电力变压器作为重要的输变电设备,遍布电力系统输变电网络的关键节点,其运行状态直接影响电力系统供电可靠性。电力变压器一旦发生故障将引发停电事故,不仅会造成重大经济损失,甚至还会对社会稳定造成影响。通过分析电力变压器监测数据,及时发现其状态变化和存在的安全隐患,可以为电力变压器状态检修提供依据。近年来,物联网技术在电力系统中广泛应用,监测设备产生了海量不均衡监测数据。聚类算法可以准确快速的处理海量数据,但传统聚类算法对电力变压器不均衡监测数据的聚类效果较差。本文通过引入类簇规模不均衡度量,改善了算法对不均衡数据的聚类效果,并提出基于聚类算法的电力变压器状态评估方法,提高了电力变压器状态评估的精度。主要研究内容包括:(1)基于相邻区域样本不均衡度量的改进FKM算法传统FKM算法采用误差平方和作为聚类准则函数,类与类之间包含近似的样本数将获得最小的准则函数值,因此传统FKM算法对电力变压器不均衡监测数据的聚类效果较差。本文通过融合类簇规模的改进模糊隶属度函数对相邻区域的样本进行度量,降低了多数类类簇中与少数类类簇相邻区域的样本对少数类类簇簇心的“吸引”程度,保证了少数类类簇的簇心始终处于较为合理的位置,改善了FKM算法对不均衡数据的聚类效果。(2)基于交叉边界样本不均衡度量的改进RFKM算法电力变压器工况复杂,其正常状态的数据与故障状态的数据的边界往往是不清晰的,甚至是交叉的。传统RFKM算法引入了粗糙集上、下近似的概念,在处理边界交叉的数据聚类分析问题中具有独特的优势,但算法缺乏对类簇规模的度量,导致处理电力变压器不均衡监测数据的效果较差。本文针对类簇规模不均衡且存在交叉边界的监测数据分析处理,引入考虑类簇规模不均衡度量的改进模糊隶属度函数对交叉边界区域的数据样本进行度量,改善了RFKM算法对不均衡数据的聚类效果。(3)基于聚类算法的电力变压器状态评估方法传统的电力变压器状态评估方法,更多地集中于电力变压器故障诊断和状态检修的研究。本文提出了基于聚类算法的电力变压器状态评估方法,采用改进的聚类算法分析电力变压器常见故障的不均衡监测数据,评估电力变压器的运行状态。本文提出的评估方法不仅可以判断已发生故障的故障类型,还能对电力变压器未来可能发生的故障进行预测,进一步提高了电力变压器状态评估的精度,并通过实验验证了所设计方法的有效性。