CN110443481B - 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 - Google Patents

Abstract

本发明公开了一种基于混合K‑近邻算法的配电自动化终端状态评价系统及方法，该方法包括：步骤1、对配电自动化终端按照其空间构成确定状态评价模型，包括七个模块；步骤2、根据配电自动化终端获取的运行数据，挖掘配电自动化终端与各运行数据之间的关联关系，确定配电自动化终端七个模块具体评价指标；步骤3、采用三角形分布隶属函数将各运行状态参量进行标准化处理；步骤4、通过欧氏距离与加权欧氏距离确定的混合K－近邻算法判断待评价终端属于各运行状态的概率，并得出状态评价结果。评价完成后，添加训练样本集，调整状态量权重，提高判断准确度。本发明基于三角形分布隶属函数和混合K－近邻算法，能够准确地判断的配电自动化终端的状态。

Description

基于混合K-近邻算法的配电自动化终端状态评价系统及方法

技术领域

本发明涉及配电网技术领域，尤其涉及一种基于混合K-近邻算法的配电自动化终端状态评价系统及方法。

背景技术

配电自动化终端是安装在中压配电网的远方检测、控制单元，具有保护、测控、通信、故障处理等功能。随着配电自动化建设的不断推进，配电自动化终端数量快速增长，分布地域也越来越广，其性能与可靠性已直接影响到整个配电自动化系统的可靠性。然而，配电自动化终端主要安装在配电网架空线路杆塔、配电网馈线回路的开关站、配电室、环网柜、箱式变电站等处，其运行可靠性易受恶劣环境和外部环境的影响。同时，配电终端厂家众多、其产品质量参差不齐，因此配电自动化终端设备的运行维护工作十分复杂。目前，针对配电自动化终端的检修方式主要有定期检修及故障检修。随着配电自动化终端设备数量的增多，定期检修工作量巨大，且易带来高成本低效率的问题，而故障检修对配电网供电可靠性的影响较大，且通常采用以换代修的检修策略，检修成本高。因此有必要对配网自动化终端开展状态评价，以此作为状态检修的重要基础数据。

配电自动化终端的可靠性遵循木桶原则，因此其状态评价应面向配电自动化终端装置，综合利用其运行数据，通过深度挖掘配电自动化终端各空间构成状态与运行数据之间的关联关系，作为配电自动化终端状态评价的数据依据。

目前，针对配电自动化终端状态评价的研究还少有开展，国内外研究人员主要针对继电保护装置进行状态诊断，其研究对配电自动化终端的状态评价具有一定的参考作用。其中继电保护状态评价中继电保护状态评价中主要采用模糊正态分布隶属函数进构建评估模型，并通过模糊向量机、证据推论等方法对继电保护装置展开状态评价，并进一步使用层次分析法、熵权法、反熵权法等调整各状态量权重。

上述文献提出的研究方法对于配电自动化终端状态诊断具有一定的参考意义，但由于配电自动化终端的状态评价研究尚处于起步阶段，其进行状态评价缺少充分的资料，因此在诊断过程中需要对评价模型及信息融合的方法做出相应的调整。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于混合K-近邻算法的配电自动化终端状态评价系统及方法。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于混合K-近邻算法的配电自动化终端状态评价系统，该系统对配电自动化终端按照其空间构成确定状态评价模型，包括：电源模块、测控单元、终端程序、通信模块；其中，测控单元包括：遥测模块、遥信模块、遥控模块、CPU模块；其中：

