基于5G 通信的公用變壓器狀態(tài)信息聚類方法研究

廖紹成

（國網(wǎng)浙江新昌縣供電有限公司，浙江紹興 312500）

公用變壓器的穩(wěn)定運行是安全供電的基礎保障，因此需要及時且準確地了解公用變壓器的狀態(tài)信息[1-3]。傳統(tǒng)變壓器狀態(tài)信息聚類方法計算速度慢，準確度較差，因此在原有聚類方法的基礎上，提出了基于5G 通信的公用變壓器狀態(tài)信息聚類方法。通過定權判斷變壓器的狀態(tài)和健康等級，詳細介紹了其聚變算法和聚變過程。利用5G 通信對數(shù)據(jù)的處理優(yōu)勢，能夠有效提升聚類計算速度，明確公用變壓器的運行狀態(tài)，有利于及時發(fā)現(xiàn)變壓器故障，對于變壓器的維修和升級具有重要意義。

1 狀態(tài)信息定權

相比傳統(tǒng)的人工故障檢測方法，定權法不易出現(xiàn)誤差，并且計算速度快，準確率較高，能夠有效提升公用變壓器的檢測效率[4-5]。

公用變壓器之間的相關支持度和置信度的計算如式（1）和式（2）所示：

其中，Q表示所計算狀態(tài)在某一時間段內(nèi)出現(xiàn)的次數(shù)；m表示某一測試時間段內(nèi)的總狀態(tài)量；e表示計算常數(shù)；v表示狀態(tài)信息采集速度；n表示狀態(tài)信息采集量。從上式可以看出，相關支持度描述某一狀態(tài)出現(xiàn)的頻率和出現(xiàn)的時間，而置信度描述該變壓器對此狀態(tài)的依賴程度[6]。

通過參考公用變壓器廠常出現(xiàn)的故障，將變壓器的運行狀態(tài)分為正常運行、過熱運行和放電運行3 種，其中過熱運行和放電運行屬于故障類型，根據(jù)采集狀態(tài)數(shù)據(jù)的權重計算結果，將權重高于20%列為Ⅰ級故障，權重在10%～20%列為Ⅱ級故障，權重在5%～10%列為Ⅲ級故障，權重低于5%視為正常運行，故障等級為Ⅳ，公用變壓器運行狀態(tài)對應的權重如表1 所示[7-8]。

表1 公用變壓器運行狀態(tài)對應的權重

狀態(tài)信息的權重計算公式如式（3）所示：

其中，N表示總狀態(tài)信息數(shù)量，xi表示采集信息i的規(guī)則先導數(shù)值。結合相關支持度和置信度計算出權重數(shù)值，數(shù)值越高，則表示公用變壓器的運行環(huán)境越惡劣，危險系數(shù)越高[9-10]。

2 基于5G 通信的公用變壓器狀態(tài)信息聚類

2.1 聚類算法

為提高計算速度，簡化聚類計算流程，在5G 通信的基礎上，采用k 均值（簇均值）聚類算法，人為選定簇（k 值），減少選取的盲目性，其聚類算法的主要步驟如下所示：

1）首先設置空間半徑r，在空間范圍內(nèi)隨機選取一組或一類狀態(tài)信息數(shù)據(jù)，每個數(shù)據(jù)的維度為D，并初始化數(shù)據(jù)各自的中心點。

2）計算每個數(shù)據(jù)點到空間中心點的距離，距離最近的空間中心點即為數(shù)據(jù)點的聚類中心。距離計算公式為：

其中，jil表示某個數(shù)據(jù)點具有的維度。

3）將此類數(shù)據(jù)中的中心數(shù)據(jù)作為新的中心點，計算每個數(shù)據(jù)點到新中心點的距離，計算公式如式（5）所示：

其中，R表示一類數(shù)據(jù)范圍的空間半徑。

4）重復上述計算步驟，直到每一類中心到達某一確定數(shù)據(jù)，從而選擇出運行結果最準確的數(shù)據(jù)點。

具體到公用變壓器的狀態(tài)信息聚類上，其數(shù)據(jù)點則代表當前變壓器運行的數(shù)據(jù)，數(shù)據(jù)點的各個維度則代表變壓器狀態(tài)的健康等級，在應用5G 通信加快聚類速度的同時，對數(shù)據(jù)點的維度取值規(guī)則也做出了優(yōu)化，規(guī)定在允許范圍內(nèi)維度的取值由輕到重選取最佳整數(shù)值[11-12]。

