《表1 异常阈值选取对故障检测结果的影响Tab.1 Influence of the selection of abnormal threshold on the result of fault de

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于双向KL距离聚类算法的变压器状态异常检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了验证本文算法对变压器状态异常检测的准确性和有效性，本文主要考虑负荷、顶层油温和甲烷含量3种在线监测数据对变压器状态类型变化的影响。以湖州市某变电站中一台型号为SFPSZ1-240000/220的主变压器为例，选取其2016年10月15日至10月20日5天的1 728组历史在线监测数据作为训练样本，分别进行K-Means聚类与双向KL距离聚类；同时，为进一步比较本文的双向KL距离聚类方法与K-Means聚类方法的性能，另外再选取2016年11月3日0:00至2016年11月5日1:00采集的867组历史在线监测数据作为训练样本，分别进行K-Means聚类与双向KL距离聚类。众所周知，无论何种聚类算法，簇数K及异常数据的判别阈值R对于最后的异常数据的确定有较大的影响，均需谨慎选取。首先，类似于K-Means聚类算法中簇数的选择，本文中双向KL距离聚类的簇数K值也应由所研究的应用对象来确定，观察到变压器温度数据基于时间具有明显周期性，同时又为了比较分析，故本文中双向KL距离聚类的簇数K按正常数据类型的性质分别取K=3和K=4。其次，对于异常数据的判别阈值R，该阈值的选取主要依据实验或工程经验获取的最佳值，本文综合考虑已经聚类的正常簇内中心到其簇内边界正常数据点的最大欧式距离Dmax，以及变压器故障检测成功率的对比数据，见表1，故最终依据稳定值分别选取RK=3=（r1，r2，r3）=（0.7，0.8，0.8）与RK=4=（r1，r2，r3，r4）=（0.7，0.8，0.8，0.7）。