电源模块，采用评价周期内终端掉电时间进行评价；

遥测模块，采用评价周期内遥测动作正确率进行评价；

遥信模块，采用评价周期内信息损失率进行评价；

遥控模块，采用评价周期内遥控动作正确率进行评价；

CPU模块，采用评价周期内CPU平均使用率进行评价；

终端程序，采用评价周期内软件失效率进行评价；

通信模块，采用评价周期内通信中断时间进行评价。

进一步地，本发明的该系统中CPU模块的评价功能包括硬件故障评价和终端程序故障评价；电源模块还包括后备电源，测控单元对电源模块和后备电源统一进行评价。

本发明提供一种基于混合K-近邻算法的配电自动化终端状态评价方法，该方法包括以下步骤：

步骤1、对配电自动化终端按照其空间构成确定状态评价模型，包括七个模块：电源模块、遥测模块、遥信模块、遥控模块、CPU模块、终端程序、通信模块；

步骤2、根据配电自动化终端获取的运行数据，挖掘配电自动化终端与各运行数据之间的关联关系，确定配电自动化终端七个模块具体评价指标；

步骤3、采用三角形分布隶属函数将各运行状态参量进行标准化处理；

步骤4、通过欧氏距离与加权欧氏距离确定的混合K－近邻算法判断待评价终端属于各运行状态的概率，并得出状态评价结果。

进一步地，本发明的步骤3的具体方法为：

根据七个模块的运行状态分为“正常”、“注意”、“异常”三种状态，七种状态量在三个状态区间的分布期望值分别为μ_min、μ₀、μ_max，其中μ_min、μ_max分别为该参数状态量下的最小值和最大值，μ₀为“注意”状态下的期望值；

电源模块、遥信模块、CPU模块、终端程序和通信模块这五个模块，由于其选用的评价指标为越小越优，其在“正常”状态下的期望值为μ_min，在“异常”状态下的期望值为μ_max；

遥测模块、遥信模块这两个模块，由于其选用的评价指标为越大越优，其在“正常”状态下的期望值为μ_max，在“异常”状态下的期望值为μ_min。

进一步地，本发明的步骤3中进行标准化处理的方法具体为：

对电源模块、遥信模块、CPU模块、终端程序和通信模块这五个模块，对这五种评价指标采用三角形分布隶属函数进行标准化处理，其具体表达式为：

对遥测模块、遥信模块这两个模块，对这两种评价指标采用三角形分布隶属函数进行标准化处理，其具体表达式为：

其中，ξ_for(μ)和ξ_opp(μ)为标准化处理后的指标，μ表示待评价的指标。

进一步地，本发明的步骤4的具体方法为：

收集待评价的配电自动化终端的家族历史数据作为训练样本集，包括：评价周期内终端掉电时间、评价周期内遥测动作正确率、评价周期内信息损失率、评价周期内遥控动作正确率、评价周期内CPU平均使用率、评价周期内软件失效率、评价周期内通信中断时间七个类型的参数；将同一设备同一评价周期内的七个评价参量作为一组数据，将其划分为正常、注意、异常三种运行状态，将不同数据分入相应状态的矩阵，最终形成三个n×7的矩阵；将三个矩阵中的所有数据进行标准化处理，处于“正常”状态的设备七个模块的评价指标经过标准化处理后为一个全零矩阵，将“正常”状态的训练样本集简化为1×7的全零矩阵，“注意”、“异常”状态的训练样本集为n×7的矩阵；同时，采用变异系数计算其七个评价指标在最终评价结果中所占的权重。

进一步地，本发明的步骤4中权重值的计算方法具体为：

假设处于“注意”状态的训练样本集中共有n组不同设备不同时间段的状态数据，其七个评价指标中某一评价指标的的所有状态参量分别为x₁，x₂，…，x_n，则该评价指标的均值标准差S_x、变异系数c_x计算方法如下：

其中，c_x即使该评价指标的变异系数；变异系数越大表示在“注意”状态的训练样本集中此评价指标的状态数据变化范围越大，则此评价指标对区分设备的运行状态具有越大的作用；

假设“注意”训练样本集中的七个评价指标的变异系数为c₁，c₂，…，c₇，则某一评价指标在进行是否处于“注意”状态的评价时的相应权重值ω_i为：

采用该方法确定“注意”、“异常”样本集中7个评价指标的权重。

进一步地，本发明的步骤4中进行评价的方法具体为：

将待评价设备同一评价周期内的七个评价指标的相关状态参量进行标准化处理并形成一个1×7的数组，首先通过计算每个数组与“正常”状态的训练样本之间的的欧氏距离，判断该设备是否处于“正常”运行状态，计算方法如下：

假设待评价设备标准化后的的数据组为Y_j＝(y_j1,y_j2,…,y_j7)，“正常”状态训练样本集的数据为Z＝(0,0,0,0,0,0,0)，计算两组数据之间的欧氏距离为：

