一种基于FP-growth算法的配电网电能质量评估方法与流程

一种基于fp-growth算法的配电网电能质量评估方法
技术领域
1.本发明涉及一种电能质量评估方法，尤其涉及一种基于fp-growth算法的配电网电能质量评估方法。


背景技术：

2.随着全球环境污染以及传统能源使用形势的日益严峻，世界各国正在积极努力地寻求利用环保且可再生的能源，其中以风力发电和光伏发电为主要代表的分布式新能源愈来愈受到关注。由于传统配电网属于被动控制，伴随着配电网中高渗透率、大规模可再生分布式能源(distributed generation，dg)的接入与利用以及可控负荷的增多，传统配电网会很容易达到饱和，面临的控制问题开始变得愈来愈明显。因而，具备组合控制各种dg、储能、可控负荷等能力的配电网络
‑‑
主动配电网(active distribution network，adn)已成为未来智能配电网最重要的发展模式之一。但是，由于dg的广泛接入以及主动配电网运行特性灵活多变，主动配电网各个节点必将面对电压波动与闪变、谐波畸变、过电压等严峻的电能质量问题。结合adn自身“主动特征”，高水平的主动控制成为其电能质量解决方案的最重要内容。
3.主动配电网中分布式可再生能源及负荷的大量接入导致配网非线性、不对称性、波动性、随机性增加，其会导致电压偏差、电压闪变与波动、频率偏差、谐波与间谐波、三相电压不平衡等电能质量问题。传统的回归分析算法在处理大规模数据时，当数据量以及特征较多时，参数就越多，表达式越复杂，回归模型在实际的训练中往往很难定型到最佳状态，因此，大多时候并不适用。而时间序列预测算法难以找到一个准确的能得到广泛认可的数学模型来拟合随机序列，难以根据历史数据和当下数据预测未来数据。
4.目前我国的配电网正在由传统配电网转变为主动配电网阶段，传统配电网又称被动配电网，其运行、控制和管理模式都是被动的。由大型发电厂生产的电力，流经输电网，通过配电网送到用户，因此中低压配电网即为电力系统的“被动”负荷，传统配电网是基于电网供电与用户用电之间的单向电力分配的网络；而主动配电网由微电源、负荷、储能系统和控制装置构成的系统，主动配电网是通过使用灵活的网络拓扑结构来管理潮流，能够对不同区域中的分布式能源设备进行主动控制和主动管理的配电系统。但是，由于dg的广泛接入以及主动配电网运行特性灵活多变，主动配电网各个节点必将面对电压波动与闪变、谐波畸变、过电压等严峻的电能质量问题。结合adn自身“主动特征”，高水平的主动控制成为其电能质量解决方案的最重要内容。
5.如今，电能作为一种实用、可持续且易控制和转换的清洁能源，是世界人民经济飞跃与科技发展的主要动力。与此同时，电能作为一种提供给用户的特殊商品，其基本质量由电能的产生方、供给方和使用方共同保障。与市场上的其他商品一样，电能的质量问题是其应首要考虑的层面。随着国家经济与科技的发展，一方面配电网中分布式可再生能源及负荷的接入会显著提高，另一方面这种情况也会给配电网带来很多不良特性，如非线性、不对称性、波动性、随机性等，其会导致电压偏差、电压闪变与波动、频率偏差、谐波与间谐波、三
相电压不平衡等电能质量稳态指标发生恶化，带来一系列严重的电能质量问题。虽然理想配电网系统的恒定频率和正弦波形在实际状态中很难达到，但是，电能质量过大的偏差必然会导致一些电气设备出现运行故障。鉴于这种情况，对含dg主动配电网电能质量未来态势的预测就显得十分重要，通过选用合适且性能较佳的预测方法对电能质量进行精确预测，为含dg主动配电网的诊断、治理决策、主动控制提供了坚实基础和前提，有利于改善电能质量，对电网安全经济运行，降低能耗有着重大作用。
6.针对电能质量预测问题，国内常采用回归分析算法和时间序列预测算法等。
7.(1)回归分析算法：
8.回归分析是预测模型技术中的一种形式，它根据数据过去的历史资料，统计分析规律，探讨的是因变量和独立变量之间的关系。对于回归分析，常见的技术有7种，包括线性回归(linear regression)、逻辑回归(logistic regression)、多项式回归(polynomial regression)、逐步回归(stepwise regression)、套索回归(lass regression)、岭回归(ridge regression)、弹性网络回归(elasticnet regression)。线性回归作为最基础的一种回归分析技术，常被选用在线性预测模型中，在这个模型中，因变量是连续的，自变量可以是连续或是离散的，回归线的性质是线性的。对于线性回归，其形式以y＝a0 a1x1 a2x2 a3x3
…
anxn表示，当数据量以及特征较多时，参数就越多，表达式越复杂。考虑实际应用时，虽然回归模型具有易理解，计算快、建模简单的优势，但是，由于当下电能质量数据的体量庞大，相关影响特征较多，回归模型在训练中往往很难定型到最佳状态，因此，大多时候并不适用。
9.(2)时间序列预测算法：
10.时间序列预测法是一种定量分析方法，其是对历史资料的延伸进行预测，因而也称为历史引伸预测法。时间序列预测法是以按时间顺序排列的数据序列所能反映的发展过程、方向、趋势和规律性，来对训练集进行引伸外推，由此来预测一段时间或以后若干年内训练集可能达到的水平。
11.对于时间序列预测法，其基本特点包括三个方面，一是假设事物发展趋势会延伸发展到未来；二是预测所依据的数据具有不规则性；三是不考虑事物发展之间的因果关系。其内容包括四个步骤：步骤1是确定时间序列所包含的成分，确定时间序列的类型；步骤2是找出此类时间序列的预测方法；步骤3是对可能的预测方法进行评估，以确定最佳预测方案；步骤4是利用最佳预测方案完成预测。
12.常见的时间序列模型有自回归(ar)模型、滑动平均(ma)模型、自回归滑动平均(arma)模型和差分自回归移动平均(arima)模型。由于在自然界中绝大部分序列都是非平稳的，因此，现今常用的时间序列模型是arima算法模型。在arima(p，d，q)模型中，ar是自回归，p为自回归项；ma为移动平均，q为移动平均项数，d为时间序列由非平稳到平稳所需做的差分次数。
13.正如一般的时间序列模型，arma算法的基本思想是旨在寻求一个较精准的数学模型来拟合随时间变化而形成的随机时间序列，一旦这个数学模型得到认可，那么就可以根据历史数据和当下数据预测未来数据。


技术实现要素：

14.本发明主要是解决现有技术中存在的不足，提供一种层次分析的特征是使用少量的信息对复杂的决策问题进行分析，为复杂的问题提供了一种简单的决策方法。这特别适用于难以直接评价决策结果的情况。根据挑选适度的风险评价规范，能够更为详细地确保配电系统软件设备的内部构造。所谓层次分析，就是把解决问题按共同目标、评价基准、特定计划的顺序分解为层次结构，然后求出自身向量的解决方法。这是一种加权求和方法，其中，每个替代方案的最终权重与整个目标递归地组合在前一级中的每个元素的优先权重。这里所谓的“优先权重”是一种相对度量，表明每个替代方案都有一个用于评价特定属性的标准或子目标，被标记为优越程度的相对度量，并且每个子目标对于实现先前的目标都很重要。层次分析法适合具有层级评价指标的目标系统，很难通过量化目标值来解决问题的一种基于fp-growth算法的配电网电能质量评估方法。
15.本发明的上述技术问题主要是通过下述技术方案得以解决的：
16.一种基于fp-growth算法的配电网电能质量评估方法，按以下步骤进行：
17.(一)、指数标度的层次分析：
18.由于客观事务的复杂和人们的认知多样，只有选择合适的标度方法，才可以得到正确的结论；通过选择正确的标度方法，进而构造出一致性判断矩阵，是层次分析法运用的前提和保障；基于指数标度的层次分析法的标度含义见下表：
19.表1、基于指数标度的层次分析法的标度含义
[0020][0021]
(二)、例写判断矩阵：
[0022]
电能质量分析的层次指标共有6个：三相不平衡度、非线性负荷率、冲击性负荷率、分布式能源并网节点电压平均合格率、分布式能源并网节点频率平均合格率、分布式能源
并网节点电流平均合格率；
[0023]
通过对6个指标进行两两比较，从而得到每个指标的重要程度a
k-1
，通过求解判断矩阵最大特征值和对应的特征向量，进而得到指标各个评价指标的层次权重值；并依次求解中间层的判断矩阵最大特征值和对应的特征向量；基于指数标度的层次分析法判断矩阵的一般表示形式见下式：
[0024][0025]
(三)、确定判断矩阵的一般表示形式：
[0026]
确定判断矩阵的一般表示形式，设方阵的矩阵维度为n维，i为方阵行下标，j为方阵列下标；判断矩阵内每个位置元素定义见下表：
[0027]
表2、判断矩阵内每个位置元素定义
[0028]
判断矩阵内的元素位置判断矩阵内的元素定义当j＞i时a
ij
＝a
k-1
当j＝i时a
ij
＝1当j＜i时a
ij
＝1/a
k-1
[0029]
(四)、电能质量风险等级的划分：
[0030]
通过计算各个评价指标的具体得分xi，并且设定每个评价指标的权重为ωi，因此基于指数标度的层次分析法的计算总分为：
[0031][0032]
式中：y为总分；xi为评价指标得分；ωi为评价指标权重；同时将电能质量风险等级划分为五级，并对其进行量化分级，分别是优：90≤y＜100、良：80≤y＜90、中：70≤y＜80、及格：60≤y＜70、不及格：y＜60；
[0033]
(五)、配电网电能质量评估：配电网电能质量评估流程分为2个阶段：范例学习阶段和预测应用阶段；示范学习阶段主要思想是将故障历史数据和环境历史数据进行整理后根据季节分组，并根据fp-growth算法生成关联规则并根据生成的关联规则筛选典型电能质量场景；预测应用阶段的主要思想是根据天气预报等数据并结合实际情况(即故障发生的相关信息)进行相应的数据匹配，并根据匹配结果判断用户输入的故障相关信息与其适配程度进而得出结论。
[0034]
本发明最关键的优点：可轻松应对特征繁多、规模庞大的数据量。
[0035]
本发明提供一种基于fp-growth算法的配电网电能质量评估方法，层次分析的特征是使用少量的信息对复杂的决策问题进行分析，为复杂的问题提供了一种简单的决策方
法。
附图说明
[0036]
图1为本发明的前述评估流程图；
[0037]
图2为本发明的预测基本框图。
具体实施方式
[0038]
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
[0039]
实施例1：如图所示，一种基于fp-growth算法的配电网电能质量评估方法，按以下步骤进行：
[0040]
(一)、指数标度的层次分析：
[0041]
由于客观事务的复杂和人们的认知多样，只有选择合适的标度方法，才可以得到正确的结论；通过选择正确的标度方法，进而构造出一致性判断矩阵，是层次分析法运用的前提和保障；基于指数标度的层次分析法的标度含义见下表：
[0042]
表1、基于指数标度的层次分析法的标度含义
[0043][0044][0045]
(二)、例写判断矩阵：
[0046]
电能质量分析的层次指标共有6个：三相不平衡度、非线性负荷率、冲击性负荷率、分布式能源并网节点电压平均合格率、分布式能源并网节点频率平均合格率、分布式能源并网节点电流平均合格率；
[0047]
通过对6个指标进行两两比较，从而得到每个指标的重要程度a
k-1
，通过求解判断矩阵最大特征值和对应的特征向量，进而得到指标各个评价指标的层次权重值；并依次求
解中间层的判断矩阵最大特征值和对应的特征向量；基于指数标度的层次分析法判断矩阵的一般表示形式见下式：
[0048][0049]
(三)、确定判断矩阵的一般表示形式：
[0050]
确定判断矩阵的一般表示形式，设方阵的矩阵维度为n维，i为方阵行下标，j为方阵列下标；判断矩阵内每个位置元素定义见下表：
[0051]
表2、判断矩阵内每个位置元素定义
[0052][0053][0054]
(四)、电能质量风险等级的划分：
[0055]
通过计算各个评价指标的具体得分xi，并且设定每个评价指标的权重为ωi，因此基于指数标度的层次分析法的计算总分为：
[0056][0057]
式中：y为总分；xi为评价指标得分；ωi为评价指标权重；同时将电能质量风险等级划分为五级，并对其进行量化分级，分别是优：90≤y＜100、良：80≤y＜90、中：70≤y＜80、及格：60≤y＜70、不及格：y＜60；
[0058]
(五)、配电网电能质量评估：配电网电能质量评估流程分为2个阶段：范例学习阶段和预测应用阶段；示范学习阶段主要思想是将故障历史数据和环境历史数据进行整理后根据季节分组，并根据fp-growth算法生成关联规则并根据生成的关联规则筛选典型电能质量场景；预测应用阶段的主要思想是根据天气预报等数据并结合实际情况(即故障发生的相关信息)进行相应的数据匹配，并根据匹配结果判断用户输入的故障相关信息与其适配程度进而得出结论。