CN112684295A - 一种基于相似离度的高渗透率下配电网故障选线方法及系统 - Google Patents

Abstract

本发明公开了一种基于相似离度的高渗透率下配电网故障选线方法及系统，该方法包括历史样本向量采集，基于改进的k‑means算法获取故障和非故障聚类中心，然后通过监测配电网零序电压值，采集被保护馈线的实时特征向量；并计算实时特征向量与故障聚类中心、非故障聚类中心的相似离度；利用相似离度对故障线进行判断；该方法突破了传统保护方法中需要将电气参数与保护整定值进行比较来判断系统运行状态的瓶颈，实现了无整定保护，有效减少了系统运行方式对保护结果的影响；同时，通过融合多种故障选线方法中的故障特征量作为保护评判指标，借助数学建模、海量数据统计分析、多源信息融合等多种研究手段，显著提高了抗干扰性及自适应性。

Description

一种基于相似离度的高渗透率下配电网故障选线方法及系统

技术领域

本发明属于配电网故障相选线领域，特别涉及一种基于相似离度的高渗透率下配电网故障选线方法及系统。

背景技术

当前国内外配电网主要采用小电流接地方式，当线路发生单相接地故障后，接地故障电流值较小，故障特征参数难以准确检测，加之现场外部环境干扰、搭载负荷干扰以及故障选线方案自身存在缺陷等其他因素影响，现有的故障选线方案在实际运行时效果很不理想。因此小电流接地系统单相接地故障选线问题一直是电力行业研究的重点问题。

当前配电网选线方案可以划分为三大类。第一类是基于单一判据的故障保护方法，该类方法通常选取故障发生时的某一种电气量作为故障特征量，通过将现场测试值与预先人为设定的保护动作阈值进行比较来实现保护：当实测值不在预设的动作阈值范围内时，判断为发生故障，相应的保护装置动作；反之，则判断为非故障状态，保护装置不动作，主要方法包括残流增量法、负序电流法等。第二类是基于暂态故障特征量的保护方案，该类方法与基于稳态故障特征量的选线保护方法相比，有效频带内的暂态故障特征量更为显著。采用故障发生时刻的故障特征明显的暂态信号作为保护判据。然而，由于这类方法一般需要借助小波包分解等数学方法提取特定频带中的故障特征信息，在频段、信号的处理过程中可能造成重要的故障特征信息遗失，且由于现场的电磁干扰等因素，提取出的有效信息信噪比不高。第三类是基于注入信号的接地故障选线方法，向配电网中输入一个特征信号，并实时检测输入信号在线路中的流动情况实现故障选线，如注入变频信号法。但此类方法需要在原配电网的基础上增设额外的设备，在故障电阻较大情况时并不明显，且注入信号极易受到含量丰富的谐波信号干扰。

以上传统的故障保护方法大多基于单一故障特征量，大大降低了故障选线准确率，国内外亟需一种结合多种故障特征量，并且抗干扰能力强的选线方法来保障选线结果准确性。

发明内容

本发明提供了一种基于相似离度的高渗透率下配电网故障选线方法及系统，通过改进的K-means算法对故障特征量进行综合处理，有效融合多种保护方案，实现各方案之间的优势互补，故障发生后通过相似离度判断各馈线故障状态，最终实现故障准确选线。