若计算出的欧氏距离为零，则该设备目前处于“正常”运行状态；若计算出的欧氏距离不为零，则进一步判断其属于“注意”或“异常”状态；判断方法如下：

假设待评价设备标准化后的的数组为Y_j＝(y_j1,y_j2,…,y_j7)，“注意”状态训练样本集中某组数据为X_i＝(x_i1,x_i2,…,x_i7)，“注意”状态样本集中七个评价指标的权重分别为ω₁、ω₂、ω₃、ω₄、ω₅、ω₆、ω₇，计算两组数据之间的加权欧氏距离为：

计算出待评价设备与“注意”、“异常”训练样本集中所有数据之间的加权欧式距离，将计算结果按照升序排列，选取最小的K个值，分析其原始计算数据处于“注意”、“异常”哪个样本集，计算其属于各个类别的概率，得出状态评价结论，协助运维人员进行状态检修；并且将已确定状态的数据集添加入训练样本集中，并重新计算更新后的训练样本集的七个评价指标的权重。

本发明产生的有益效果是：本发明的基于混合K-近邻算法的配电自动化终端状态评价系统及方法，首先依据配电自动化终端典型结构，构建了配电自动化终端的状态评价模型，并考虑现有配电自动化终端资料较少，采用三角形隶属函数，将运行数据进行标准化处理，然后引入k-近邻(k-Nearest Neighbor，简称k-NN)分析方法，解决状态评价的分类问题，提出一种基于欧氏距离与加权欧氏距离的混合K-近邻算法，将其结合配电自动化终端的家族历史数据，得到配电自动化终端状态评价结果。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1配电自动自动化终端空间结构图；

图2配电自动化终端状态参量模型；

图3基于混合K-近邻算法的配电自动自动化终端状态评价流程。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明实施例中，基于混合K-近邻算法的配电自动化终端状态评价方法包括以下步骤：

第1步，对配电自动化装置按照其空间构成确定状态评价模型。

典型配电自动化终端空间结构包括电源模块、测控单元、后备电源、通信模块。其中测控单元中包含遥测模块、遥信模块、遥控模块、CPU模块、电源模块，其中CPU模块故障又可分为硬件故障和终端程序故障。测控单元作为配电自动化终端的核心单元，其电源模块的性能同供电电源、后备电源的性能对配电自动化终端的正常工作和开关的可靠操作非常重要，本文将测控电源的电源模块与供电电源、后备电源统一作为电源模块进行评价。因此，本文对配电自动化终端按照电源模块、遥测模块、遥信模块、遥控模块、CPU硬件、终端程序及通信模块七个模块展开评价。

第2步，根据配电自动化装置易获取的运行数据，挖掘配电自动化终端与各运行数据之间的关联关系，确定配电自动化终端七个模块具体评价指标。

电源模块采用评价周期内终端掉电时间进行评价；遥测模块采用评价周期内遥测动作正确率进行评价；通信模块采用评价周期内信息损失率进行评价；遥控模块采用评价周期内遥控动作正确率进行评价；CPU硬件采用评价周期内CPU平均使用率进行评价；终端程序采用评价周期内软件失效率进行评价；通信模块采用评价周期内通信中断时间进行评价。

第3步，采用三角形分布隶属函数将各运行状态参量进行标准化处理。

由于采用的七个评价指标的状态量信息具有不同的物理意义和取值，将七种状态量使用三角形分布函数统一为单调递减的越小越优型参量。如下所示：将设备运行状态分为“正常”、“注意”、“异常”三种状态，七种状态量在三个状态区间的分布期望值分别为μ_min、μ₀、μ_max，其中μ_min、μ_max分别为该参数状态量下的最小值和最大值，μ₀为“注意”状态下的期望值。

电源模块、遥信模块、CPU硬件、终端程序和通信模块这五个模块，由于其选用的评价指标为越小越优，其在“正常”状态下的期望值为μ_min，在“异常”状态下的期望值为μ_max，对这五种评价指标采用三角形分布隶属函数进行标准化处理，其具体表达式为：

遥测模块、遥信模块这两个个模块，由于其选用的评价指标为越大越优，其在“正常”状态下的期望值为μ_max，在“异常”状态下的期望值为μ_min，对这两种评价指标采用三角形分布隶属函数进行标准化处理，其具体表达式为：