2.2 狀態(tài)信息聚類

基于5G 通信的公用變壓器狀態(tài)信息的聚類過程分為主成分分析和聚類分析兩部分，其具體過程如圖1 所示。

圖1 公用變壓器狀態(tài)信息聚類

主成分分析也叫作PCA，分析原理是通過降維方法，將公用變壓器的多個狀態(tài)指標轉換為少量狀態(tài)指標，簡化變壓器狀態(tài)分析過程。變壓器狀態(tài)指標主要包括相關系數(shù)矩陣、特征值和特征向量，得到公用變壓器的最大特征值。主成分分析法在簡化分析流程的同時要保證數(shù)據(jù)的精確性，主成分分析法將采集到的變壓器狀態(tài)指標合理地放入一個直角坐標系中，通過各個指標間的線性圖像，計算公用變壓器的指標權重值p[13-14]。

聚類分析的工作原理是運用數(shù)據(jù)建模進行數(shù)據(jù)分類，主要的工作是將不同的公用變壓器的各個狀態(tài)簇進行有理分類，有利于變壓器狀態(tài)出現(xiàn)故障時的維修。聚類分析算法首先對主成分分析得到的變壓器數(shù)據(jù)進行初始化，得到狀態(tài)簇k，然后根據(jù)k 均值聚類算法對狀態(tài)簇進行狀態(tài)指標分類，k 均值聚類算法的核心是以狀態(tài)簇為核心對狀態(tài)指標進行分類處理，最后將聚類結果進行分析，得到公用變壓器的狀態(tài)信息[15-16]。

3 實驗與研究

該文實驗研究為檢驗整體聚類方法的有效性，對公用變壓器的健康狀態(tài)信息聚類結果及5G 通信狀態(tài)下變壓器訓練樣本的分類器分類性能進行對比分析，進而對比不同方法的聚類效果。

實驗研究的采樣地區(qū)電網(wǎng)系統(tǒng)共裝了100 臺220 kV的變壓器及150 臺110 kV的變壓器。利用5G通信方式將缺陷統(tǒng)計數(shù)據(jù)傳導至實驗空間中，并將統(tǒng)計數(shù)據(jù)作為聚類分析的實驗對象。選取簇半徑為8的聚類數(shù)據(jù)樣本，利用Canope 算法獲取計算的k值，選擇5G 通信的內(nèi)部數(shù)據(jù)流通道將k 值信息由外聯(lián)網(wǎng)絡傳輸至k-means 算法處理中心。由此對樣本總體數(shù)據(jù)進行聚類調(diào)整，調(diào)整后的簇中心點與坐標軸原點間的距離關系如表2 所示。

表2 距離關系表

結合表2 信息，聯(lián)系變壓器狀態(tài)信息評價系統(tǒng)指標可得，當簇中心點與坐標軸原點間的距離越遠，則表示該聚類分析對象的健康狀態(tài)越差，反之，當簇中心點與坐標軸原點間的距離越近，則表示該聚類分析對象的健康狀態(tài)越好。為此，以簇中心點與坐標軸原點距離數(shù)據(jù)作為聚類結果的分析指標，對變壓器健康狀態(tài)信息進行等級劃分。共分為1～5共5個等級：從1 級至5 級，變壓器的健康狀態(tài)逐漸好轉。其中，1 級狀態(tài)變壓器樣本數(shù)量占總體狀態(tài)變壓器樣本數(shù)量的5%；2 級狀態(tài)變壓器樣本數(shù)量占總體狀態(tài)變壓器樣本數(shù)量的12%；3 級狀態(tài)變壓器樣本數(shù)量占總體狀態(tài)變壓器樣本數(shù)量的19%；4 級狀態(tài)變壓器樣本數(shù)量占總體狀態(tài)變壓器樣本數(shù)量的25%；5 級狀態(tài)變壓器樣本數(shù)量占總體狀態(tài)變壓器樣本數(shù)量的39%。

