一种基于稳态电能质量监测数据的敏感负荷类型识别方法

技术领域

本发明属于负荷类型识别领域，涉及一种基于稳态电能质量监测数据的敏感负荷类型识别方法。

背景技术

电压暂降是电网运行中难以避免的电能质量问题，可导致工业用户的正常生产中断，引起巨大的经济损失与安全隐患。且由电压暂降导致的投诉占比已超电能质量问题投诉的80％，电压暂降事件的高危害以及高占比，使其成为电力用户与供电公司重要关注的电力问题。

近年来，现代工业中所使用的电压暂降敏感负荷逐年增加，该类负荷对电压扰动的高敏感度，与不可避免的电压暂降事件之间的矛盾日益显著。为减少用户损失、减缓电压暂降危害，供电公司已采取诸多措施，但由于对用户侧负载的不充分认识，难以实现精准的优化供电服务。因此，在采取措施过程中，尚需解决对重要用户所含敏感负荷准确识别问题，从而有利于供电方实现降成本、增效率、提精度的差异化服务，以及用电方实施针对性、有效性、及时性的定制化治理。

但由于不同行业用户所含的敏感负荷类型差异性较大，大多数用户难以对负荷性质做出专业性判断。目前敏感负荷辨识多数是基于多次重复实验所评估的负荷耐受特性或是考虑已知负荷类型条件下的容量计算，未充分考虑已投运设备的难以实验性，以及实际工业企业中所含负荷的未知性。应当考虑在未知负荷类型的情况下，采用非侵入式方式，实现对敏感负荷的类型识别。

随着电力用户对电能质量问题的重视，大部分敏感性用户，已参照《电能质量监测系统技术规范》完成电能质量监测终端的安装，器监测数据包含了多特征、大体量的长期电能质量监测数据，也包括电压暂降事件指标性息，为进一步采用非侵入式方法，基于稳态电能质量监测数据进行敏感负荷识别提供了坚实足量的数据基础。因此，本文提出了一种基于稳态电能质量监测数据的电压暂降敏感负荷识别方法。

目前对于用户敏感负荷性质判定，多是采取对于单个负荷进行大量的电压暂降耐受特性重复实验，以不同暂降严重程度事件得出的负荷动作情况为依据拟合出单个负荷的电压耐受特性，从而实现对负荷的敏感性评估。该方法仅适用于还未投运进用户侧的独立敏感负荷，难以实现对用户侧的整体敏感负荷识别。或是在已知用户敏感负荷类型的前提下，将敏感负荷识别问题转化为负荷容量占比问题，但在实际中，负荷工艺参数难以精确获取，对用户所含负荷进行提前的性质界定较为困难。

发明内容

本发明的目的在于提供一种基于稳态电能质量监测数据的敏感负荷类型识别方法，有利于供电方实现降成本、增效率、提精度的差异化服务，以及用电方实施针对性、有效性、及时性的定制化治理

为实现上述目的，本发明的技术方案是：一种基于稳态电能质量监测数据的敏感负荷类型识别方法，包括：

(1)提出了一种基于有功功率监测数据的时段划分方法，能够识别出暂降事件前后段起止时间；

(2)提出一种基于多指标稳态电能质量监测数据的动态聚类方式，能够准确识别由于不同严重程度暂降事件引起的负荷非正常工作情况。

(3)提出了一种将簇类映射至典型敏感负荷动作区的方法，结合边界拟合，能够实现对用户所含电压暂降敏感负荷的类型识别。

(4)提出了一种基于稳态电能质量监测数据的电压暂降敏感负荷识别方法。

相较于现有技术，本发明具有以下有益效果：

本发明通过用户暂态监测值以及暂降事件指标，得到每次事件的前后段起止事件；通过分析不同严重等级暂降事件所引起的多指标稳态电能质量监测数据变化量，提出采用动态聚类方式进行簇类分类，并将聚类簇类映射至动作区的方式实现对敏感负荷的识别。

优点：

不同于对单个负荷进行大量独立重复实验，进行负荷电压耐受特性曲线拟合的方法，本发明方法，有利于供电方实现降成本、增效率、提精度的差异化服务，以及用电方实施针对性、有效性、及时性的定制化治理。

附图说明

图1为本发明的流程示意图；

图2为本发明中电压暂降敏感负荷识别示意图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

如图1、2所示，本发明一种基于稳态电能质量监测数据的敏感负荷类型识别方法，包括：

步骤S1、原始电能质量监测数据的获取。为实现对暂降事件的各段划分，选取用户有功功率实时监测暂态数据作为数据源。为构建待识别稳态数据集，选取多指标稳态电能质量监测数据作为数据源。

步骤S2、基于暂态数据的暂降事件分段。采用最值归一化与离散小波变化对有功功率监测值进行预处理后，采用滑动均值事件分段法按获得暂降事件前段、后段时间。

步骤S3、待识别稳态数据集构建与动态聚类。选取功率、电流、电压这样的基本电气参数，以及电流不平衡度、电压畸变率等体现电能质量发射特性的多特征稳态电能质量数据，计算暂降事件前后多指标电能质量数据均差值作为待处理样本集。采用动态kmeans方式进行样本聚类，以轮廓系数作为评价指标获取最优聚类簇。

步骤S4、基于稳态数据的敏感负荷类型识别。将上述最优簇类的各簇进行边界与拐点拟合，并与预设VTC曲线进行对比，以混淆矩阵指标进行正确性验证后，实现对用户所含敏感负荷的识别。

进一步的，步骤S2中所述的基于暂态数据的暂降事件分段，具体为以下步骤：

步骤S201、首先，采用最值归一化方式对有功功率数值进行标幺值处理，记某用户有功功率监测数据为P＝{p

其中p

步骤S202、针对有功功率标幺值，采用离散小波变换(Discrete Wa-veletTransform,DWT)将数据分出高频部分与低频部分，有功功率P'的第x层高频与低频部分表示如下：

其中，P′

噪声分量主要集中在高频细节分量中，因此采取默认阈值去噪，实现对有功功率的小波降噪。记DWT降噪后的有功功率标幺值为P″＝{p″

步骤S203、采用滑动均值方式,，将有功功率轨迹分段过程化，识别出各个事件段的起始点。选取滑动窗口的长度为w

滑窗所计算出的极差变化率数据集记为

步骤S204：、以w

其中x∈[1+aw

记录计算结果中的第一个跳变点与最后一个跳变点数据，为功率变化段的起止时间，即暂降事件开始与暂降事件结束后负荷状态区域稳定时间。至此，完成依据有功功率采样值，实现对暂降事件前段结束时间t

进一步的，步骤S3中所述待识别稳态数据集构建与动态聚类，具体为以下步骤：

步骤S301、基于暂降事件前后段划分，获取事件前段[t

步骤S302、对于以上无标签数据源，本文采用动态Kmeans方式更迭初始聚类簇数，并采用轮廓系数来评估聚类效果的好坏。

从无标签的待聚类样本X中随机选取c个聚类中心，记为{c

计算样本中每个元素到初始聚类中心的欧氏距离，并根据距离公式更新c簇，公式如下：

对聚类完成的k簇分别进行聚类中心的重新计算，计算公式如下：

计算该初始聚类簇数下的轮廓系数，其计算公式如下：

/>

其中，

更新初始聚类中心，使c＝c+1，重复步骤2-4，当

步骤S303、将用户b次暂降事件组成待处理数据源X＝{x

对于聚类所得的各簇数据分别进行拐点拟合处理得到用户的VTC拟合曲线。将拟合曲线与预设敏感负荷VTC曲线进行对比，可实现对未知负荷用户的敏感负荷识别。

步骤S304、采用混淆矩阵对结果可靠性量化分析，用于表示模型识别的各类敏感负荷及组合情况相对于真实值的情况，混淆矩阵的准确度S

准确度S

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。