CN110618340A - 一种变压器状态评估方法 - Google Patents

Abstract

本发明涉及一种变压器状态评估方法，包括以下步骤：S1：确定不同变压器样本的评估参数，如C₂H₂气体含量、H₂含量、总烃绝对产气率、总烃含量、CO绝对产气率、极化指数、绕组直流电阻、绕组介质损耗、铁心接地电流、酸值、油中微水含量、油击穿电压、油介损中的一种或多种，构建输入样本数据集；S2：对输入样本进行预处理；S3：对经S2预处理过的输入样本向量进行局部密度聚类算法处理；S4：通过局部密度聚类算法处理得到变压器状态结果；S5：结合变压器状态结果和数据集搭建基于模糊神经网络算法的变压器状态评估模型；S6：输入新变压器状态评估数据通过模糊神经网络评估模型进行变压器状态评估；本发明对变压器实际状态进行更为全面的评估。

Description

一种变压器状态评估方法

技术领域

本发明涉及电力系统及其自动化技术领域，更具体地，涉及一种变压器状态评估方法。

背景技术

变压器作为电力系统重要的一次设备，其运行的稳定性和安全性直接影响电力系统的正常运行，但随着国家的壮大和经济的发展，用户对供电量需求的增大，对电力系统的容量的要求也越来越高，在这样的情况下，伴随这变压器数量的增多，其变压器由于老化或者故障带来的损失也会越大，因此能有效评估变压器的运行状态，对电力系统的稳定运行将起到重要的作用。

随着国内外不同地区电力系统故障事件和对社会造成的影响可以看出提高电力系统的可靠性是保证电力系统安全运行的基础；电力变压器作为主要的能量传输和转换的主要设备，是电力系统中重要的枢纽设备，电力变压器运行的稳定性直接影响电力系统的安全运行；随着国家的壮大和经济的发展，对电力系统运行的安全可靠性与经济性提出了更高要求；电网规模的扩大，不同电力设备的增多，以及电力系统向着智能化的方向发展，对电力系统的稳定和安全带来了新的挑战。在实际电力系统运行过程中，电力变压器绝缘老化问题，直流绕组形变，维修质量都威胁则会整个电力系统的正常运行，因此提高电力变压器的运行可靠性是电力行业重要的研究方向，除了使用质量好，技术过硬的变压器来提高电力系统的可靠性外，主要还是加强电力变压器的运行，维护以及检修水平，所以有效的变压器检修策略将对电力系统的可靠性和稳定性至关重要。

过去对变压器的故障后检修和定期检修往往需要大量的人力与物力，并且变压器之间的运行环境不同，定期检修经常出现“过检修”和“欠检修”的情况；根据大量资料表明，随着电力系统自动化程度的逐渐提高，电力系统设备发生故障中只有6％与时间相关，因此定期检修策略的有效性将受到很大限制；虽然在结合专家经验和定期检修的变压器维修方式，取得了一定的效果；但随着电力系统的扩大和电力设备的增多，设备之间的关联程度日趋复杂以及越来越高的供电可靠性要求，安排停电检修的难度将越来越大；对于变压器，定期检修策略向状态检修策略过度将是未来的发展趋势。

电力系统设备数量多，种类繁杂，而电力系统的运行状态复杂多变，很难及时有效的检测和评估变压器的实时状态，在制定定期检修策略中，工作人员对试验数据将更为重视，相应会忽略变压器的运行数据，因此无法对变压器状态提供较为精细化全面化的状态评估，从而无法达到变压器状态检修的要求；对于运行的变压器而言，随着运行年限的增加或者因运行状态，环境影响，电力变压器的各个指标也会随之发生变化，所以可以从电力变压器的历史数据与运行数据中提取出电力变压器的状态变化规律和共性特征。

变压器指标众多，根据国家电网公司的Q/GDW169-2008《油浸式变压器(电抗器)状态评价导则》和相关文献中对变压器状态评估体系的制定，本发明专利选取油色谱数据，电气试验，绝缘油试验这3个特征量及对应C₂H₂气体含量，H₂含量，总烃绝对产气率，总烃含量，CO绝对产气率，极化指数，绕组直流电阻，绕组介质损耗，铁心接地电流，酸值，油中微水含量，油击穿电压，油介损13 个指标量组成评价体系；对每个指标量确定状态等级，其状态等级分为成良好、正常、注意、警告、严重五个状态，其状态等级：

