CN104299115B - 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 - Google Patents
基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 Download PDFInfo
- Publication number
- CN104299115B CN104299115B CN201410642032.1A CN201410642032A CN104299115B CN 104299115 B CN104299115 B CN 104299115B CN 201410642032 A CN201410642032 A CN 201410642032A CN 104299115 B CN104299115 B CN 104299115B
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- sample
- secondary system
- fuzzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims description 14
- 230000007547 defect Effects 0.000 claims abstract description 13
- 238000009413 insulation Methods 0.000 claims abstract description 6
- 230000035945 sensitivity Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000007257 malfunction Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000001681 protective effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明建立缺陷数据库从电力系统的生产管理系统、二次设备运行管理台账等系统的大量设备运行工况、负荷数据、各类状态检测数据、缺陷信息、故障和事故信息、检修数据中找出二次设备发生故障时的缺陷类型以及发生故障时设备最高运行温度、光发送功率与接收灵敏度、设备对地绝缘电阻值的数据库。能实时获取变电站二次系统的运行状态，在出现问题之前进行提前维护。
Description
技术领域
本发明变电站二次系统安全技术领域，特别是一种变电站二次系统安全状态的分析方法。
背景技术
随着IEC61850标准信息通信技术和智能化设备的发展，传统的由简单的继电保护和安全自动装置以及必要的通信手段组合而成的变电站二次系统已经发展成为以设备智能化、信息传输网络化、信息模型及通信协议标准化为特点的由广域保护系统测量系统通信系统以及广域监控系统融合成的复杂的一体化的智能变电站二次系统。智能变电站二次系统安全可靠性运行对智能变电站系统安全至关重要。继电保护装置的隐藏故障在正常运行时并不表现出来，而在系统出现压力的情况下才显现，因此，传统的离线式检测方法并不适合用来检测隐藏故障，必须通过在线的方式来监测继电保护装置隐藏故障。因此目前智能变电站二次系统上状态评估主要根据本身自检测能力获取相关数据，通过建立对应的网络模型和智能设备的可靠性评估模型来评估设备的状态，对其进行可靠性评估。智能变电站二次系统信息容量大、数据类型多，造成难以建立统一标准化的数据信息通信模型，致使其状态评估模型和方案多异化，很难满足其通用性可靠性要求。目前对二次系统状态的分类仍停留在经验划分的阶段。如何从大量的数据中选取初关键特征量，利用科学的方法对设备状态进行可靠的划分对于二次系统的状态预警具有重要意义。
发明内容
本发明的目的就是提供一种基于模糊C均值聚类算法的智能变电站二次系统状态分析方法，它通过对变电站二次系统建立缺陷数据库，能实时获取变电站二次系统的运行状态，在出现问题之前进行提前维护。
本发明的目的是通过这样的技术方案实现的，具体步骤如下：
1)采集变电站二次系统设备影响设备运行状态的关键特征量，所述关键特征量包括有设备最高运行温度、光发送功率与接收灵敏度、设备对地绝缘电阻值；
2)将变电站二次系统故障类型划分为通信故障、保护拒动或误动故障和告警异常故障；
3)对步骤2)中所述故障和其对应的关键特征量采用模糊C均值聚类算法进行聚类分类；建立缺陷数据库；
4)监测变电站二次系统设备的关键特征量，并根据步骤3)中所得到的模糊对关键特征量进行分析，得到变电站二次系统现行状态的分析评估结论；
5)根据步骤4)得到的分析评估结论，对变电站二次系统进行维护；
步骤2)中所述模糊C均值聚类算法的具体步骤如下：
2-1)根据步骤1)和变电站二次系统故障类型，确定代表点；
2-2)根据确定的代表点，对采集到的数据进行聚类划分；
步骤2-2)中所述聚类划分的具体方法为：假设已经有一个划分方案，它把样本y划分在类别Γk中，现在对它进行调整，如果把y从Γk类中转移到Γj类中，则只有这两类发生了变化，其余类别并不受影响，调整之后的两类均值分别变为：
相应地，两类各自的误差平方和也变为了：
总的误差平方和的变化值取决于这两个变化；移出一个样本会带来Γk类均方误差的减小，而移入这个样本会导致Γj类均方误差的增大；如果减小量大于增大量，即：
