一种配电网设备的状态评估方法.pdf

本发明的实施例提供一种配电网设备的状态评估方法，涉及电力系统配电资产管理领域，能够准确评估配电网设备的状态，为配电网检修工作提供有效的数据支持，利于有针对性地展开检修工作。具体方案包括：采集配电网设备的评估参数，所述评估参数包括所述配电网设备的至少两项健康水平指标以及至少两项重要性水平指标；根据所述评估参数的历史数据和实时数据确定所述配电网设备的健康值和重要度；所述健康值用于指示所述配电网设备的健康水平，所述重要度用于指示所述配电网设备的重要性水平；根据所述配电网设备的健康值和重要度，确定并输出所述配电网设备的状态评价等级。本发明用于配电网设备的状态评估。

1.一种配电网设备的状态评估方法，其特征在于，包括：
采集配电网设备的评估参数，所述评估参数包括所述配电网设备的至少两项健康水平
指标以及至少两项重要性水平指标；
根据所述评估参数的历史数据和实时数据确定所述配电网设备的健康值和重要度；所
述健康值用于指示所述配电网设备的健康水平，所述重要度用于指示所述配电网设备的重
要性水平；
根据所述配电网设备的健康值和重要度，确定并输出所述配电网设备的状态评价等
级。
2.根据权利要求1所述的状态评估方法，其特征在于，所述根据所述配电网设备的健康
值和重要度，确定所述配电网设备的状态评价等级，包括：
根据目标状态点在预设的二维平面图中的位置，确定所述配电网设备的状态评价等
级；
其中，所述二维平面图以健康值和重要度为坐标轴，第一象限被划分为至少两个区域，
其中每个区域对应一种状态评价等级，所述目标状态点为由所述配电网设备的健康值和重
要度在所述二维平面图上所确定的点；
实时展示所述目标状态点的位置变化以及所述状态评价等级。
3.根据权利要求1所述的状态评估方法，其特征在于，所述根据所述评估参数的历史数
据和实时数据确定所述配电网设备的健康值和重要度，包括：
根据所述配电网设备的健康水平指标的历史数据，确定健康水平指标集的模糊测度；
根据所述配电网设备的健康水平指标的实时数据以及预设的评分函数，计算得到每项
健康水平指标的分数；
将所得模糊测度与健康水平指标的分数模糊积分，得到所述配电网设备的健康值。
4.根据权利要求3所述的状态评估方法，其特征在于，所述根据所述配电网设备的健康
水平指标的历史数据，确定健康水平指标集的模糊测度，包括：
根据所述配电网设备的健康水平指标的历史数据，确定每项健康水平指标影响所述健
康值的初始权重；
采用灰色关联变权法根据所述初始权重得到修正权重；
根据所述修正权重以及预设的优化模型计算得到模糊测度。
5.根据权利要求4所述的状态评估方法，其特征在于，所述历史数据存储于数据库中，
所述状态评估方法还包括：
将所述配电网设备的健康水平指标的实时数据存入所述数据库，与历史数据合并。
6.根据权利要求1所述的状态评估方法，其特征在于，所述根据所述评估参数的历史数
据和实时数据确定所述配电网设备的健康值和重要度，包括：
根据所述配电网设备的重要性水平指标的实时数据，确定每项重要性水平指标的未确
知测度判断矩阵；
通过信息熵计算每项重要性水平指标的分类权重向量；
采用置信度判别准则，根据所述未确知测度判断矩阵和所述分类权重向量，确定所述
配电网设备的重要度。
7.根据权利要求6所述的状态评估方法，其特征在于，所述根据所述配电网设备的重要
性水平指标的实时数据，确定每项重要性水平指标的未确知测度判断矩阵，包括：
根据所述配电网设备的重要性水平指标的实时数据以及预设的隶属度函数，计算得到
每项重要性水平指标对于每种可能的状态评价等级的隶属度，建立所述未确知测度判断矩
阵。

一种配电网设备的状态评估方法

技术领域

本发明涉及电力系统配电资产管理领域，尤其涉及一种配电网设备的状态评估方
法。

背景技术

配电网是电力系统重要的基础设施，与广大用户直接相连，是电能传输链的关键
环节。配电网设备运行管理状况直接影响到供电可靠性和电能质量。然而配电网设备种类
众多、运行环境恶劣，运行过程中又要面临许多不确定性因素，因此配电网成为电力系统中
最容易发生故障的部分。

合理安排检修计划是提高配电网设备可靠性的重要措施，然而传统的定期检修方
式往往针对性不足，检修频率高则需要投入更高成本，检修频率低则容易因检修不及时造
成停电事故。

如何对配电网设备的运行状态进行有效评估，根据评估结果安排针对性的检修成
为一个亟待解决的问题。

发明内容

本发明的实施例提供一种配电网设备的状态评估方法，能够准确评估配电网设备
的状态，为配电网检修工作提供有效的数据支持，利于有针对性地展开检修工作。

为了达成上述目的，本发明提供一种配电网设备的状态评估方法，包括：

采集配电网设备的评估参数，所述评估参数包括所述配电网设备的至少两项健康
水平指标以及至少两项重要性水平指标；

根据所述评估参数的历史数据和实时数据确定所述配电网设备的健康值和重要
度；所述健康值用于指示所述配电网设备的健康水平，所述重要度用于指示所述配电网设
备的重要性水平；

根据所述配电网设备的健康值和重要度，确定并输出所述配电网设备的状态评价
等级。

本发明的实施例所提供的配电网设备的状态评估方法，通过评估参数的历史数据
和实时数据对配电网设备的健康水平和重要性水平做分析，通过健康值来标识配电网设备
的健康水平，通过重要度来标识配电网设备的重要性水平。实际检修过程功能中，对于两个
健康水平相同的配电网设备，优先检修重要性水平高的设备。对于两个重要性水平相同的
配电网设备，优先检修健康水平低的设备。基于健康值和重要度的分析方式，能够准确评估
配电网设备的状态，为配电网检修工作提供有效的数据支持，确定检修的优先程度，利于有
针对性地展开检修工作。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述
中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些
实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附
图获得其他的附图。

图1为本发明的实施例所提供的配电网设备的状态评估方法流程示意图；

图2为油温的健康值分布函数的图像；

图3为本发明的实施例中对求取健康值流程的说明示意图；

图4为隶属度函数的图像；

图5为本发明的实施例中对求取重要度流程的说明示意图；

图6为以健康值和重要度为坐标轴的二维平面内区域划分的示意图；

图7为本发明的实施例中对确定状态评价等级流程的说明示意图；

图8为4台配电变压器的状态评价等级的划分结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。

实施例

本发明的实施例提供一种配电网设备的状态评估方法，结合图1所示，包括以下步
骤：

101、采集配电网设备的评估参数。

评估参数包括配电网设备的至少两项健康水平指标以及至少两项重要性水平指
标。后文中健康水平指标或者重要性水平指标也可简称为“指标”。

健康水平指标包括设备缺陷等级与缺陷次数的统计值、运行年限、变压器类型(油
浸式变压器、干式变压器等)，变压器的接入环境(室内、室外)等，这些指标可通过与生产管
理系统相连而获得。

本发明的实施例以配电网设备为油浸式变压器的情形为例进行说明。

油浸式变压器的健康水平指标包括：配变一次侧电压越限、负载率越限、运行年
限、天气因素、油温越限、缺陷统计。

结合表1所示的评估参数以及数据来源，以上健康水平指标中前5项都是实时采集
得到的数据，第6项数据通过人工录入获得。当然，表1所示的健康水平指标、重要性水平指
标仅为举例说明，并非穷举。

重要性水平指标包括：额定容量、配电变压器的当前负载、所接的重要用户的数
目、社会影响系数(主要考虑特殊保电期、节假日以及工作日时的不同社会影响)，区域系数
(主要考虑不同的城区其影响力的不同)等。结合表1，以上重要性水平指标中前2项为实时
采集得到的数据，后3项通过人工录入获得。

表1

102、根据评估参数的历史数据和实时数据确定配电网设备的健康值和重要度。

健康值用于指示配电网设备的健康水平，重要度用于指示配电网设备的重要性水
平。以下分别对健康值和重要度的计算过程进行说明。

<1>健康值计算

发明采用λ模糊测度并对其进行改进，首先通过关联规则分析确定初始权重，再引
入灰色关联变权方法求解λ模糊测度的最优化模型，最后通过计算Choquet模糊积分得到健
康值。此方法综合考虑了指标间的相互关系和指标与目标间的关系，克服了单一考虑两者
的不足，使模型更加合理、准确。需要特别指出一点，模糊测度、模糊积分有多种，本发明的
实施例中仅以λ模糊测度和Choquet模糊积分为例进行说明。

<1.1>关联规则分析

关联规则是寻找同一个事件中出现的不同项之间的相关性，即找出事件中频繁发
生的项或属性的所有子集，以及它们之间的相互关联性。假设项集并且A
∩B＝φ，则定义关联式A→B为关联规则，A、B分别称为关联规则A→B的前提与结论。

关联规则A→B的置信度是数据库D中包含A同时也包含B的百分比，即条件概率P(B
|A)，记为：

$C(A\&RightArrow;B)=P\left(B\right|A)=\frac{P(A\&cup;B)}{P\left(A\right)}\&times;100\%---\left(1\right)$

由式(1)可以得到某综合状态量关联规则Ai→B的置信度计算式如下：

$C(A_i\&RightArrow;B)=\frac{P(A_i\&cup;B)}{P\left(A_i\right)}=\frac{\mathrm{\&sigma;}(A_i\&cup;B)/\left|D\right|}{\mathrm{\&sigma;}\left(A_i\right)/\left|D\right|}=\frac{\mathrm{\&sigma;}(A_i\&cup;B)}{\mathrm{\&sigma;}\left(A_i\right)}\&times;100\%---\left(2\right)$

通过式(2)计算各综合状态量中单项指标的置信度，再对同一综合状态量中的各
指标的置信度进行比较，根据其置信度的大小来确定各单项指标的初始权重系数。初始权
重系数可计算如下：

$w_i=\frac{C_i}{C_1+C_2+...+C_i+...+C_{m_i}}---\left(3\right)$

式中：wi为综合状态量中第i项指标的初始权重系数；Ci为综合状态量中第i项指标
的置信度；mi为综合状态量中包含的单项指标个数。

<1.2>灰色关联的多属性决策方法

<1.2.1>灰色关联度基本模型

假设有参考向量X0＝(x0(1)，x0(2)，…，x0(k)，…，x0(n))，比较向量为Xi＝(xi(1)，
xi(2)，…，xi(k)，…，xi(n))，其中0＜k＜n，则向量Xi和向量X0在k点时的灰色关联系数为：

$\mathrm{\&xi;}\left(x_0\right(k),x_i(k\left)\right)=\frac{\underset{i}{min}\underset{k}{min}|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\&rho;}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\&rho;}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}---\left(4\right)$

式中：ρ∈[0，1]为分辨系数。聚合各项(k＝1，2，…，m)的关联系数，得到序列Xi与
序列X0的灰色关联度为：

$r(x_0,x_i)=\frac{1}{n}\underset{k=1}{\overset{n}{\&Sigma;}}\mathrm{\&xi;}\left(x_0\right(k),x_i(k\left)\right)---\left(5\right)$

<1.2.2>灰色关联度基本模型

首先以第一个指标值序列Y1作为参考序列，分析其他序列Yj(j为数据样本个数)与
它的灰色关联度。接下来再以Y2作为参考序列，分析剩下的序列Yj与它的灰色关联度。直到
最后一个参考序列，由此可以得到一个关于指标间两两灰色关联度的矩阵(rij)n×m，易知该
矩阵为上三角矩阵，如下：

$r_{i,j}=\left(\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{1m}\\ 0& r_{22}& \mathrm{...}& r_{2m}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ 0& 0& 0& r_{nm}\end{array}\right)---\left(6\right)$

<1.2.3>阈值的确定

采用阈值原则，即指标间的灰色关联度超过阈值的，视为关联，而指标间的灰色关
联度不超过阈值的，视为不关联。所以，需要对灰色关联度矩阵进行标准化。标准化后的关
联度称为有效关联度。把所有指标间独立的关联度的最大值作为灰色关联度矩阵的阈值β，
即有：

β＝max rij (7)

其中指标xi和xj相互独立。设有效灰色关联度矩阵为(r′ij)n×m，则有：

$\left\{\begin{array}{cc}{r_{ij}}^{\&prime;}=r_{ij}-\mathrm{\&beta;},& r_{ij}\&gt;\mathrm{\&beta;}\\ {r_{ij}}^{\&prime;}=0,& r_{ij}\&lt;\mathrm{\&beta;}\end{array}\right.---\left(8\right)$

其中β为阈值，r′ij为有效关联度。

<1.2.4>权重的调整

观察有效灰色关联矩阵中指标间的关联度值，可以看出两个指标之间关联关系的
强弱。如果两个指标间的关联度较大，说明两个指标同时包含某种相同的信息，需要将这种
重叠信息消去。也就是每个指标需要把与其他每个指标间具有的重叠信息剔除。本发明采
取各剔除一半的方法，即指标的灰色关联权重调整公式如下：

${w^{\&prime;}}_j=w_j\underset{k=1}{\overset{k=j-1}{\&Pi;}}(1-\frac{{r^{\&prime;}}_{kj}}{2})\underset{k=j+1}{\overset{m}{\&Pi;}}(1-\frac{{r^{\&prime;}}_{kj}}{2})---\left(9\right)$

经过调整后的指标权重变为w′＝(w′1，w′2，…，w′m)，对调整后的指标权重向量进
行归一化，则最终的指标权重向量为：wT＝(wT1，wT2，…，wTm)。

<1.3>模糊测度和模糊积分

用较弱的单调性代替可加性的一类集函数称为模糊测度。模糊测度能够表示单个
指标和指标集合的相对重要程度，能更好地描述主观评价行为。模糊积分是定义在模糊测
度基础上的一种非线性函数。常用的模糊测度和模糊积分有多种，本实施例中以λ模糊测度
和Choquet模糊积分为例进行说明。

<1.3.1>基本概念说明

定义1

设X＝{xk|k＝1，2，…，n}为有限集合，P(X)为X的幂集，(X，P(X))是一可测空间，g：
P(X)→[0，1]是一组集函数，如果具有一下性质：

1)g(φ)＝0，g(X)＝1；

2)有g(A)≤g(B)，则函数g称为模糊测度，如果还满足以下
条件：

对于A∩B＝φ，存在λ＞-1使得

g(A∪B)＝g(A)+g(B)+λg(A)g(B) (10)

则称g为λ模糊测度。λ表示指标间的交互程度：当λ＝0时，指标之间是相互独立的；
当-1＜λ＜0时，指标之间存在着消极合作；当λ＞0时，指标之间存在着积极合作。

定义2

g是定义在集合X上的模糊测度，X的集合记为[x1，x2，…，xn]。设f(x1)≥f(x2)≥…
≥f(xn)，则函数f:X→R+关于模糊测度g的离散Choquet积分定义为：

$C_g\left(f\right)=\underset{i=1}{\overset{n}{\&Sigma;}}\left(f\right(x_i)-f(x_{i-1}\left)\right)g\left(A_{\left(i\right)}\right)---\left(11\right)$

f(xi)为待评价方案在第i个指标上的得分，其中指标按得分从小到大排序。

定义3

g是定义在集合X上的一个模糊测度。对于指标j∈X，Shapley指标定义为：

$v_j=\underset{K\&Subset;X\backslash j}{\&Sigma;}\frac{(n-K-1)!K!}{n!}\&lsqb;g(K\&cup;\{j\left\}\right)-g\left(K\right)\&rsqb;---\left(12\right)$

g的Shapley值被定义为[v1，v2，…vn]。与单个指标j所对应的Shapley指标vj可以
被认为是单个指标j加入到所有其它的指标集合所带来对于重要程度的贡献，可以作为单
个指标的重要性指标。Shapley值[v1，v2，…vn]是对g(X)的一种分配，因为∑vj＝g(X)。若指
标相互独立的话，那么vj＝gj。

<1.3.2>λ模糊测度的确定

经阈值变权后的权重向量wT考虑了各指标之间的关联作用，是对指标的综合重要
程度的描述。在指标独立性假设条件下得到的各指标的权重之间的比例，作为相应问题对
应的模糊测度中单个指标模糊测度的比例，因此可以将wT看作是评价问题对应的模糊测度
的Shapley值。由聚类分析的原理可知，两个权向量之间的相似程度可以用向量之间夹角的
余弦表示，因此定义两个Shapley值v和wT之间的相似度为：

$S(v,w^T)=\frac{v\&CenterDot;w^T}{\left|v\right|\left|w^T\right|}=\frac{\underset{j=1}{\overset{n}{\&Sigma;}}{v}_j\&CenterDot;{w_j}^T}{\sqrt{\left(\underset{j=1}{\overset{n}{\&Sigma;}}{v_j}^2\right)\left(\underset{j=1}{\overset{n}{\&Sigma;}}{\left({w_j}^T\right)}^2\right)}}---\left(13\right)$

本实施例中以独立性假设条件下得到的权重比例作为单个指标的模糊测度值的
比例，最大化计算所得的Shapley值与考虑指标间关联得到的Shapley值(也就是wT)之间的
相似度，建立如下的优化模型，计算λ模糊测度：

$\begin{array}{cc}\underset{g}{max}& S(v,w^T)=\frac{v\&CenterDot;w^T}{\left|v\right|\left|w^T\right|}\end{array}$

式(14)中，v指以1.1中关联规则分析求得的初始权重为基础，而计算出的Shapley
指标；wT指1.2中通过灰色关联变权方法求得的权重。

<1.4>指标评分函数

<1.4.1>定量指标

对于一次侧电压值、负载率、油温等定量指标，根据相关设备出厂的国家标准以及
专家经验，采用半梯形分段线性函数描述其指标得分。例如，油温的健康值分布函数如图2
所示，对应地，油温的健康值函数表达式如下：

$y\left(x\right)=\left\{\begin{array}{cc}100& x\&lt;90\\ -x+90& 90\&le;x\&lt;100\\ -2x+290& 100\&le;x\&lt;110\\ -3x+400& 110\&le;x\&lt;120\\ -4x+520& 120\&le;x\&lt;130\\ 0& x\&GreaterEqual;130\end{array}\right.---\left(15\right)$

式(15)中：y(x)表示油温的健康值，x表示表示油温，单位为℃。

同理可得到其他定量指标的健康值。

<1.4.2>定量指标

对于天气因素、缺陷统计次数等定性指标，通过专家调查的形式，即给出评判对象
和评价指标根据，制作评分表，分发给各位专家，最后计算加权平均分，得出各因素的健康
值。

下面以缺陷统计次数为例，制作专家评分表将其分发给5位专家(其权重分别为5、
4、3、2、1)，专家依据评价指标，在0-100内打分。最后整理评分表并且计算加权平均分，得到
缺陷统计次数的健康值，具体如表2所示，同理可得到其他定性指标的健康值计算。

表2

<1.5>求取健康值的流程

结合图3所示的流程图，求取健康值的过程说明如下：

102-1、根据配电网设备的健康水平指标的历史数据，确定健康水平指标集的模糊
测度；

具体地，根据配电网设备的健康水平指标的历史数据，确定每项健康水平指标影
响健康值的初始权重；其中历史数据存储于数据库中；

采用灰色关联变权法根据初始权重得到修正权重；

根据修正权重以及预设的优化模型计算得到模糊测度。

102-2、根据配电网设备的健康水平指标的实时数据以及预设的评分函数，计算得
到每项健康水平指标的分数；

102-3、将所得模糊测度与健康水平指标的分数模糊积分，得到配电网设备的健康
值。

可选的，将配电网设备的健康水平指标的实时数据存入数据库，与历史数据合并。

<2>重要度的计算

重要度表征了配电网设备在配电网中的重要程度。在计算中，它和健康值的不同
之处在于，无法通过实际工况检验所求的重要度值是否准确，具有未确知性，因此本实施例
采用未确知信息的评估方法。

基于熵权的未确知测度综合评价模型采用定性与定量相结合的方法，避免了纯粹
由主观进行评估的随意性。采用信息熵和置信度识别准则求取各评价指标权重，使评价结
果更具客观性。

<2.1>基于熵权的未确知测度

设X1，X2，…，XN表示N台配电变压器的重要度，X＝{X1，X2，…，XN}称为论域；I1，
I2，…，IQ为评价重要度的Q项指标，I＝{I1，I2，…，IQ}称为指标空间；C1，C2，…，CR为R个评价
等级，C＝{C1，C2，…，CR}为评价空间。

<2.1.1>单指标未确知测度

根据隶属度函数计算第n台配电变压器，第q个指标属于评价等级Cr的未确知测度
μnqr，得到对象Xn的单指标未确知测度判断矩阵：

${\left({\mathrm{\&mu;}}_{nqr}\right)}_{Q\&times;R}=\left(\begin{array}{cccc}{\mathrm{\&mu;}}_{n11}& {\mathrm{\&mu;}}_{n12}& \mathrm{...}& {\mathrm{\&mu;}}_{n1R}\\ {\mathrm{\&mu;}}_{n21}& {\mathrm{\&mu;}}_{n22}& \mathrm{...}& {\mathrm{\&mu;}}_{n2R}\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ {\mathrm{\&mu;}}_{nQ1}& {\mathrm{\&mu;}}_{nQ2}& \mathrm{...}& {\mathrm{\&mu;}}_{nQR}\end{array}\right)---\left(16\right)$

其中每一行的行向量μnq＝(μnq1 μnq2 … μnqR)为对象Xn关于指标q的未确知测度向
量。

设未确知测度向量μnq所确定的信息熵为：

$H\left(q\right)=-\underset{r=1}{\overset{R}{\&Sigma;}}{\mathrm{\&mu;}}_{nqr}\&CenterDot;{\log }_2{\mathrm{\&mu;}}_{nqr}---\left(17\right)$

令

则γq反映了μnq中各评价等级取值的“集中程度”，称γq为指标q关于对象Xn的分类
区分度。

特别地，当γq＝0时，有

这时指标q无法将R个评价等级区分开来。

$w_q={\mathrm{\&gamma;}}_q/\underset{q=1}{\overset{Q}{\&Sigma;}}{\mathrm{\&gamma;}}_q,(q=1,2,...Q)---\left(19\right)$

式中0≤wq≤1，且于是，可称wq为指标q关于对象Xn的分类权重，称w＝(w1
w2 … wQ)为对象Xn的分类权重向量。

<2.1.2>多指标综合测度

由式(16)和式(19)分别求出单指标未确知测度判断矩阵(μnqr)Q×R和分类权重向量
w＝(w1 w2 … wQ)。于是，第n台配电变压器的评价向量为：

${\mathrm{\&mu;}}_n=w\&CenterDot;{\left({\mathrm{\&mu;}}_{nqr}\right)}_{Q\&times;R}=\left(\begin{array}{cccc}{w}_1& w_2& \mathrm{...}& w_Q\end{array}\right)\left(\begin{array}{cccc}{\mathrm{\&mu;}}_{n11}& {\mathrm{\&mu;}}_{n12}& \mathrm{...}& {\mathrm{\&mu;}}_{n1R}\\ {\mathrm{\&mu;}}_{n21}& {\mathrm{\&mu;}}_{n22}& \mathrm{...}& {\mathrm{\&mu;}}_{n2R}\\ .& .& & .\\ .& .& \mathrm{...}& .\\ .& .& & .\\ {\mathrm{\&mu;}}_{nQ1}& {\mathrm{\&mu;}}_{nQ2}& \mathrm{...}& {\mathrm{\&mu;}}_{nQR}\end{array}\right)---\left(20\right)$

则μn＝(μn1 μn2 … μnR)为对象Xn的评价向量，其中μnr(r＝1，2，…R)表示Xn属于Cr
评价等级的未确知测度。

<2.1.3>识别准则

因为评价等级的划分是有序的，所以最大隶属度识别方法将不再有效。此时，宜采
用置信度识别准则，取置信度λ(0.5＜λ＜1)，通常取0.6或0.7，如果：

$r_o=\underset{r}{\min }\&lsqb;\underset{s=1}{\overset{r}{\&Sigma;}}{\mathrm{\&mu;}}_{ns}\&GreaterEqual;\mathrm{\&lambda;},r=1,2,...R\&rsqb;---\left(21\right)$

则可以判断Xn属于第ro个评价等级

最后，按照评分准则计算各时段点配电变压器重要度得分，公式为：

$L_{X_n}=\underset{s=1}{\overset{r}{\&Sigma;}}{\mathrm{\&alpha;}}_s{\mathrm{\&mu;}}_{ns}---\left(22\right)$

其中αs表示等级Cr的分值。

<2.2>隶属度函数

将重要度分为四个等级，非常重要、较重要、重要、较不重要。对于定量和定性的数
据分别建立不同的隶属度函数。

<2.2.1>定量指标

对于额定容量与负载率这些定量指标，采用三角形和半梯形组合的分布函数描述
其指标重要度的隶属度函数，其分布函数如图4所示。

隶属函数的具体确认方法是：根据专家的经验和相关规程的准则，确定分布函数
中指标对于四种状态划分的模糊区间，最后建立指标相对于各个状态的隶属度函数。例如，
对于额定容量这个因素，其对应四个状态的隶属度函数可分别确定为：

$U_1\left(x\right)=\left\{\begin{array}{cc}0.97& x\&le;400\\ -0.0024x+1.93& 400\&lt;x\&le;800\\ 0.01& x\&gt;800\end{array}\right.---\left(23\right)$

$U_2\left(x\right)=\left\{\begin{array}{cc}0.01& x\&le;400\\ 0.0024x-0.95& 400\&lt;x\&le;800\\ -0.0024x+2.89& 800\&lt;x\&le;1200\\ 0.01& x\&gt;1200\end{array}\right.---\left(24\right)$

$U_3\left(x\right)=\left\{\begin{array}{cc}0.01& x\&le;800\\ 0.0024x-1.91& 800\&lt;x\&le;1200\\ -0.0024x+3.85& 1200\&lt;x\&le;1600\\ 0.01& x\&gt;1600\end{array}\right.---\left(25\right)$

$U_4\left(x\right)=\left\{\begin{array}{cc}0.01& x\&le;1200\\ 0.0024x-2.87& 1200\&lt;x\&le;1600\\ 0.97& x\&gt;1600\end{array}\right.---\left(26\right)$

式(23)至式(26)中，U1(x)-U4(x)分别是较不重要、重要、较重要、非常重要四个状
态隶属函数，x表示额定容量的大小。

同理可得到负载率的隶属函数。

<2.2.2>定性指标

对于重要用户数、社会影响系数、区域系数等定性描述的指标采用模糊统计试验
发。通过专家调查的形式，即给出评判对象和评价指标根据，制作调查表，分发给各位专家，
对每一具体评价对象的每项指标根据专家经验进行认定，在打分表上对应等级处打“√”。
最后根据不同专家所占的不同权重确定各个因素的隶属度，从而得到单因素评判矩阵，隶
属度的表达式为：

$U=\frac{\underset{i=1}{\overset{n}{\&Sigma;}}{a}_i}{\underset{j=1}{\overset{m}{\&Sigma;}}{a}_j}---\left(27\right)$

式中：U为隶属度的值，n为认为因素x属于评语y的专家的人数，ai为认为因素x属
于评语y的专家所对应的权重，m为所有专家的人数，aj为每个专家对应的权重。

下面以重要用户数为例，说明具体操作：制作一份重要用户数专家评分表，分别发
给十位专家(其权重分别为21，19，17，13，11，9，7，1，1，1)，最后根据式(20)整理十份评分
表，可得到指标重要用户数对应四个状态的隶属度，结果如表3所示。

表3

同理，可得到其他定性指标的隶属度表。

<2.3>求重要度流程

结合图5所示的流程图，求取健康值的过程说明如下：

102-4、根据配电网设备的重要性水平指标的实时数据，确定每项重要性水平指标
的未确知测度判断矩阵；

具体地，根据配电网设备的重要性水平指标的实时数据以及预设的隶属度函数，
计算得到每项重要性水平指标对于每种可能的状态评价等级的隶属度，建立未确知测度判
断矩阵。

102-5、通过信息熵计算每项重要性水平指标的分类权重向量；

102-6、采用置信度判别准则，根据未确知测度判断矩阵和分类权重向量，确定配
电网设备的重要度。

103、根据配电网设备的健康值和重要度，确定并输出配电网设备的状态评价等
级。

在一种具体的实施方式中，在以健康值和重要度为坐标轴的二维平面中划分配电
网关键设备的在线运行状态。二维平面图以健康值和重要度为坐标轴，第一象限被划分为
至少两个区域，其中每个区域对应一种状态评价等级，将计算得到的健康值和重要度在该
二维平面图上所确定的点称为目标状态点，根据目标状态点在预设的二维平面图中的位
置，确定配电网设备的状态评价等级。

例如，如图6所示，第一象限被划分为“正常”、“注意”“异常”、“严重”四个区域，目
标状态点落入“正常”对应的区域，则确定配电网设备的状态评价等级为正常。

可选的，确定目标状态点的位置以及状态评价等级之后，实时展示目标状态点的
位置变化以及状态评价等级。在二维平面图上显示并实时更新，针对具体的一个目标状态
点，具有边界条件清晰易于判定的有点，并且边界条件可以结合调度员的实际经验进行修
正。目标状态点靠近临界点时也可直观地表现出来。

基于上述步骤所描述的状态评估方法，结合图7所示的计算流程示意图，以某城市
4台型号分别为S11-200/10、S11-400/10、S11-630/10、S11-800/10的配电变压器为例进行
具体说明。4台配电变压器分别将其编号为A，B，C，D。

(1)健康值计算

以A配电变压器为例，读取数据库中539组样本数据信息，采用关联规则的方法，根
据式(2)和式(3)求得健康值的初始权重为h＝[0.113，0.183，0.147，0.220，0.205，0.132]。
通过灰色关联变权计算得到的权重为wT＝[0.116，0.194，0.131，0.179，0.224，0.156]。带
入式(10)的最优化模型中，求得λ值为10.04，表明指标间有一定的互补作用，相应指标集的
模糊测度值如表4所示。

表4 指标集的模糊测度

读取在线数据，通过指标评分函数，得到A配电变压器的指标评分，如表5所示

表5 配电变压器指标评分表

编号
一次侧电压
负载率
油温
运行年限
天气因素
缺陷统计
A
100.00
90.00
100.00
64.00
94.67
78.13

将各项指标评分值和λ模糊测度带入Choquet模糊积分的计算式中，求得A配电变
压器的在线状态评估值，同理可得其余3台配电变压器的健康值，如表6所示。

表6健康值评估值

编号
A
B
C
D
健康值
71.70
15.56
58.17
47.52

(2)重要度计算

以A配电变压器为例，通过隶属度函数的计算可建立未确知测度判断矩阵如下：

${\mathrm{\&mu;}}_{Q\&times;R}=\left(\begin{array}{cccc}0.42& 0.56& 0.01& 0.01\\ 0.97& 0.01& 0.01& 0.01\\ 0.97& 0.01& 0.01& 0.01\\ 0.77& 0.20& 0.02& 0.01\\ 0.01& 0.01& 0.67& 0.31\end{array}\right)$

通过式(17)～(19)，计算出分类权重向量为：

w＝[0.140.270.270.170.15]。

通过式(20)得μ1＝w·μQ×R＝[0.72 0.12 0.11 0.05]。

通过式(22)得重要度为

同理可得另外3台配电变压器的重要度，如表7所示。

表7 重要度评估值

编号
A
B
C
D
重要度
37.53
43.64
61.34
79.75

(3)状态评价等级划分

将4台配电变压器的状态评价等级的划分结果，显示于健康值和重要度的二维平
面，并划分其运行状态，如图8所示。

根据图8对配电变压器状态评价等级的划分，将本发明结果与由层次分析法(英文
全称：Analytic Hierarchy Process，英文简称：AHP)方法和模糊综合评判法得出的结果进
行对比，如表8所示。

表8

1
2
3
4
AHP方法
正常
异常
正常
注意
模糊综合评判法
正常
异常
注意
注意
本发明方法
正常
严重
注意
异常

将表8中的结果与实际工况进行对比可以看出，对于运行状态较好的1号配电变压
器，3种评估方法均能准确得出结果；对于2、3号配电变压器，AHP方法和模糊综合评判法由
于未能考虑指标间的相互关系，得出了优于实际工况的结果；而对于4号配电变压器，前两
种方法忽略了重要度的影响，得出了运行状态为“注意”的结果，而实际应为“异常”状态。本
发明方法，综合考虑健康值与重要度以及健康值中指标的相互关系，得出结果更接近实际
运行状态。

本发明的实施例所提供的配电网设备的状态评估方法，通过评估参数的历史数据
和实时数据对配电网设备的健康水平和重要性水平做分析，通过健康值来标识配电网设备
的健康水平，通过重要度来标识配电网设备的重要性水平。实际检修过程功能中，对于两个
健康水平相同的配电网设备，优先检修重要性水平高的设备。对于两个重要性水平相同的
配电网设备，优先检修健康水平低的设备。基于健康值和重要度的分析方式，能够准确评估
配电网设备的状态，为配电网检修工作提供有效的数据支持，确定检修的优先程度，利于有
针对性地展开检修工作。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉
本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在
本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。