H＝{H₁，H₂，H₃，H₄，H₅}

但是对于变压器的指标量众多，很难直接对变压器的状态进行直接判断，通常的做法是通过一些模糊处理将变压器的数据进行量化，再将各个指标量通过相关算法进行融合，融合成一个整体特征量，并根据这个整体特征量对变压器进行状态评估，所以合适的算法能使得变压器状态评估更为准确，以此来辅助决策；虽然对应的量化结果能在一定程度上评估变压器状态，但是得到的评估数值和对应状态等级的隶属度对应的实际变压器的状态仍然是模糊的；因此在实际判断变压器状态时仍然无法全面针对的对变压器状态进行评估。

发明内容

本发明为克服上述现有技术所述的无法全面针对的对变压器状态进行评估的缺陷，提供一种变压器状态评估方法。

所述的方法包括以下步骤：

S1：确定不同变压器样本的评估参数，所述评估参数包括以下参数中的任意一种或多种：C₂H₂气体含量、H₂含量、总烃绝对产气率、总烃含量、CO绝对产气率、极化指数、绕组直流电阻、绕组介质损耗、铁心接地电流、酸值、油中微水含量、油击穿电压、油介损；依据上述评估参数构建输入样本数据集；

S2：对输入样本进行预处理；

S3：对经S2预处理过的输入样本向量进行局部密度聚类算法处理；

S4：通过局部密度聚类算法处理，得到变压器状态结果；

S5：结合变压器状态结果和数据集搭建基于模糊神经网络算法的变压器状态评估模型；

S6：输入新变压器状态评估数据通过模糊神经网络评估模型进行变压器状态评估。

本发明结合局部密度聚类算法和极限学习机算法得到一种基于大数据算法的变压器状态评估方法；该方法原理是收集大量变压器运行数据，试验数据和对应变压器的实际运行情况的具体描述，通过大数据算法处理相关变压器数据，挖掘变压器各个指标与变压器状态潜在变化规律以及无法直接观测到的变压器指标量与指标量或者变压器指标量与变压器实际状态的潜在关联关系，从而更为全面对变压器状态进行评估，并以此建立评估模型，得到具有实际描述的变压器状态评估。

本发明以C₂H₂气体含量，H₂含量，总烃绝对产气率，总烃含量，CO绝对产气率，极化指数，绕组直流电阻，绕组介质损耗，铁心接地电流，酸值，油中微水含量，油击穿电压，油介损这13个变压器特征指标量作为变压器状态评估输入样本相量，每一个变压器状态评估输入相量都对应一台变压器的实际状态，对输入样本相量进行一定数学处理，在进行LDC聚类分析，以聚类结果和状态等级作为对应变压器状态评估模型标准，并通过极限学习机来搭建变压器状态评估模型。

本专利旨在通过LDC聚类算法对变压器状态评估输入样本进行聚类，根据聚类结果找到每一类变压器状态的共同特征和更为全面的状态等级划分，并通过具有泛化能力较好的极限学习机建立变压器状态评估模型；对变压器实际状态进行更为全面的评估。

优选地，步骤S1所述的变压器状态评估输入样本用向量v表示：

v＝(v₁，v₂，v₃…v₁₃)

其中v₁，v₂，v₃…v₁₃分别对应C₂H₂气体含量，H₂含量，总烃绝对产气率，总烃含量，CO绝对产气率，极化指数，绕组直流电阻，绕组介质损耗，铁心接地电流，酸值，油中微水含量，油击穿电压，油介损这13个特征指标量。

优选地，步骤S2的预处理公式为：

式中，v′表示经过正则化处理的输入样本向量，Z_p表示与输入向量v的p 范数，其中p表示输入向量的维度；a，b表示输入向量中的各个特征指标量的注意值，i∈[1,13]。

