基于模糊C均值算法的电力变压器聚类分析

刘丁源，裴 磊，魏 炯，高华锋，蔺庚立，王 勇，郭海涛

(国网宝鸡供电公司，陕西 宝鸡 721004)

为有效解决电力变压器检修不及时或者过度检修的问题，需要以电力变压器健康状态的评估为依据制定具有针对性的电力变压器检修计划。状态评估的前提是对在线监测系统或离线检测系统所获取的电力变压器的观测数据进行有效挖掘，获取足以支撑制定科学检修计划的先验知识[1-3]。随着智能电网和泛在电力物联网建设的普及，与电力变压器运行状态相关的信息已经呈现出数量大、类型多、增速快的特征，这大大增加了数据挖掘的难度[4-6]。为此本文提出使用聚类分析方法对所采集的观测数据进行处理，实现相同健康状态的电力变压器的聚类分组，便于针对不同状态的电力变压器制定不同优先级的检修计划，从而提升电力变压器检修的针对性和合理性，降低检修成本。

本文首先阐述拉普拉斯评分、主成分分析和模糊C均值算法三种算法原理，然后基于三种算法提出电力变压器聚类分析方法，最后使用真实观测数据进行仿真实验以阐明所提方法的具体操作步骤及其有效性。

1 主要算法

1.1 拉普拉斯评分

L=D-K

(1)

特征f的拉普拉斯评分按以下方式计算：

(2)

1.2 主成分分析(PCA)

设X∈Rn×n为包含n个观测变量的矩阵，每个观测向量均由p个观测变量或参数组成，因此可以视为观测空间中的一个点。PCA的目的是探索p变量之间的联系以及观测变量之间的相似性[10-11]。PCA允许构建由主成分组成的欧几里德空间，该线性空间是p个初始变量的线性组合，目的是建立具有最恰当地概括该空间数据结构特征的欧几里德空间。……