本发明提供了技术方案如下：一方面，一种基于相似离度的高渗透率下配电网故障选线方法，包括：

历史样本向量采集：采集正常运行状态和故障状态下配电网的历史样本特征向量，并对历史样本特征向量进行归一化处理；

所述历史样本特征向量至少包含s个配电网的特征指标；

获取故障和非故障聚类中心：通过改进的K-means算法对历史样本特征向量进行分类，得到故障聚类中心和非故障聚类中心；

监测配电网零序电压值：当配电网系统零序电压超过预设的阀值

时，采集被保护馈线的实时特征向量；其中，

为系统相电压值；

相似离度计算：计算实时特征向量与故障聚类中心、非故障聚类中心的相似离度δ_g1、δ_g2；

故障线判断：若δ_g1＞δ_g2，则被保护馈线发生故障，否则，则被保护馈线未发生故障。

采取相似离度作为保护判据，无需预设保护装置动作整定值，可实现无整定保护，有效减少了系统运行方式对保护结果的影响。

进一步地，所述计算实时特征向量与故障聚类中心、非故障聚类中心的相似离度δ_g1、δ_g2的计算公式如下：

其中，R_g1表示实时特征向量与故障类中心的形系数，D_g1表示实时特征向量与故障类中心的值系数，R_g2表示实时特征向量与非故障类中心的形系数，D_g2表示实时特征向量与非故障类中心的值系数；

y_k＝x_j-c_ij，

其中，x_j表示实时特征向量中的第j个特征，c_ij表示第i类聚类中心的第j个特征，m为实时特征向量个数，当i＝1时，表示故障类，当i＝2时，表示非故障类。

进一步地，通过改进的K-means算法对历史样本特征向量进行分类，得到故障聚类中心和非故障聚类中心的具体过程如下：

步骤A：输入历史样本特征向量数据集X，聚类簇数T；

步骤B：利用以下公式计算任意两个历史样本特征向量之间的相异性dis、储存n个对象两两之间的相异性的对称矩阵disM、历史样本特征向量的均值相异性Adis、历史样本向量数据集的总体相异性Tdis；

其中，n为历史样本特征向量数据集X的历史样本特征向量总数，1≤i,j≤n；

步骤C：设置聚类中心序号t的初始值，t＝1，选取第一个初始聚类中心点μ₁，即μ₁＝argmax[Adis(x_i)],i∈{1,2,…,n}，用零代替该历史样本特征向量的均值相异性Adis,并更新t，t＝t+1；

步骤D：计算当前均值相异性Adis的最大历史样本特征向量与已选初始聚类中心之间的相异性，找出满足以下条件的历史样本特征向量x_i作为第t个初始聚类中心μ_t：dis(x_i,μ_t|t＝1,2,…,T)≥Tdis，用零代替该历史样本特征向量的均值相异性Adis，并更新t，t＝t+1；

步骤E：判断t是否等于设定的聚类簇数T，若相等，则初始聚类中心点为{μ_t}，t的取值为1-T，并初始化t为1，进入步骤F；若不相等，则回到上一步继续寻找下一个初始聚类中心；

步骤F：根据距离最近原则由初始聚类中心确定各历史样本特征向量x_i所属簇标记λ_i，

将历史样本特征向量x_i划入相对应的簇

的初始值为空；用中位数代替均值计算新的聚类中心，将每个簇的历史样本特征向量进行排序，按照下式更新聚类中心；

表示

中的历史样本特征向量的数量；

步骤G：判断|μ_t-μ′_t|是否小于阈值，当条件满足时，μ′_t作为最终的聚类中心值，否则，将μ_t作为最终的聚类中心值；其中，阈值取值范围为(0,0.001)；