优选地，步骤S3包括以下步骤：

S3.1：计算输入向量的欧式距离并确定截断距离D_c，D_c的距离为所有输入向量之间相互距离由小到大排列占总数2％的位置的距离大小；

S3.2：计算连续局部密度σ_i，连续局部密度的计算公式为：

D_ij＝||v′_i-v′_j||

式中，D_ij表示第i个样本点到j点的距离；D_c表示截断距离；σ_i表示第i 个样本的局部密度，表示对于i点其距离D_ij小于截断距离D_c的点的个数，v′_i为第i个样本点的指标向量，v′_j为第j个样本点的指标向量；

S3.3：根据局部密度确定距离偏量δ_i；求解距离偏量时，要根据该点i是否是连续局部密度聚类最大点来计算每个点的距离偏量；

若i不为密度最大点：

若i为密度最大点：

式中，距离偏量δ_i定义为：对于i点，比i点的局部密度大的点j中的最小距离；并定义局部密度最大的点的距离偏量也为最大，保证局部密度最大点为聚类中心，σ_i表示第i个样本的局部密度，σ_j表示第j个样本的局部密度；

S3.4：根据距离偏量δ_i和连续局部密度σ_i，确定心选择指标γ_i并标记聚类中心；

S3.5：根据聚类中心对非聚类中心点进行遍历得到聚类结果；

S3.6：在对子类进再聚类，直到中心选择指标γ_i无法在区分为止，得到n类聚类结果。

优选地，步骤S3.4包括以下步骤：

S3.4.1：定义中心选择指标γ_i作为选取中心点的判断标准，其计算公式如下式所示：

S3.4.2：对所有输入向量的γ_i进行降序排列，取前K个点作为聚类中心，通过观察γ_i值示意图来寻找分割点来确定聚类中心点。

优选地，步骤S4中变压器状态结果模型为：

式中，f₁，f₂，f₃…f_n其中，f_n表示提取第n类聚类结果中变压器状态的共同状态特征；[v₁，v₂，v₃…v_a]，[v₁，v₂，v₃…v_b]…[v₁，v₂，v₃…v_c]表示不同聚类结果中所包含的变压器状态数据，a，b，c表示不同聚类结果中变压器状态数据的个数；{T₁，T₂，T₃…T_d}，{T₁，T₂，T₃…T_e}…{T₁，T₂，T₃…T_f}表示不同聚类结果中处理得到变压器状态共同特征；d，e，f表示变压器状态共同特征，α、β、γ表示不同的变压器状态等级。

优选地，步骤S5包括以下步骤：

S5.1：搭建状态等级输出模型；

S5.2：以经过正则化处理的输入样本向量v′作为模糊神经网络输入，以每个输入样本聚类后对应的状态等级作为模糊神经网络的输出，根据对应输入输出搭建模糊神经网络的模型；

S5.3：在搭建好模糊神经网络的模型后，通过变压器指标对应的样本数据作为输入对模糊神经网络进行学习；搭建基于模糊神经网络算法的变压器状态评估模型。

优选地，步骤S5.1中的状态等级输出模型为：

其中，α、β、γ表示不同的变压器状态等级。

优选地，步骤S5.2中模糊神经网络模型分为五层：

第一层：为输入层，将变压器状态评估13指标经过正则化的预处理的数据作为输入与各个分量的v_i进行连接；

第二层：是隶属度函数层，对各个输入变量进行模糊处理，得到各个输入变量的模糊集合的隶属度函数，表达式如下：

式中：i表示变压器输入指标数，j表示对应模糊神经网络的隶属度函数的个数，m为隶属度神经元个数，c_ij表示隶属函数的中心，ο_ij表示各个高斯隶属度函数的宽度。

第三层：模糊规则层，用于计算各个模糊规则的适应度，模糊规则的适应度的计算公式为：

第四层：对所有规则的可信度进行归一化，归一化公式为：

式中，j＝1,2…m；

第五层：计算模糊规则的总输出

式中，i＝1,2…n，n表示对应通过聚类算法得到的不同变压器状态结果，w_ij为连接权值。

优选地，步骤S5.3中的学习为：调节的参数为第五层的连接权值w_ij，以及确定第二层中的隶属度函数的中心c_ij和隶属度宽度范围ο_ij；

其中，隶属度中心c_ij是步骤S3中对所有样本数据进行聚类之后的聚类中心，本发明用了两个隶属度函数，因此聚类中心选择该样本对应两类隶属度最高两类的聚类中心；

隶属度宽度范围ο_ij计算表达式如下：

其中，n为聚类样本数，N_ij表示对应类别的样本个数。

连接权值w_ij的调节，采用梯度下降法进行调节：

ΔF(t)＝F(t+1)-F(t)

式中，y_qi，y_i表示对应输出期望值与实际输出值，χ是学习率增量因子，θ为学习量减小因子，φ表示学习效率函数，τ，ρ为常数表示学习效率函数φ的改变量，其目的是对每一次的学习速率进行调整，防止收敛太慢，陷入局部最小值或者速率太快影响找不到最优解，对应取值范围为[0，1]；表示在神经网络中误差平方和对权重的负梯度；ψ为动量系数，w(t)为当前权重。

与现有技术相比，本发明技术方案的有益效果是：本发明可对变压器实际状态进行更为全面的评估。

附图说明

图1为本发明所述变压器状态评估方法的流程图。

图2为基于模糊神经网络变压器状态评估模型示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

本实施例提供一种变压器状态评估方法，如图1所示，所述方法包括以下步骤：

S1：确定不同变压器样本的评估参数，所述评估参数包括以下参数中的任意一种或多种：C₂H₂气体含量、H₂含量、总烃绝对产气率、总烃含量、CO绝对产气率、极化指数、绕组直流电阻、绕组介质损耗、铁心接地电流、酸值、油中微水含量、油击穿电压、油介损；依据上述评估参数构建输入样本数据集；

S2：对输入样本进行预处理；

S3：对经S2预处理过的输入样本向量进行局部密度聚类算法处理

S4：通过局部密度聚类算法处理，得到变压器状态结果；

S5：结合变压器状态结果和数据集搭建基于模糊神经网络算法的变压器状态评估模型；

S6：输入新变压器状态评估数据通过模糊神经网络评估模型进行变压器状态评估。

图1中的S1描述变压器状态评估数据集构建的过程和方法。

从相关数据库或直接实验得到变压器对应油色谱实验数据，电气试验数据和油化试验数据。通过相关计算分析，确定不同变压器样本的C₂H₂气体含量，H₂含量，总烃绝对产气率，总烃含量，CO绝对产气率，极化指数，绕组直流电阻，绕组介质损耗，铁心接地电流，酸值，油中微水含量，油击穿电压，油介损；并用向量v表示变压器状态评估输入样本：

v＝(v₁，v₂，v₃…v₁₃)

图1中的S2描述对收集的变压器状态评估输入样本进行数据预处理。

其预处理方式是结合正则化预处理与相对劣化度两种方法得到，具体计算方法如下所示：

式中，v′表示经过正则化处理的输入样本向量，Z_p表示与输入向量v的p 范数，其中p表示输入向量的维度；a，b表示输入向量中的各个特征指标量的注意值，其不同特征指标量对应的注意值如下表所示：

图1中的S3描述的是对预处理后的数据进行LDC聚类算法处理。

LDC聚类算法拥有两个计算指标，一个是计算输入向量的局部密度，另一个是计算每个输入向量的距离偏量δ_i；其局部密度和距离偏量计算表达式如下式所示：

D_ij＝||v′_i-v′_j||

式中，D_ij表示第i个样本点到j点的距离，本文采用欧氏距离公式计算；D_c表示截断距离，为预先设定值；σ_i表示第i个样本的局部密度，表示对于i点其距离D_ij小于截断距离D_c的点的个数；v′_i为第i个样本点的指标向量，v′_j为第 j个样本点的指标向量；

而在求解距离偏量时，要根据该点i是否是连续局部密度聚类最大点来计算每个点的距离偏量。

若i不为密度最大点：

若i为密度最大点：

式中，距离偏量δ_i定义为：对于i点，比i点的局部密度大的点j中的最小距离。并定义局部密度最大的点的距离偏量也为最大，保证局部密度最大点为聚类中心，σ_i表示第i个样本的局部密度，σ_j表示第j个样本的局部密度。

