀態評估效果，將傳統的K-means 算法與粗糙集K-means 算法進行對比，分析了兩種聚類分析算法在同一實驗環境和實驗數據集下的表現情況。傳統的K-means 算法與粗糙集K-means 算法的檢測精度和運行時間如圖2 所示。

圖2 兩種聚類分析算法性能測試結果

圖2 所示為兩種K-means 算法的性能測試結果。由圖2-1 可知，隨著樣本數量的增加，兩種K-means 算法的檢測精度均有所變化。其中，粗糙集K-means 算法的檢測精度保持在0.9 以上，傳統K-means 算法的檢測精度則隨著樣本數量的增加而逐漸降低。當樣本數量分別為10、20、30、40 和50 個時，傳統K-means 算法的檢測精度分別為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，隨著樣本數量的增加，兩種算法的運行時間均有所增加，但粗糙集K-means 算法的運行時間保持在10 s 以下，而傳統K-means 算法的運行時間則是一直增加。當樣本數量為10 時，傳統K-means 算法和粗糙K-means 算法的運行時間分別為6.3 s 和12.4 s，當樣本數量為50 時，傳統K-means算法和粗糙集K-means 算法的運行時間分別為9.2 s和23.1 s。綜上可得，粗糙集K-means 算法的性能要優于傳統K-means 算法，因此，采用粗糙集K-means算法構建的配電網狀態評估模型評估效果更好。

4 結論

為了及時檢測出電力設備運行過程中的異常數據，從而輔助工作人員進行設備排查和維修，提出了一種基于粗糙K-means 算法的配電設備狀態自動評估方法。分析了配電網狀態評估的具體過程與評估指標的選取，并采用粗糙集K-means 算法構建了配電網狀態評估模型。研究結果表明，所采用的粗糙集K-means 算法具有較好的性能。當樣本數量為10 時，傳統K-means 算法和粗糙K-means 算法的運行時間分別為6.3 s 和12.4 s。當樣本數量為50 時，傳統K-means 算法和粗糙K-means 算法的運行時間分別為9.2 s 和23.1 s。當樣本數量為10 時，傳統K-means算法和粗糙K-means 算法的檢驗精度分別為0.63 和0.90。當樣本數量為50 時，傳統K-means 算法和粗糙K-means 算法的檢驗精度分別0.48 和0.93。粗糙K-means 算法的檢測精度能夠一直保持在0.9 以上，其檢測精度遠高于傳統K-means 算法。