[发明专利]一种基于Canopy＋FCM聚类的设备故障率模糊分类方法

说明书

本发明公开了一种基于Canopy+FCM聚类的设备故障率模糊分类方法，将具有相同或相似特性的设备归为一类，类内采用同一故障率。具体包括以下步骤：S1.对数据进行预处理，采用Canopy聚类对故障率影响因素集数据进行粗聚类，确定聚类数和各聚类中心；S2.将步骤S1中的聚类结果作为FCM聚类算法的输入，进行第二次模糊聚类；S3.根据给定的故障率与各因素之间的分布模型，将聚类结果中各聚类中心代入，求得每一类设备的故障率。本发明采用的两重聚类法降低了人为选取聚类数和初始聚类中心的主观性，聚类结果具有较高的客观性，弥补了FCM聚类的不足。

技术领域

本发明涉及配电网设备模糊分类技术领域，具体地说，涉及一种基于Canopy+FCM聚类的设备故障率模糊分类方法。

背景技术

在我国配电网可靠性评估中，元件设备的故障率主要是以某一区域的平均值为输入，当故障率不再是一个定常数，而是一个跟多重因素相关的变化值时，在目前配电网规模越来越大的背景下，配电网可靠性的计算量和复杂度会大大增加。因此，对于研究提升配电网可靠性评估计算效率、减少计算量的方法具有重大的现实意义。

考虑配电网元件数量大，在实际配电网中有较多的元件具有比较相似的特性，如果将这些元件分为一类，如此可大大减小计算量。因此，可以对元件进行模糊聚类分析。这是一种多元统计“物以类聚”的分类方法，根据收集到的样本元件的特性进行模糊分类。因此，研究出一种有效的设备模糊分类方法十分必要。

发明内容

本发明提出了一种基于Canopy+FCM聚类的设备故障率模糊分类方法，将具有相同或相似特性的设备归为一类，类内采用同一故障率。该方法首先对数据进行预处理，采用Canopy聚类对故障率影响因素集数据进行粗聚类，确定聚类数和各聚类中心，其次将Canopy聚类结果的聚类中心和聚类数作为FCM聚类算法的初始聚类中心和聚类数目，进行第二次模糊聚类，最后根据故障率的分布模型，将C-FCM聚类的结果代入到分布模型中，计算出相应类别设备的故障率。

本发明提出的这种基于Canopy+FCM聚类的设备故障率模糊分类方法，包括如下步骤：

S1.对数据进行预处理，采用Canopy聚类对故障率影响因素集数据进行粗聚类，确定聚类数和各聚类中心；

S2.将步骤S1中的聚类结果作为FCM聚类算法的输入，进行第二次模糊聚类；

S3.根据给定的故障率与各因素之间的分布模型，将聚类结果中各聚类中心代入，求得每一类设备的故障率。

在步骤S1中，由于故障影响因素集合里的元素具有不同的单位和数量级，因此需要首先对其进行预处理：

假设被分类设备的论域U＝{x₁,x₂,...,x_n}，每个设备又由其m个影响因素表示其性状：x_i＝{x_i1,x_i1,...,x_im},i＝1,2,...,n。

故障影响因素集的原始数据矩阵可表示为：

首先将原始数据矩阵中的元素进行标准差变换，消除量纲的影响：

式中：x_ik为原始数据矩阵d_n×m中第i组数据的第k个因素；为第k个因素的平均值；s_k为第k个因素的标准差。

其次进行极差变换使原始数据矩阵中的元素标准化：

经过上述两次变换，标准化后有：x_i″_k∈[0,1]。