定义中心选择指标γ_i作为选取中心点的判断标准，其计算公式如下式所示：

对所有输入向量的γ_i进行降序排列，取前K个点作为聚类中心，通过观察γ_i值示意图来寻找分割点来确定聚类中心点。

对预处理后的数据进行LDC聚类算法处理，步骤如下所示：

S3.1：计算输入向量的欧式距离并确定截断距离D_c，D_c的距离为所有输入向量之间相互距离由小到大排列占总数2％的位置的距离大小。

S3.2：计算连续局部密度σ_i。

S3.3：根据连续局部密度确定距离偏量δ_i。

S3.4：根据距离偏量δ_i和连续局部密度σ_i，确定心选择指标γ_i并标记聚类中心。

S3.5：根据聚类中心对非聚类中心点进行遍历得到聚类结果。

S3.6：对子类进再聚类，直到中心选择指标γ_i无法在区分为止，得到n类聚类结果。

图1中的S4描述基于聚类结果得到变压器状态评估结果。

根据LDC聚类算法得到不同变压器状态数据的分类，对每一类中变压器的状态进行归纳总结，以此得到所属同一类变压器所有的共同特征，并结合分类情况来对状态等级进行更为细致的分类，其对应数学表达式如式所示：

式中，f₁，f₂，f₃…f_n其中，f_n表示提取第n类聚类结果中变压器状态的共同状态特征。[v₁，v₂，v₃…v_a]，[v₁，v₂，v₃…v_b]…[v₁，v₂，v₃…v_c]表示不同聚类结果中所包含的变压器状态数据，a，b，c表示不同聚类结果中变压器状态数据的个数。{T₁，T₂，T₃…T_d}，{T₁，T₂，T₃…T_e}…{T₁，T₂，T₃…T_f}表示不同聚类结果中处理得到变压器状态共同特征；d，e，f表示变压器状态共同特征，并用α、β、γ表示不同的变压器状态等级。

图1中S5描述了结合变压器状态结果和数据集搭建基于模糊神经网络算法的变压器状态评估模型。

根据步骤S4中对变压器状态更为细致的分类为蓝本搭建基于模糊神经网络变压器状态评估模型。

以变压器状态数据的各个特征量作为输入，以α、β、γ等n个不同的状态等级作为输出，由于模糊神经网络的输入是无法是α、β、γ这样的字母，因此首先搭建状态等级输出模型。

通过如上结果输出矩阵是将局部密度聚类结果得到的相关变压器状态结果进行数字化，并将该数字话的结果作为模糊神经网络的输出。

综上所述以变压器13个状态数据作为输出结果模型作为输出由此搭建模糊神经网络的对应模型，如图2所示。

模糊神经网络模型分为五层。

第一层：为输入层，该层主要数将变压器状态评估13指标经过正则化的预处理的数据作为输入与各个分量的v_i进行连接。

第二层：是隶属度函数层，对各个输入变量进行模糊处理，得到各个输入变量的模糊集合的隶属度函数，本专利选用通过高斯函数对输入的各个变压器指标进行模糊处理，其表达式如下：

式中：i表示变压器输入指标数，j表示对应模糊神经网络的隶属度函数的个数，本专利采用的是两个隶属度神经元，所以m＝2，c_ij表示隶属函数的中心，ο_ij表示各个高斯隶属度函数的宽度，这里对高斯函数进行了一定变形，其目的是提高中心和宽度对隶属度函数的影响。

第三层：该层目的在于计算出各个模糊规则的适应度，为后面匹配模糊规则做准备，称为模糊规则层也成为强度稀释层，其计算方式如下所示。

第四层：对所有规则的可信度进行归一化。

第五层：计算模糊规则的总输出

n表示对应通过聚类算法得到的不同变压器状态结果。

在搭建好模糊神经网络的模型后，需要通过变压器指标对应的样本数据作为输入对模糊神经网络进行学习，主要学习的参数为最后一层的连接权值w_ij，以及第二层中的隶属度函数的中心c_ij和隶属度宽度范围ο_ij。

改进误差函数如下式所示

其中，y_qi，y_i表示对应输出期望值与实际输出值。

而对于最后一层的权重调节，采用梯度下降法进行调节。

ΔF(t)＝F(t+1)-F(t)