对训练样本集和待评价设备的数据组均采用此种方法进行标准化处理。

第4步，通过欧氏距离与加权欧氏距离确定的混合K－近邻算法判断待评价终端属于各运行状态的概率，并得出状态评价结果。

收集待评价的配电自动化装置的家族历史数据，主要收集评价周期内终端掉电时间、评价周期内遥测动作正确率、评价周期内信息损失率、评价周期内遥控动作正确率、评价周期内CPU平均使用率、评价周期内软件失效率、评价周期内通信中断时间七个类型的参数，将同一设备同一评价周期内的七个评价参量作为一组数据，依据专家意见及电网决策和运行人员的经验，将其划分为正常、注意、异常三种运行状态，将不同数据分入相应状态的矩阵，最终形成三个n×7的矩阵。将三个矩阵中的所有数据采用如4所述的方法进行标准化处理，由于处于“正常”状态的设备七个模块的评价指标经过标准化处理后变成了一个全零矩阵，为简化计算，将“正常”状态的训练样本集简化为1×7的全零矩阵，“注意”、“异常”状态的训练样本集为n×7的矩阵。同时，采用变异系数计算其七个评价指标在最终评价结果中所占的权重。计算方法如下：

假设处于“注意”状态的训练样本集中共有n组不同设备不同时间段的状态数据，其七个评价指标中某一评价指标的的所有状态参量分别为x₁，x₂，…，x_n，则该评价指标的均值、标准差、变异系数计算方法如下：

其中，c_x即使该评价指标的变异系数。变异系数大表示在“注意”状态的训练样本集中此评价指标的状态数据变化范围大，则此评价指标对区分设备的运行状态具有较大的作用。

假设“注意”训练样本集中的七个评价指标的变异系数为c₁，c₂，…，c₇，则某一评价指标在进行是否处于“注意”状态的评价时的相应权重值ω_i为：

采用这样的方法可以确定“注意”、“异常”样本集中7个评价指标的权重。

将待评价设备同一评价周期内的七个评价指标的相关状态参量进行标准化处理并形成一个1×7的数组，首先通过计算每个数组与“正常”状态的训练样本之间的的欧氏距离，判断该设备是否处于“正常”运行状态，，计算方法如下：

假设待评价设备标准化后的的数据组为Y_j＝(y_j1,y_j2,…,y_j7)，“正常”状态训练样本集的数据为Z＝(0,0,0,0,0,0,0)，计算两组数据之间的欧氏距离为：

若计算出的欧氏距离为零，则该设备目前处于“正常”运行状态。若计算出的欧氏距离不为零，则进一步判断其属于“注意”或“异常”状态。判断方法如下：

假设待评价设备标准化后的的数组为Y_j＝(y_j1,y_j2,…,y_j7)，“注意”状态训练样本集中某组数据为X_i＝(x_i1,x_i2,…,x_i7)，“注意”状态样本集中七个评价指标的权重分别为ω₁、ω₂、ω₃、ω₄、ω₅、ω₆、ω₇，计算两组数据之间的加权欧氏距离为：

按照上述方法，可计算出待评价设备与“注意”、“异常”训练样本集中所有数据之间的加权欧式距离，将计算结果按照升序排列，选取最小的K个值，分析其原始计算数据处于“注意”、“异常”哪个样本集，计算其属于各个类别的概率，得出状态评价结论，协助运维人员进行状态检修。并且将已确定状态的数据集添加入训练样本集中，并重新计算更新后的训练样本集的七个评价指标的权重。不断扩大训练样本集，提高判断准确度。

其中，K值的确定需要需要综合考虑“注意”、“异常”两个状态的训练样本集大小进行确定，一般训练样本集越大，K的取值越小，反之越大。若两个状态的训练样本集数组量均大于100，建议将K值取为3，其他情况建议K值取为5。考虑可能存在的计算误差，不建议将K值取为1。

下面通过借助实例更加详细地说明本发明，但以下实例仅是说明性的，本发明的保护范围并不受这些实例的限制。

参考继电保护状态评价的相关规定，假设配电自动化装置的各状态量的模糊正态分布隶属函数中的各期望值，如表1所示。

表1各状态量值及其隶属函数参数

根据各状态量的历史数据，假设某装置家族历史的评价指标为U＝[5,91％,7％,90％,60％,7％,15]，根据三角形分布隶属函数对其进行标准化处理，其标准化后的评价矩阵为U＇＝[0,0.5,0.333,1,0,0,1]。

经过标准化后，配电自动化终端状态评价标准如表2所示。依照此种方法对家族设备历史数据进行标准化，并依据专家意见及电网决策和运行人员的经验，将其划分为正常、注意、异常三种状态，以此作为初始训练样本集。

表2配电自动化终端状态评价标准样表

状态量	正常状态	注意状态	异常状态
				电源模块	0	(0,1)	1
遥测模块	0	(0,1)	1
				遥信模块	0	(0,1)	1
遥控模块	0	(0,1)	1
				CPU硬件	0	(0,1)	1
终端软件	0	(0,1)	1
				通信模块	0	(0,1)	1
评价结果	正常状态	注意状态	异常状态

假设标准化后的“注意”状态训练样本集为：

通过计算可知，其七个评价指标的权重为：

weight1＝[0.138 0.137 0.137 0.168 0.166 0.102 0.151]

假设标准化后的“注意”状态训练样本集为：

通过计算可知，其七个评价指标的权重为：

weight2＝[0.153 0.093 0.180 0.132 0.181 0.158 0.103]

选取十组配电自动化终端的状态数据作为测试集，测试集矩阵如下：

标准化后的测试集矩阵为：

计算各待评价数据与“正常”训练样本集之间的欧氏距离，确定test1为“正常”运行状态，其他九组数据通过计算与“异常”、“注意”训练样本集之间的加权欧氏距离，进行判断。

test2与“注意”状态样本训练集中各组数据之间的距离为：

test2与“异常”状态样本训练集中各组数据之间的距离为：

对distance1、distance2中的所有数据进行生序排列，由于训练样本集数据量较少，选取K＝5，则最近邻的5个值分别为0.191、0.243、0.274、0.283、0.300，五个值的原始对比数据均来自“注意”状态训练样本集，则该设备处于“注意”状态的概率为100％，因此判断结果为该设备处于“注意”状态。

十组数据的实验结果如表3所示。

表3实验结果

待测试数据编号	正常状态比例	注意状态比例	异常状态比例	评价结果
					test1	100％	0	0	正常
test2	0	100％	0	注意
					test3	0	80％	20％	注意
test4	0	100％	0	注意
					test5	0	40％	60％	异常
test6	0	100％	0	注意
					test7	0	40％	60％	异常
test8	0	100％	0	注意
					test9	0	40％	60％	异常
test10	0	40％	60％	异常

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (3)

1.一种基于混合K-近邻算法的配电自动化终端状态评价方法，其特征在于，通过基于混合K-近邻算法的配电自动化终端状态评价系统实现，该系统对配电自动化终端按照其空间构成确定状态评价模型，包括：电源模块、测控单元、终端程序、通信模块；其中，测控单元包括：遥测模块、遥信模块、遥控模块、CPU模块；其中：

电源模块，采用评价周期内终端掉电时间进行评价；

遥测模块，采用评价周期内遥测动作正确率进行评价；

遥信模块，采用评价周期内信息损失率进行评价；

遥控模块，采用评价周期内遥控动作正确率进行评价；

CPU模块，采用评价周期内CPU平均使用率进行评价；

终端程序，采用评价周期内软件失效率进行评价；

通信模块，采用评价周期内通信中断时间进行评价；

该系统中CPU模块的评价功能包括硬件故障评价和终端程序故障评价；电源模块还包括后备电源，测控单元对电源模块和后备电源统一进行评价；

该方法包括以下步骤：

步骤1、对配电自动化终端按照其空间构成确定状态评价模型，包括七个模块：电源模块、遥测模块、遥信模块、遥控模块、CPU模块、终端程序、通信模块；

步骤2、根据配电自动化终端获取的运行数据，挖掘配电自动化终端与各运行数据之间的关联关系，确定配电自动化终端七个模块具体评价指标；

步骤3、采用三角形分布隶属函数将各运行状态参量进行标准化处理；

步骤4、通过欧氏距离与加权欧氏距离确定的混合K－近邻算法判断待评价终端属于各运行状态的概率，并得出状态评价结果；

步骤4的具体方法为：

收集待评价的配电自动化终端的家族历史数据作为训练样本集，包括：评价周期内终端掉电时间、评价周期内遥测动作正确率、评价周期内信息损失率、评价周期内遥控动作正确率、评价周期内CPU平均使用率、评价周期内软件失效率、评价周期内通信中断时间七个类型的参数；将同一设备同一评价周期内的七个评价参量作为一组数据，将其划分为正常、注意、异常三种运行状态，将不同数据分入相应状态的矩阵，最终形成三个n×7的矩阵；将三个矩阵中的所有数据进行标准化处理，处于“正常”状态的设备七个模块的评价指标经过标准化处理后为一个全零矩阵，将“正常”状态的训练样本集简化为1×7的全零矩阵，“注意”、“异常”状态的训练样本集为n×7的矩阵；同时，采用变异系数计算“注意”、“异常”状态的七个评价指标在最终评价结果中所占的权重；

