CN116154972A - 一种分布式电网电能质量监测方法及系统 - Google Patents

一种分布式电网电能质量监测方法及系统 Download PDF

Info

Publication number
CN116154972A
CN116154972A CN202310430165.1A CN202310430165A CN116154972A CN 116154972 A CN116154972 A CN 116154972A CN 202310430165 A CN202310430165 A CN 202310430165A CN 116154972 A CN116154972 A CN 116154972A
Authority
CN
China
Prior art keywords
monitoring data
cluster
value
quality evaluation
data group
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
CN202310430165.1A
Other languages
English (en)
Other versions
CN116154972B (zh
Inventor
任其广
郭志强
李志刚
宋林林
李金平
蔡磊
郑云玲
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.)
Windsun Science and Technology Co Ltd
Original Assignee
Windsun Science and Technology 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 Windsun Science and Technology Co Ltd filed Critical Windsun Science and Technology Co Ltd
Priority to CN202310430165.1A priority Critical patent/CN116154972B/zh
Publication of CN116154972A publication Critical patent/CN116154972A/zh
Application granted granted Critical
Publication of CN116154972B publication Critical patent/CN116154972B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及测量电变量技术领域，具体涉及一种分布式电网电能质量监测方法及系统，通过获取电网监测点的当前的监测数据组以及各个历史的监测数据组及其对应的电网质量评价指标；将各个历史的监测数据组划分为至少两个第一监测数据组簇，并确定每种监测数据在每个第一监测数据组簇内的质量评价影响权重以及任意两种监测数据在每个第一监测数据组簇内的不相关性指标和整体差异度，最终确定当前的监测数据组所对应的电网质量评价指标。本发明可以准确确定当前的监测数据组所对应的电网质量评价指标，有效解决了现有进行电网电能质量监测时所得到的电能质量评估结果不够准确的问题。

Description

一种分布式电网电能质量监测方法及系统
技术领域
本发明涉及测量电变量技术领域，具体涉及一种分布式电网电能质量监测方法及系统。
背景技术
电能质量不仅关系到电网企业的安全经济运行，同时也影响到用户端的用电设备的安全运行。随着风电和太阳能发电等大量分布式能源的发展，越来越多的分布式能源被接入到分布式电网中。由于这些分布式能源在接入到电网时需要经过电力电子器件，导致大功率电力电子变流装置在电网负载中所占比例将会越来越大，造成了电网谐波、三相不平衡、电压波动、高压尖峰干扰等一系列问题，严重影响了分布式电网的电能质量。
电能质量信息的连续监测和分析评估，是发现电能质量问题和提高电能质量水平的前提条件。为了实现电网电能质量的监测，电能质量监测系统利用安装在电网侧或用户侧的电能质量监测终端对多种电网参数进行监测，并通过网络将监测到的数据传回监测中心，这里的监测中心是指监测主站或子站，从而实现对电网中多个位置的同时监测，并根据检监测到的多种电网参数，进而电能质量的评估。现有在根据监测到的多种电网参数进行电能质量的评估时，由于各种电网参数之间的相关性非常高，不利于对分布式电网不同位置点的电能质量状况进行综合得分评价，难以构建统一的电能质量评估模型，通常是由经验丰富的电网监测人员人工来确定电网的质量评估值。由于人工来确定电网的质量评估值主观性较强，容易受到电网监测人员本身经验丰富程度的影响，导致最终得到的质量评估值不够准确。现有技术还公开了采用神经网络对各种电网参数与电能质量评估之间的关系进行学习，并利用训练好的神经网络进行电网质量评估。但是同样由于各种电网参数之间的高相关性关系，导致神经网络无法精准学习到各种电网参数与电能质量评估之间的关系，最终所得到的质量评估结果也不够准确。
发明内容
本发明的目的在于提供一种分布式电网电能质量监测方法及系统，用于解决现有进行电网电能质量监测时所得到的电能质量评估结果不够准确的问题。
为解决上述技术问题，本发明提供了一种分布式电网电能质量监测方法，包括以下步骤：
获取电网监测点的当前的监测数据组、各个历史的监测数据组以及各个历史的监测数据组对应的电网质量评价指标，所述监测数据组包括至少三种监测数据；
根据各个历史的监测数据组对应的电网质量评价指标，将各个历史的监测数据组划分为至少两个第一监测数据组簇；
根据每个第一监测数据组簇中各个历史的监测数据组以及各个历史的监测数据组对应的电网质量评价指标，确定任意两种监测数据在每个第一监测数据组簇内的整体差异度；
根据每个第一监测数据组簇中各个历史的监测数据组，确定任意两种监测数据在每个第一监测数据组簇内的差异指标值，并根据所述差异指标值和所述整体差异度，确定任意两种监测数据在每个第一监测数据组簇内的不相关性指标；
根据每个第一监测数据组簇中各个历史的监测数据组、各个历史的监测数据组对应的电网质量评价指标以及所述不相关性指标，确定每种监测数据在每个第一监测数据组簇内的质量评价影响权重；
根据当前的监测数据组、各个历史的监测数据组以及各个历史的监测数据组对应的电网质量评价指标、每种监测数据在每个第一监测数据组簇内的质量评价影响权重、所述不相关性指标和所述整体差异度，确定当前的监测数据组所对应的电网质量评价指标。进一步的，确定当前的监测数据组所对应的电网质量评价指标，包括：
将各个历史的监测数据组和当前的监测数据组均作为待聚类数据组，根据每个待聚类数据组相对待确定的各个聚类中心的隶属度、每个待聚类数据组与待确定的各个聚类中心的欧式距离、每种监测数据在待确定的各个聚类中心所对应的第一监测数据组簇内的质量评价影响权重、任意两种监测数据在待确定的各个聚类中心所对应的第一监测数据组簇内的不相关性指标和整体差异度，确定聚类目标函数，所述待确定的各个聚类中心不能为当前的监测数据组；
对聚类目标函数进行求解，从而确定各个聚类簇，并将当前的监测数据组所在的聚类簇中聚类中心对应的电网质量评价指标，确定为当前的监测数据组所对应的电网质量评价指标。
进一步的，确定聚类目标函数对应的计算公式为：
Figure SMS_1
；
其中，
Figure SMS_21
为聚类目标函数，
Figure SMS_25
为第x个待聚类数据组
Figure SMS_30
相对第k个待确定的聚类中 心
Figure SMS_4
的隶属度，m为模糊加权指数，
Figure SMS_8
为隶属度的m次方，
Figure SMS_11
为第x个待聚类数据组，
Figure SMS_17
为 第k个待确定的聚类中心，
Figure SMS_5
为取第x个待聚类数据组
Figure SMS_6
和第k个待确定的聚类中心
Figure SMS_10
的欧式距离，N为待聚类数据组的总数目，K为待确定的聚类中心的总数目，
Figure SMS_15
为第i种 监测数据在第k个待确定的聚类中心
Figure SMS_13
所对应的第一监测数据组簇内的质量评价影响权 重，
Figure SMS_14
为第j种监测数据在第k个待确定的聚类中心
Figure SMS_24
所对应的第一监测数据组簇内的 质量评价影响权重，
Figure SMS_28
为第i种监测数据和第j种监测数据在第k个待确定的聚类中心
Figure SMS_18
所对应的第一监测数据组簇内的不相关性指标，
Figure SMS_20
为第x个待聚类数据组
Figure SMS_23
的第i种监 测数据和第j种监测数据对应的不相关性指标，
Figure SMS_26
，
Figure SMS_3
为第x个待聚类数据组
Figure SMS_7
的第i种监测数据和第j种监测数据的差异值，
Figure SMS_12
为第x个待聚类 数据组
Figure SMS_16
的第i种监测数据，
Figure SMS_19
为第x个待聚类数据组
Figure SMS_22
的第j种监测数据，
Figure SMS_27
为第i种监 测数据和第j种监测数据在第k个待确定的聚类中心
Figure SMS_31
所对应的第一监测数据组簇内的整 体差异度，
Figure SMS_29
为取绝对值符号，
Figure SMS_32
为监测数据的种类数，
Figure SMS_33
为第一设定系数，
Figure SMS_34
为第二设定系 数，
Figure SMS_2
为第一权重系数，
Figure SMS_9
为第二权重系数。
进一步的，确定任意两种监测数据在每个第一监测数据组簇内的整体差异度，包括：
对于每个第一监测数据组簇中各个历史的监测数据组中的任意一种监测数据，根据该种监测数据的每个数值确定第一坐标且根据每个数值所对应的电网质量评价指标确定第二坐标，确定每个数值的由第一坐标和第二坐标构成的坐标点，并确定每种坐标点出现的频次；
对于各个历史的监测数据组中的任意一种监测数据，构造该种监测数据对应的灰度图，该种监测数据对应的每种坐标点对应所述灰度图中的一个像素点，每种坐标点出现的频次对应所述灰度图中对应像素点的灰度值，并将所述灰度图中不存在对应坐标点的像素点的灰度值设置为设定灰度值；
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的灰度图中像素点的坐标和灰度值，确定任意两种监测数据在每个第一监测数据组簇内的整体差异度。
进一步的，确定任意两种监测数据在每个第一监测数据组簇内的整体差异度，包括：
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的灰度图中像素点的灰度值，计算两个灰度图中相同位置的像素点的灰度值的差值绝对值，将所有相同位置的像素点对应的差值绝对值的累加和确定为任意两种监测数据在每个第一监测数据组簇内对应的第一差异度；
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的灰度图中像素点的坐标和灰度值，对每个灰度图中的像素点进行聚类，从而得到每个灰度图对应的各个像素点簇以及各个像素点簇对应的簇类中心；
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的各个像素点簇的数量差异，确定任意两种监测数据在每个第一监测数据组簇内对应的第二差异度；
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的各个像素点簇对应的簇类中心，将其中一种监测数据对应的簇类中心与另外一种监测数据对应的簇类中心进行匹配，得到各个簇类中心匹配对，计算每个簇类中心匹配对中两个簇类中心的灰度值的差值绝对值，将所有簇类中心匹配对对应的差值绝对值的平均值确定为任意两种监测数据在每个第一监测数据组簇内对应的第三差异度；
根据任意两种监测数据在每个第一监测数据组簇内对应的第一差异度、第二差异度和第三差异度，计算任意两种监测数据在每个第一监测数据组簇内的整体差异度，所述第一差异度、第二差异度和第三差异度均与所述整体差异度成正相关关系。
进一步的，所述差异指标值，包括：
根据每个第一监测数据组簇中各个历史的监测数据组，计算每个历史的监测数据组中任意两种监测数据的差值绝对值，并将每个第一监测数据组簇中任意两种监测数据所对应的所有差值绝对值的平均值，确定为任意两种监测数据在每个第一监测数据组簇内的差异指标值。
进一步的，所述不相关性指标，包括：
计算任意两种监测数据在每个第一监测数据组簇内的差异指标值和整体差异度的乘积值，并将所述乘积值确定为任意两种监测数据在每个第一监测数据组簇内的不相关性指标。
进一步的，确定每种监测数据在每个第一监测数据组簇内的质量评价影响权重，包括：
根据每个第一监测数据组簇中各个历史的监测数据组及其对应的电网质量评价指标，计算每个监测数据组中的每种监测数据与该监测数据组对应的电网质量评价指标的差值绝对值，并将所有监测数据组中的每种监测数据对应的差值绝对值的平均值确定为每种监测数据在每个第一监测数据组簇内的质量评价差异值；
所述不相关性指标，计算每种监测数据与所有其他种监测数据所对应的不相关性指标的累加和，并将所述累加和确定为每种监测数据在每个第一监测数据组簇内的综合不相关评价值；
根据所述质量评价差异值和综合不相关评价值，计算每种监测数据在每个第一监测数据组簇内的质量评价不相干值，所述质量评价差异值与所述质量评价不相干值成正相关关系，所述综合不相关评价值与所述质量评价不相干值成负相关关系；
根据各种监测数据在每个第一监测数据组簇内的质量评价不相干值，对每个监测数据在每个第一监测数据组簇内的质量评价不相干值进行归一化处理，并将归一化处理结果确定为每个监测数据在每个第一监测数据组簇内的质量评价影响权重。
为了解决上述技术问题，本发明还提供了一种分布式电网电能质量监测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时，实现上述任意一项所述的一种分布式电网电能质量监测方法的步骤。
本发明具有如下有益效果：当需要对电网监测点进行电网质量评价时，则获取该电网监测点的当前的监测数据组、各个历史的监测数据组以及各个历史的监测数据组对应的电网质量评价指标。为了便于后续对不同监测数据之间的关系以及不同监测数据对电网质量评价的影响，根据各个历史的监测数据组对应的电网质量评价指标，将电网质量评价指标相接近的历史的监测数据组划分到一起，从而得到至少两个第一监测数据组簇。对于每个第一监测数据组簇，结合该簇中各个历史的监测数据组以及各个历史的监测数据组对应的电网质量评价指标，对任意两种监测数据进行差异性分析，从而得到任意两种监测数据对应的整体差异度，该整体差异度准确表征了任意两种监测数据在对应第一监测数据组簇内的差异程度。同时，结合各个历史的监测数据组中任意两种监测数据的差异情况，确定任意两种监测数据在每个第一监测数据组簇内的差异指标值，该差异指标值准确表征了历史的监测数据组中任意两种监测数据的相差情况。接着，综合任意两种监测数据在每个第一监测数据组簇内的差异指标值和整体差异度，确定任意两种监测数据在每个第一监测数据组簇内的不相关性指标，该不相关性指标准备表征了任意两种监测数据的不相关性程度。随后，结合每个第一监测数据组簇内历史的监测数据组中每种监测数据与电网质量评价指标的关系，以及任意两种监测数据对应的不相关性指标，确定每种监测数据在每个第一监测数据组簇内的质量评价影响权重，该质量评价影响权重准确表征了每种监测数据在每个第一监测数据组簇内对电网质量评价的重要程度。最后，通过综合考虑当前的监测数据组、各个历史的监测数据组及其对应的电网质量评价指标、每种监测数据在每个第一监测数据组簇内的质量评价影响权重、任意两种监测数据在每个第一监测数据组簇内的不相关性指标和整体差异度，最终准确确定当前的监测数据组所对应的电网质量评价指标。本发明通过获取各个历史的监测数据组以及各个历史的监测数据组对应的电网质量评价指标并对其进行客观分析，最终可以准确确定当前的监测数据组所对应的电网质量评价指标，有效解决了现有进行电网电能质量监测时所得到的电能质量评估结果不够准确的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例的分布式电网电能质量监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。另外，本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
本实施例提供了一种分布式电网电能质量监测方法，该方法对应的流程图如图1所示，包括以下步骤：
步骤S1：获取电网监测点的当前的监测数据组、各个历史的监测数据组以及各个历史的监测数据组对应的电网质量评价指标，所述监测数据组包括至少三种监测数据。
为了实现分布式电网的电能质量监测，对于分布式电网中的某个监测点，该监测点为分布式电网现有的监测点，可以设置在电网侧或用户侧，使用电网质量监测设备采集该监测点当前的各种监测数据。在本实施例中，各种监测数据主要包括以下几种：电压偏差、电压谐波、电压波动、三相电压不平衡、频率偏差。其中，电压偏差是指监测点当前的实际电压与标称电压的差值相对标称电压的百分比；电压谐波是指监测点当前出现的奇次谐波和偶次谐波的种类数；电压波动是指监测点在过去一定的监测时间段内电压有效值的两个极值的差值绝对值相对额定电压的百分比；三相电压不平衡是指监测点当前电压或者电流的负序分量均方根值与正序分量均方根值的百分比；频率偏差是指监测点当前频率的实际值与额定值的差值绝对值。以上各种监测数据均与电能质量成负相关关系，也就是以上各种监测数据越大，则说明电能质量越差。需要说明的是，上述仅仅是给出了影响电网电能质量的几种具体监测数据，但并不仅限于上述几种具体监测数据，实施者可以根据监测点的实际监测数据的种类，来确定具体的各种监测数据。在获取到该监测点的当前的各种监测数据之后，对当前的各种监测数据进行归一化处理，以便于后续进行统一的计算分析。在本实施例中，对当前的各种监测数据进行负相关归一化处理，即监测数据本身的取值越大，经过负相关归一化处理后所得到的取值越小，经过负相关归一化处理之后所得到的各种监测数据的取值范围均为[0,1]。在本实施例中，对于每种监测数据，负相关归一化处理所对应的计算公式为：
Figure SMS_35
其中，
Figure SMS_36
为负相关归一化处理之后的监测数据，
Figure SMS_37
为负相关归一化处理之前的监测 数据，
Figure SMS_38
为监测数据所对应的最小取值，
Figure SMS_39
为监测数据所对应的最大取值，
Figure SMS_40
和
Figure SMS_41
可以根据经验进行人为设定，需要保证最小取值
Figure SMS_42
一定会比所获得的监测数据小。
在对当前的各种监测数据进行负相关归一化处理之后，将经过负相关归一化处理之后所得到的各种监测数据作为最终的监测数据，并将这些最终的监测数据按照一定的顺序进行排列，构成一个监测数据组，从而得到监测点当前的监测数据组。
为了便于后续对该监测点当前的电网质量进行评估，按照与获取该监测点当前的监测数据组同样的方式，获取该监测点在过去运行期间的各个历史的监测数据组。同时，获取各个历史的监测数据组所对应的电网质量评价指标，该电网质量评价指标是由有电网质量评价丰富经验的监测人员进行评价得到，电网质量评价指标的取值范围为[0,1]，当电网质量评价指标的取值越大时，说明电网质量越好，反之当电网质量评价指标的取值越小时，说明电网质量越差。
步骤S2：根据各个历史的监测数据组对应的电网质量评价指标，将各个历史的监测数据组划分为至少两个第一监测数据组簇。
在通过上述步骤S1获取到各个历史的监测数据组及其对应的电网质量评价指标之后，根据各个历史的监测数据组对应的电网质量评价指标，将各个历史的监测数据组划分为至少两个第一监测数据组簇，实现步骤包括：
根据各个历史的监测数据组对应的电网质量评价指标，利用DBSCAN算法对所述电网质量评价指标进行聚类，从而得到至少两个电网质量评价指标类别；
将每个电网质量评价指标类别中所有电网质量评价指标所对应的历史的监测数据组作为一个第一监测数据组簇，从而得到所述至少两个第一监测数据组簇。
具体的，为了便于后续对不同监测数据之间的关系以及不同监测数据对电网质量评价的影响，根据各个历史的监测数据组对应的电网质量评价指标，利用DBSCAN算法（density-based spatial clustering of applications with noise，密度聚类算法）对这些电网质量评价指标进行分类，从而得到第一数目个电网质量评价指标类别。由于利用DBSCAN算法进行分类的具体实现过程属于现有技术，此处不再赘述。由于一个历史的监测数据组对应一个电网质量评价指标，因此可以根据第一数目个电网质量评价指标类别，将每个电网质量评价指标类别中所有电网质量评价指标所对应的历史的监测数据组作为一个第一监测数据组簇，从而得到所述第一数目个第一监测数据组簇，最终实现各个历史的监测数据组的分类。
步骤S3：根据每个第一监测数据组簇中各个历史的监测数据组以及各个历史的监测数据组对应的电网质量评价指标，确定任意两种监测数据在每个第一监测数据组簇内的整体差异度。
在通过上述步骤S2得到第一数目个第一监测数据组簇之后，对于每个第一监测数据组簇，对该第一监测数据组簇中任意两个监测数据进行分析，从而确定任意两种监测数据在该第一监测数据组簇内的整体差异度，实现步骤包括：
对于每个第一监测数据组簇中各个历史的监测数据组中的任意一种监测数据，根据该种监测数据的每个数值确定第一坐标且根据每个数值所对应的电网质量评价指标确定第二坐标，确定每个数值的由第一坐标和第二坐标构成的坐标点，并确定每种坐标点出现的频次；
对于各个历史的监测数据组中的任意一种监测数据，构造该种监测数据对应的灰度图，该种监测数据对应的每种坐标点对应所述灰度图中的一个像素点，每种坐标点出现的频次对应所述灰度图中对应像素点的灰度值，并将所述灰度图中不存在对应坐标点的像素点的灰度值设置为设定灰度值；
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的灰度图中像素点的坐标和灰度值，确定任意两种监测数据在每个第一监测数据组簇内的整体差异度。
具体的，对于每个第一监测数据组簇，该簇中包括各个历史的监测数据组，每个历史的监测数据组均有其对应的电网质量评价指标。对于该簇中各个历史的监测数据组中的任意一种监测数据，以第i种监测数据为例，对该簇中各个历史的监测数据组中的第i种监测数据进行处理，从而得到该簇中各个历史的监测数据组中的第i种监测数据的处理值，该处理过程包括：将该簇中各个历史的监测数据组中的第i种监测数据扩大设定数值倍，本实施例将该设定数值设置为100，若扩大后的第i种监测数据出现小数，则对扩大后的第i种监测数据进行就近取整，取整得到的数值即为第i种监测数据的处理值。同时，对该簇中各个历史的监测数据组所对应的电网质量评价指标进行相同的处理，从而得到该簇中各个历史的监测数据组所对应的电网质量评价指标的处理值。
在确定该簇中各个历史的监测数据组中的第i种监测数据的处理值以及各个历史的监测数据组所对应的电网质量评价指标的处理值之后，以第i种监测数据的处理值作为一个横坐标，同时以该第i种监测数据所在的历史的监测数据组所对应的电网质量评价指标的处理值作为一个纵坐标，由横坐标和纵坐标构成了一个坐标点，此时对于第i种监测数据，每个历史的监测数据组会对应得到一个坐标点。对每种坐标点出现的频次进行统计，从而可以得到每种坐标点对应的频次。根据该簇中第i种监测数据对应的每种坐标点及其对应的频次，构造对应的灰度图，每种坐标点对应该灰度图中的一个像素点，像素点的坐标等于该坐标点的坐标，将每种坐标点对应的频次归一化到灰度取值范围[0,255]内，并将归一化之后的频次作为对应像素点的灰度值。由于将数值归一化到固定取值范围内的具体实现过程属于现有技术，此处不再赘述。考虑到为了保证对于每种坐标点，在灰度图中均有其对应的像素点，灰度图的尺寸通常设置的比较大，且同一第一监测数据组簇的所有种类的监测数据所对应的灰度图的尺寸相同，均设置为100*100，此时灰度图中的某些像素点可能不存在其对应的坐标点，本实施例将灰度图中不在对应的坐标点的所有像素点的灰度值均设置为设定灰度值，该设定灰度值的取值为0，以便于后续进行分析计算。
按照上述方式，可以确定每个第一监测数据组簇中对于每种监测数据所对应的灰度图，根据任意两种监测数据对应的灰度图，对该灰度图中像素点灰度的分布情况，可以确定该任意两种监测数据在每个第一监测数据组簇内的整体差异度，实现步骤包括：
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的灰度图中像素点的灰度值，计算两个灰度图中相同位置的像素点的灰度值的差值绝对值，将所有相同位置的像素点对应的差值绝对值的累加和确定为任意两种监测数据在每个第一监测数据组簇内对应的第一差异度；
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的灰度图中像素点的坐标和灰度值，对每个灰度图中的像素点进行聚类，从而得到每个灰度图对应的各个像素点簇以及各个像素点簇对应的簇类中心；
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的各个像素点簇的数量差异，确定任意两种监测数据在每个第一监测数据组簇内对应的第二差异度；
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的各个像素点簇对应的簇类中心，将其中一种监测数据对应的簇类中心与另外一种监测数据对应的簇类中心进行匹配，得到各个簇类中心匹配对，计算每个簇类中心匹配对中两个簇类中心的灰度值的差值绝对值，将所有簇类中心匹配对对应的差值绝对值的平均值确定为任意两种监测数据在每个第一监测数据组簇内对应的第三差异度；
根据任意两种监测数据在每个第一监测数据组簇内对应的第一差异度、第二差异度和第三差异度，计算任意两种监测数据在每个第一监测数据组簇内的整体差异度，所述第一差异度、第二差异度和第三差异度均与所述整体差异度成正相关关系。
具体的，对于每个第一监测数据组簇中任意两种监测数据对应的灰度图，计算两个灰度图相同位置的像素点的灰度值的差值绝对值的累加和确定为该任意两种监测数据对应的第一差异度。同时，根据每个灰度图中像素点的坐标和灰度值，利用DBSCAN算法对每个灰度图中像素点进行分组，从而得到每个灰度图对应的各个像素点簇以及各个像素点簇对应的簇类中心。由于利用DBSCAN算法对每个灰度图中像素点进行分组的具体实现过程属于现有技术，此处不再赘述。计算两个灰度图所对应的像素点簇的数目的差值绝对值，将该差值绝对值与设定参数的相加和作为对应两种监测数据对应的第二差异度。设置该设定参数的目的是为了防止第二差异度的取值为0，本实施例设置该设定参数的取值为1。另外，根据该任意两种监测数据对应的灰度图中各个像素点簇对应的簇类中心，利用匈牙利算法将其中一种监测数据对应的灰度图中各个像素点簇对应的簇类中心与另外一种监测数据对应的灰度图中各个像素点簇对应的簇类中心进行匹配，得到各个簇类中心匹配对，计算每个簇类中心匹配对中两个簇类中心的灰度值的差值绝对值，将所有簇类中心匹配对对应的差值绝对值的平均值确定为对应两种监测数据对应的第三差异度。基于这两种监测数据对应的第一差异度、第二差异度和第三差异度，计算这两种监测数据在对应第一监测数据组簇内的整体差异度，对应的计算公式为：
Figure SMS_43
其中，
Figure SMS_46
为第i种监测数据和第j种监测数据在第k个第一监测数据组簇内的整 体差异度，
Figure SMS_48
为第i种监测数据和第j种监测数据在第k个第一监测数据组簇内对应的第二差 异度，
Figure SMS_50
为第i种监测数据和第j种监测数据在第k个第一监测数据组簇内对应的第三差异 度，
Figure SMS_45
为第i种监测数据和第j种监测数据在第k个第一监测数据组簇内对应的第 一差异度，
Figure SMS_47
为第k个第一监测数据组簇中各个历史的监测数据组中的第i种监测数据对应 的灰度图中第t个像素点的灰度值，
Figure SMS_49
为第k个第一监测数据组簇中各个历史的监测数据组 中的第j种监测数据对应的灰度图中第t个像素点的灰度值，
Figure SMS_51
为取绝对值符号，
Figure SMS_44
为第k个 第一监测数据组簇中各个历史的监测数据组中的第i种监测数据和第j种监测数据各自对 应的灰度图中像素点的总数目。
根据上述的第i种监测数据和第j种监测数据在第k个第一监测数据组簇内的整体 差异度
Figure SMS_52
的计算公式可知，当第一差异度
Figure SMS_53
越大时，说明第i种监测数据和第j 种监测数据在该第一监测数据组簇中越不相关，此时对应的整体差异度就越大。当第i种监 测数据和第j种监测数据对应的灰度图中簇类中心的差异越大时，对应的第二差异度和第 三差异度越大，此时说明第i种监测数据和第j种监测数据对应的灰度图的差异越大，对应 的说明第i种监测数据和第j种监测数据在该第一监测数据组簇中越不相关，此时对应的整 体差异度就越大。
步骤S4：根据每个第一监测数据组簇中各个历史的监测数据组，确定任意两种监测数据在每个第一监测数据组簇内的差异指标值，并根据任意两种监测数据在每个第一监测数据组簇内的差异指标值和任意两种监测数据之间的整体差异度，确定任意两种监测数据在每个第一监测数据组簇内的不相关性指标。
为了便于后续对任意两种监测数据在每个第一监测数据组簇内的不相关性进行衡量，根据每个第一监测数据组簇中各个历史的监测数据组，确定任意两种监测数据在每个第一监测数据组簇内的差异指标值，实现步骤包括：
根据每个第一监测数据组簇中各个历史的监测数据组，计算每个历史的监测数据组中任意两种监测数据的差值绝对值，并将每个第一监测数据组簇中任意两种监测数据所对应的所有差值绝对值的平均值，确定为任意两种监测数据在每个第一监测数据组簇内的差异指标值。
在确定任意两种监测数据在每个第一监测数据组簇内的差异指标值之后，结合任意两种监测数据在每个第一监测数据组簇内的整体差异度，计算任意两种监测数据在每个第一监测数据组簇内的差异指标值和整体差异度的乘积值，并将所述乘积值确定为任意两种监测数据在每个第一监测数据组簇内的不相关性指标，对应的计算公式为：
Figure SMS_54
其中，
Figure SMS_57
为第i种监测数据和第j种监测数据在第k个第一监测数据组簇内的不 相关性指标，
Figure SMS_59
为第i种监测数据和第j种监测数据在第k个第一监测数据组簇 内的差异指标值，
Figure SMS_62
为第k个第一监测数据组簇中第p个历史的监测数据组的第i种监测 数据，
Figure SMS_56
为第k个第一监测数据组簇中第p个历史的监测数据组的第j种监测数据，
Figure SMS_58
为第k个第一监测数据组簇中第p个历史的监测数据组的第i种监测数据
Figure SMS_63
和第j种监测数据
Figure SMS_64
的差值绝对值，
Figure SMS_55
为取绝对值符号，
Figure SMS_60
为第k个第一监测数据组簇中 历史的监测数据组的总数目，
Figure SMS_61
为第i种监测数据和第j种监测数据在第k个第一监测数 据组簇内的整体差异度。
在上述的第i种监测数据和第j种监测数据在第k个第一监测数据组簇内的不相关 性指标
Figure SMS_65
的计算公式中，第i种监测数据和第j种监测数据在第k个第一监测数据组簇内 的差异指标值
Figure SMS_66
越大，第i种监测数据和第j种监测数据在第k个第一监测数据 组簇内的整体差异度
Figure SMS_67
越大，表示第i种监测数据和第j种监测数据在第k个第一监测数 据组簇内的差异越大，第i种监测数据和第j种监测数据在第k个第一监测数据组簇内越不 相关，对应的不相关性指标
Figure SMS_68
的取值就越大。
步骤S5：根据每个第一监测数据组簇中各个历史的监测数据组、各个历史的监测数据组对应的电网质量评价指标以及任意两种监测数据在每个第一监测数据组簇内的不相关性指标，确定每种监测数据在每个第一监测数据组簇内的质量评价影响权重。
在通过上述步骤S4确定任意两种监测数据在每个第一监测数据组簇内的不相关性指标之后，结合每个第一监测数据组簇中各个历史的监测数据组及其对应的电网质量评价指标，可以确定每种监测数据在每个第一监测数据组簇内的质量评价影响权重，实现步骤包括：
根据每个第一监测数据组簇中各个历史的监测数据组及其对应的电网质量评价指标，计算每个监测数据组中的每种监测数据与该监测数据组对应的电网质量评价指标的差值绝对值，并将所有监测数据组中的每种监测数据对应的差值绝对值的平均值确定为每种监测数据在每个第一监测数据组簇内的质量评价差异值；
根据任意两种监测数据在每个第一监测数据组簇内的不相关性指标，计算每种监测数据与所有其他种监测数据所对应的不相关性指标的累加和，并将所述累加和确定为每种监测数据在每个第一监测数据组簇内的综合不相关评价值；
根据每种监测数据在每个第一监测数据组簇内的质量评价差异值和综合不相关评价值，计算每种监测数据在每个第一监测数据组簇内的质量评价不相干值，所述质量评价差异值与所述质量评价不相干值成正相关关系，所述综合不相关评价值与所述质量评价不相干值成负相关关系；
根据各种监测数据在每个第一监测数据组簇内的质量评价不相干值，对每个监测数据在每个第一监测数据组簇内的质量评价不相干值进行归一化处理，并将归一化处理结果确定为每个监测数据在每个第一监测数据组簇内的质量评价影响权重。
具体的，对于每个第一监测数据组簇，根据该簇中各个历史的监测数据组及其对应的电网质量评价指标，并结合任意两种监测数据在每个第一监测数据组簇内的不相关性指标，确定每种监测数据在每个第一监测数据组簇内的质量评价不相干值，对应的计算公式为：
Figure SMS_69
其中，
Figure SMS_72
为第i种监测数据在第k个第一监测数据组簇内的质量评价不相干值，
Figure SMS_75
为第i种监测数据在第k个第一监测数据组簇内的质量评价差异值，
Figure SMS_79
为第p个监测数据组中的第i种监测数据
Figure SMS_73
与该监测数据组对应的电网质量 评价指标
Figure SMS_77
的差值绝对值，
Figure SMS_80
为第p个监测数据组中的第i种监测数据，
Figure SMS_81
为第p个监测 数据组对应的电网质量评价指标，
Figure SMS_70
为取绝对值符号，
Figure SMS_74
为第k个第一监测数据组簇内监测 数据组的总数目，
Figure SMS_78
为第i种监测数据在第k个第一监测数据组簇内的综合不相关评 价值，
Figure SMS_82
为第i种监测数据和第j种监测数据在第k个第一监测数据组簇内的不相关性指 标，
Figure SMS_71
为监测数据的种类数，本实施例中
Figure SMS_76
。
在上述的第i种监测数据在第k个第一监测数据组簇内的质量评价不相干值
Figure SMS_83
的计算公式中，质量评价差异值
Figure SMS_84
越小，表示第i种监测数据在第k个第一监测数 据组簇内对电网质量评价的影响越大，该第i种监测数据对电网质量评价越重要，质量评价 不相干值
Figure SMS_85
取值越小，后续越应该参考第i种监测数据，第i种监测数据在k个第一监测数 据组簇内的影响权重应当越大。综合不相关评价值
Figure SMS_86
越大，表示第i种监测数据越独 特于其它种类的监测数据，第i种监测数据对对电网质量评价越重要，质量评价不相干值
Figure SMS_87
取值越小，越应该参考第i种监测数据进行电网质量评价。
在通过上述方式确定每种监测数据在每个第一监测数据组簇内的质量评价不相干值之后，对该质量评价不相干值进行负相关归一化处理，从而得到每个监测数据在每个第一监测数据组簇内的质量评价影响权重，负相关归一化处理对应的公式为：
Figure SMS_88
其中，
Figure SMS_89
为第i种监测数据在第k个第一监测数据组簇内的质量评价影响权重，
Figure SMS_90
为第i种监测数据在第k个第一监测数据组簇内的质量评价不相干值，
Figure SMS_91
为监测数据的 种类数，本实施例中
Figure SMS_92
。
通过上述负相关归一化处理对应的公式对每种监测数据在每个第一监测数据组簇内的质量评价不相干值进行负相关归一化，当质量评价不相干值越小，对应的得到的质量评价影响权重就越大，后续越应该参考对应的种类的监测数据进行电网质量评价。
步骤S6：根据当前的监测数据组、各个历史的监测数据组以及各个历史的监测数据组对应的电网质量评价指标、每种监测数据在每个第一监测数据组簇内的质量评价影响权重、任意两种监测数据在每个第一监测数据组簇内的不相关性指标和任意两种监测数据之间的整体差异度，确定当前的监测数据组所对应的电网质量评价指标范围。
在通过上述步骤S5得到每种监测数据在每个第一监测数据组簇内的质量评价影响权重之后，结合各个历史的监测数据组以及各个历史的监测数据组对应的电网质量评价指标、任意两种监测数据在每个第一监测数据组簇内的不相关性指标和任意两种监测数据之间的整体差异度，对当前的监测数据组所对应的电网质量进行评价，实现步骤包括：
将各个历史的监测数据组和当前的监测数据组均作为待聚类数据组，根据每个待聚类数据组相对待确定的各个聚类中心的隶属度、每个待聚类数据组与待确定的各个聚类中心的欧式距离、每种监测数据在待确定的各个聚类中心所对应的第一监测数据组簇内的质量评价影响权重、任意两种监测数据在待确定的各个聚类中心所对应的第一监测数据组簇内的不相关性指标和整体差异度，确定聚类目标函数，所述待确定的各个聚类中心不能为当前的监测数据组；
对聚类目标函数进行求解，从而确定各个聚类簇，并将当前的监测数据组所在的聚类簇中聚类中心对应的电网质量评价指标，确定为当前的监测数据组所对应的电网质量评价指标范围。
具体的，虽然对前面根据各个历史的监测数据组对应的电网质量评价指标，实现了对各个历史的监测数据组的分类，但是无法保证其分类结果的准确性，因此本实施例利用FCM算法（fuzzy c-means algorithm，模糊C均值聚类算法）对由当前的监测数据组和各个历史的监测数据组所构成的待聚类数据组进行重新聚类。为了得到更加真是可靠的分类结果，从而可以准确得到当前的监测数据组所对应的电网质量评价指标，本实施例根据每种监测数据在每个第一监测数据组簇内的质量评价影响权重、任意两种监测数据在每个第一监测数据组簇内的不相关性指标和任意两种监测数据之间的整体差异度，对FCM算法进行改进，使得聚类结果可以依据各种监测数据对各个类别的影响程度，获取更接近真实的聚类结果，改进后的FCM算法所对应的目标函数为：
Figure SMS_93
；/>
其中，
Figure SMS_109
为聚类目标函数，
Figure SMS_114
为第x个待聚类数据组
Figure SMS_119
相对第k个待确定的聚类中 心
Figure SMS_96
的隶属度，m为模糊加权指数，
Figure SMS_99
为隶属度的m次方，
Figure SMS_103
为第x个待聚类数据组，
Figure SMS_107
为 第k个待确定的聚类中心，
Figure SMS_121
为取第x个待聚类数据组
Figure SMS_124
和第k个待确定的聚类中心
Figure SMS_127
的欧式距离，N为待聚类数据组的总数目，K为待确定的聚类中心的总数目，
Figure SMS_129
为第i种 监测数据在第k个待确定的聚类中心
Figure SMS_123
所对应的第一监测数据组簇内的质量评价影响权 重，
Figure SMS_126
为第j种监测数据在第k个待确定的聚类中心
Figure SMS_128
所对应的第一监测数据组簇内的 质量评价影响权重，
Figure SMS_130
为第i种监测数据和第j种监测数据在第k个待确定的聚类中心
Figure SMS_113
所对应的第一监测数据组簇内的不相关性指标，
Figure SMS_118
为第x个待聚类数据组
Figure SMS_122
的第i种监 测数据和第j种监测数据对应的不相关性指标，
Figure SMS_125
，
Figure SMS_100
为第x个待聚类数据组
Figure SMS_102
的第i种监测数据和第j种监测数据的差异值，
Figure SMS_106
为第x个待聚类 数据组
Figure SMS_110
的第i种监测数据，
Figure SMS_95
为第x个待聚类数据组
Figure SMS_98
的第j种监测数据，
Figure SMS_101
为第i种监 测数据和第j种监测数据在第k个待确定的聚类中心
Figure SMS_105
所对应的第一监测数据组簇内的整 体差异度，
Figure SMS_111
为取绝对值符号，
Figure SMS_115
为监测数据的种类数，
Figure SMS_116
为第一设定系数，
Figure SMS_120
为第二设定系 数，
Figure SMS_94
为第一权重系数，
Figure SMS_97
为第二权重系数，在本实施例中，设置
Figure SMS_104
，
Figure SMS_108
，
Figure SMS_112
，
Figure SMS_117
=0.7。
在上述的聚类目标函数中，利用每种监测数据在待确定的聚类中心所对应的第一 监测数据组簇内的质量评价影响权重，待聚类数据组的任意两种监测数据对应的不相关性 指标、任意两种监测数据在待确定的聚类中心所对应的第一监测数据组簇内的不相关性指 标以及待聚类数据组相对待确定的聚类中心的隶属度，对聚类目标函数进行约束。当第x个 待聚类数据组
Figure SMS_132
分类到第k个待确定的聚类中心
Figure SMS_134
所对应的聚类簇中时，当任意两种监测 数据在第k个待确定的聚类中心
Figure SMS_136
所对应的第一监测数据组簇内的质量评价影响权重越 大，也就是所求的
Figure SMS_133
越大，第x个待聚类数据组
Figure SMS_135
对应的任意两种监测数据所对 应的不相关性指标与这两种监测数据在第k个待确定的聚类中心
Figure SMS_137
所对应的第一监测数据 组簇内的不相关性指标的差异越小，也就是所求的
Figure SMS_138
的取值越小时，对应隶属 度
Figure SMS_131
越大，则说明最终聚类的效果越好。
在确定上述聚类目标函数后，对该聚类目标函数进行求解，从而确定K个聚类中心以及待聚类数据组相对每个聚类中心的隶属度。由于对该聚类目标函数进行求解的具体实现过程属于现有技术，此处不再赘述。另外需要强调的是，在对该聚类目标函数进行求解以确定K个聚类中心的过程中，所确定的聚类中心不能是当前的监测数据组所对应的待聚类数据组，由于历史的监测数据组的数量较大，当前的监测数据组所对应的待聚类数据组为确定的聚类中心的概率极低，但是当所确定的一个聚类中心为当前的监测数据组所对应的待聚类数据组时，此时则重新确定初始的聚类中心或者隶属度，在避免所确定的聚类中心是当前的监测数据组所对应的待聚类数据组的基础上，实现对该聚类目标函数的求解过程，并最终确定K个聚类中心以及待聚类数据组相对每个聚类中心的隶属度。
在确定K个聚类中心以及待聚类数据组相对每个聚类中心的隶属度之后，选择其中隶属度最大的类别作为待聚类数据组的聚类结果类别，也就是每个待聚类数据组相对各个聚类中心都有其对应的隶属度，确定这些隶属度中的最大值，并将每个待聚类数据组归类到其最大值所对应的类别中，最终得到K个聚类簇，也就是第二数目个聚类簇，本实施例设置第二数目等于第一数目。确定当前的监测数据组所在的聚类簇，并将该聚类簇的聚类中心对应的电网质量评价指标，作为当前的监测数据组所对应的电网质量评价指标。
在确定当前的监测数据组所对应的电网质量评价指标之后，将该当前的监测数据组及其所对应的电网质量评价指标作为新的历史数据，即添加到历史的监测数据组及其对应的电网质量评价指标中，以便于确定下一次的监测数据组所对应的电网质量评价指标。本实施例通过使用FCM算法对当前的监测数据组进行分类，而不是直接根据当前的监测数据组与历史的监测数据组的差异直接判断类别的方式的原因在于：通过使用FCM算法对当前的监测数据组进行划分，使得通过对当前的监测数据组进行划分后，可以根据划分好的监测数据组进行进一步分析，即在下一次获取新的监测数据组时，历史的监测数据组随上一次的监测数据组以及确定的电网质量评价指标进行更新，进而达到一种机器学习的目的，使得每一次获取的新的监测数据组都可以对后续获取的监测数据组分类进行影响。
本实施例还提供了一种分布式电网电能质量监测系统，该系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时，实现上述的一种分布式电网电能质量监测方法的步骤。由于该系统的核心和重点在于实现上述的一种分布式电网电能质量监测方法，该方法已经在上述内容中进行了详细介绍，此处不再赘述。
需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种分布式电网电能质量监测方法，其特征在于，包括以下步骤：
获取电网监测点的当前的监测数据组、各个历史的监测数据组以及各个历史的监测数据组对应的电网质量评价指标，所述监测数据组包括至少三种监测数据；
根据各个历史的监测数据组对应的电网质量评价指标，将各个历史的监测数据组划分为至少两个第一监测数据组簇；
根据每个第一监测数据组簇中各个历史的监测数据组以及各个历史的监测数据组对应的电网质量评价指标，确定任意两种监测数据在每个第一监测数据组簇内的整体差异度；
根据每个第一监测数据组簇中各个历史的监测数据组，确定任意两种监测数据在每个第一监测数据组簇内的差异指标值，并根据所述差异指标值和所述整体差异度，确定任意两种监测数据在每个第一监测数据组簇内的不相关性指标；
根据每个第一监测数据组簇中各个历史的监测数据组、各个历史的监测数据组对应的电网质量评价指标以及所述不相关性指标，确定每种监测数据在每个第一监测数据组簇内的质量评价影响权重；
根据当前的监测数据组、各个历史的监测数据组以及各个历史的监测数据组对应的电网质量评价指标、每种监测数据在每个第一监测数据组簇内的质量评价影响权重、所述不相关性指标和所述整体差异度，确定当前的监测数据组所对应的电网质量评价指标。
2.根据权利要求1所述的一种分布式电网电能质量监测方法，其特征在于，确定当前的监测数据组所对应的电网质量评价指标，包括：
将各个历史的监测数据组和当前的监测数据组均作为待聚类数据组，根据每个待聚类数据组相对待确定的各个聚类中心的隶属度、每个待聚类数据组与待确定的各个聚类中心的欧式距离、每种监测数据在待确定的各个聚类中心所对应的第一监测数据组簇内的质量评价影响权重、任意两种监测数据在待确定的各个聚类中心所对应的第一监测数据组簇内的不相关性指标和整体差异度，确定聚类目标函数，所述待确定的各个聚类中心不能为当前的监测数据组；
对聚类目标函数进行求解，从而确定各个聚类簇，并将当前的监测数据组所在的聚类簇中聚类中心对应的电网质量评价指标，确定为当前的监测数据组所对应的电网质量评价指标。
3.根据权利要求2所述的一种分布式电网电能质量监测方法，其特征在于，确定聚类目标函数对应的计算公式为：
Figure QLYQS_1
；
其中，
Figure QLYQS_18
为聚类目标函数，/>
Figure QLYQS_23
为第x个待聚类数据组/>
Figure QLYQS_27
相对第k个待确定的聚类中心/>
Figure QLYQS_4
的隶属度，m为模糊加权指数，/>
Figure QLYQS_8
为隶属度的m次方，/>
Figure QLYQS_11
为第x个待聚类数据组，/>
Figure QLYQS_15
为第k个待确定的聚类中心，/>
Figure QLYQS_13
为取第x个待聚类数据组/>
Figure QLYQS_17
和第k个待确定的聚类中心/>
Figure QLYQS_19
的欧式距离，N为待聚类数据组的总数目，K为待确定的聚类中心的总数目，/>
Figure QLYQS_25
为第i种监测数据在第k个待确定的聚类中心/>
Figure QLYQS_30
所对应的第一监测数据组簇内的质量评价影响权重，
Figure QLYQS_32
为第j种监测数据在第k个待确定的聚类中心/>
Figure QLYQS_33
所对应的第一监测数据组簇内的质量评价影响权重，/>
Figure QLYQS_34
为第i种监测数据和第j种监测数据在第k个待确定的聚类中心/>
Figure QLYQS_21
所对应的第一监测数据组簇内的不相关性指标，/>
Figure QLYQS_24
为第x个待聚类数据组/>
Figure QLYQS_28
的第i种监测数据和第j种监测数据对应的不相关性指标，/>
Figure QLYQS_31
，/>
Figure QLYQS_2
为第x个待聚类数据组/>
Figure QLYQS_6
的第i种监测数据和第j种监测数据的差异值，/>
Figure QLYQS_10
为第x个待聚类数据组/>
Figure QLYQS_16
的第i种监测数据，/>
Figure QLYQS_5
为第x个待聚类数据组/>
Figure QLYQS_7
的第j种监测数据，/>
Figure QLYQS_12
为第i种监测数据和第j种监测数据在第k个待确定的聚类中心/>
Figure QLYQS_14
所对应的第一监测数据组簇内的整体差异度，/>
Figure QLYQS_20
为取绝对值符号，/>
Figure QLYQS_22
为监测数据的种类数，/>
Figure QLYQS_26
为第一设定系数，/>
Figure QLYQS_29
为第二设定系数，/>
Figure QLYQS_3
为第一权重系数，/>
Figure QLYQS_9
为第二权重系数。
4.根据权利要求1所述的一种分布式电网电能质量监测方法，其特征在于，确定任意两种监测数据在每个第一监测数据组簇内的整体差异度，包括：
对于每个第一监测数据组簇中各个历史的监测数据组中的任意一种监测数据，根据该种监测数据的每个数值确定第一坐标且根据每个数值所对应的电网质量评价指标确定第二坐标，确定每个数值的由第一坐标和第二坐标构成的坐标点，并确定每种坐标点出现的频次；
对于各个历史的监测数据组中的任意一种监测数据，构造该种监测数据对应的灰度图，该种监测数据对应的每种坐标点对应所述灰度图中的一个像素点，每种坐标点出现的频次对应所述灰度图中对应像素点的灰度值，并将所述灰度图中不存在对应坐标点的像素点的灰度值设置为设定灰度值；
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的灰度图中像素点的坐标和灰度值，确定任意两种监测数据在每个第一监测数据组簇内的整体差异度。
5.根据权利要求4所述的一种分布式电网电能质量监测方法，其特征在于，确定任意两种监测数据在每个第一监测数据组簇内的整体差异度，包括：
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的灰度图中像素点的灰度值，计算两个灰度图中相同位置的像素点的灰度值的差值绝对值，将所有相同位置的像素点对应的差值绝对值的累加和确定为任意两种监测数据在每个第一监测数据组簇内对应的第一差异度；
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的灰度图中像素点的坐标和灰度值，对每个灰度图中的像素点进行聚类，从而得到每个灰度图对应的各个像素点簇以及各个像素点簇对应的簇类中心；
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的各个像素点簇的数量差异，确定任意两种监测数据在每个第一监测数据组簇内对应的第二差异度；
根据每个第一监测数据组簇中各个历史的监测数据组中的任意两种监测数据对应的各个像素点簇对应的簇类中心，将其中一种监测数据对应的簇类中心与另外一种监测数据对应的簇类中心进行匹配，得到各个簇类中心匹配对，计算每个簇类中心匹配对中两个簇类中心的灰度值的差值绝对值，将所有簇类中心匹配对对应的差值绝对值的平均值确定为任意两种监测数据在每个第一监测数据组簇内对应的第三差异度；
根据任意两种监测数据在每个第一监测数据组簇内对应的第一差异度、第二差异度和第三差异度，计算任意两种监测数据在每个第一监测数据组簇内的整体差异度，所述第一差异度、第二差异度和第三差异度均与所述整体差异度成正相关关系。
6.根据权利要求1所述的一种分布式电网电能质量监测方法，其特征在于，所述差异指标值，包括：
根据每个第一监测数据组簇中各个历史的监测数据组，计算每个历史的监测数据组中任意两种监测数据的差值绝对值，并将每个第一监测数据组簇中任意两种监测数据所对应的所有差值绝对值的平均值，确定为任意两种监测数据在每个第一监测数据组簇内的差异指标值。
7.根据权利要求1所述的一种分布式电网电能质量监测方法，其特征在于，所述不相关性指标，包括：
计算任意两种监测数据在每个第一监测数据组簇内的差异指标值和整体差异度的乘积值，并将所述乘积值确定为任意两种监测数据在每个第一监测数据组簇内的不相关性指标。
8.根据权利要求1所述的一种分布式电网电能质量监测方法，其特征在于，确定每种监测数据在每个第一监测数据组簇内的质量评价影响权重，包括：
根据每个第一监测数据组簇中各个历史的监测数据组及其对应的电网质量评价指标，计算每个监测数据组中的每种监测数据与该监测数据组对应的电网质量评价指标的差值绝对值，并将所有监测数据组中的每种监测数据对应的差值绝对值的平均值确定为每种监测数据在每个第一监测数据组簇内的质量评价差异值；
根据所述不相关性指标，计算每种监测数据与所有其他种监测数据所对应的不相关性指标的累加和，并将所述累加和确定为每种监测数据在每个第一监测数据组簇内的综合不相关评价值；
根据所述质量评价差异值和综合不相关评价值，计算每种监测数据在每个第一监测数据组簇内的质量评价不相干值，所述质量评价差异值与所述质量评价不相干值成正相关关系，所述综合不相关评价值与所述质量评价不相干值成负相关关系；
根据各种监测数据在每个第一监测数据组簇内的质量评价不相干值，对每个监测数据在每个第一监测数据组簇内的质量评价不相干值进行归一化处理，并将归一化处理结果确定为每个监测数据在每个第一监测数据组簇内的质量评价影响权重。
9.一种分布式电网电能质量监测系统，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时，实现上述权利要求1-8任意一项所述的一种分布式电网电能质量监测方法的步骤。
CN202310430165.1A 2023-04-21 2023-04-21 一种分布式电网电能质量监测方法及系统 Active CN116154972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310430165.1A CN116154972B (zh) 2023-04-21 2023-04-21 一种分布式电网电能质量监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310430165.1A CN116154972B (zh) 2023-04-21 2023-04-21 一种分布式电网电能质量监测方法及系统

Publications (2)

Publication Number Publication Date
CN116154972A true CN116154972A (zh) 2023-05-23
CN116154972B CN116154972B (zh) 2023-07-11

Family

ID=86356509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310430165.1A Active CN116154972B (zh) 2023-04-21 2023-04-21 一种分布式电网电能质量监测方法及系统

Country Status (1)

Country Link
CN (1) CN116154972B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116578890A (zh) * 2023-07-14 2023-08-11 山东焦易网数字科技股份有限公司 基于数字孪生的智能工厂数据优化采集方法
CN116826814A (zh) * 2023-08-28 2023-09-29 深圳海辰储能控制技术有限公司 基于电池簇的电能管理方法、能源管理器及相关介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008061448A (ja) * 2006-09-01 2008-03-13 Toshiba Corp 電力品質監視システムと方法
CN102185314A (zh) * 2011-05-11 2011-09-14 江西省电力科学研究院 电能质量综合评判方法
CN106778906A (zh) * 2017-01-11 2017-05-31 国家电网公司 基于模糊c均值聚类的电铁负荷对电网运行的影响分析
CN109242314A (zh) * 2018-09-12 2019-01-18 全球能源互联网研究院有限公司 一种配电网全景监测指标的评估方法及装置
CN109447506A (zh) * 2018-11-12 2019-03-08 全球能源互联网研究院有限公司 一种电能质量基准水平评价方法及系统
CN110376418A (zh) * 2019-06-18 2019-10-25 国网上海市电力公司 基于改进特征量描述的电压暂降综合评估指标获取方法
CN112418648A (zh) * 2020-11-19 2021-02-26 深圳供电局有限公司 配电网稳态电能质量评估方法、计算机设备和存储介质
CN112990627A (zh) * 2019-12-16 2021-06-18 国网山东省电力公司潍坊供电公司 电能质量评估方法
CN113595071A (zh) * 2021-07-30 2021-11-02 广东电网有限责任公司广州供电局 台区用户辨识与电压影响评估方法
CN113780888A (zh) * 2021-09-28 2021-12-10 深圳供电局有限公司 一种电能质量综合评估方法
CN113779798A (zh) * 2021-09-14 2021-12-10 国网江苏省电力有限公司电力科学研究院 基于直觉模糊组合赋权的电能质量数据处理方法及装置
CN113884970A (zh) * 2021-09-24 2022-01-04 广西电网有限责任公司电力科学研究院 一种电能质量监测装置谐波参数的现场在线校验方法
WO2022056926A1 (zh) * 2020-09-21 2022-03-24 西门子股份公司 一种电能质量监测设备的部署方法和装置
CN115856756A (zh) * 2022-11-24 2023-03-28 国网冀北电力有限公司物资分公司 一种电能计量箱故障评估方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008061448A (ja) * 2006-09-01 2008-03-13 Toshiba Corp 電力品質監視システムと方法
CN102185314A (zh) * 2011-05-11 2011-09-14 江西省电力科学研究院 电能质量综合评判方法
CN106778906A (zh) * 2017-01-11 2017-05-31 国家电网公司 基于模糊c均值聚类的电铁负荷对电网运行的影响分析
CN109242314A (zh) * 2018-09-12 2019-01-18 全球能源互联网研究院有限公司 一种配电网全景监测指标的评估方法及装置
CN109447506A (zh) * 2018-11-12 2019-03-08 全球能源互联网研究院有限公司 一种电能质量基准水平评价方法及系统
CN110376418A (zh) * 2019-06-18 2019-10-25 国网上海市电力公司 基于改进特征量描述的电压暂降综合评估指标获取方法
CN112990627A (zh) * 2019-12-16 2021-06-18 国网山东省电力公司潍坊供电公司 电能质量评估方法
WO2022056926A1 (zh) * 2020-09-21 2022-03-24 西门子股份公司 一种电能质量监测设备的部署方法和装置
CN112418648A (zh) * 2020-11-19 2021-02-26 深圳供电局有限公司 配电网稳态电能质量评估方法、计算机设备和存储介质
CN113595071A (zh) * 2021-07-30 2021-11-02 广东电网有限责任公司广州供电局 台区用户辨识与电压影响评估方法
CN113779798A (zh) * 2021-09-14 2021-12-10 国网江苏省电力有限公司电力科学研究院 基于直觉模糊组合赋权的电能质量数据处理方法及装置
CN113884970A (zh) * 2021-09-24 2022-01-04 广西电网有限责任公司电力科学研究院 一种电能质量监测装置谐波参数的现场在线校验方法
CN113780888A (zh) * 2021-09-28 2021-12-10 深圳供电局有限公司 一种电能质量综合评估方法
CN115856756A (zh) * 2022-11-24 2023-03-28 国网冀北电力有限公司物资分公司 一种电能计量箱故障评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JASPREET KAUR: "An improved Clustering Algorithm based on Fuzzy C-means and Artificial Bee Colony Optimization Publisher: IEEE Cite This PDF", 《2018 INTERNATIONAL CONFERENCE ON COMPUTING, POWER AND COMMUNICATION TECHNOLOGIES (GUCON)》 *
吴迪: "基于灰色聚类理论的非线性冲击负荷分类评估", 《沈阳工程学院学报（自然科学版）》 *
魏亚然: "基于灰数理论的电能质量综合评估方法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116578890A (zh) * 2023-07-14 2023-08-11 山东焦易网数字科技股份有限公司 基于数字孪生的智能工厂数据优化采集方法
CN116578890B (zh) * 2023-07-14 2023-09-01 山东焦易网数字科技股份有限公司 基于数字孪生的智能工厂数据优化采集方法
CN116826814A (zh) * 2023-08-28 2023-09-29 深圳海辰储能控制技术有限公司 基于电池簇的电能管理方法、能源管理器及相关介质
CN116826814B (zh) * 2023-08-28 2023-12-22 深圳海辰储能控制技术有限公司 基于电池簇的电能管理方法、能源管理器及相关介质

Also Published As

Publication number Publication date
CN116154972B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN116154972B (zh) 一种分布式电网电能质量监测方法及系统
Tong et al. Detection and classification of transmission line transient faults based on graph convolutional neural network
CN112505549A (zh) 基于孤立森林算法的新能源汽车电池异常检测方法
CN109670675B (zh) 充电桩运行状态评价方法及装置
CN108647707B (zh) 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN101738998B (zh) 一种基于局部判别分析的工业过程监测系统及方法
CN116400126B (zh) 一种具有数据处理系统的低压电力箱
CN109934500A (zh) 一种配电台区的低电压评价方法、装置、设备及存储介质
CN110705887A (zh) 一种基于神经网络模型的低压台区运行状态综合评价方法
CN111476299A (zh) 一种改进型卷积神经网络及基于其的电网智能告警系统
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN112990627B (zh) 电能质量评估方法
CN116380445A (zh) 基于振动波形的设备状态诊断方法及相关装置
CN117371207A (zh) 一种特高压换流阀状态评价方法、介质及系统
CN112116489B (zh) 一种基于泛在互联的主动配电网供电质量复合感知与评价方法及系统
CN116681186B (zh) 一种基于智能终端的用电质量分析方法及装置
CN117421994A (zh) 一种边缘应用健康度的监测方法和监测系统
CN116714469A (zh) 充电桩健康监测方法、装置、终端及存储介质
CN111239484A (zh) 一种非居民用户非侵入式负荷用电信息采集方法
CN115146715A (zh) 用电安全隐患诊断方法、装置、设备及存储介质
CN114118680A (zh) 一种网络安全态势评估方法及系统
CN111539275B (zh) 一种基于负载特性可视化的电气负载分类方法和系统
CN114139408A (zh) 一种电力变压器健康状态评估方法
Chu et al. A relaxed support vector data description algorithm based fault detection in distribution systems
CN113780308A (zh) 基于核主元分析与神经网络的gis局部放电模式识别方法及系统

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