式中，χ是学习率增量因子，默认选取为1.05；θ为学习量减小因子，默认取值为0.7；τ，ρ为常数表示学习效率函数φ的改变量，其目的是对每一次的学习速率进行调整，防止收敛太慢，陷入局部最小值或者速率太快影响找不到最优解，对应取值范围为[0，1]，本实施例两个常数取值均为0.6，表示在神经网络中误差平方和对权重的负梯度；φ表示学习效率，ψ为动量系数，默认取值为 0.9，w(t)为当前权重。

对全部过程进行整合得到整个变压器的状态评估模型；分为两个过程。

过程一为得到变压器状态结果模型，如下式所示：

该模型表示，在得到变压器状态指标样本后，如何自主聚类得到不同的变压器状态等级以及对应描述。

对于过程二主要结合模糊神经网络和过程一的结果搭建变压器状态评估模型，其过程二如下所示：

对过程一主要为构造变压器状态评估构成模型，在通过过程二中的模糊神经网络结构构造一个变压器状态评估的分类器模型。

图1中的S6描述搭建完成后，带入新变压器状态评估数据通过该模型进行变压器状态评估。

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (9)

1.一种变压器状态评估方法，其特征在于，所述的方法包括以下步骤：

S1：确定不同变压器样本的评估参数，所述评估参数包括以下参数中的任意一种或多种：C₂H₂气体含量、H₂含量、总烃绝对产气率、总烃含量、CO绝对产气率、极化指数、绕组直流电阻、绕组介质损耗、铁心接地电流、酸值、油中微水含量、油击穿电压、油介损；依据上述评估参数构建输入样本数据集；

S2：对输入样本进行预处理；

S3：对经S2预处理过的输入样本向量进行局部密度聚类算法处理；

S4：通过局部密度聚类算法处理，得到变压器状态结果；

S5：结合变压器状态结果和数据集搭建基于模糊神经网络算法的变压器状态评估模型；

S6：输入新变压器状态评估数据通过模糊神经网络评估模型进行变压器状态评估。

2.根据权利要求1所述的变压器状态评估方法，其特征在于，步骤S1所述的变压器状态评估输入样本用向量v表示：

v＝(v₁，v₂，v₃…v₁₃)

其中v₁，v₂，v₃…v₁₃分别对应C₂H₂气体含量，H₂含量，总烃绝对产气率，总烃含量，CO绝对产气率，极化指数，绕组直流电阻，绕组介质损耗，铁心接地电流，酸值，油中微水含量，油击穿电压，油介损这13个特征指标量。

3.根据权利要求2所述的变压器状态评估方法，其特征在于，步骤S2的预处理公式为：

式中，v′表示经过正则化处理的输入样本向量，Z_p表示与输入向量v的p范数，其中p表示输入向量的维度；a，b表示输入向量中的各个特征指标量的注意值，i∈[1,13]。

4.根据权利要求1所述的变压器状态评估方法，其特征在于，步骤S3包括以下步骤：

S3.1：计算输入向量的欧式距离并确定截断距离D_c，D_c的距离为所有输入向量之间相互距离由小到大排列占总数2％的位置的距离大小；

S3.2：计算连续局部密度σ_i，连续局部密度的计算公式为：

D_ij＝||v′_i-v′_j||

式中，D_ij表示第i个样本点到j点的距离；D_c表示截断距离；σ_i表示第i个样本的局部密度，表示对于i点其距离D_ij小于截断距离D_c的点的个数，v′_i为第i个样本点的指标向量，v'_j为第j个样本点的指标向量；

S3.3：根据局部密度确定距离偏量δ_i；求解距离偏量时，要根据该点i是否是连续局部密度聚类最大点来计算每个点的距离偏量；

若i不为密度最大点：

若i为密度最大点：

式中，距离偏量δ_i定义为：对于i点，比i点的局部密度大的点j中的最小距离；并定义局部密度最大的点的距离偏量也为最大，保证局部密度最大点为聚类中心，σ_i表示第i个样本的局部密度，σ_j表示第j个样本的局部密度；

