一种用于电能表的电压质量动态评估与预警方法与流程

本申请涉及测量电变量领域，尤其涉及一种用于电能表的电压质量动态评估与预警方法。

背景技术：

1、低电压台区多分布于农村及城乡结合部，具有供电半径长、负荷波动大、三相不平衡突出等特点。随着居民大功率电器普及及分布式光伏接入增加，台区负荷呈现显著时变性与随机性，易导致末端电压越限、线损上升等问题，亟需对电压质量进行精细化监测与评估，以提升电压合格率与三相平衡度。

2、现有电压质量监测方法多基于固定阈值或静态聚类，对负荷的动态变化适应性不足。部分研究尝试采用聚类算法对智能电表进行聚类，再结合预设阈值进行电压异常判断。然而，该类方法存在三方面局限：其一，传统欧氏距离对负荷序列的时间平移（如高峰时段错位）敏感，难以准确识别波形相似但相位偏移的负荷，导致聚类合理性不足；其二，聚类结构多采用静态聚类，缺乏对实时负荷动态变化的适应性评估机制，难以及时感知局部电压异变；其三，聚类更新决策依赖固定阈值或人工经验，未建立评估精度与计算成本的动态平衡，易造成无效更新或响应滞后。

3、因此，亟需一种能够自适应感知负荷动态变化、量化评估聚类结构适应性、并基于评估效果动态优化聚类更新策略的电压质量动态评估与预警方法，以提升低电压台区电压质量监测的实时性与准确性。

技术实现思路

1、为了解决现有技术多采用聚类算法，基于历史数据的固定负荷聚类调整不够灵活，难以应对负荷的实时动态变化，无法精准感知电压质量演变趋势并及时预警的技术问题，本申请提供一种用于电能表的电压质量动态评估与预警方法，包括：实时采集低电压台区内各智能电表的用电数据，所述用电数据包括负荷特征、功率因数特征和电压偏差特征，对所述用电数据进行预处理构建原始数据集；

2、基于所述原始数据集中预设天数的用电数据，采用聚类算法对所述智能电表进行初始聚类，得到多个初始簇；

3、设定滑动时间窗口，基于所述滑动时间窗口内的用电数据，计算每个智能电表的局部异变指标；

4、基于每个所述初始簇内各智能电表的局部异变指标，计算每个初始簇的簇异变指标；

5、基于所有初始簇的簇异变指标的最大值、均值以及信息熵，计算簇结构不适应度；

6、当所述簇结构不适应度大于预设的重聚类判定阈值时，触发重聚类操作，重新执行初始聚类，将重新聚类得到的结果作为所述最终的最优聚类结果；当所述簇结构不适应度小于或等于所述重聚类判定阈值时，将当前的智能电表聚类簇作为所述最终的最优聚类结果；

7、基于所述最终的最优聚类结果，判断各聚类簇内的电压质量是否异常，并输出电压质量评估与预警信息。

8、可选的，所述采用聚类算法对所述智能电表进行初始聚类，得到多个初始簇，包括：

9、提取预设天数内各智能电表的用电数据，构建各智能电表的用电特征矩阵；

10、采用迭代自组织数据分析算法对所述用电特征矩阵进行聚类分析；

11、在迭代过程中，以多维用电特征的欧氏距离作为相似度度量标准，根据预设的运行参数动态执行簇的分裂与合并操作，直至聚类结果收敛，得到多个初始簇。

12、可选的，所述局部异变指标的计算方式包括：

13、对于所述用电数据中的每一项特征，计算任一智能电表在所述滑动时间窗口内该特征的均值，与低电压台区内所有智能电表在所述滑动时间窗口内该特征的均值的差值；

14、计算低电压台区内所有智能电表在所述滑动时间窗口内该特征的标准差；

15、将所述差值的绝对值与所述标准差的比值作为该特征的第一异变指标；

16、计算任一智能电表在所述滑动时间窗口内该特征的标准差，作为分子；计算任一智能电表在预设天数内该特征的标准差，作为分母；

17、将所述分子与所述分母的比值作为该特征的第二异变指标。

18、可选的，所述局部异变指标的计算方式还包括：

19、计算第一异变指标与第二异变指标的和值；

20、对用电数据中每一项特征的所述和值进行累加求和；

21、对所述累加求和的结果进行归一化处理，得到所述局部异变指标。

22、可选的，所述簇异变指标的计算方式包括：

23、计算每个所述初始簇内各智能电表的局部异变指标的均值，得到簇异变指标。

24、可选的，所述簇结构不适应度的计算方式包括：

25、计算所有初始簇的簇异变指标的信息熵；

26、计算所述信息熵与初始簇的数量的对数值的比值，基于所述比值计算极值敏感权重；

27、基于极值敏感权重对簇异变指标的最大值与簇异变指标的均值进行加权求和，得到所述簇结构不适应度。

28、可选的，所述基于所述最终的最优聚类结果，判断各聚类簇内是否异常，并输出电压质量评估与预警信息，包括：

29、提取所述最终的最优聚类结果中各聚类簇内智能电表的电压偏差特征进行异常判定；

30、当满足预设的预警条件时，生成并输出预警信息；

31、所述预警条件包括：所述聚类簇内智能电表的电压偏差绝对值的均值大于预设电压偏差阈值；所述电压偏差绝对值的均值大于所述预设电压偏差阈值的越限状态持续的采样周期数大于预设周期阈值；所述聚类簇内满足所述电压偏差绝对值的均值大于所述预设电压偏差阈值的智能电表数量占该聚类簇总数的比例大于预设比例阈值。

32、可选的，所述负荷特征为智能电表的有功功率值；所述功率因数特征为智能电表的有功功率与视在功率的比值，所述视在功率为电压有效值和电流有效值的乘积；所述电压偏差特征为智能电表的实际运行电压与系统额定电压之间的差值。

33、本申请具有以下技术效果：

34、本申请结合聚类算法的簇动态重聚类来实现智能电表聚类簇的自适应优化，提高了电压质量评估对实时负荷变化的响应能力，实现对电压偏差的精准感知与及时预警，同时减少无效重聚类计算，节约系统资源，为低电压台区电压质量治理提供决策支撑。

1.一种用于电能表的电压质量动态评估与预警方法，其特征在于，包括：

2.根据权利要求1所述的用于电能表的电压质量动态评估与预警方法，其特征在于，所述局部异变指标的计算方式包括：

3.根据权利要求2所述的用于电能表的电压质量动态评估与预警方法，其特征在于，所述局部异变指标的计算方式还包括：

4.根据权利要求1所述的用于电能表的电压质量动态评估与预警方法，其特征在于，所述簇异变指标的计算方式包括：

5.根据权利要求4所述的用于电能表的电压质量动态评估与预警方法，其特征在于，所述簇结构不适应度的计算方式包括：

6.根据权利要求1所述的用于电能表的电压质量动态评估与预警方法，其特征在于，所述基于所述最终的最优聚类结果，判断各聚类簇内是否异常，并输出电压质量评估与预警信息，包括：

7.根据权利要求1所述的用于电能表的电压质量动态评估与预警方法，其特征在于，所述负荷特征为智能电表的有功功率值；所述功率因数特征为智能电表的有功功率与视在功率的比值，所述视在功率为电压有效值和电流有效值的乘积；所述电压偏差特征为智能电表的实际运行电压与系统额定电压之间的差值。