一种基于海量监测数据的干扰性用户谐波水平估计方法

技术领域

本发明属于谐波检测领域，具体涉及一种基于海量监测数据的干扰性用户谐波水平估计方法。

背景技术

谐波作为最严重的电能质量问题之一，是评估干扰性用户所造成的影响时所必须考虑的。目前，电网公司在进行干扰性用户的接入预测评估时，通常利用干扰设备的经验公式、典型谐波频谱进行估算或者利用仿真建模分析，前者不够准确而且单个设备的模型难以反映包含多个用电设备在不同行业干扰性用户的综合谐波特性，后者建模复杂且工作量大。此外，上述两种方法均很难反映设备自身工况的变化情况。

目前干扰性用户的谐波接入预测评估主要有两种方法：一种是分析干扰性用户的谐波设备组成，把谐波设备当作谐波电流的恒流源，利用设备的经验公式或厂家提供的测试数据估算单个设备的各次谐波电流，然后利用国标《GB/T 14549—93》中的叠加公式得到总的谐波电流水平；另一种是用PSCAD/EMTDC、Simulink或Etap等仿真软件搭建干扰性用户的模型，得到总的谐波电流水平。

第一种方法的的缺点在于：首先，经验公式的预测误差很大，在应用中可能会与实际结果产生很大偏差；其次，厂家的测试数据是设备运行在典型工况下得到的结果，在用户实际生产过程中，很难保证设备都维持在典型工况保持恒定

第二种方法的缺点在于：已有仿真软件的模型库并不完备，可能需要利用基本元件手工搭建出待评估设备的模型，模型的搭建需要研究设备的内部结构和设备的运行特性，这个过程是十分复杂和繁琐的

由于电能质量监测装置在电力系统中的广泛应用，谐波监测系统已经积累了大量干扰源的谐波数据。对于在监测的某一类干扰性用户，有条件且有必要利用已经积累的大量谐波数据建立谐波特征模型，为相似干扰性用户的接入预测评估提供参考。本申请依托已经积累的海量谐波监测数据以及用户的干扰性设备组成特征，利用云模型表征干扰性用户的谐波特性，并结合神经网络预测相似用户的谐波特性，为干扰性用户的谐波接入预测评估提供参考。

参考文献：

[1]邵振国,林坤杰,陈锦植,等.基于区间运算的谐波用户典型工况分析[J].电力科学与技术学报,2018,033(004):153-160.

[2]张晶.多谐波源系统谐波叠加方法的研究[J].电网技术,1995(03):23-27.

[3]华回春,郑璐,王莉,等.多谐波源同次谐波叠加计算方法[J].电力系统自动化,2016,40(019):107-112.

[4]欧阳森,梁伟斌,苏为健,等.基于电气外特性的大型光伏电站建模及电能质量预评估方法[J].电工电能新技术,2018,v.37；No.179(05):54-60.。

发明内容

本发明的目的在于提供一种基于海量监测数据的干扰性用户谐波水平估计方法，该方法得到的云模型能够反映干扰性用户实际运行状态下的谐波特性，此外，利用训练好的神经网络模型来评估同类干扰性用户也避免了复杂的计算过程。

为实现上述目的，本发明的技术方案是：一种基于海量监测数据的干扰性用户谐波水平估计方法，首先，构建用于表征干扰性用户谐波特征的干扰性用户的谐波云模型；而后，基于干扰性用户的谐波云模型构建神经网络的训练样本对神经网络进行训练，得到干扰性用户的谐波水平预测模型；最后，根据同一类干扰性用户的设备容量构成，通过干扰性用户的谐波水平预测模型，进行干扰性用户的接入预测评估。

在本发明一实施例中，所述构建用于表征干扰性用户谐波特征的干扰性用户的谐波云模型的具体实现过程如下：

设有N个同一类型的干扰性用户，这N个用户具有M种相同的谐波设备，根据这N个用户的台账信息得到第n个用户的第m种设备的设备容量为S_m_n；构建该N个干扰性用户的2～25次谐波电流云模型，步骤如下：

(1.1)获取干扰用户的2～25次谐波电流的历史监测数据

(1.2)用逆向高斯云算法构建第h次谐波电流幅值的云模型：

a)计算谐波电流幅值云模型的期望

b)计算谐波电流幅值云模型的熵

c)计算样本数据的方差

d)若S

e)删除当前样本中离期望Ex

f)计算谐波电流幅值云模型的超熵

g)获得第h次谐波电流幅值的云模型(Ex

(1.3)重复步骤(1.2)直到构建N个干扰性用户的2～25次谐波电流幅值云模型，其中，第n个用户的第i次谐波电流幅值云模型的数字特征为(Ex

在本发明一实施例中，所述基于干扰性用户的谐波云模型构建神经网络的训练样本对神经网络进行训练，得到干扰性用户的谐波水平预测模型的具体实现过程如下：

(2.1)以第n个用户的设备容量构成组成的向量Xn＝{S_1_n，S_2_n，S_3_n，…，S_M_n}作为神经网络的输入，以该第n个用户的谐波电流幅值云模型数字特征Yn＝{Ex

(2.2)用训练样本{Xn，Yn}对神经网络进行训练，得到干扰性用户的谐波水平预测模型。

在本发明一实施例中，所述根据同一类干扰性用户的设备容量构成，通过干扰性用户的谐波水平预测模型，进行干扰性用户的接入预测评估的具体实现过程如下：

(3.1)分析待评估的同一类干扰性用户的设备容量构成，组成输入向量X_evaluated＝{S_1_ed，S_2_ed，S_3_ed，…，S_M_ed}，输入构建好的干扰性用户的谐波水平预测模型，得到2～25次谐波电流幅值云模型的数字特征Y_evaluated＝{Ex

(3.2)利用正向高斯云算法和得到的Y_evaluated生成M个样本云滴即模拟值，用于模拟待评估干扰性用户的的运行过程，得到用于评估的CP95值；

(3.3)根据的得到2～25次谐波电流的CP95值，进行干扰性用户的接入预测评估。

在本发明一实施例中，所述步骤(3.2)具体实现过程如下：

(3.2.1)对于第i次谐波电流幅值云模型，其数字特征为(Ex

i)以En

ii)以Ex

iii)重复步骤i)和ii)，直到生成M个谐波电流云滴，记这M个第i次谐波电流云滴构成的集合为I_i＝{amplitude_i_1，amplitude_i_2，…，amplitude_i_M}；

(3.2.2)从第i次谐波电流幅值云滴集合I_i找到CP95值，即将元素内按从小到大排列，选取第[0.05*M]个元素，记该值为Icp95_i；

(3.2.3)重复步骤(3.2.1)和(3.2.2)，直到得到2～25次谐波电流幅值模拟值的CP95值。

在本发明一实施例中，所述M根据采样样本时间间隔与采样样本时间周期的乘积计算得到。

本发明还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上述所述的方法步骤。

相较于现有技术，本发明具有以下有益效果：本发明提出了一种新的扰用户谐波水平估计方法，该方法用云模型表征干扰性用户的谐波特征，反映了该用户谐波发射的平均水平和波动范围，其中隐含了电力系统和设备的运行状况对用户谐波特性的影响。然后，利用神经网络强大的非线性映射能力，分析同一类干扰性用户设备构成对其谐波特性的影响，所训练好的模型能够预测该类干扰性用户设备的谐波水平，为谐波接入预测评估提供依据。该方法的优点是得到的云模型能够反映干扰性用户实际运行状态下的谐波特性，此外，利用训练好的神经网络模型来评估同类干扰性用户也避免了复杂的计算过程。

附图说明

图1为本发明干扰性用户谐波水平估计方法的总流程图。

图2为构建干扰性用户谐波云模型的流程图。

图3为正向高斯云算法的流程图。

图4为逆向高斯云算法的流程图。

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。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本发明一种基于海量监测数据的干扰性用户谐波水平估计方法，首先，构建用于表征干扰性用户谐波特征的干扰性用户的谐波云模型；而后，基于干扰性用户的谐波云模型构建神经网络的训练样本对神经网络进行训练，得到干扰性用户的谐波水平预测模型；最后，根据同一类干扰性用户的设备容量构成，通过干扰性用户的谐波水平预测模型，进行干扰性用户的接入预测评估。

如图1-4所示，本发明一种基于海量监测数据的干扰性用户谐波水平估计方法，实现包括两部分内容，具体如下：

1、干扰性用户的谐波云模型

云模型的定义：在给定定量论域U，C是U上的一个定性概念，若定量数值x∈U是定性概念C的一次随机实现，则x对C的确定度μ(x)∈[0,1]是具有稳定倾向的随机数，即

对于干扰性用户的谐波监测数据而言，某一次谐波电流幅值的定量论域为[0，+∞]，每一个监测值可以视作一个论域中一个无确定度信息的云滴，一段时间内所有的监测值(云滴)可以构成一片云，其数字特征为(Ex,En,He)。期望Ex为这段时间内干扰性用户所发射的该次谐波电流的平均发射水平，熵En用于衡量这段时间内该次谐波电流幅值的波动范围，超熵He用于表征该次谐波电流幅值的随机性变化。

通常谐波监测系统的监测数据为特征统计量，所储存的是3分钟内(或1分钟的整数倍，不大于10分钟)的某次谐波电流幅值的最大值、最小值、CP95值。在此背景下，利用逆向高斯云算法构建干扰性用户的谐波云模型，具体步骤如下(如图2所示)：

(1)获取干扰用户的2～25次谐波电流的历史监测数据

(2)如图3所示，用逆向高斯云算法分别构建2～25次谐波电流幅值的云模型，以第h次谐波电流为例：

a)计算谐波电流幅值云模型的期望

b)计算谐波电流幅值云模型的熵

c)计算样本数据的方差

d)如果S

e)删除当前样本中离期望Ex

f)计算谐波电流幅值云模型的超熵

(3)获得馈线第h次谐波电流幅值的云模型(Ex

(4)重复步骤(2)到(3)直到构建好2～25次馈线谐波电流幅值的云模型。

2、干扰性用户谐波水平估计方法

在实际生产中，拥有相同生产流程和设备构成的一类干扰性用户可以看作是同一类型的用户，在其谐波干扰特性上具有相似性。同一类干扰性用户的谐波设备构成以及设备之间互相影响可以认为是相同的，谐波发射水平取决于用户的生产规模，即各用户之间各设备的容量差异。因此，可以利用神经网络强大的非线性映射能力，结合已有的大量干扰性用户的谐波监测数据和设备台账数据，构建某类型干扰性用户的谐波水平预测模型。

假设有N个同类型的干扰性用户，这N个用户具有M种相同的谐波设备，根据这N个用户的台账信息得到第n个用户的第m种设备的设备容量为S_m_n。则预测模型构建的具体步骤如下：

(1)利用第1点中的方法，构建这N个干扰性用户的2～25次谐波电流云模型，其第n个用户的第i次谐波电流云模型的数字特征为(Ex

(2)以第n个用户的设备容量构成组成的向量Xn＝{S_1_n，S_2_n，S_3_n，…，S_M_n}作为神经网络的输入，以该用户的谐波云模型数字特征Yn＝{Ex

(3)用训练样本{Xn，Yn}对神经网络进行训练，得到该类干扰性用户的谐波水平预测模型；

(4)分析待评估的同类干扰性用户的设备容量构成，组成输入向量X_evaluated＝{S_1_ed，S_2_ed，S_3_ed，…，S_M_ed}，输入构建好的干扰性用户的谐波水平预测模型，得到2～25次谐波电流云模型的数字特征Y_evaluated＝{Ex

(5)如图4所示，利用正向高斯云算法和得到的Y_evaluated生成M个样本云滴(即模拟值)，用于模拟待评估干扰性用户的的运行过程，得到用于评估的CP95值。所产生的云滴数M可以根据需求选择，一般情况下，以3min值采样样本、采样时间为一周为例，M可取为3360。具体步骤如下：

a)以第i次谐波电流云模型为例(即Y_evaluated中第i-1行的元素)，数字特征为(Ex

i)以En

ii)以Ex

iii)重复步骤i)和ii)，直到生成M个谐波电流云滴，记这M个第i次谐波电流云滴构成的集合为I_i＝{amplitude_i_1，amplitude_i_2，…，amplitude_i_M}；

b)从第i次谐波电流云滴集合I_i找到CP95值(即将元素内按从小到大排列，选取第[0.05*M]个元素)，记该值为Icp95_i。

c)重复步骤a)和b)，直到得到2～25次谐波电流模拟值的CP95值；

(6)根据的得到2～25次谐波电流的CP95值，进行干扰性用户的接入预测评估。

本发明还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上述所述的方法步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。