S3.4：根据距离偏量δ_i和连续局部密度σ_i，确定心选择指标γ_i并标记聚类中心；

S3.5：根据聚类中心对非聚类中心点进行遍历得到聚类结果；

S3.6：在对子类进再聚类，直到中心选择指标γ_i无法在区分为止，得到n类聚类结果。

5.根据权利要求4所述的变压器状态评估方法，其特征在于，步骤S3.4包括以下步骤：

S3.4.1：定义中心选择指标γ_i作为选取中心点的判断标准，其计算公式如下式所示：

S3.4.2：对所有输入向量的γ_i进行降序排列，取前K个点作为聚类中心，通过观察γ_i值示意图来寻找分割点来确定聚类中心点。

6.根据权利要求1所述的变压器状态评估方法，其特征在于，步骤S4中变压器状态结果模型为：

式中，f₁，f₂，f₃…f_n其中，f_n表示提取第n类聚类结果中变压器状态的共同状态特征；[v₁，v₂，v₃…v_a]，[v₁，v₂，v₃…v_b]…[v₁，v₂，v₃…v_c]表示不同聚类结果中所包含的变压器状态数据，a，b，c表示不同聚类结果中变压器状态数据的个数；{T₁，T₂，T₃…T_d}，{T₁，T₂，T₃…T_e}…{T₁，T₂，T₃…T_f}表示不同聚类结果中处理得到变压器状态共同特征；d，e，f表示变压器状态共同特征，α、β、γ表示不同的变压器状态等级。

7.根据权利要求1所述的变压器状态评估方法，其特征在于，步骤S5包括以下步骤：

S5.1：搭建状态等级输出模型；状态等级输出模型为：

其中，α、β、γ表示不同的变压器状态等级；

S5.2：经过正则化处理的输入样本向量v′作为模糊神经网络输入，以每个输入样本聚类后对应的状态等级作为模糊神经网络的输出；根据对应输入输出搭建模糊神经网络的模型；

S5.3：在搭建好模糊神经网络的模型后，通过变压器指标对应的样本数据作为输入对模糊神经网络进行学习；搭建基于模糊神经网络算法的变压器状态评估模型。

8.根据权利要求7所述的变压器状态评估方法，其特征在于，步骤S5.2中模糊神经网络模型是分为五层：

第一层：为输入层，将变压器状态评估13指标经过正则化的预处理的数据作为输入与各个分量的v_i进行连接；

第二层：是隶属度函数层，对各个输入变量进行模糊处理，得到各个输入变量的模糊集合的隶属度函数，表达式如下：

式中：i表示变压器输入指标数，j表示对应模糊神经网络的隶属度函数的个数，m为隶属度神经元个数，c_ij表示隶属函数的中心，ο_ij表示各个高斯隶属度函数的宽度；

第三层：模糊规则层，用于计算各个模糊规则的适应度，模糊规则的适应度的计算公式为：

第四层：对所有规则的可信度进行归一化，归一化公式为：

式中，j＝1,2…m；

第五层：计算模糊规则的总输出

式中，i＝1,2…n，n表示对应通过聚类算法得到的不同变压器状态结果，w_ij为连接权值。

9.根据权利要求8所述的变压器状态评估方法，其特征在于，步骤S5.3中的学习为：调节的参数为第五层的连接权值w_ij，以及确定第二层中的隶属度函数的中心c_ij和隶属度宽度范围ο_ij；

其中，隶属度中心c_ij是步骤S3中对所有样本数据进行聚类之后的聚类中心，聚类中心选择该样本对应两类隶属度最高两类的聚类中心；

隶属度宽度范围ο_ij计算表达式如下：

其中，n为聚类样本数，N_ij表示对应类别的样本个数；

连接权值w_ij的调节，采用梯度下降法进行调节：

ΔF(t)＝F(t+1)-F(t)

式中，y_qi，y_i表示对应输出期望值与实际输出值，χ是学习率增量因子，θ为学习量减小因子，φ表示学习效率函数，τ，ρ为常数表示学习效率函数φ的改变量，取值范围为[0，1]；表示在神经网络中误差平方和对权重的负梯度；ψ为动量系数，w(t)为当前权重。