符楊，司馬超，田書欣，蔡鵬程，顧吉平，劉舒

（1.上海電力大學(xué)電氣工程學(xué)院，上海 200090；2.國網(wǎng)上海市電力公司電力科學(xué)研究院，上海 200437）

預(yù)想故障集篩選是系統(tǒng)故障后安全態(tài)勢分析的重要支撐[1]，可為配電網(wǎng)運行狀態(tài)分析[2]、動態(tài)趨勢預(yù)警[3]、安全風(fēng)險評估[4]等提供風(fēng)險警示和輔助決策。一個實際配電網(wǎng)往往呈現(xiàn)多分支、多節(jié)點的架構(gòu)，如果對其可能發(fā)生的每一種故障進(jìn)行詳盡分析，則工作量巨大、難以實現(xiàn)，因此預(yù)想故障集篩選的主要工作就是制定篩選指標(biāo)，對系統(tǒng)潛在風(fēng)險態(tài)勢下的待分析故障集進(jìn)行初步排序分析，篩選出最嚴(yán)重故障類。

國內(nèi)外學(xué)者做了大量有關(guān)預(yù)想故障集篩選方面的研究。傳統(tǒng)預(yù)想故障集篩選工作的核心是構(gòu)建篩選指標(biāo)。文獻(xiàn)[5]構(gòu)建四維暫態(tài)安全穩(wěn)定裕度篩選指標(biāo)。文獻(xiàn)[6]考慮多重故障影響，分別構(gòu)建故障發(fā)生概率指標(biāo)與故障影響域指標(biāo)。文獻(xiàn)[7]形成配電網(wǎng)預(yù)想故障預(yù)篩-精篩兩步制綜合篩選方法。當(dāng)信息系統(tǒng)與傳統(tǒng)電網(wǎng)物理系統(tǒng)高度耦合時，故障表現(xiàn)更為多樣化，因此文獻(xiàn)[8]將信息系統(tǒng)納入范疇，考慮信息系統(tǒng)與物理系統(tǒng)高度耦合的配電網(wǎng)結(jié)構(gòu)下預(yù)想故障篩選。

聚類算法已在電氣領(lǐng)域得到廣泛應(yīng)用。文獻(xiàn)[9]結(jié)合K-means聚類實現(xiàn)對航空串聯(lián)電弧的檢測。文獻(xiàn)[10]利用K-means聚類算法選取典型場景獲得準(zhǔn)確的風(fēng)電出力概率分布情況。上述的聚類算法應(yīng)用在定義聚類目標(biāo)函數(shù)時未能綜合考慮類內(nèi)相似性與類間差異性間的關(guān)系。同時，由于電網(wǎng)信息化程度不斷增強，量測數(shù)據(jù)冗余度明顯提升，可為故障篩選提供更多故障態(tài)勢數(shù)據(jù)，具備應(yīng)用數(shù)據(jù)挖掘算法的數(shù)據(jù)基礎(chǔ)；另一方面雖然不同的預(yù)想故障具有不同的嚴(yán)重程度，但是不同的嚴(yán)重程度之間也具有相似性或差異性，這符合數(shù)據(jù)挖掘中的“聚類”特征，因此可以采用聚類算法，按嚴(yán)重度劃分進(jìn)行預(yù)想故障集篩選。

本文在上述研究的基礎(chǔ)上選用融合類內(nèi)與類間距離的加權(quán)聚類方法（weighting K-means clustering approach by integrating intra-cluster and inter-cluster distances，KICIC），該算法可同時加權(quán)最小化簇內(nèi)距離與最大化簇間距離，利用其輸出的故障類嚴(yán)重度指標(biāo)對基于微型同步相量測量單元（micro-synchronous phasor measurement unit，μPMU）量測的智能配電網(wǎng)故障時刻電壓相量數(shù)據(jù)進(jìn)行預(yù)想故障集聚類分析，進(jìn)而引入云理論表征故障類嚴(yán)重度的可能不確定性，確定最終的預(yù)想故障集篩選結(jié)果。因此，本文通過遍歷智能配電網(wǎng)各節(jié)點發(fā)生不同故障類型的場景，利用μPMU高密集電壓相量量測數(shù)據(jù)，結(jié)合KICIC聚類和云模型，綜合故障嚴(yán)重度和不確定性對預(yù)想故障集進(jìn)行篩選排序，從而為智能配電網(wǎng)安全態(tài)勢分析工作提供了理論支撐。

1 基于μPMU的智能配電網(wǎng)預(yù)想故障集聚類分析

設(shè)置智配電網(wǎng)中可能發(fā)生的各類預(yù)想故障，結(jié)合μPMU量測數(shù)據(jù)，形成反映故障時系統(tǒng)態(tài)勢的故障數(shù)據(jù)集，并采用聚類算法盡可能將相似的聚類數(shù)據(jù)集數(shù)據(jù)歸為一類，且類與類之間表現(xiàn)較大的差異性，完成預(yù)想故障集聚類初步篩選。

1.1 故障數(shù)據(jù)集形成

本文預(yù)想故障數(shù)據(jù)包含了系統(tǒng)發(fā)生各類預(yù)想故障時利用μPMU量測所得到的系統(tǒng)各節(jié)點電壓相量數(shù)據(jù)[11]，以形成應(yīng)用于KICIC聚類的故障數(shù)據(jù)集。故障數(shù)據(jù)集具體形成方法如下：利用μPMU量測所得到的各故障后，全網(wǎng)各節(jié)點電壓相量與正常運行時標(biāo)準(zhǔn)電壓相量的差形成聚類數(shù)據(jù)集，即

故障數(shù)據(jù)集經(jīng)過聚類算法可得到若干故障類型，并輸出不同故障類型的故障嚴(yán)重度指標(biāo)，實現(xiàn)預(yù)想故障集初步篩選。

1.2 KICIC聚類算法

KICIC聚類算法同時加權(quán)最小化簇內(nèi)距離與最大化簇間距離，聚類性能更優(yōu)。設(shè)X={X1,X2,…,Xn}為n個數(shù)據(jù)對象的聚類數(shù)據(jù)集，Xi={xi1,xi2,…,xim}為m維特征的第i個數(shù)據(jù)對象；Z={Z1,Z2,…,Zk}為k個簇中心組成的簇中心集，Zp={zp1,zp2,…,zpm}為m維特征的第p個簇中心；W={W1,W2,…,Wk}為k個簇權(quán)重組成的簇權(quán)重集，Wp={wp1,wp2,…,wpm}為m維特征的第p個簇特征權(quán)重，wpj為第p個簇第j個特征的權(quán)重；Un×k為數(shù)據(jù)對象與簇中心0-1分配矩陣，uip=1表示第i個數(shù)據(jù)對象分配至第p個簇中心。

KICIC聚類算法的目標(biāo)函數(shù)為

約束條件為

迭代方法為

1）固定W與Z，求解U：

式中：下標(biāo)“p＇”為“p”以外的其它簇中心。

2）固定W與U，求解Z：

3）固定U和Z，求解W：

其中

式中：η為權(quán)重參數(shù)。

1.3 聚類有效性與故障類嚴(yán)重度

聚類算法的效果主要受聚類數(shù)與初始聚類中心選擇的影響。由于在進(jìn)行聚類前無法獲知最佳的聚類數(shù)與初始聚類中心，由此導(dǎo)致聚類效果有較大差異，例如針對某一類待聚類數(shù)據(jù)，將其聚為3類可能比聚為2類或4類時類內(nèi)數(shù)據(jù)更為相似且類與類之間差異性更大，因此需要進(jìn)行聚類有效分析。聚類有效性分析的出發(fā)點是基于聚類結(jié)果的緊湊性與分散性進(jìn)行的，可從幾何結(jié)構(gòu)與隸屬度特征兩個方面考慮構(gòu)建基于幾何結(jié)構(gòu)的有效性指標(biāo)、基于隸屬度特征的有效性指標(biāo)、兼顧幾何結(jié)構(gòu)和隸屬度特征的有效性指標(biāo)等。

基于幾何結(jié)構(gòu)的聚類緊湊性指標(biāo)Var與分離性指標(biāo)Sep分別表示如下：

在此基礎(chǔ)上構(gòu)建聚類有效性綜合指標(biāo)：

式中：S()

k為聚類數(shù)為k時的聚類有效性綜合指標(biāo)，指標(biāo)值越小，說明聚類結(jié)果類內(nèi)緊湊性與類間差異性表現(xiàn)越好，該結(jié)果更可信賴。

基于μPMU的預(yù)想故障KICIC聚類算法流程圖如圖1所示。

圖1 基于μPMU的預(yù)想故障KICIC聚類算法流程圖Fig.1 Flow chart of KICIC clustering algorithm based on μPMU

考慮聚類有效性的步驟如下：

1）確定聚類有效性分析最大聚類數(shù)kmax。

2）計算當(dāng)前聚類數(shù)k下初始矩陣(U,Z,W)，迭代更新至矩陣中U不再改變的情況。

3）計算當(dāng)前聚類數(shù)k下的聚類有效性綜合指標(biāo)。

4）k=k+1。

5）判斷k＞kmax，若是則轉(zhuǎn)第6步，若否則轉(zhuǎn)第2步繼續(xù)參與迭代。

6）輸出各種聚類下聚類有效性綜合指標(biāo)最小時的聚類結(jié)果。

同時，根據(jù)聚類結(jié)果定義不同故障類簇的故障類嚴(yán)重度為

式中：J2(Zp)為各類簇（各故障類簇）的故障類嚴(yán)重度指標(biāo)。

不同故障類型對應(yīng)不同指標(biāo)值，若指標(biāo)值越大則說明此類故障越嚴(yán)重且需要被篩出重點分析。

采用式（11）不僅可以清晰指示不同故障類的故障嚴(yán)重程度，而且可以清晰描述故障類與故障類之間嚴(yán)重度差別，輔助判斷算法聚類有效性。

2 故障類嚴(yán)重度云模型分析

2.1 云滴與云數(shù)字特征

通過智能配電網(wǎng)故障數(shù)據(jù)聚類得到的各故障類嚴(yán)重度因受智能配電網(wǎng)源荷時變性等因素的影響而具有一定的不確定性。為了精準(zhǔn)篩選預(yù)想故障類，需進(jìn)一步分析潛在的復(fù)雜不確定性對故障類嚴(yán)重度指標(biāo)的影響，本文引入云模型中的云數(shù)字特征從不確定性度量角度對故障類嚴(yán)重度指標(biāo)進(jìn)行篩選排序。

云滴是云模型的元素，由云數(shù)字特征定量表達(dá)，并組成云模型；云數(shù)字特征包含期望、熵、超熵三個指標(biāo)值，是對考慮不確定性的故障類嚴(yán)重度的定量表述，云模型基于云滴與云數(shù)字特征構(gòu)建，是對故障類嚴(yán)重度的直觀定性表達(dá)。

設(shè)置D為一個由精確數(shù)值表達(dá)的定量論域，Q為D的定性概念，若數(shù)值xi∈D，xi為Q的第i次隨機實現(xiàn)，xi對Q的概念隸屬度μi(xi)∈[0,1]是具有穩(wěn)定傾向的隨機數(shù)，則稱(xi,μi)為云滴，全部云滴用云數(shù)字特征（期望Ex、熵En、超熵He）表達(dá)，并構(gòu)成云模型。

期望Ex是云模型的中心值，其表征的概念取值最具代表性；熵En是對定性概念隨機性、模糊性的度量，反映定性概念期望的變動范圍，熵值越大說明期望變動范圍越大，不確定性越強；超熵He是對熵的隨機性、模糊性的度量，反映定性概念熵的變動程度，間接反映定性概念期望的離散與聚集程度，超熵值越大說明期望離散程度越大，隨機性、模糊性越強。

2.2 云啟發(fā)器

云數(shù)字特征可由云啟發(fā)器獲得，步驟如下：

2.3 云模型

云模型基于云數(shù)字特征構(gòu)建。由于智能配電網(wǎng)不確定性是隨機的、模糊的，因而可以認(rèn)為其近似服從正態(tài)分布，考慮不確定性而得到的嚴(yán)重度云模型同樣近似服從正態(tài)分布。

完成云模型構(gòu)建即是完成對考慮不確定性的故障類嚴(yán)重度的直觀定性表達(dá)。

3 預(yù)想故障集組合篩選步驟

設(shè)置智能配電網(wǎng)預(yù)想故障場景包括系統(tǒng)各節(jié)點發(fā)生三相短路、兩相短路接地、兩相相間短路、單相接地短路以及高阻接地等，利用發(fā)生故障的節(jié)點不同與故障類型不同而組合形成預(yù)想故障不同形式。通過遍歷智能配電網(wǎng)各節(jié)點發(fā)生各故障類型的場景，然后利用μPMU量測所得各故障后全網(wǎng)各節(jié)點電壓相量與正常運行時標(biāo)準(zhǔn)電壓相量的差形成故障數(shù)據(jù)集，進(jìn)而結(jié)合KICIC算法對其進(jìn)行聚類，得到反映各類平均嚴(yán)重度不同的故障類，選擇反應(yīng)最嚴(yán)重程度的故障類作為初篩故障類，最后引入云理論形成考慮不確定性的故障類嚴(yán)重度云數(shù)字特征與云模型，綜合故障風(fēng)險和不確定性兩個層面實現(xiàn)智能配電網(wǎng)預(yù)想故障集的精準(zhǔn)篩選。

具體步驟如下：

1）基于KICIC聚類算法生成不同故障類簇的故障類嚴(yán)重度指標(biāo)。利用KICIC聚類算法，在最小聚類目標(biāo)函數(shù)的基礎(chǔ)上，將遍歷系統(tǒng)各節(jié)點發(fā)生各類故障場景所得相量差形成故障數(shù)據(jù)集，聚類劃分為k階故障類，每一故障類對應(yīng)不同的聚類中心與故障類嚴(yán)重度，實現(xiàn)對全部預(yù)想故障的分類處理，輸出表征故障風(fēng)險程度的不同故障類簇的故障類嚴(yán)重度指標(biāo)。

2）建立故障類嚴(yán)重度指標(biāo)的云模型。以故障類嚴(yán)重度指標(biāo)為云數(shù)字特征期望Ex指標(biāo)，結(jié)合云啟發(fā)器，計算每一故障類的考慮不確定性的故障類嚴(yán)重度云數(shù)字特征熵指標(biāo)與超熵指標(biāo)。根據(jù)云數(shù)字特征，明確每一故障類隸屬度指標(biāo)，采用正態(tài)分布，生成考慮復(fù)雜不確定性的故障類嚴(yán)重度正態(tài)云模型。

3）綜合分析k階故障類嚴(yán)重度指標(biāo)及其云數(shù)字特征，確定預(yù)想故障集最終篩選排序結(jié)果。期望Ex是云模型中心值，直接表示了故障類嚴(yán)重度，熵En表示了故障類嚴(yán)重度的大小變化范圍，超熵He表示了故障類嚴(yán)重度的離散程度。計及故障類嚴(yán)重度指標(biāo)及其云數(shù)字特征形成預(yù)想故障集組合篩選方法，實現(xiàn)對預(yù)想故障集的有效排序。

4 算例分析

本文采用改進(jìn)的IEEE-33節(jié)點典型算例系統(tǒng)，并在 inter（R）core（TM）i5-7 200U CPU 8 GB內(nèi)存的計算機的Matlab R2018b平臺上進(jìn)行測試，系統(tǒng)結(jié)構(gòu)如圖2所示：其中，節(jié)點16接入光伏，節(jié)點20、節(jié)點31接入風(fēng)電，風(fēng)光接入?yún)?shù)如表1所示，并在這些節(jié)點布點μPMU量測裝置[12]；設(shè)置最大聚類數(shù)kmax為30。

圖2 IEEE33節(jié)點算例系統(tǒng)Fig.2 Example system of IEEE33 node

表1 風(fēng)光接入?yún)?shù)Tab.1 Wind-photovoltaic access parameter

4.1 預(yù)想故障初篩結(jié)果

首先，設(shè)置預(yù)想故障集場景為：預(yù)設(shè)系統(tǒng)各節(jié)點發(fā)生三相短路、兩相短路接地、兩相相間短路、單相接地短路以及高阻接地等共5類故障類型，各故障類型的預(yù)想故障遍歷依次發(fā)生在系統(tǒng)全部33個節(jié)點上，因此本文預(yù)想故障集的故障場景總數(shù)為165個。其次，利用KICIC聚類算法對全部預(yù)想故障集場景進(jìn)行初步聚類篩選，并對其效果進(jìn)行如下分析：

1）算法篩選有效性分析：基于已配置μPMU所采集的電壓相量量測值計算智能配電網(wǎng)預(yù)想故障集初步聚類篩選有效性綜合指標(biāo)如圖3所示。

圖3 預(yù)想故障集聚類篩選有效性綜合指標(biāo)比較Fig.3 Comparison of effectiveness indexes of expected fault screening

根據(jù)聚類有效性綜合指標(biāo)可知，聚類數(shù)為5時KICIC預(yù)想故障聚類算法最優(yōu)，因此應(yīng)使用KICIC聚類算法將全部預(yù)想故障聚類為5類進(jìn)行初步篩選。

2）算法篩選效果比較：將經(jīng)聚類有效性比較的KICIC聚類篩選結(jié)果與兩個對比算法，即KFCM聚類算法、K-means聚類算法，在設(shè)置5個故障類下的篩選結(jié)果對比，以驗證算法選擇的可靠性。由于聚類結(jié)果用于預(yù)想故障篩選，因此選用反映各聚類中心與標(biāo)準(zhǔn)數(shù)據(jù)相量距離的故障類嚴(yán)重度指標(biāo)和故障類內(nèi)的故障數(shù)量指標(biāo)作為適應(yīng)于衡量聚類篩選質(zhì)量的重要參考指標(biāo)，對兩個指標(biāo)的具體分析為：①隨著故障類嚴(yán)重度指標(biāo)值越大，說明離標(biāo)準(zhǔn)數(shù)據(jù)越遠(yuǎn)，即此故障類的風(fēng)險嚴(yán)重程度越高，更應(yīng)被篩出做重點分析。②隨著故障類嚴(yán)重度指標(biāo)值的逐漸增加，嚴(yán)重程度越高的故障類內(nèi)故障數(shù)量應(yīng)整體呈現(xiàn)減少的趨勢，以便于預(yù)想故障初步篩選。③各故障類間故障類嚴(yán)重度指標(biāo)值應(yīng)具有區(qū)分度，即能將各個故障類之間的嚴(yán)重度差異性清晰區(qū)分。

采用KICIC聚類算法與KFCM，K-means聚類算法的聚類篩選故障類內(nèi)的故障數(shù)量指標(biāo)如圖4所示，故障類嚴(yán)重度指標(biāo)如圖5所示。

圖4 故障類內(nèi)的故障數(shù)量指標(biāo)比較Fig.4 Comparison of the number of faults within the fault class

據(jù)圖4可知KICIC聚類中隨著故障類嚴(yán)重度指標(biāo)值的逐漸增加，故障類內(nèi)故障數(shù)量整體上在逐漸減少，下降趨勢更合理，而KFCM聚類、K-means聚類隨著故障類嚴(yán)重度指標(biāo)值的逐漸增加，故障類內(nèi)故障數(shù)量甚至呈現(xiàn)增長，不利于故障的有效篩選；據(jù)圖5可知KICIC聚類中故障類與故障類之間的嚴(yán)重度指標(biāo)值間隔相對較大，能夠更清晰地區(qū)分5類故障，而KFCM聚類、K-means聚類部分指標(biāo)值過于接近，區(qū)分度較差。因此，從篩選結(jié)果看KICIC聚類篩選效果更優(yōu)。

圖5 故障類嚴(yán)重度指標(biāo)比較Fig.5 Comparison of fault severity indexes

3）算法篩選結(jié)果分析：采用KICIC聚類算法的預(yù)想故障集聚類初步篩選結(jié)果如表2所示（由于篇幅有限僅列舉故障類嚴(yán)重度指標(biāo)最嚴(yán)重的兩類）：

表2 采用KICIC聚類算法的預(yù)想故障集初步篩選結(jié)果Tab.2 Preliminary expected fault screening results based on KICIC clustering algorithm

由圖5知KICIC聚類所得5個故障類1～5的嚴(yán)重度分別為：13 059，8 169，4 009，1 765，1 099，其中故障類1對應(yīng)的嚴(yán)重度最高；由表2知當(dāng)故障類嚴(yán)重度指標(biāo)值達(dá)到最大時為13 059，本類故障包含節(jié)點1與節(jié)點2發(fā)生三相接地短路兩個故障，應(yīng)被篩出做重點分析。

比較文獻(xiàn)[7]傳統(tǒng)預(yù)想故障篩選方法的結(jié)果和表2中本文所提方法的結(jié)果可知：

1）本文方法得到的初步篩選結(jié)果與文獻(xiàn)[7]方法得到的永久性故障篩選結(jié)果中（如文獻(xiàn)[7]3.1節(jié)所示）關(guān)于嚴(yán)重性較高的故障結(jié)果基本保持一致，驗證了基于KICIC聚類初篩方法的正確性。

2）文獻(xiàn)[7]方法對各故障下支路參數(shù)指標(biāo)的幅值作為故障嚴(yán)重性排序的依據(jù)，并未考慮故障前后顯著改變電壓相角而幾乎不改變電壓幅值的高阻接地故障；而本文所提方法充分利用μPMU電壓相量量測中的幅值和相角數(shù)據(jù)，全面分析系統(tǒng)各節(jié)點發(fā)生包括高阻接地故障在內(nèi)的各種類型故障時帶來的風(fēng)險嚴(yán)重程度。

3）文獻(xiàn)[7]中傳統(tǒng)篩選方法采用具有主觀賦權(quán)特征的判斷矩陣，并將其作為故障嚴(yán)重性排序的依據(jù)，同時通過設(shè)定指定數(shù)量的故障數(shù)來進(jìn)行預(yù)想故障篩選，使得篩選結(jié)果更加偏向主觀性；而本文所提方法基于故障類嚴(yán)重度指標(biāo)直接聚類篩選得到故障類，初步篩選工作根據(jù)算法直接展開，客觀性更強，其結(jié)果對安全態(tài)勢風(fēng)險預(yù)警的指導(dǎo)性更合理。

4.2 基于故障類嚴(yán)重度云模型的篩選排序結(jié)果

結(jié)合采用KICIC聚類算法的預(yù)想故障集聚類初步篩選結(jié)果，以故障類嚴(yán)重度指標(biāo)為期望，構(gòu)建各故障類下嚴(yán)重度云數(shù)字特征與云模型。云數(shù)字特征如表3所示，云模型如圖6所示。

表3 故障類嚴(yán)重度云數(shù)字特征Tab.3 Fault class severity cloud digital characteristics

基于表3與圖6，對比5個故障類的期望、熵、超熵云數(shù)字特征指標(biāo)，可知故障類1的期望與熵均為最大，超熵較大，說明此類故障嚴(yán)重度指標(biāo)最大、危害性最強、影響范圍廣，需要針對性地采取孤島劃分、網(wǎng)絡(luò)重構(gòu)等方法重點預(yù)防控制，減輕故障影響；對比故障類2、故障類3、故障類4、故障類5的云數(shù)字特征指標(biāo)，可知故障類3的期望雖然不是這4類故障中最大的，但是其熵與超熵均為最大的，說明此類故障嚴(yán)重度可能尚比其他故障類略低，但是影響范圍廣，易于其他故障類云模型發(fā)生交疊，且此類故障發(fā)散性強，存在偶發(fā)高嚴(yán)重度風(fēng)險的可能性，提要提高警惕、嚴(yán)以預(yù)防。

圖6 故障類嚴(yán)重度云模型Fig.6 Fault class severity cloud model

通過上述分析可知，故障類1是預(yù)想故障中嚴(yán)重程度最高、影響性最大的故障類。在基于KICIC算法的預(yù)想故障集初步聚類篩選基礎(chǔ)上，通過對故障類嚴(yán)重度云數(shù)字特征與云模型的分析，對高危區(qū)的初選預(yù)想故障集進(jìn)行排序，最終篩選出最嚴(yán)重的預(yù)想故障，為后續(xù)的智能配電網(wǎng)安全態(tài)勢警示和風(fēng)險控制輔助決策提供新的思路和理論支撐。

5 結(jié)論

針對智能配電網(wǎng)安全態(tài)勢分析中全面精準(zhǔn)篩選高危故障對象的需求，結(jié)合μPMU量測數(shù)據(jù)特點，本文從數(shù)據(jù)挖掘?qū)用嫣岢鋈诤螷ICIC聚類算法和故障類嚴(yán)重度云模型的智能配電網(wǎng)預(yù)想故障集篩選排序方法。結(jié)合IEEE-33節(jié)點智能配電網(wǎng)算例分析可知：

1）通過將預(yù)想故障集篩選與聚類算法結(jié)合，采用KICIC聚類算法進(jìn)行預(yù)想故障集初步篩選，遍歷系統(tǒng)各節(jié)點發(fā)生各類故障場景，并利用μPMU電壓相量量測所得的大量數(shù)據(jù)實現(xiàn)預(yù)想故障初步篩選，不僅能夠按照聚類目標(biāo)函數(shù)與故障類嚴(yán)重度指標(biāo)初步篩選出故障類，而且能夠保證篩選過程中故障嚴(yán)重度計算、選擇的客觀性；

2）通過云理論表征故障類嚴(yán)重度不確定性，對各故障類嚴(yán)重度受不確定影響而表現(xiàn)出的隨機性、模糊性進(jìn)行了云模型建模，按照其云數(shù)字特征對基于KICIC聚類算法的高危區(qū)預(yù)想故障集初篩結(jié)果進(jìn)行排序和重點分析，確定最嚴(yán)重的的故障類型，為智能配電網(wǎng)安全態(tài)勢分析工作提供了更全面更客觀的理論基礎(chǔ)。

3）針對聚類數(shù)據(jù)集中的數(shù)據(jù)量過于龐大，可能會大幅增加預(yù)想故障篩選計算復(fù)雜度和系統(tǒng)成本的問題，將在后續(xù)的工作中融合高效的數(shù)據(jù)挖掘技術(shù)和傳統(tǒng)預(yù)想故障篩選模型，沿著模數(shù)混合驅(qū)動下預(yù)想故障篩選新思路作進(jìn)一步深入研究。