步骤4中权重值的计算方法具体为：

假设处于“注意”状态的训练样本集中共有n组不同设备不同时间段的状态数据，其七个评价指标中某一评价指标的所有状态参量分别为x₁，x₂，…，x_n，则该评价指标的均值标准差S_x、变异系数c_x计算方法如下：

其中，c_x即是该评价指标的变异系数；变异系数越大表示在“注意”状态的训练样本集中此评价指标的状态数据变化范围越大，则此评价指标对区分设备的运行状态具有越大的作用；

假设“注意”训练样本集中的七个评价指标的变异系数为c₁，c₂，…，c₇，则某一评价指标在进行是否处于“注意”状态的评价时的相应权重值ω_i为：

采用该方法确定“注意”、“异常”样本集中7个评价指标的权重；

步骤4中进行评价的方法具体为：

将待评价设备同一评价周期内的七个评价指标的相关状态参量进行标准化处理并形成一个1×7的数组，首先通过计算每个数组与“正常”状态的训练样本之间的欧氏距离，判断该设备是否处于“正常”运行状态，计算方法如下：

假设待评价设备标准化后的数据组为Y_j＝(y_j1,y_j2,…,y_j7)，“正常”状态训练样本集的数据为Z＝(0,0,0,0,0,0,0)，计算两组数据之间的欧氏距离为：

若计算出的欧氏距离为零，则该设备目前处于“正常”运行状态；若计算出的欧氏距离不为零，则进一步判断其属于“注意”或“异常”状态；判断方法如下：

假设待评价设备标准化后的数组为Y_j＝(y_j1,y_j2,…,y_j7)，“注意”状态训练样本集中某组数据为X_i＝(x_i1,x_i2,…,x_i7)，“注意”状态样本集中七个评价指标的权重分别为ω₁、ω₂、ω₃、ω₄、ω₅、ω₆、ω₇，计算两组数据之间的加权欧氏距离为：

计算出待评价设备与“注意”、“异常”训练样本集中所有数据之间的加权欧式距离，将计算结果按照升序排列，选取最小的K个值，分析其原始计算数据处于“注意”、“异常”哪个样本集，计算其属于各个类别的概率，得出状态评价结论，协助运维人员进行状态检修；并且将已确定状态的数据集添加入训练样本集中，并重新计算更新后的训练样本集的七个评价指标的权重。

2.根据权利要求1所述的基于混合K-近邻算法的配电自动化终端状态评价方法，其特征在于，步骤3的具体方法为：

根据七个模块的运行状态分为“正常”、“注意”、“异常”三种状态，七种状态量在三个状态区间的分布期望值分别为μ_min、μ₀、μ_max，其中μ_min、μ_max分别为该参数状态量下的最小值和最大值，μ₀为“注意”状态下的期望值；

电源模块、遥信模块、CPU模块、终端程序和通信模块这五个模块，由于其选用的评价指标为越小越优，其在“正常”状态下的期望值为μ_min，在“异常”状态下的期望值为μ_max；

遥测模块、遥控模块这两个模块，由于其选用的评价指标为越大越优，其在“正常”状态下的期望值为μ_max，在“异常”状态下的期望值为μ_min。

3.根据权利要求2所述的基于混合K-近邻算法的配电自动化终端状态评价方法，其特征在于，步骤3中进行标准化处理的方法具体为：

对电源模块、遥信模块、CPU模块、终端程序和通信模块这五个模块，对这五种评价指标采用三角形分布隶属函数进行标准化处理，其具体表达式为：

对遥测模块、遥控模块这两个模块，对这两种评价指标采用三角形分布隶属函数进行标准化处理，其具体表达式为：

其中，ξ_for(μ)和ξ_opp(μ)为标准化处理后的指标，μ表示待评价的指标。