步骤H：判断t是否等于设定的聚类簇数T，若相等，聚类结束，若不相等，则令t＝t+1，回到步骤F继续寻找下一个聚类中心。

采用改进的K-means聚类方法所发掘的聚类代表点大部分都是数据集中的真实数据点，本质上更具有代表性，消除了离群点对聚类结果的影响。

进一步地，对历史样本特征向量进行归一化处理是指按照以下公式计算：

其中，n表示历史样本特征向量数量；x′_hj和x_hj分别表示归一化处理前和处理后第h个历史样本向量的第j个特征指标。

另一方面，一种基于相似离度的高渗透率下配电网故障选线系统，包括：

历史样本向量采集模块：用于采集正常运行状态和故障状态下配电网的历史样本特征向量，并对历史样本特征向量进行归一化处理；

所述历史样本特征向量至少包含s个配电网的特征指标；

获取故障和非故障聚类中心模块：用于通过改进的K-means算法对历史样本特征向量进行分类，得到故障聚类中心和非故障聚类中心；

监测配电网零序电压值模块：当配电网系统零序电压超过预设的阀值

时，采集被保护馈线的实时特征向量；其中，

为系统相电压值；

相似离度计算模块：计算实时特征向量与故障聚类中心、非故障聚类中心的相似离度δ_g1、δ_g2；

故障线判断模块：若δ_g1＞δ_g2，则被保护馈线发生故障，否则，则被保护馈线未发生故障。

进一步地，所述相似离度计算模块计算实时特征向量与故障聚类中心、非故障聚类中心的相似离度δ_g1、δ_g2的计算公式如下：

其中，R_g1表示实时特征向量与故障类中心的形系数，D_g1表示实时特征向量与故障类中心的值系数，R_g2表示实时特征向量与非故障类中心的形系数，D_g2表示实时特征向量与非故障类中心的值系数；

y_k＝x_j-c_ij，

其中，x_j表示实时特征向量中的第j个特征，c_ij表示第i类聚类中心的第j个特征，m为实时特征向量个数，当i＝1时，表示故障类，当i＝2时，表示非故障类。

进一步地，所述获取故障和非故障聚类中心模块，通过改进的K-means算法对历史样本特征向量进行分类，得到故障聚类中心和非故障聚类中心的具体过程如下：

步骤A：输入历史样本特征向量数据集X，聚类簇数T；

步骤B：利用以下公式计算任意两个历史样本特征向量之间的相异性dis、储存n个对象两两之间的相异性的对称矩阵disM、历史样本特征向量的均值相异性Adis、历史样本向量数据集的总体相异性Tdis；

其中，n为历史样本特征向量数据集X的历史样本特征向量总数，1≤i,j≤n；

步骤C：设置聚类中心序号t的初始值，t＝1，选取第一个初始聚类中心点μ₁，即μ₁＝argmax[Adis(x_i)],i∈{1,2,…,n}，用零代替该历史样本特征向量的均值相异性Adis,并更新t，t＝t+1；

步骤D：计算当前均值相异性Adis的最大历史样本特征向量与已选初始聚类中心之间的相异性，找出满足以下条件的历史样本特征向量x_i作为第t个初始聚类中心μ_t：dis(x_i,μ_t|t＝1,2,…,T)≥Tdis，用零代替该历史样本特征向量的均值相异性Adis，并更新t，t＝t+1；

步骤E：判断t是否等于设定的聚类簇数T，若相等，则初始聚类中心点为{μ_t}，t的取值为1-T，并初始化t为1，进入步骤F；若不相等，则回到上一步继续寻找下一个初始聚类中心；

步骤F：根据距离最近原则由初始聚类中心确定各历史样本特征向量x_i所属簇标记λ_i，

将历史样本特征向量x_i划入相对应的簇

的初始值为空；用中位数代替均值计算新的聚类中心，将每个簇的历史样本特征向量进行排序，按照下式更新聚类中心；

表示

中的历史样本特征向量的数量；

步骤G：判断|μ_t-μ′_t|是否小于阈值，当条件满足时，μ′_t作为最终的聚类中心值，否则，将μ_t作为最终的聚类中心值；其中，阈值取值范围为(0,0.001)；

步骤H：判断t是否等于设定的聚类簇数T，若相等，聚类结束，若不相等，则令t＝t+1，回到步骤F继续寻找下一个聚类中心。

进一步地，对历史样本特征向量进行归一化处理是指按照以下公式计算：

其中，n表示历史样本特征向量数量；x′_hj和x_hj分别表示归一化处理前和处理后第h个历史样本向量的第j个特征指标。

有益效果

本发明提供了一种基于相似离度的高渗透率下配电网故障选线方法及系统，该方法包括历史样本向量采集，组成历史数据库，基于改进的K-means算法获取故障和非故障聚类中心，然后通过监测配电网零序电压值，采集的被保护馈线的实时特征向量；并计算实时特征向量与故障聚类中心、非故障聚类中心的相似离度；利用相似离度对故障线路进行判断；

该方法突破了传统保护方法中需要将电气参数与保护整定值进行比较来判断系统运行状态的瓶颈；同时，通过融合多种故障选线方法中的故障特征量作为保护评判指标，与传统的单一判据保护方法相比，借助数学建模、海量数据统计分析、多源信息融合等多种研究手段，显著提高了保护的精度、抗干扰性及自适应性。采取相似离度作为保护判据，无需预设保护装置动作整定值，可实现无整定保护，有效减少了系统运行方式对保护结果的影响。基于改进的K-means算法相比传统聚类算法，所发掘的聚类代表点大部分都是数据集中的真实数据点，本质上更具有代表性，消除了离群点对聚类结果的影响；该算法每次运行所得结果完全一致，保证了聚类结果的稳定性。

附图说明

图1为本发明实例所述方法的流程示意图。

具体实施方式

下面将结合附图对本发明做出进一步的说明。

一种基于相似离度高渗透率的配电网故障选线方法，如图1所示，包括：

历史样本向量采集：采集正常运行状态和故障状态下配电网的历史样本特征向量，并对历史样本特征向量进行归一化处理；

所述历史样本特征向量至少包含s个配电网的特征指标；

对历史样本特征向量进行归一化处理是指按照以下公式计算：

其中，n表示历史样本特征向量数量；x′_kj和x_kj分别表示归一化处理前和处理后第k个历史样本向量的第j个特征指标。

获取故障和非故障聚类中心：通过改进的K-means算法对历史样本特征向量进行分类，得到故障聚类中心和非故障聚类中心；

所述获取故障和非故障聚类中心的具体过程如下：

步骤A：输入历史样本特征向量数据集X，聚类簇数T；

步骤B：利用以下公式计算任意两个历史样本特征向量之间的相异性dis、储存n个对象两两之间的相异性的对称矩阵disM、历史样本特征向量的均值相异性Adis、历史样本向量数据集的总体相异性Tdis；

其中，n为历史样本特征向量数据集X的历史样本特征向量总数，1≤i,j≤n；

步骤C：设置聚类中心序号t的初始值，t＝1，选取第一个初始聚类中心点μ₁，即μ₁＝argmax[Adis(x_i)],i∈{1,2,…,n}，用零代替该历史样本特征向量的均值相异性Adis,并更新t，t＝t+1；

步骤D：计算当前均值相异性Adis的最大历史样本特征向量与已选初始聚类中心之间的相异性，找出满足以下条件的历史样本特征向量x_i作为第t个初始聚类中心μ_t：dis(x_i,μ_t|t＝1,2,…,T)≥Tdis，用零代替该历史样本特征向量的均值相异性Adis，并更新t，t＝t+1；

步骤E：判断t是否等于设定的聚类簇数T，若相等，则初始聚类中心点为{μ_t}，t的取值为1-T，并初始化t为1，进入步骤F；若不相等，则回到上一步继续寻找下一个初始聚类中心；

步骤F：根据距离最近原则由初始聚类中心确定各历史样本特征向量x_i所属簇标记λ_i，

将历史样本特征向量x_i划入相对应的簇

的初始值为空；用中位数代替均值计算新的聚类中心，将每个簇的历史样本特征向量进行排序，按照下式更新聚类中心；

表示

中的历史样本特征向量的数量；

步骤G：判断|μ_t-μ′_t|是否小于阈值，当条件满足时，μ′_t作为最终的聚类中心值，否则，将μ_t作为最终的聚类中心值；其中，阈值取值范围为(0,0.001)；

步骤H：判断t是否等于设定的聚类簇数T，若相等，聚类结束，若不相等，则令t＝t+1，回到步骤F继续寻找下一个聚类中心。

监测配电网零序电压值：当配电网系统零序电压超过预设的阀值

时，采集被保护馈线的实时特征向量；

其中，

为系统相电压值；

相似离度计算：计算实时特征向量与故障聚类中心、非故障聚类中心的相似离度δ_g1、δ_g2；

故障线判断：若δ_g1＞δ_g2，则被保护馈线发生故障，否则，则被保护馈线未发生故障。

所述计算实时特征向量与故障聚类中心、非故障聚类中心的相似离度δ_g1、δ_g2的计算公式如下：

其中R_g1表示实时特征向量与故障类中心的形系数，D_g1表示实时特征向量与故障类中心的值系数。R_g2表示实时特征向量与非故障类中心的形系数，D_g2表示实时特征向量与非故障类中心的值系数。

y_k＝x_j-c_ij

其中x_j表示实时特征向量中的第j个特征，c_ij表示第i类聚类中心的第j个特征，m为实时特征向量个数，当i＝1时，表示故障，当i＝2时，表示非故障。

采用本发明技术方案所提方法，在PSCAD仿真环境中搭建35kV配电网模型，系统包括三条架空线及一条电缆线路，线路具体参数列于表1。下面以馈线4为例分析其故障状态，在线路始端处设置测量元件，从采集到的故障信息中提取故障特征量，故障特征量依次为零序导纳接地继电器测量的相位差x_k1、负序电流x_k2、零序电流x_k3及接地故障电阻x_k4。

表1 35kV配网系统线路参数

在上述配网参数设置基础上模拟16组故障特征向量，其中8组是馈线4发生故障时的数据，剩余8组为其它馈线故障时的数据，分别提取故障特征量，数据列于表2，并计算故障聚类中心与非故障聚类中心，计算结果如表3所示。

表2系统历史样本特征向量集

表3历史数据2的聚类中心坐标

模拟了4组故障特征向量，分别采集故障特征量列于表4。根据相似离度度公式计算故障测度，并得出馈线4的保护判断结果列于表5。可以看出，当馈线4发生故障时故障测度大于非故障测度，能准确判断馈线4发生故障；其它馈线发生故障时，故障测度小于非故障测度，则判断馈线4未发生故障。表5结果与表4的故障假设一致，验证了所提选线保护方法的可行性。其它馈线依然可根据此方法进行选线判断，最终可准确判断故障馈线，为后续正确的故障处理提供必要的参考。

表4实时特征样本故障数据

表5馈线4故障情况

基于上述方法，本发明实施例还提供一种基于相似离度的配电网故障选线系统，包括：

历史样本向量采集模块：用于采集正常运行状态和故障状态下配电网的历史样本特征向量，并对历史样本特征向量进行归一化处理；

所述历史样本特征向量至少包含s个配电网的特征指标；

获取故障和非故障聚类中心模块：用于通过改进的K-means算法对历史样本特征向量进行分类，得到故障聚类中心和非故障聚类中心；

监测配电网零序电压值模块：当配电网系统零序电压超过预设的阀值

时，采集被保护馈线的实时特征；

相似离度计算模块：用于计算实时特征向量与故障聚类中心、非故障聚类中心的相似离度δ_g1、δ_g2；

故障线判断模块：若δ_g1＞δ_g2，则被保护馈线发生故障，否则，则被保护馈线未发生故障。

应当理解，本发明各个实施例中的功能单元模块可以集中在一个处理单元中，也可以是各个单元模块单独物理存在，也可以是两个或两个以上的单元模块集成在一个单元模块中，可以采用硬件或软件的形式来实现。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种基于相似离度的高渗透率下配电网故障选线方法，其特征在于，包括：

历史样本向量采集：采集正常运行状态和故障状态下配电网的历史样本特征向量，并对历史样本特征向量进行归一化处理；

所述历史样本特征向量至少包含s个配电网的特征指标；

获取故障和非故障聚类中心：通过改进的K-means算法对历史样本特征向量进行分类，得到故障聚类中心和非故障聚类中心；

监测配电网零序电压值：当配电网系统零序电压超过预设的阀值

时，采集被保护馈线的实时特征向量；其中，

为系统相电压值；

相似离度计算：计算实时特征向量与故障聚类中心、非故障聚类中心的相似离度δ_g1、δ_g2；

故障线判断：若δ_g1＞δ_g2，则被保护馈线发生故障，否则，则被保护馈线未发生故障。

2.根据权利要求1所述的方法，其特征在于，所述计算实时特征向量与故障聚类中心、非故障聚类中心的相似离度δ_g1、δ_g2的计算公式如下：

其中，R_g1表示实时特征向量与故障类中心的形系数，D_g1表示实时特征向量与故障类中心的值系数，R_g2表示实时特征向量与非故障类中心的形系数，D_g2表示实时特征向量与非故障类中心的值系数；

y_k＝x_j-c_ij，

其中，x_j表示实时特征向量中的第j个特征，c_ij表示第i类聚类中心的第j个特征，m为实时特征向量个数，当i＝1时，表示故障类，当i＝2时，表示非故障类。

3.根据权利要求1所述的方法，其特征在于，通过改进的K-means算法对历史样本特征向量进行分类，得到故障聚类中心和非故障聚类中心的具体过程如下：

步骤A：输入历史样本特征向量数据集X，聚类簇数T；

步骤B：利用以下公式计算任意两个历史样本特征向量之间的相异性dis、储存n个对象两两之间的相异性的对称矩阵disM、历史样本特征向量的均值相异性Adis、历史样本向量数据集的总体相异性Tdis；

其中，n为历史样本特征向量数据集X的历史样本特征向量总数，1≤i,j≤n；

步骤C：设置聚类中心序号t的初始值，t＝1，选取第一个初始聚类中心点μ₁，即μ₁＝argmax[Adis(x_i)],i∈{1,2,…,n}，用零代替该历史样本特征向量的均值相异性Adis,并更新t，t＝t+1；

步骤D：计算当前均值相异性Adis的最大历史样本特征向量与已选初始聚类中心之间的相异性，找出满足以下条件的历史样本特征向量x_i作为第t个初始聚类中心μ_t：dis(x_i,μ_t|t＝1,2,…,T)≥Tdis，用零代替该历史样本特征向量的均值相异性Adis，并更新t，t＝t+1；

步骤E：判断t是否等于设定的聚类簇数T，若相等，则初始聚类中心点为{μ_t}，t的取值为1-T，并初始化t为1，进入步骤F；若不相等，则回到上一步继续寻找下一个初始聚类中心；

步骤F：根据距离最近原则由初始聚类中心确定各历史样本特征向量x_i所属簇标记λ_i，

将历史样本特征向量x_i划入相对应的簇

的初始值为空；用中位数代替均值计算新的聚类中心，将每个簇的历史样本特征向量进行排序，按照下式更新聚类中心；

表示

中的历史样本特征向量的数量；

步骤G：判断|μ_t-μ′_t|是否小于阈值，当条件满足时，μ′_t作为最终的聚类中心值，否则，将μ_t作为最终的聚类中心值；其中，阈值取值范围为(0,0.001)；

步骤H：判断t是否等于设定的聚类簇数T，若相等，聚类结束，若不相等，则令t＝t+1，回到步骤F继续寻找下一个聚类中心。

4.根据权利要求1-3任一项所述的方法，其特征在于，对历史样本特征向量进行归一化处理是指按照以下公式计算：

其中，n表示历史样本特征向量数量；x′_hj和x_hj分别表示归一化处理前和处理后第h个历史样本向量的第j个特征指标。

5.一种基于相似离度的高渗透率下配电网故障选线系统，其特征在于，包括：

历史样本向量采集模块：用于采集正常运行状态和故障状态下配电网的历史样本特征向量，并对历史样本特征向量进行归一化处理；

所述历史样本特征向量至少包含s个配电网的特征指标；

获取故障和非故障聚类中心模块：用于通过改进的K-means算法对历史样本特征向量进行分类，得到故障聚类中心和非故障聚类中心；

监测配电网零序电压值模块：当配电网系统零序电压超过预设的阀值

时，采集被保护馈线的实时特征向量；其中，

为系统相电压值；

相似离度计算模块：计算实时特征向量与故障聚类中心、非故障聚类中心的相似离度δ_g1、δ_g2；

故障线判断模块：若δ_g1＞δ_g2，则被保护馈线发生故障，否则，则被保护馈线未发生故障。

6.根据权利要求5所述的系统，其特征在于，所述相似离度计算模块计算实时特征向量与故障聚类中心、非故障聚类中心的相似离度δ_g1、δ_g2的计算公式如下：

其中，R_g1表示实时特征向量与故障类中心的形系数，D_g1表示实时特征向量与故障类中心的值系数，R_g2表示实时特征向量与非故障类中心的形系数，D_g2表示实时特征向量与非故障类中心的值系数；

y_k＝x_j-c_ij，

其中，x_j表示实时特征向量中的第j个特征，c_ij表示第i类聚类中心的第j个特征，m为实时特征向量个数，当i＝1时，表示故障类，当i＝2时，表示非故障类。

7.根据权利要求5所述的系统，其特征在于，通过改进的K-means算法对历史样本特征向量进行分类，得到故障聚类中心和非故障聚类中心的具体过程如下：

步骤A：输入历史样本特征向量数据集X，聚类簇数T；

步骤B：利用以下公式计算任意两个历史样本特征向量之间的相异性dis、储存n个对象两两之间的相异性的对称矩阵disM、历史样本特征向量的均值相异性Adis、历史样本向量数据集的总体相异性Tdis；

其中，n为历史样本特征向量数据集X的历史样本特征向量总数，1≤i,j≤n；

步骤C：设置聚类中心序号t的初始值，t＝1，选取第一个初始聚类中心点μ₁，即μ₁＝argmax[Adis(x_i)],i∈{1,2,…,n}，用零代替该历史样本特征向量的均值相异性Adis,并更新t，t＝t+1；

步骤D：计算当前均值相异性Adis的最大历史样本特征向量与已选初始聚类中心之间的相异性，找出满足以下条件的历史样本特征向量x_i作为第t个初始聚类中心μ_t：dis(x_i,μ_t|t＝1,2,…,T)≥Tdis，用零代替该历史样本特征向量的均值相异性Adis，并更新t，t＝t+1；

步骤E：判断t是否等于设定的聚类簇数T，若相等，则初始聚类中心点为{μ_t}，t的取值为1-T，并初始化t为1，进入步骤F；若不相等，则回到上一步继续寻找下一个初始聚类中心；

步骤F：根据距离最近原则由初始聚类中心确定各历史样本特征向量x_i所属簇标记λ_i，

将历史样本特征向量x_i划入相对应的簇

的初始值为空；用中位数代替均值计算新的聚类中心，将每个簇的历史样本特征向量进行排序，按照下式更新聚类中心；

表示

中的历史样本特征向量的数量；

步骤G：判断|μ_t-μ′_t|是否小于阈值，当条件满足时，μ′_t作为最终的聚类中心值，否则，将μ_t作为最终的聚类中心值；其中，阈值取值范围为(0,0.001)；

步骤H：判断t是否等于设定的聚类簇数T，若相等，聚类结束，若不相等，则令t＝t+1，回到步骤F继续寻找下一个聚类中心。

8.根据权利要求5-7任一项所述的系统，其特征在于，对历史样本特征向量进行归一化处理是指按照以下公式计算：

其中，n表示历史样本特征向量数量；x′_hj和x_hj分别表示归一化处理前和处理后第h个历史样本向量的第j个特征指标。

Images