按照以上變壓器健康狀態(tài)等級的劃分，可將檢修效果較優(yōu)的資源放置到健康等級較高的變壓器中，便于變壓器的調(diào)節(jié)與安全保護操作。同時可及時提醒處于較低健康狀態(tài)的變壓器調(diào)整負荷運作系統(tǒng)，避免因負荷過重而導致變壓器損壞現(xiàn)象的產(chǎn)生。為檢驗聚類方法的有效性，分別隨機抽取完成等級劃分后的一臺變壓器作為檢測對象，進行指標對照檢驗操作。實驗對比圖如圖2 所示。

圖2 實驗對比圖

根據(jù)圖2，當檢測的變壓器樣本健康狀態(tài)等級由1～5 級變化時，該文方法研究抽取的樣本指標取值呈現(xiàn)下降趨勢，表示變壓器的健康狀態(tài)良好，且優(yōu)于其他兩種傳統(tǒng)方法，聚類分析的有效性得到較好的驗證，聚類效果最優(yōu)。由于該文方法研究在變壓器狀態(tài)信息聚類分析的過程中匹配變壓器的健康狀態(tài)信息，對應不同的信息情況選取不同的算法，解決聚類分析中產(chǎn)生的異常數(shù)據(jù)，減輕聚類分析的負擔，劃分不同的聚類層次，排除了人為因素的干擾，突出關鍵指標的重要性，充分挖掘5G 通信中的變壓器狀態(tài)信息，可有效指導變壓器的檢測以及評估方向的問題。

采用DBSCAN 算法對變壓器的色譜狀態(tài)信息進行聚類處理，為獲取良好的聚類效果，該文降低ε數(shù)值，逐漸提升密度閾值，控制ε數(shù)值的變化區(qū)域為0.1～1 之間，變動幅度最佳數(shù)值為0.1。控制密度閾值的變化區(qū)域為5～10 之間，變動幅度最佳數(shù)值為1。所得聚類結果如表3 所示。

表3 聚類結果

從表中可以看出，數(shù)據(jù)樣本被劃分為兩個聚類2，簇號數(shù)值為0 和1，分別表示正常的樣本操作簇與故障的樣本操作簇。從兩種簇中挑選100 條變壓器狀態(tài)信息樣本數(shù)據(jù)，作為訓練樣本的分類器載體。將該文方法研究的分類器記為分類器1，將傳統(tǒng)基于時間序列分析的聚類方法研究的樣本數(shù)據(jù)分類器記為分類器2，將傳統(tǒng)基于歷史信息挖掘的聚類方法研究的樣本數(shù)據(jù)分類器記為分類器3。選取30 組變壓器測試樣本作為實驗研究的研究數(shù)據(jù)集，分別對經(jīng)過樣本訓練的3 個分類器進行分類性能檢測，并構建實驗對比圖，如圖3 所示。

圖3 分類性能對比圖

由圖3 可知，基于5G 通信的公用變壓器狀態(tài)信息聚類方法研究的訓練樣本的分類器分類性能遠遠優(yōu)于其他兩種傳統(tǒng)方法，表明該文研究的變壓器狀態(tài)信息聚類方法具有最佳的聚類效果。該文在進行平衡聚類訓練后，調(diào)整了各簇變壓器樣本信息，各簇變壓器樣本信息可緩解聚類分析在操作中產(chǎn)生的誤差分析問題，基本保障變壓器狀態(tài)信息分類樣本訓練過程中對于正常樣本與異常樣本的平衡性的需求，便利了聚類操作，提升了分類器的分類性能，進而獲取了較高的聚類效果。

4 結束語

根據(jù)上述研究可知，文中提出的基于5G 通信的公用變壓器狀態(tài)信息聚類方法，能夠實現(xiàn)公用變壓器運行狀態(tài)的快速采集和計算，通過聚類算法的公式原理和計算流程，分析得到公用變壓器的各個狀態(tài)提升了變壓器維修的便捷性。實驗結果表明，基于5G 通信的公用變壓器狀態(tài)信息聚類方法具有良好的聚類效果，可直接歸類未進行評估的部分變壓器數(shù)據(jù)，快速聚類大量變壓器狀態(tài)信息，提升對變壓器狀態(tài)檢測的指導性，具有較高的研究價值。