则进行这一步转移有利于总体误差平方和的减少，则将该样本进行转移，否则就不转移；其中，Ni是第i聚类Γi中的样本数目，mi是这些样本的均值；Je误差平方和聚类准则，它是样本集{y}和类别集Ω的函数；Je度量了用C个聚类中心m1，m2，…mc代表c个样本子集Γ1，Γ2…Γc时所产生的总的误差平方；对于不同的聚类，Je的值是不同的。
进一步，其特征在于，步骤2-1)中所述确定代表点的具体方法为：根据问题的性质，用经验的办法确定类别数，从数据中找出从直观上看来比较合适的代表点。
进一步，步骤2-1)中所述确定代表点的具体方法为：将故障类型和其对应的步骤1)采集到的数据进行随机分为c类，计算每类重心，将这些重心作为每类的代表点。
进一步，步骤2-1)中所述确定代表点的具体方法为：采用密度法选择代表点；密度法是，以每个样本为球心，用某个正数ξ为半径作一个球形邻域，落在该球内的样本数则称为该点的密度；在计算了全部样本的密度后，首先选择密度最大的样本点作为第一个代表点，它对应样本分布的一个最高的峰值点；在第二个代表点选择时，人为地设定一个数值ξ＞0，在离开第一个代表点距离ξ以外选择次大密度点作为第二个代表点。
进一步，步骤3)中模糊C均值聚类算法的具体步骤如下：
3-1)初始划分c个聚类，Γi，i＝1,2,…c，计算mi和Je；
3-2)任取一个样本y，设y∈Γi；
3-3)若Ni＝1，则转回3-2)，否则继续；
3-4)计算以及其中j≠k；
3-5)若成立，则转移y，否则则不转移；
3-6)重新计算计算mi和Je；
3-7)连续迭代N次后，如果Je不再改变，则停止，否则转3-2)；
当算法收敛时，就得到了各类的聚类中心和各个样本对于各类的隶属度值，完成聚类划分。
由于采用了上述技术方案，本发明具有如下的优点：
本发明建立缺陷数据库从电力系统的生产管理系统、二次设备运行管理台账等系统的大量设备运行工况、负荷数据、各类状态检测数据、缺陷信息、故障和事故信息、检修数据中找出二次设备发生故障时的缺陷类型以及发生故障时设备最高运行温度、光发送功率与接收灵敏度、设备对地绝缘电阻值的数据库。能实时获取变电站二次系统的运行状态，在出现问题之前进行提前维护。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
基于模糊C均值聚类算法的智能变电站二次系统状态分析方法，选取设备最高运行温度、光发送功率与接收灵敏度、设备对地绝缘电阻值是影响设备运行状态的关键特征量。常见的二次系统故障类型包括通信故障、保护拒动或误动、告警异常等。
模糊C均值聚类算法
首先介绍C-均值聚类算法的基本原理，然后引入模糊C-均值算法。
若Ni是第i聚类Γi中的样本数目，mi是这些样本的均值，即：
其中y是一个d维的矩阵，代表了每个样本点的d维特征参量值。
把Γi中的各个样本y与均值mi间的误差平方和对所有类相加后得到：
Je误差平方和聚类准则，它是样本集{y}和类别集Ω的函数。Je度量了用C个聚类中心m1，m2，…mc代表c个样本子集Γ1，Γ2…Γc时所产生的总的误差平方。对于不同的聚类，Je的值当然是不同的，使得Je极小的聚类是误差平方和准则下的最优结果，这种类型的聚类通常称为最小方差划分。要使得(2)式最小，只能用迭代的方法得到，通过不断调整样本的类别归属来求解。
为了得到最优结果，首先要对样本集进行初始划分，一般的作法是先选择一些代表样本点作为聚类中心，然后把其余的样本点按某种方法分到各类中去。关于代表样本点的选取有一下几种方法：
1、凭借经验选择代表点。根据问题的性质，用经验的办法确定类别数，从数据中找出从直观上看来比较合适的代表点。
2、将全部数据随机分为c类，计算每类重心，将这些重心作为每类的代表点。
3、密度法选择代表点。这里的密度是具有统计性质的样本密度。一种求法是，以每个样本为球心，用某个正数ξ为半径作一个球形邻域，落在该球内的样本数则称为该点的密度。在计算了全部样本的密度后，首先选择密度最大的样本点作为第一个代表点，它对应样本分布的一个最高的峰值点。在第二个代表点选择时，可以人为地设定一个数值ξ＞0，在离开第一个代表点距离ξ以外选择次大密度点作为第二个代表点，这样就可避免代表点可能集中在一起的问题。其余代表点可以通过类似的方法进行选择。
4、用前c个样本点作为代表点
5、从(c-1)聚类划分为题的解中产生c聚类划分问题的代表点
其他还可以根据自己的需要，对初始聚类中心进行设定。
具体的聚类方法为：
假设已经有一个划分方案，它把样本y划分在类别Γk中，现在对它进行调整，如果把y从Γk类中转移到Γj类中，则只有这两类发生了变化，其余类别并不受影响。调整之后的两类均值分别变为：
相应地，两类各自的误差平方和也变为了：
总的误差平方和的变化值取决于这两个变化。显然，移出一个样本会带来Γk类均方误差的减小，而移入这个样本会导致Γj类均方误差的增大。如果减小量大于增大量，即：
则进行这一步转移有利于总体误差平方和的减少，就将该样本进行转移，否则就不转移。
C均值算法的具体步骤为：
(1)初始划分c个聚类，Γi，i＝1,2,…c，采用式(1)和(2)计算mi和Je；
(2)任取一个样本y，设y∈Γi；
(3)若Ni＝1，则转回(2)，否则继续；
(4)计算以及其中j≠k；
(5)如果式(7)成立，则转移y，否则则不转移；
(6)重新计算计算mi和Je；
(7)连续迭代N次后，如果Je不再改变，则停止，否则转(2)。
将模糊理论引入C-均值聚类方法之中，就可以得到模糊C均值算法。
若{yi,i＝1,2…n}是n个样本组成的样本集合，c为预定的类别数目，mi,i＝1,2…c为每个聚类的中心，μj(yi)是第i个样本对第j类的隶属度函数。用隶属度函数定义的聚类损失函数可以写为：
其中，b＞1是一个可以控制聚类结果模糊程度的常数。如果b趋近于1，则算法将得到等同于C-均值方法的确定性聚类划分；如果b＝∞，则算法将得到完全模糊的解，即各类的中心都收敛到训练样本的中心，同时所有样本都以等同的概率归属于各类，因而完全失去分类的意义，一般b的取值在2左右。
同时，隶属度函数的约束条件为各个聚类的隶属度函数之和必须为1，即：
求式(9)的极小值，令Jf对mi和μj(yi)的偏导数为0，可得必要条件：
然后用迭代算法求解式(10)和式(11)。其具体算法为：
(1)设定聚类数目c和参数b；
(2)初始化各个聚类中心mi；
(3)按照式4.51和式4.52反复迭代计算，直到各个样本的隶属度函数值稳定。
当算法收敛时，就得到了各类的聚类中心和各个样本对于各类的隶属度值，从而完成了模糊聚类划分。
本发明通过建立缺陷数据库从电力系统的生产管理系统、二次设备运行管理台账等系统的大量设备运行工况、负荷数据、各类状态检测数据、缺陷信息、故障和事故信息、检修数据中找出二次设备发生故障时的缺陷类型以及发生故障时设备最高运行温度、光发送功率与接收灵敏度、设备对地绝缘电阻值的数据库。选取某种缺陷类型不同时期的数据作为样本库。根据经验将聚类数目c设定为a，即拟将故障发展分为a个阶段；模糊C-均值聚类方法中模糊加权指数m的选取对于FCM的聚类性能有显着的影响。当聚类结构较明显，样本数较少的时候，m值应该适当增大，反之则应该适当减小。设定算法停止迭代阈；执行程序，获得FCM的划分矩阵、每一个聚类原型的聚类中心矩阵、各聚类中心到各样本点的距离矩阵以及聚类结果，绘制目标函数变化曲线、3D聚类结果图。根据以上步骤，目标函数收敛后即可得到分类结果。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.基于模糊C均值聚类算法的智能变电站二次系统状态分析方法，其特征在于，具体步骤如下：
1)采集变电站二次系统设备影响设备运行状态的关键特征量，所述关键特征量包括有设备最高运行温度、光发送功率与接收灵敏度、设备对地绝缘电阻值；
2)将变电站二次系统故障类型划分为通信故障、保护拒动或误动故障和告警异常故障；
3)对步骤2)中所述故障和其对应的关键特征量采用模糊C均值聚类算法进行聚类分类；建立缺陷数据库；
4)监测变电站二次系统设备的关键特征量，并根据步骤3)中所得到的模糊对关键特征量进行分析，得到变电站二次系统现行状态的分析评估结论；
5)根据步骤4)得到的分析评估结论，对变电站二次系统进行维护；
步骤2)中所述模糊C均值聚类算法的具体步骤如下：
2-1)根据步骤1)和变电站二次系统故障类型，确定代表点；
2-2)根据确定的代表点，对采集到的数据进行聚类划分；
步骤2-2)中所述聚类划分的具体方法为：假设已经有一个划分方案，它把样本y划分在类别Γk中，现在对它进行调整，如果把y从Γk类中转移到Γj类中，则只有这两类发生了变化，其余类别并不受影响，调整之后的两类均值分别变为：
<mrow>
<msub>
<mover>
<mi>m</mi>
<mo>~</mo>
</mover>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>m</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<msub>
<mi>m</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mi>y</mi>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msub>
<mover>
<mi>m</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
相应地，两类各自的误差平方和也变为了：
<mrow>
<msub>
<mover>
<mi>J</mi>
<mo>~</mo>
</mover>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>J</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mrow>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msub>
<mover>
<mi>J</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>J</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mfrac>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
<mrow>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
总的误差平方和的变化值取决于这两个变化；移出一个样本会带来Γk类均方误差的减小，而移入这个样本会导致Γj类均方误差的增大；如果减小量大于增大量，即：
<mrow>
<mfrac>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
<mrow>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo><</mo>
<mfrac>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mrow>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
则进行这一步转移有利于总体误差平方和的减少，则将该样本进行转移，否则就不转移；其中，Ni是第i聚类Γi中的样本数目，mi是这些样本的均值；Je误差平方和聚类准则，它是样本集{y}和类别集Ω的函数；Je度量了用C个聚类中心m1，m2，…mc代表c个样本子集Γ1，Γ2…Γc时所产生的总的误差平方；对于不同的聚类，Je的值是不同的。
2.如权利要求1所述的基于模糊C均值聚类算法的智能变电站二次系统状态分析方法，其特征在于，步骤2-1)中所述确定代表点的具体方法为：根据问题的性质，用经验的办法确定类别数，从数据中找出从直观上看来比较合适的代表点。
3.如权利要求1所述的基于模糊C均值聚类算法的智能变电站二次系统状态分析方法，其特征在于，步骤2-1)中所述确定代表点的具体方法为：将故障类型和其对应的步骤1)采集到的数据进行随机分为c类，计算每类重心，将这些重心作为每类的代表点。
4.如权利要求1所述的基于模糊C均值聚类算法的智能变电站二次系统状态分析方法，其特征在于，步骤2-1)中所述确定代表点的具体方法为：采用密度法选择代表点；密度法是，以每个样本为球心，用某个正数ξ为半径作一个球形邻域，落在该球内的样本数则称为该点的密度；在计算了全部样本的密度后，首先选择密度最大的样本点作为第一个代表点，它对应样本分布的一个最高的峰值点；在第二个代表点选择时，人为地设定一个数值ξ＞0，在离开第一个代表点距离ξ以外选择次大密度点作为第二个代表点。
5.如权利要求1所述的基于模糊C均值聚类算法的智能变电站二次系统状态分析方法，其特征在于，步骤3)中模糊C均值聚类算法的具体步骤如下：
3-1)初始划分c个聚类，Γi，i＝1,2,…c，计算mi和Je；
3-2)任取一个样本y，设y∈Γi；
3-3)若Ni＝1，则转回3-2)，否则继续；
3-4)计算以及其中j≠k；
3-5)若成立，则转移y，否则则不转移；
3-6)重新计算计算mi和Je；
3-7)连续迭代N次后，如果Je不再改变，则停止，否则转3-2)；
当算法收敛时，就得到了各类的聚类中心和各个样本对于各类的隶属度值，完成聚类划分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410642032.1A CN104299115B (zh) | 2014-11-11 | 2014-11-11 | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410642032.1A CN104299115B (zh) | 2014-11-11 | 2014-11-11 | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104299115A CN104299115A (zh) | 2015-01-21 |
| CN104299115B true CN104299115B (zh) | 2017-10-20 |
Family
ID=52318836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410642032.1A Active CN104299115B (zh) | 2014-11-11 | 2014-11-11 | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104299115B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809584B (zh) * | 2015-05-06 | 2018-05-04 | 中国南方电网有限责任公司电网技术研究中心 | 变电站巡维方法和系统 |
| CN104809255A (zh) * | 2015-05-21 | 2015-07-29 | 国家电网公司 | 一种负荷形态获取方法和系统 |
| CN106779295A (zh) * | 2016-11-18 | 2017-05-31 | 南方电网科学研究院有限责任公司 | 供电方案生成方法和系统 |
| CN107784326B (zh) * | 2017-10-18 | 2020-04-21 | 南京四方亿能电力自动化有限公司 | 基于模糊k近邻分类的变电站主接线类型自动判别方法 |
| CN111222582B (zh) * | 2020-01-13 | 2023-12-05 | 中国电力科学研究院有限公司 | 一种用于提取继电保护装置的缺陷模式的方法及系统 |
| CN111737924B (zh) * | 2020-08-17 | 2021-03-02 | 国网江西省电力有限公司电力科学研究院 | 一种基于多源数据选取典型负荷特性变电站的方法 |
| CN112333147B (zh) * | 2020-09-30 | 2022-04-01 | 中国核动力研究设计院 | 一种核电厂dcs平台网络运行态势感知方法及系统 |
| CN112560973A (zh) * | 2020-12-22 | 2021-03-26 | 浙江浙大中控信息技术有限公司 | 一种应用于能源管理系统中可节能设备的自动判断方法 |
| CN116976857B (zh) * | 2023-08-08 | 2024-03-12 | 中国铁建电气化局集团北方工程有限公司 | 一种基于深度学习的铁路电力设备预测性维护方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345639A (zh) * | 2013-07-01 | 2013-10-09 | 河海大学常州校区 | 基于模糊聚类的支持向量机高压断路器故障诊断方法 |
| CN103454516A (zh) * | 2013-05-06 | 2013-12-18 | 国家电网公司 | 智能化变电站二次设备健康状态诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8924033B2 (en) * | 2010-05-12 | 2014-12-30 | Alstom Grid Inc. | Generalized grid security framework |
-
2014
- 2014-11-11 CN CN201410642032.1A patent/CN104299115B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103454516A (zh) * | 2013-05-06 | 2013-12-18 | 国家电网公司 | 智能化变电站二次设备健康状态诊断方法 |
| CN103345639A (zh) * | 2013-07-01 | 2013-10-09 | 河海大学常州校区 | 基于模糊聚类的支持向量机高压断路器故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《基于模糊综合支持向量机的特高压变电站二次设备状态评估》;马博等;《计算机系统应用》;20140930;第23卷(第9期);第191-197页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104299115A (zh) | 2015-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104299115B (zh) | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 | |
| CN106202886B (zh) | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 | |
| WO2022110557A1 (zh) | 一种台区户变关系异常诊断方法及装置 | |
| CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
| CN106371427B (zh) | 基于层次分析法和模糊融合的工业过程故障分类方法 | |
| CN104595170B (zh) | 一种自适应核高斯混合模型的空压机监控诊断系统及方法 | |
| CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
| CN104392071B (zh) | 一种基于复杂网络的高速列车系统安全评估方法 | |
| CN108133225A (zh) | 一种基于支持向量机的覆冰闪络故障预警方法 | |
| CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
| CN110223193A (zh) | 基于模糊聚类和rs-knn模型用于电网运行状态的判别方法及系统 | |
| CN110852441B (zh) | 一种基于改进朴素贝叶斯算法的火灾预警方法 | |
| CN103810328A (zh) | 一种基于混合模型的变压器维修决策方法 | |
| CN108710756A (zh) | 基于谱聚类分析下多特征信息加权融合的故障诊断方法 | |
| CN108266219A (zh) | 基于风量特征的矿井通风系统阻变型单故障源诊断方法 | |
| CN108334894B (zh) | 基于无监督机器学习的变压器油温异常识别方法 | |
| CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
| CN106950945A (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
| CN107247450A (zh) | 基于贝叶斯网络的断路器故障诊断方法 | |
| CN112200263B (zh) | 一种应用于配电物联网的自组织联邦聚类方法 | |
| CN103440398B (zh) | 一种基于模式识别的电网支路重要性评估方法 | |
| CN110596490A (zh) | 铁路道岔故障的智能检测方法 | |
| CN113884807B (zh) | 基于随机森林和多层架构聚类的配电网故障预测方法 | |
| CN115081811A (zh) | 基于半监督md算法的继电保护系统风险评估方法及系统 | |
| CN114553671A (zh) | 一种电力通信网故障告警的诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |