CN113743452A - 电能质量评估方法及装置 - Google Patents

电能质量评估方法及装置 Download PDF

Info

Publication number
CN113743452A
CN113743452A CN202110826030.8A CN202110826030A CN113743452A CN 113743452 A CN113743452 A CN 113743452A CN 202110826030 A CN202110826030 A CN 202110826030A CN 113743452 A CN113743452 A CN 113743452A
Authority
CN
China
Prior art keywords
clustering
data
power quality
optimal
electric energy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110826030.8A
Other languages
English (en)
Other versions
CN113743452B (zh
Inventor
张华赢
陶骏
汪清
尹骁骐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202110826030.8A priority Critical patent/CN113743452B/zh
Publication of CN113743452A publication Critical patent/CN113743452A/zh
Application granted granted Critical
Publication of CN113743452B publication Critical patent/CN113743452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种电能质量评估方法及装置，所述方法包括：获取用于进行电能质量评估的数据集；计算最佳聚类数量；根据选取聚类中心的规则函数，从所述用于进行电能质量评估的数据集中选取得到最佳聚类数量的聚类中心；利用所述最佳聚类数量的聚类中心进行聚类，得到所有电能质量数据所属的聚类类别，完成电能质量评估。通过聚类的方式利用数据之间相似性划分簇，将电能质量数据进行客观合理的评估，降低了电能质量评估过程的复杂性，满足了规模不断增长的配电网的实时电价制定对电能质量评估的高要求。

Description

电能质量评估方法及装置
技术领域
本发明涉及配电领域，特别是涉及一种电能质量评估方法及装置。
背景技术
近年来，为了稳定地利用清洁的可再生能源发电技术，配电网大量接入以电力电子设备为接口的分布式发电设备和电力储能设备。这些分布式发电设备和电力储能设备的非线性特征产生的电压暂降、谐波、三相不平衡现象可能导致严重的电能质量问题，引发额外的经济损失和设备损耗。
实时电价机制通过提高电能质量较差区域的非线性负荷的用电价格，或者降低电能质量较差区域的非线性发电设备发电价格，充分抑制其接入意愿，能够有效防止电能质量的进一步恶化，典型实时电价机制已在电动汽车领域得到应用。实时电价机制的实现高度依赖高性能的电能质量评估手段，不仅要能客观地分析监测数据，还需要拥有较快的速度；由于当今配电网的规模不断增大，电能质量监测数据量显著增加，能够快速分析监测大量数据的要求对电能质量评估算法的性能提出了挑战。
目前，电能质量评估方法主要有：模糊数学法、组合赋权法、雷达图法以及人工神经网络法等方法。如专利“经改进赋权算法处理的电能质量模糊评估法”[申请号：CN201710565869.4，公开号：CN107515839A]，公开了一种运用组合赋权法的电能质量评估方法，采用层次分析法与改进熵权法进行组合赋权,然后将所得复合权重转化为雷达图之中的权重角度,结合各单项指标值计算得雷达图面积与周长,以此得出综合指标评估值。通过引入混合权重兼顾实测数据和用户类型对实际电能质量评估结果的影响，但其复杂的运算限制着此方法的速度。专利“一种基于概率神经网络的电能质量综合评估方法”[申请号：CN201810716329.6，公开号：CN109165807A]，公开了一种基于概率神经网络的电能质量综合评估方法，以6项电能质量指标构成输入向量,以5类电能质量等级作为输出向量,生成样本集对模型进行训练,并以训练好的模型对电能质量进行综合评估。该方法在评估过程不需要确定指标权重,避免了人为主观因素的影响,但神经网络训练流程复杂，针对不同拓扑需重新学习，且需要非常详细的历史数据。
发明内容
基于此，有必要针对电能质量评估方法复杂，不能快速处理大量数据的问题，提供一种能够快速处理大量数据的电能质量评估方法和装置。
一种电能质量评估方法，所述方法包括：
获取用于进行电能质量评估的数据集；
计算最佳聚类数量；
根据选取聚类中心的规则函数，从所述用于进行电能质量评估的数据集中选取得到最佳聚类数量的聚类中心；
利用所述最佳聚类数量的聚类中心进行聚类，得到所有电能质量数据所属的聚类类别，完成电能质量评估。
在其中一个实施例中，所述获取用于进行电能质量评估的数据集，包括：
采集电能质量数据；
将评价标准中各等级中值数据与采集的电能质量数据一起组合形成用于进行电能质量评估的数据集。
在其中一个实施例中，所述计算最佳聚类数量，包括：
对不同的聚类数量目标，采用聚类算法对所述用于进行电能质量评估的数据集进行聚类处理，得到多个具有不同聚类数量的聚类结果；
对所述多个具有不同聚类数量的聚类结果进行评价，得到最佳聚类数量。
在其中一个实施例中，所述对所述多个具有不同聚类数量的聚类结果进行评价，得到最佳聚类数量，包括：
计算各个聚类结果的戴维斯堡丁指数；
将戴维斯堡丁指数最小的聚类数量作为最佳聚类数量。
在其中一个实施例中，所述根据选取聚类中心的规则函数，从所述用于进行电能质量评估的数据集中选取得到最佳聚类数量的聚类中心，包括：
计算各数据点的密集度值；
计算各数据点与其他数据点之间的非欧式距离之和；
获取所述密集度值与所述非欧式距离之和的比值最小的最佳聚类数量的数据点作为聚类中心。
在其中一个实施例中，所述计算各数据点的密集度值，采用k距离圆比计算各数据点密集度值，公式为：
Figure BDA0003173599850000031
其中，i为数据集内第i个数据点，Nd2为数据点xi在样本集中d距离内数据点个数，Nd2为数据点xi在样本集中2d范围内的数据点个数。
在其中一个实施例中，计算所述非欧式距离的公式为：
Figure BDA0003173599850000032
其中，β为可调正参数，d(x,y)表示数据点x和y之间的欧氏距离，欧式距离公式为：
Figure BDA0003173599850000041
所述规则函数为：
Figure BDA0003173599850000042
其中，i为数据集内第i个数据点的索引，vi为第i个数据点，q为数据点的总数量，xj为第j个数据点。
在其中一个实施例中，还包括：
将所述用于进行电能质量评估的数据集中的数据进行归一化处理。
在其中一个实施例中，所述利用所述最佳聚类数量的聚类中心进行聚类，得到所有电能质量数据所属的聚类类别，完成电能质量评估，包括：
当确定最佳聚类数量的聚类中心后，通过计算各数据点欧式距离判断数据之间相似性，将数据集划分为最佳聚类数量个簇；
重复进行迭代划分，直至准则函数满足以下终止条件：
Figure BDA0003173599850000043
其中，p为各簇的质心，Ki为聚类中心，当J值变化小于ε时迭代停止并输出结果。
一种电能质量评估装置，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
上述电能质量评估方法和装置，通过聚类的方式利用数据之间相似性划分簇，将电能质量数据进行客观合理的评估，降低了电能质量评估过程的复杂性，满足了规模不断增长的配电网的实时电价制定对电能质量评估的高要求。
附图说明
图1为电网系统结构示意图；
图2为一实施例的电能质量评估方法流程图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
在本发明的描述中，需要理解的是，术语“上”、“下”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方法或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1所示，为电网系统结构示意图。该电网系统包括分布式发电设备、配电网、分布式电力储能设备。分布式发电设备将电能输送到配电网中，配电网又将电能输送到储能设备中。发电设备在输入电能时，由于其非线性特征，可能导致电能质量问题。储能设备在接收电能时，由于其非线性特征，也可能导致电能质量问题。在发电设备和配电网的联接点处可设置电能质量数据采集装置，在储能设备和配电网的联接点处也可设置电能质量数据采集装置。这些电能质量数据采集装置能够通过采集电能质量数据，评估发电设备或储能设备对配电网电能质量的影响。
国家标准从六个方面对电能质量作出了规定。即供电电压允许偏差、电压波动、电压闪变、谐波畸变率、三相电压允许不平衡度以及电力系统频率允许偏差。相关国家标准包括：《GB/T 15945-2008电能质量电力系统频率允许偏差》、《GB 12325-2008电能质量供电电压允许偏差》、《GB/T 15543-2008电能质量三相电压允许不平衡度》、《GB/T 18481-2001电能质量暂时过电压和瞬态过电压》、《GB/T 14549-93电能质量公用电网谐波》、《GB 12326-2008电能质量电压波动与闪变》、《GB 24337-2009电能质量公用电网间谐波》等。
通过采集发电设备或储能设备与配电网的联接点处的电能质量数据，可以得到多组电能质量数据。即每个发电设备或储能设备都能获得一个关于其自身电能质量的六维向量，多个发电设备和储能设备能够得到多组电能质量数据，即多个关于电能质量的六维向量。假设供电电压允许偏差、电压波动、电压闪变、谐波畸变率、三相电压允许不平衡度以及电力系统频率允许偏差分别为X1、X2、X3、X4、X5、X6，则电能质量数据的向量为
Figure BDA0003173599850000061
对于发电设备1，其电能质量数据可以表示为
Figure BDA0003173599850000062
X16)；对于发电设备2，其电能质量数据可以表示为
Figure BDA0003173599850000063
X25，X26)，……，以此类推。
本申请的目的即通过电能质量评估方法确定这些电能质量数据各自所属的质量等级，从而判断各电能质量数据的来源(即发电设备和储能设备)的质量。
如图2所示，一实施例的电能质量评估方法，包括如下步骤：
S201：获取用于进行电能质量评估的数据集。如上所述，需要采集每个发电设备和储能设备与配电网的联接点处关于电能质量的各项数据，包括供电电压允许偏差、电压波动、电压闪变、谐波畸变率、三相电压允许不平衡度以及电力系统频率允许偏差。
除此以外，本申请中所述获取用于进行电能质量评估的数据集还包括：将评价标准中各等级中值数据与采集的电能质量数据一起组合形成用于进行电能质量评估的数据集。所述评价标准可以是国家标准。例如，在《GB 12325-2008电能质量供电电压允许偏差》标准中规定：
35kV及以上供电电压正、负偏差绝对值之和不超过标称电压的10％。
20kV及以下三相供电电压偏差为标称电压的±7％。
220V单相供电电压偏差为标称电压的﹢7％，﹣10％。
根据该标准，可以将“35kV及以上供电电压正、负偏差绝对值之和”这一标准分为5个等级：第1级为不超过2％，第2级为不超过4％，第3级为不超过6％，第4级为不超过8％，第5级为不超过10％。同样地，其他指标也可以均分成5个等级。
对于六维指标而言，则可以产生表示5个电能质量等级的六维向量。例如第1级的电能质量六维向量为(2％，第1级电压波动标准，第1级电压闪变标准，第1级谐波畸变率标准，第1级三相电压允许不平衡度标准，第1级电力系统频率允许偏差标准)，第2级的电能质量六维向量为(4％，第2级电压波动标准，第2级电压闪变标准，第2级谐波畸变率标准，第2级三相电压允许不平衡度标准，第2级电力系统频率允许偏差标准)，……，第5级的电能质量六维向量为(10％，第5级电压波动标准，第5级电压闪变标准，第5级谐波畸变率标准，第5级三相电压允许不平衡度标准，第1级电力系统频率允许偏差标准)
所述各等级中值数据计算如下：
第1级和第2级的中值向量为：
Figure BDA0003173599850000081
根据相同的方式，可以得到第2级和第3级的中值向量、第3级和第4级的中值向量以及第4级和第5级的中值向量。
将前述采集的每个发电设备和储能设备的电能质量数据和中值向量一起组合形成本申请中用于进行电能质量评估的数据集。以各指标中值作为输入数据集的一部分，可提高各等级数据的聚集性，优化聚类结果。
S202：计算最佳聚类数量。最佳聚类数量是将上述数据集进行聚类划分的最佳数量。该最佳数量可能是3、5、7等，或者其他合适的数量。即通过合适的挑选，能够将每个电能质量向量划分到一个确定的聚类中，该聚类属于某个电能质量等级。
所述计算最佳聚类数量，可以包括：对不同的聚类数量目标，采用聚类算法对所述用于进行电能质量评估的数据集进行聚类处理，得到多个具有不同聚类数量的聚类结果；对所述多个具有不同聚类数量的聚类结果进行评价，得到最佳聚类数量。
具体地，不同的聚类数量目标可以是从1直至某个小于数据集中数据量的值。例如，数据集中的数据量为N，不同的聚类数量目标可以是从1到M，其中M<N。即，可以将数据集划分为1个聚类、2个聚类、3个聚类、……、直至M个聚类。在将数据集进行聚类时，可以采用k均值聚类算法。而对k均值聚类算法进行改进，可以得到全局的k均值聚类算法、改进的全局k均值聚类算法等。这些聚类算法都能够在给定聚类数量的前提下，通过处理得到聚类结果。而对聚类结果进行评价，则能够判断将数据集分成多少个聚类是合适的，可以得到最佳聚类数量。
在一个实施例中，所述对所述多个具有不同聚类数量的聚类结果进行评价，得到最佳聚类数量，包括：计算各个聚类结果的戴维斯堡丁指数；将戴维斯堡丁指数最小的聚类数量作为最佳聚类数量。戴维斯堡丁指数的公式为：
Figure BDA0003173599850000091
其中，wi表示类ci中的所有样本到其聚类中心的平均距离，wj表示类cj中的所有样本到其聚类中心的平均距离，cij表示类ci与类cj中心之间的距离。
S203：根据选取聚类中心的规则函数，从所述用于进行电能质量评估的数据集中选取得到最佳聚类数量的聚类中心。在获得最佳聚类数量后，本申请将进一步优化聚类结果。即同一个数据集，在给定同样的聚类数量目标后，所得到的聚类结果很可能是截然不同的。本步骤从获得较佳的聚类中心开始，为后续获得较佳聚类奠定基础。本步骤基于特定的规则函数来选取聚类中心。
在一个实施例中，所述根据选取聚类中心的规则函数，从所述用于进行电能质量评估的数据集中选取得到最佳聚类数量的聚类中心，包括：计算各数据点的密集度值；计算各数据点与其他数据点之间的非欧式距离之和；获取所述密集度值与所述非欧式距离之和的比值最小的最佳聚类数量的数据点作为聚类中心。
数据点的密度值体现其周围的数据点数量的多少和分布情况，较密集区域的中心作为聚类中心将是合适的。各数据点与其他聚类中心之间的非欧式距离之和体现与其他聚类中心的距离。所述密集度值与所述非欧式距离之和的比值越小，说明该数据点周围数据分布更密集，且离已有聚类中心越远，可作为下一个聚类中心。
具体地，所述计算各数据点的密集度值，采用k距离圆比计算各数据点密集度值，公式为：
Figure BDA0003173599850000101
其中，i为数据集内第i个数据点，Nd2为数据点xi在样本集中d距离内数据点个数，Nd2为数据点xi在样本集中2d范围内的数据点个数。
计算所述非欧式距离的公式为：
Figure BDA0003173599850000102
其中，β为可调正参数，d(x,y)表示数据点x和y之间的欧氏距离，欧式距离公式为：
Figure BDA0003173599850000103
所述规则函数为：
Figure BDA0003173599850000104
其中，i为数据集内第i个数据点的索引，vi为第i个数据点，q为数据点的总数量，xj为第j个数据点。
S204：利用所述最佳聚类数量的聚类中心进行聚类，得到所有电能质量数据所属的聚类类别，完成电能质量评估。确定聚类中心后，将数据集中其他的数据点与各聚类中心的位置远近进行比较，可以得知每个数据点与哪个聚类中心更近，因而可以判断其更适合划分到哪个聚类中。
在一个实施例中，所述利用所述最佳聚类数量的聚类中心进行聚类，得到所有电能质量数据所属的聚类类别，完成电能质量评估，包括：
当确定最佳聚类数量的聚类中心后，通过计算各数据点欧式距离判断数据之间相似性，将数据集划分为最佳聚类数量个簇；
重复进行迭代划分，直至准则函数满足以下终止条件：
Figure BDA0003173599850000111
其中，p为各簇的质心，Ki为聚类中心，当J值变化小于ε时迭代停止并输出结果。
在每个数据点划分到一个簇中之后，簇的质心会发生变化，如果簇的质心与聚类中心之间的距离足够小，说明该聚类是合适的。通过不断的划分、调整，并计算各簇的质心与聚类中心之间距离的平方和，在该平方和的值小于设置的阈值ε时，表明簇的划分达到了精度要求。
在簇的划分，即聚类完成后，所有的电能质量数据都被划分到了不同的簇中，表明电能质量处于某个等级，至此就完成了电能质量的评估。该电能质量的评估结果可以用于对发电设备和储能设备的提供方定价，以达到抑制低质量电能接入、提高高质量电能接入的目的。
本申请还提供了一种电能质量评估装置，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种电能质量评估方法，其特征在于，所述方法包括：
获取用于进行电能质量评估的数据集；
计算最佳聚类数量；
根据选取聚类中心的规则函数，从所述用于进行电能质量评估的数据集中选取得到最佳聚类数量的聚类中心；
利用所述最佳聚类数量的聚类中心进行聚类，得到所有电能质量数据所属的聚类类别，完成电能质量评估。
2.根据权利要求1所述的电能质量评估方法，其特征在于，所述获取用于进行电能质量评估的数据集，包括：
采集电能质量数据；
将评价标准中各等级中值数据与采集的电能质量数据一起组合形成用于进行电能质量评估的数据集。
3.根据权利要求1所述的电能质量评估方法，其特征在于，所述计算最佳聚类数量，包括：
对不同的聚类数量目标，采用聚类算法对所述用于进行电能质量评估的数据集进行聚类处理，得到多个具有不同聚类数量的聚类结果；
对所述多个具有不同聚类数量的聚类结果进行评价，得到最佳聚类数量。
4.根据权利要求3所述的电能质量评估方法，其特征在于，所述对所述多个具有不同聚类数量的聚类结果进行评价，得到最佳聚类数量，包括：
计算各个聚类结果的戴维斯堡丁指数；
将戴维斯堡丁指数最小的聚类数量作为最佳聚类数量。
5.根据权利要求3所述的电能质量评估方法，其特征在于，所述根据选取聚类中心的规则函数，从所述用于进行电能质量评估的数据集中选取得到最佳聚类数量的聚类中心，包括：
计算各数据点的密集度值；
计算各数据点与其他数据点之间的非欧式距离之和；
获取所述密集度值与所述非欧式距离之和的比值最小的最佳聚类数量的数据点作为聚类中心。
6.根据权利要求5所述的电能质量评估方法，其特征在于，所述计算各数据点的密集度值，采用k距离圆比计算各数据点密集度值，公式为：
Figure FDA0003173599840000021
其中，i为数据集内第i个数据点，Nd2为数据点xi在样本集中d距离内数据点个数，Nd2为数据点xi在样本集中2d范围内的数据点个数。
7.根据权利要求6所述的电能质量评估方法，其特征在于，计算所述非欧式距离的公式为：
Figure FDA0003173599840000022
其中，β为可调正参数，d(x,y)表示数据点x和y之间的欧氏距离，欧式距离公式为：
Figure FDA0003173599840000023
所述规则函数为：
Figure FDA0003173599840000024
其中，i为数据集内第i个数据点的索引，vi为第i个数据点，q为数据点的总数量，xj为第j个数据点。
8.根据权利要求3所述的电能质量评估方法，其特征在于，还包括：
将所述用于进行电能质量评估的数据集中的数据进行归一化处理。
9.根据权利要求1所述的电能质量评估方法，其特征在于，所述利用所述最佳聚类数量的聚类中心进行聚类，得到所有电能质量数据所属的聚类类别，完成电能质量评估，包括：
当确定最佳聚类数量的聚类中心后，通过计算各数据点欧式距离判断数据之间相似性，将数据集划分为最佳聚类数量个簇；
重复进行迭代划分，直至准则函数满足以下终止条件：
Figure FDA0003173599840000031
其中，p为各簇的质心，Ki为聚类中心，当J值变化小于ε时迭代停止并输出结果。
10.一种电能质量评估装置，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
CN202110826030.8A 2021-07-21 2021-07-21 电能质量评估方法及装置 Active CN113743452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110826030.8A CN113743452B (zh) 2021-07-21 2021-07-21 电能质量评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110826030.8A CN113743452B (zh) 2021-07-21 2021-07-21 电能质量评估方法及装置

Publications (2)

Publication Number Publication Date
CN113743452A true CN113743452A (zh) 2021-12-03
CN113743452B CN113743452B (zh) 2024-03-01

Family

ID=78728923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110826030.8A Active CN113743452B (zh) 2021-07-21 2021-07-21 电能质量评估方法及装置

Country Status (1)

Country Link
CN (1) CN113743452B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266304A (zh) * 2021-12-20 2022-04-01 上海应用技术大学 一种牵引供电系统电能质量分类管理的PCA—Kmeans聚类方法
CN114462901A (zh) * 2022-04-13 2022-05-10 石家庄科林物联网科技有限公司 有源配电网电能质量评价方法、装置、终端及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103095534A (zh) * 2013-02-28 2013-05-08 南京理工大学常熟研究院有限公司 一种二维k均值熵的网络攻击效果评估方法
CN109165807A (zh) * 2018-07-03 2019-01-08 安徽理工大学 一种基于概率神经网络的电能质量综合评估方法
CN109389145A (zh) * 2018-08-17 2019-02-26 国网浙江省电力有限公司宁波供电公司 基于计量大数据聚类模型的电能表生产厂商评价方法
US20190272333A1 (en) * 2018-03-01 2019-09-05 King Fahd University Of Petroleum And Minerals Heuristic for the data clustering problem
CN111680719A (zh) * 2020-05-15 2020-09-18 南昌大学 一种基于距离平方和差值比的聚类有效性评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103095534A (zh) * 2013-02-28 2013-05-08 南京理工大学常熟研究院有限公司 一种二维k均值熵的网络攻击效果评估方法
US20190272333A1 (en) * 2018-03-01 2019-09-05 King Fahd University Of Petroleum And Minerals Heuristic for the data clustering problem
CN109165807A (zh) * 2018-07-03 2019-01-08 安徽理工大学 一种基于概率神经网络的电能质量综合评估方法
CN109389145A (zh) * 2018-08-17 2019-02-26 国网浙江省电力有限公司宁波供电公司 基于计量大数据聚类模型的电能表生产厂商评价方法
CN111680719A (zh) * 2020-05-15 2020-09-18 南昌大学 一种基于距离平方和差值比的聚类有效性评估方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266304A (zh) * 2021-12-20 2022-04-01 上海应用技术大学 一种牵引供电系统电能质量分类管理的PCA—Kmeans聚类方法
CN114266304B (zh) * 2021-12-20 2023-09-22 上海应用技术大学 一种牵引供电系统电能质量分类管理的PCA—Kmeans聚类方法
CN114462901A (zh) * 2022-04-13 2022-05-10 石家庄科林物联网科技有限公司 有源配电网电能质量评价方法、装置、终端及存储介质
CN114462901B (zh) * 2022-04-13 2022-07-12 石家庄科林物联网科技有限公司 有源配电网电能质量评价方法、装置、终端及存储介质

Also Published As

Publication number Publication date
CN113743452B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN109546659B (zh) 基于随机矩阵和智能场景匹配的配电网无功优化方法
CN113743452B (zh) 电能质量评估方法及装置
Ghaffari et al. Optimal allocation of energy storage systems, wind turbines and photovoltaic systems in distribution network considering flicker mitigation
CN107437135B (zh) 一种新型储能选型方法
CN111563682A (zh) 一种配电自动化设备测试评价方法
CN109086527A (zh) 一种基于风电机组运行状态的实用化等值建模方法
CN111612326A (zh) 一种配变供电可靠性的综合评估方法
CN112785119B (zh) 基于聚类和层次分析算法的配网电压越限原因分析方法
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN116154972B (zh) 一种分布式电网电能质量监测方法及系统
CN111950913A (zh) 一种基于节点电压灵敏度的微电网电能质量综合评价方法
CN114611842B (zh) 一种整县屋顶分布式光伏功率预测方法
CN112990627B (zh) 电能质量评估方法
CN115329899A (zh) 一种聚类等效模型构建方法、系统、设备和存储介质
CN115905904A (zh) 一种配电网馈线的线损异常评估方法及装置
CN115313361A (zh) 一种规模化可调资源的联合优化控制方法和装置
CN112508254B (zh) 变电站工程项目投资预测数据的确定方法
CN113595071A (zh) 台区用户辨识与电压影响评估方法
CN112990710A (zh) 一种基于dea的风电场电能质量多层次综合评估方法
CN117353321A (zh) 一种基于源荷不确定性的配电网安全评估方法和系统
Qiu et al. Comprehensive evaluation of power quality based on improved TOPSIS-RSR method
CN109586309B (zh) 基于大数据自由熵理论和场景匹配的配电网无功优化方法
CN107622362A (zh) 一种配电网投资效益的评价方法及装置
CN114465276A (zh) 一种配电网风储联合优化配置方法及其相关装置
CN111241664B (zh) 一种配变台区电压问题治理方案评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant