李延真，郭英雷，彭博

山東省電力公司青島供電公司，山東 青島 266002

隨著電力電子技術(shù)的發(fā)展以及分布式新能源發(fā)電的普及，電力系統(tǒng)中的非線性、沖擊性負(fù)荷劇增，導(dǎo)致配電網(wǎng)中電能質(zhì)量問題越來越突出。配電網(wǎng)的電能質(zhì)量已成為保證供用電系統(tǒng)安全穩(wěn)定運(yùn)行的基本要求，是提高供用電系統(tǒng)運(yùn)行水平的關(guān)鍵環(huán)節(jié)[1]。電力企業(yè)和用戶對(duì)電能質(zhì)量問題的重視程度不斷提高，各電能質(zhì)量監(jiān)測(cè)平臺(tái)收集了海量電能質(zhì)量數(shù)據(jù)，而目前對(duì)這些數(shù)據(jù)的深度分析和應(yīng)用卻較為欠缺[2]。對(duì)配電網(wǎng)運(yùn)行過程中存在的異常情況及危險(xiǎn)情況進(jìn)行合理地預(yù)警，并對(duì)配電網(wǎng)的電能質(zhì)量分級(jí)，可一目了然地區(qū)分配電網(wǎng)電能質(zhì)量的嚴(yán)重程度，有利于運(yùn)維調(diào)度人員在出現(xiàn)故障前及時(shí)采取有效措施，保證配電網(wǎng)的安全穩(wěn)定運(yùn)行[3]。

電能質(zhì)量預(yù)測(cè)是在分析電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)變化規(guī)律的基礎(chǔ)上，充分挖掘歷史數(shù)據(jù)之間的潛在關(guān)系，找到數(shù)據(jù)變化發(fā)展的規(guī)律，對(duì)未來一段時(shí)間內(nèi)的電能質(zhì)量指標(biāo)數(shù)據(jù)進(jìn)行預(yù)測(cè)，以便提前發(fā)現(xiàn)潛在的電能質(zhì)量問題，從而避免由電能質(zhì)量問題引發(fā)的更嚴(yán)重的配電網(wǎng)的安全、經(jīng)濟(jì)問題[4]。

目前，針對(duì)配電網(wǎng)電能質(zhì)量預(yù)警的研究集中在預(yù)警閾值的設(shè)定方面。文獻(xiàn)[5]給出了電能質(zhì)量預(yù)警閾值的設(shè)置方法，并根據(jù)閾值的不同將電能質(zhì)量從良好到危險(xiǎn)分成4 個(gè)等級(jí)；文獻(xiàn)[6]通過為聚類分析得到的客觀閾值與專家打分得到的主觀閾值分配合理的權(quán)重，得到綜合閾值；文獻(xiàn)[7]提出了一種電能質(zhì)量監(jiān)測(cè)預(yù)警方法和評(píng)估預(yù)警方法，通過將監(jiān)測(cè)數(shù)據(jù)與預(yù)警指標(biāo)計(jì)算數(shù)據(jù)同所建立預(yù)警知識(shí)庫(kù)相比較，確定預(yù)警等級(jí)并識(shí)別故障原因。以上研究中，針對(duì)電能質(zhì)量預(yù)警閾值的設(shè)置，是根據(jù)國(guó)家電能質(zhì)量標(biāo)準(zhǔn)[8-9]設(shè)定的，該方法簡(jiǎn)單且易實(shí)施，但沒有根據(jù)不同水平的預(yù)警對(duì)象進(jìn)行差異化設(shè)置；而實(shí)際應(yīng)用中，在配網(wǎng)不同場(chǎng)景和不同時(shí)間對(duì)電能質(zhì)量的要求是不盡相同的，因而對(duì)電能質(zhì)量預(yù)警閾值的設(shè)定也應(yīng)作出相應(yīng)變化。

在電能質(zhì)量穩(wěn)態(tài)指標(biāo)預(yù)測(cè)方面，文獻(xiàn)[10-11]通過時(shí)序算法對(duì)電網(wǎng)有功功率值進(jìn)行預(yù)測(cè)，分析有功功率與電能質(zhì)量指標(biāo)的相關(guān)性，得到五項(xiàng)電能質(zhì)量指標(biāo)值；文獻(xiàn)[12]考慮間歇性新能源發(fā)電切入或切除時(shí)引起的諧波變化，對(duì)新能源并網(wǎng)或脫網(wǎng)后的諧波進(jìn)行預(yù)測(cè)；文獻(xiàn)[13] 利用k-means聚類和BP 神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測(cè)用電負(fù)荷。以上研究聚焦于數(shù)據(jù)挖掘進(jìn)行時(shí)間序列分析和預(yù)測(cè)，方法簡(jiǎn)單、直觀，但預(yù)測(cè)模型多為線性，預(yù)測(cè)結(jié)果有較大偏差。

為解決上述問題，本文提出了一種電能質(zhì)量穩(wěn)態(tài)指標(biāo)預(yù)警方法，根據(jù)不同場(chǎng)景和不同時(shí)間對(duì)配電網(wǎng)電能質(zhì)量的不同需求，通過聚類方法將預(yù)警對(duì)象分為若干類，利用同一類中某項(xiàng)電能質(zhì)量指標(biāo)的歷史數(shù)據(jù)確定預(yù)警閾值，并根據(jù)預(yù)警閾值的不同，將電能質(zhì)量從良好到嚴(yán)重分為3 個(gè)等級(jí)；該預(yù)警方法的實(shí)施可提前得到配電網(wǎng)的電能質(zhì)量情況，以便于提前采取措施，保證配電網(wǎng)的安全運(yùn)行。其次，本文提出基于BP 神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量滾動(dòng)預(yù)測(cè)方法，得到未來時(shí)刻的預(yù)測(cè)數(shù)據(jù)。該預(yù)測(cè)模型具有很強(qiáng)的非線性映射能力，預(yù)測(cè)精度較高。

1 電能質(zhì)量分級(jí)預(yù)警

傳統(tǒng)的電能質(zhì)量預(yù)警閾值設(shè)置大多采用具體限值或經(jīng)驗(yàn)值，使用的是統(tǒng)一的確定閾值，不具備靈活調(diào)整特性。國(guó)家標(biāo)準(zhǔn)中對(duì)于電能質(zhì)量穩(wěn)態(tài)指標(biāo)的限值只隨電壓等級(jí)變化，若配電網(wǎng)電能質(zhì)量預(yù)警系統(tǒng)單純依據(jù)國(guó)標(biāo)限值設(shè)定預(yù)警閾值，在一些電能質(zhì)量要求較高的區(qū)域可能會(huì)造成預(yù)警不及時(shí)而引發(fā)故障或損失；而在偏遠(yuǎn)地區(qū)等電能質(zhì)量要求不高的區(qū)域，可能由于預(yù)警閾值過低而出現(xiàn)頻繁報(bào)警而造成不必要的麻煩。

由于反映配電網(wǎng)電能質(zhì)量的指標(biāo)眾多，各指標(biāo)與配網(wǎng)所處的地理位置、氣候、經(jīng)濟(jì)水平、網(wǎng)絡(luò)結(jié)構(gòu)以及用戶負(fù)荷類型有著密不可分的聯(lián)系，其電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)也在不斷變化，因此應(yīng)根據(jù)配電網(wǎng)的不同情況（時(shí)間、地點(diǎn)等）設(shè)置不同的預(yù)警閾值。

針對(duì)上述問題，電能質(zhì)量穩(wěn)態(tài)指標(biāo)預(yù)警應(yīng)在國(guó)家規(guī)定的標(biāo)準(zhǔn)下，結(jié)合配電網(wǎng)實(shí)際運(yùn)行情況，考慮區(qū)域、時(shí)間對(duì)電能質(zhì)量的不同要求，設(shè)定配電網(wǎng)運(yùn)行常態(tài)閾值，使電能質(zhì)量預(yù)警系統(tǒng)具有“雙重標(biāo)準(zhǔn)”，可有效補(bǔ)充國(guó)標(biāo)限值確定不變的不足，使預(yù)警系統(tǒng)更加靈活。

電能質(zhì)量預(yù)警流程如圖1 所示，可分為以下步驟：

圖1 電能質(zhì)量預(yù)警流程

1）通過電能質(zhì)量監(jiān)測(cè)平臺(tái)收集配電網(wǎng)各主要節(jié)點(diǎn)監(jiān)測(cè)數(shù)據(jù)，并判斷數(shù)據(jù)完整度。

2）輸入由電能質(zhì)量國(guó)家標(biāo)準(zhǔn)與聚類法生成的預(yù)警閾值，并對(duì)監(jiān)測(cè)數(shù)據(jù)做出分級(jí)預(yù)警。

3）針對(duì)處于嚴(yán)重程度較高區(qū)域的預(yù)警對(duì)象，通過BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行預(yù)測(cè)，獲得未來一段時(shí)間內(nèi)的電能質(zhì)量指標(biāo)，判斷未來態(tài)的電能質(zhì)量情況。

4）將預(yù)測(cè)指標(biāo)輸入預(yù)警模塊，判斷其與國(guó)標(biāo)限值與預(yù)警閾值的大小，并發(fā)布相應(yīng)預(yù)警信息。

根據(jù)預(yù)警模塊中輸入的數(shù)據(jù)是原始數(shù)據(jù)還是預(yù)測(cè)數(shù)據(jù)，形成2 種預(yù)警機(jī)制：基于監(jiān)測(cè)數(shù)據(jù)的告警機(jī)制和基于預(yù)測(cè)數(shù)據(jù)的預(yù)警機(jī)制?；诒O(jiān)測(cè)數(shù)據(jù)的告警機(jī)制主要是對(duì)比監(jiān)測(cè)數(shù)據(jù)與預(yù)警閾值和國(guó)家標(biāo)準(zhǔn)值，做出預(yù)警信息，提示運(yùn)維人員及時(shí)采取治理措施；基于預(yù)測(cè)數(shù)據(jù)的預(yù)警機(jī)制，可在電能質(zhì)量指標(biāo)異?；虺瑯?biāo)前，發(fā)現(xiàn)配電網(wǎng)潛在的電能質(zhì)量問題并提前采取措施。

電能質(zhì)量預(yù)警示意圖如圖2 所示，根據(jù)某類電能質(zhì)量指標(biāo)的國(guó)家標(biāo)準(zhǔn)限值和經(jīng)模糊聚類后設(shè)置的常態(tài)預(yù)警閾值可將該類指標(biāo)分為4 個(gè)區(qū)域。A：小于國(guó)標(biāo)限值但大于常態(tài)預(yù)警閾值；B：小于國(guó)標(biāo)限值且小于常態(tài)預(yù)警閾值；C：大于國(guó)標(biāo)限值但小于常態(tài)預(yù)警閾值；D：大于國(guó)標(biāo)限值且大于常態(tài)預(yù)警閾值。

圖2 電能質(zhì)量預(yù)警示意圖

在上述預(yù)警中，如果處在B或C區(qū)域，即各電能質(zhì)量指標(biāo)低于其常態(tài)預(yù)警閾值，表明當(dāng)前的電能質(zhì)量均處在相對(duì)安全的狀態(tài)，只需對(duì)電能質(zhì)量進(jìn)行持續(xù)的監(jiān)測(cè)與指標(biāo)計(jì)算即可；如果處于D區(qū)域，則發(fā)出最高級(jí)別的預(yù)警，此時(shí)需要運(yùn)行管理人員采取相應(yīng)的措施，根據(jù)當(dāng)前電能質(zhì)量穩(wěn)態(tài)指標(biāo)數(shù)據(jù)，結(jié)合運(yùn)維工作人員的經(jīng)驗(yàn)尋找引起此電能質(zhì)量超標(biāo)事件的原因并進(jìn)行治理；如果處于A區(qū)域，則對(duì)該指標(biāo)進(jìn)行異常檢測(cè)和趨勢(shì)分析，判斷當(dāng)前的電能質(zhì)量是否存在問題以及是否需要采用相應(yīng)治理措施。

2 基于模糊聚類的電能質(zhì)量閾值設(shè)定

在國(guó)家電能質(zhì)量標(biāo)準(zhǔn)中，對(duì)電能質(zhì)量穩(wěn)態(tài)指標(biāo)的預(yù)警閾值設(shè)定有統(tǒng)一的標(biāo)準(zhǔn)，但這些標(biāo)準(zhǔn)只能判斷該項(xiàng)電能質(zhì)量穩(wěn)態(tài)指標(biāo)是否超標(biāo)；而在實(shí)際應(yīng)用中，在不同場(chǎng)景和時(shí)間對(duì)電能質(zhì)量的要求不盡相同，因而對(duì)電能預(yù)警閾值的設(shè)定也應(yīng)做出相應(yīng)變化。

聚類分析是一種數(shù)據(jù)簡(jiǎn)化技術(shù)，目的就是在相似的基礎(chǔ)上收集數(shù)據(jù)分析并分類。它將整個(gè)數(shù)據(jù)集劃分為若干個(gè)類別，把具有相似數(shù)據(jù)特征的變量組合在一起，使得同一個(gè)類別的數(shù)據(jù)有較高的相似性，而組與組之間的數(shù)據(jù)有很大的相異性。模糊聚類可在不需預(yù)先設(shè)定分類數(shù)的前提下，根據(jù)分類對(duì)象本身的屬性，通過構(gòu)造模糊矩陣來確定分類關(guān)系，其基本步驟如下：

1）數(shù)據(jù)標(biāo)準(zhǔn)化

首先確定分類對(duì)象{x1,x2,···,xn}，并確定每個(gè)對(duì)象的評(píng)價(jià)指標(biāo)，假設(shè)有m個(gè)評(píng)價(jià)指標(biāo)表示其運(yùn)行水平，即xi={xi1,xi2,···,xim},i=1,2,···,n。為使不同的數(shù)據(jù)具有相同的量綱，需對(duì)其進(jìn)行標(biāo)準(zhǔn)化，一般采用平移-極差變換：

2）建立模糊矩陣

相似系數(shù)rij的求解有很多方法，根據(jù)數(shù)據(jù)的不同性質(zhì)，可選用不同的距離指標(biāo)。相似系數(shù)的取值一般為0～1，并且相似系數(shù)越大，變量之間的相似性程度越高；反之，則越低。本文采用歐式距離法，用任意兩指標(biāo)之間的距離在一定程度上反映兩指標(biāo)之間的相似程度，即

3）動(dòng)態(tài)聚類圖的形成

采用傳遞閉包法形成動(dòng)態(tài)聚類圖：通過平方法生成模糊相似矩陣R的傳遞閉包t(R)=R′，然后通過選取合適的 λ將研究對(duì)象分類。

4）預(yù)警閾值的設(shè)置

將同一類中預(yù)警對(duì)象的算術(shù)平均值作為該類預(yù)警對(duì)象的預(yù)警閾值。

假設(shè)N個(gè)預(yù)警對(duì)象經(jīng)模糊聚類后分為n類，且有m個(gè)評(píng)價(jià)指標(biāo)，則第n類第m個(gè)指標(biāo)的預(yù)警閾值為

式中：p為第n類預(yù)警對(duì)象的個(gè)數(shù)，xim為第i個(gè)預(yù)警對(duì)象第m個(gè)指標(biāo)的值?？偨Y(jié)以上各步驟，模糊聚類法確定預(yù)警閾值可用圖3 所示的流程圖表示。

圖3 模糊聚類法確定預(yù)警閾值流程

在電能質(zhì)量預(yù)警閾值的設(shè)置過程中，根據(jù)預(yù)警對(duì)象的歷史監(jiān)測(cè)數(shù)據(jù)，首先按照不同時(shí)期（日常時(shí)期、迎峰度夏、節(jié)日保供電、災(zāi)害天氣）進(jìn)行分類；然后針對(duì)每一個(gè)時(shí)期中不同的配電網(wǎng)節(jié)點(diǎn)進(jìn)行模糊聚類，得到的不同類別即不同地區(qū)的聚類，針對(duì)不同的地區(qū)類別設(shè)置不同的預(yù)警閾值?？紤]到同類型預(yù)警對(duì)象的指標(biāo)值較為接近，故采用算術(shù)平均法來設(shè)置預(yù)警閾值，即將同類型對(duì)象某一指標(biāo)的算術(shù)平均值為該類別、該指標(biāo)的閾值，可靈活機(jī)動(dòng)的調(diào)整預(yù)警閾值，是對(duì)國(guó)家電能質(zhì)量標(biāo)準(zhǔn)的有效補(bǔ)充[14-15]。

3 基于BP神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量指標(biāo)預(yù)測(cè)

在對(duì)配電網(wǎng)進(jìn)行電能質(zhì)量分等級(jí)預(yù)警過程中，若發(fā)現(xiàn)當(dāng)前的某項(xiàng)電能質(zhì)量指標(biāo)位于A區(qū)域，則需要對(duì)該項(xiàng)電能質(zhì)量指標(biāo)進(jìn)行未來態(tài)預(yù)測(cè)，評(píng)估該項(xiàng)電能質(zhì)量指標(biāo)在接下來一段時(shí)間的發(fā)展變化趨勢(shì)。由于BP 神經(jīng)網(wǎng)絡(luò)本身具有可實(shí)現(xiàn)任何復(fù)雜非線性映射的功能，適合求解內(nèi)部機(jī)制復(fù)雜的問題，選擇BP 神經(jīng)網(wǎng)絡(luò)算法以提高預(yù)測(cè)精度。

神經(jīng)網(wǎng)絡(luò)模型是由許多相互連接的神經(jīng)元模型構(gòu)成的。一個(gè)基本的神經(jīng)元模型包括輸入、計(jì)算和輸出3 部分，一個(gè)神經(jīng)元模型可接收多路輸入量，每一個(gè)輸入量乘以一個(gè)對(duì)應(yīng)的權(quán)重再求和，得到的和加上一個(gè)偏置量，再經(jīng)過非線性函數(shù)的處理，得到的函數(shù)值就是最終的輸出量。圖4所示為三層前饋神經(jīng)網(wǎng)絡(luò)模型。

圖4 三層前饋神經(jīng)網(wǎng)絡(luò)

前饋神經(jīng)網(wǎng)絡(luò)模型中層與層之間，每一條連接的權(quán)值和每一個(gè)神經(jīng)元的基礎(chǔ)偏置量即閾值，這2 種參數(shù)是尚未確定的。通過已有的歷史數(shù)據(jù)（訓(xùn)練樣本），按照一定的學(xué)習(xí)算法不斷地更新神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，最終得到在訓(xùn)練樣本和測(cè)試樣本上均表現(xiàn)良好的神經(jīng)網(wǎng)絡(luò)模型，即訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型。

在上述訓(xùn)練過程中，將輸入數(shù)據(jù)傳遞給神經(jīng)網(wǎng)絡(luò)的輸入層，經(jīng)過隱含層和輸出層的層層處理得到輸出值，將實(shí)際輸出值與期望輸出值進(jìn)行比較得到誤差，即前向傳播。常用平均平方誤差作為衡量標(biāo)準(zhǔn)，即

BP 神經(jīng)網(wǎng)絡(luò)針對(duì)每個(gè)樣本對(duì)，前向計(jì)算一次，反向傳播一次，調(diào)整一次參數(shù)，完成一輪訓(xùn)練。對(duì)訓(xùn)練集的所有樣本對(duì)都進(jìn)行這樣的訓(xùn)練，得到訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)，進(jìn)而在驗(yàn)證集上進(jìn)行驗(yàn)證，并經(jīng)過測(cè)試集的測(cè)試，來檢驗(yàn)它的性能和泛化能力。使用BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)的程序設(shè)計(jì)流程圖如圖5 所示。

圖5 BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)流程

使用BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)的具體步驟如下：

1）數(shù)據(jù)預(yù)處理。讀取電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)，按一定比例分為學(xué)習(xí)序列和預(yù)測(cè)序列2 部分?jǐn)?shù)據(jù)。

2）構(gòu)建輸入輸出數(shù)據(jù)對(duì)。確定自回歸階數(shù)n，即由之前的n個(gè)時(shí)刻值來輸出下一時(shí)刻值，在學(xué)習(xí)序列的基礎(chǔ)上構(gòu)建出輸入輸出對(duì)。

3）建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。確定神經(jīng)網(wǎng)絡(luò)層數(shù)和隱含層神經(jīng)元個(gè)數(shù)，確定神經(jīng)網(wǎng)絡(luò)模型。

4）訓(xùn)練神經(jīng)網(wǎng)絡(luò)。對(duì)學(xué)習(xí)序列進(jìn)行劃分，分為訓(xùn)練集、驗(yàn)證集和測(cè)試集3 部分，設(shè)置訓(xùn)練參數(shù)，包括誤差目標(biāo)、學(xué)習(xí)率等，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

5）判斷模型的預(yù)測(cè)效果效果。查看模型的自相關(guān)和偏相關(guān)情況、誤差情況以及預(yù)測(cè)的序列和原序列的對(duì)比。

6）進(jìn)行電能質(zhì)量指標(biāo)的滾動(dòng)預(yù)測(cè)。利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型滾動(dòng)預(yù)測(cè)得到預(yù)測(cè)序列的預(yù)測(cè)結(jié)果。

通過上述步驟，可根據(jù)電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)對(duì)未來一段時(shí)間內(nèi)的電能質(zhì)量指標(biāo)進(jìn)行預(yù)測(cè)，其模型清晰、結(jié)構(gòu)簡(jiǎn)單、計(jì)算量小。

4 電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)算例分析

4.1 實(shí)際算例

算例1：數(shù)據(jù)是選取某市不同地區(qū)（工業(yè)區(qū)、城市居民區(qū)、農(nóng)村）配電網(wǎng)工作日10 kV 供電母線的電壓總諧波畸變率數(shù)據(jù)，共收集5 條母線A、B、C 三相出線連續(xù)一周的數(shù)據(jù)；

算例2：數(shù)據(jù)是選取某市不同地區(qū)配電網(wǎng)（工業(yè)區(qū)、城市居民區(qū)、農(nóng)村）工作日35 kV 供電母線的電壓偏差數(shù)據(jù)，共收集11 條母線A、B、C 三相出線連續(xù)一周的數(shù)據(jù)。數(shù)據(jù)采集的時(shí)間間隔均為15 min，即1 h內(nèi)收集4 個(gè)數(shù)據(jù)。

表1 和2 分別給出算例1 和2 中不同供電母線在上述數(shù)據(jù)收集期間的95%概率值。

表1 10 kV 母線電壓總諧波畸變率95%概率值%

表2 35 kV 母線電壓偏差95%概率值%

4.2 預(yù)警閾值設(shè)置及預(yù)警結(jié)果

4.2.1 算例1 結(jié)果分析

對(duì)算例1 中的5 條10 kV 母線的A、B、C 三相電壓總諧波畸變率進(jìn)行模糊聚類，得到動(dòng)態(tài)聚類結(jié)果如圖6 所示。

圖6 諧波畸變率動(dòng)態(tài)聚類圖

由圖6 可得，當(dāng)取 λ=0.707 4 進(jìn)行聚類劃分，5 條10 kV 供電三相出現(xiàn)被劃分為3 類，第1 類：{母線1-A、B、C 相、母線5-A、B、C 相}；第2 類：{母線2-A、B、C 相}；第3 類：{母線3-A、B、C 相、母線4-A、B、C 相}。

基于各母線電能質(zhì)量指標(biāo)中的電壓總諧波畸變率，根據(jù)上述分組對(duì)不同類型的母線進(jìn)行預(yù)警閾值的設(shè)置，其中取每一類中各條母線三相95%概率值的平均值作為該類母線的預(yù)警閾值，超過所設(shè)的預(yù)警閾值就會(huì)報(bào)警。預(yù)警閾值設(shè)置如表3所示。

表3 10 kV 母線電壓總諧波畸變率預(yù)警閾值

分析第1 類和第2 類預(yù)警閾值發(fā)現(xiàn)，第1 類中供電母線的負(fù)荷大多為居民用電負(fù)荷，其諧波總畸變率相對(duì)略??；而第2 類母線的供電母線的負(fù)荷為工業(yè)區(qū)負(fù)荷。由結(jié)果可知，本文所提方法在預(yù)警閾值設(shè)置時(shí)可考慮不同地區(qū)的要求，避免了國(guó)標(biāo)限值統(tǒng)一不變的不足。

針對(duì)所預(yù)警的母線4 和母線5 中的A 相供電線路，選取某一天中的16∶00—18∶00 的監(jiān)測(cè)數(shù)據(jù)，使用上述設(shè)置的預(yù)警閾值進(jìn)行預(yù)警，其預(yù)警結(jié)果如表4 所示，表中的數(shù)值1 表示報(bào)警，0 表示不報(bào)警。

表4 10 kV 母線總諧波畸變率預(yù)警結(jié)果

從上述結(jié)果可以看出，針對(duì)該預(yù)警時(shí)段內(nèi)的電壓諧波畸變率數(shù)據(jù)，若按照國(guó)家電能質(zhì)量標(biāo)準(zhǔn)，則均不報(bào)警。但對(duì)于第1 類預(yù)警類別中的母線5，若采用本文的方法，在國(guó)家電能質(zhì)量標(biāo)準(zhǔn)的基礎(chǔ)上設(shè)置了更符合該類母線的預(yù)警閾值，即該用戶對(duì)該處供電電能質(zhì)量要求較高時(shí)，預(yù)警的結(jié)果是部分時(shí)刻的指標(biāo)超過所設(shè)閾值，屬于A區(qū)域，說明此時(shí)的電能質(zhì)量指標(biāo)不同于以往的情況，需進(jìn)行較低等級(jí)的預(yù)警，此時(shí)需要對(duì)該處線路多加關(guān)注，并對(duì)該母線的該項(xiàng)電能質(zhì)量指標(biāo)進(jìn)行預(yù)測(cè)，校驗(yàn)未來時(shí)刻是否會(huì)出現(xiàn)更加嚴(yán)重的電能質(zhì)量問題，避免漏報(bào)警現(xiàn)象的發(fā)生，更符合實(shí)際應(yīng)用需求。

4.2.2 算例2 結(jié)果分析

同樣，使用上述方法對(duì)算例2 進(jìn)行聚類分析并確定預(yù)警閾值，當(dāng)選取λ=0.799 5進(jìn)行聚類劃分，11 條35 kV 供電母線可被劃分為5 類，即第1 類：{母線1、母線2、母線6、母線9}；第2 類：{母線3、母線4、母線5}；第3 類：{母線10、母線11}；第4 類：{母線7}；第5 類：{母線8}。各類的預(yù)警閾值如表5 所示。

表5 35 kV 母線電壓偏差預(yù)警閾值

針對(duì)所預(yù)警的11 條母線中，選取母線7 和母線10，某一天中10∶00—14∶00 的監(jiān)測(cè)數(shù)據(jù)，使用上述設(shè)置的預(yù)警閾值進(jìn)行預(yù)警，結(jié)果如表6所示。

表6 35 kV 母線電壓偏差預(yù)警結(jié)果

從表中的監(jiān)測(cè)數(shù)據(jù)可看出，針對(duì)該預(yù)警時(shí)間段內(nèi)的電壓偏差數(shù)據(jù)，若按照國(guó)家電能質(zhì)量標(biāo)準(zhǔn)（35 kV 電壓偏差限值一般為上下5%），母線7 和8 均會(huì)出現(xiàn)報(bào)警情況，而母線10 符合標(biāo)準(zhǔn)，不會(huì)出現(xiàn)報(bào)警。若采用本文的方法，對(duì)于母線7 來說，此時(shí)的電能質(zhì)量指標(biāo)處于C區(qū)域，不會(huì)出現(xiàn)報(bào)警，適合于對(duì)電能質(zhì)量要求較低的線路。縱觀母線7 長(zhǎng)時(shí)間的監(jiān)測(cè)數(shù)據(jù)，該母線的電壓偏差數(shù)據(jù)一直穩(wěn)定在一個(gè)很高的水平，即說明本線路此時(shí)刻并沒有險(xiǎn)情，可推斷本線路處于電能質(zhì)量要求較低的區(qū)域。若使用本文的方法對(duì)母線10 進(jìn)行預(yù)警，預(yù)警的結(jié)果是部分時(shí)刻的指標(biāo)超過所設(shè)閾值，即屬于A區(qū)域，說明此時(shí)的電能質(zhì)量指標(biāo)不同于以往的情況，需對(duì)該母線進(jìn)行較低等級(jí)的預(yù)警，此時(shí)需要對(duì)該處線路多加關(guān)注，并對(duì)該母線的該項(xiàng)電能質(zhì)量指標(biāo)進(jìn)行預(yù)測(cè)，查看在未來時(shí)刻是否會(huì)出現(xiàn)更加嚴(yán)重的電壓偏差。

4.3 基于BP 神經(jīng)網(wǎng)絡(luò)的電壓偏差預(yù)測(cè)結(jié)果

由于算例2 中母線8 在10∶00—12∶00，電壓偏差一直處于較高水平，不同于以往時(shí)刻的常態(tài)，故本小節(jié)使用BP 神經(jīng)網(wǎng)絡(luò)對(duì)12∶00 以后的電壓偏差進(jìn)行預(yù)測(cè)。通過預(yù)測(cè)結(jié)果了解未來時(shí)刻是否會(huì)出現(xiàn)更高的電壓偏差，以此來判斷該母線是否會(huì)出現(xiàn)更嚴(yán)重的電壓不合格現(xiàn)象。

在預(yù)測(cè)未來時(shí)刻電壓偏差的BP 神經(jīng)網(wǎng)絡(luò)算法中，使用預(yù)測(cè)時(shí)刻之前的一天采集數(shù)據(jù)作為樣本數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)模型的建立，其中樣本數(shù)據(jù)的75%作為模型訓(xùn)練集，樣本數(shù)據(jù)的25%作為模型測(cè)試集，當(dāng)測(cè)試集上的預(yù)測(cè)誤差達(dá)到一定的精度要求時(shí)，方可停止訓(xùn)練并對(duì)未來時(shí)刻的電壓偏差進(jìn)行預(yù)測(cè)。

在本算例中，使用前一天12∶00 至當(dāng)天12∶00的監(jiān)測(cè)數(shù)據(jù)作為樣本輸入，其樣本數(shù)據(jù)的變化趨勢(shì)如圖7 所示。在進(jìn)行模型建立時(shí)，在測(cè)試集上的預(yù)測(cè)值與真實(shí)值的比較，如表7 所示，測(cè)試集上的平均誤差為2.29%，即說明模型訓(xùn)練結(jié)果良好，可用來進(jìn)行未來時(shí)刻的預(yù)測(cè)。

圖7 樣本數(shù)據(jù)變化趨勢(shì)

表7 測(cè)試集上真實(shí)值與預(yù)測(cè)值比較表

在預(yù)測(cè)模型建立的運(yùn)算復(fù)雜性方面，將本文所提的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法與灰色預(yù)測(cè)相比較，前者模型建立所用時(shí)間為12.11 s，后者為15.64 s，可見BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法在計(jì)算時(shí)間上具有一定優(yōu)勢(shì)。

基于所得到的預(yù)測(cè)模型，用于預(yù)測(cè)未來10 個(gè)時(shí)間點(diǎn)的電壓偏差數(shù)據(jù)，即預(yù)測(cè)未來2.5 h 內(nèi)的電壓偏差數(shù)據(jù)。在預(yù)測(cè)未來態(tài)指標(biāo)時(shí)，BP 神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)一次所用時(shí)間為1.108 2 s，而灰色理論預(yù)測(cè)一次時(shí)間為1.591 8 s，所需時(shí)間均較短，都滿足預(yù)測(cè)和預(yù)警的要求。

將BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與傳統(tǒng)的灰色預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行比較，其結(jié)果如圖8 所示。從圖中可以看出一階灰色預(yù)測(cè)模型預(yù)測(cè)的結(jié)果基本為一條平滑的直線，在實(shí)際數(shù)據(jù)的均值附近，不能準(zhǔn)確地預(yù)測(cè)出數(shù)據(jù)的變化趨勢(shì)，預(yù)測(cè)誤差值較大，預(yù)測(cè)效果較差。而BP 神經(jīng)網(wǎng)絡(luò)模型在較大的數(shù)據(jù)集上預(yù)測(cè)效果較好，精度更高。

圖8 未來時(shí)刻預(yù)測(cè)值

通過圖8 可看出，該條母線的電壓偏差數(shù)據(jù)在未來2.5 h 內(nèi)基本穩(wěn)定在當(dāng)前水平并呈現(xiàn)出下降趨勢(shì)，說明該條母線未來時(shí)刻不會(huì)出現(xiàn)更嚴(yán)重的電壓偏差現(xiàn)象。綜合分析，可以推斷由于此時(shí)間段內(nèi)負(fù)荷處在較低水平，從而導(dǎo)致電壓偏差出現(xiàn)高于平常時(shí)刻的現(xiàn)象，此時(shí)只需對(duì)該條母線多加關(guān)注，避免漏報(bào)警現(xiàn)象發(fā)生。

5 結(jié)論

1）本文提出的配電網(wǎng)電能質(zhì)量分級(jí)預(yù)警方法，考慮了不同場(chǎng)景和時(shí)間對(duì)電能質(zhì)量的不同要求，可根據(jù)配電網(wǎng)運(yùn)行環(huán)境的不同，動(dòng)態(tài)地設(shè)定預(yù)警閾值，避免了以往國(guó)家標(biāo)準(zhǔn)中對(duì)電能質(zhì)量限值的不變性，更加符合電網(wǎng)運(yùn)行的實(shí)際情況。

2）本文所提的基于BP 神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量穩(wěn)態(tài)指標(biāo)預(yù)測(cè)方法，具有較高的準(zhǔn)確性，預(yù)測(cè)誤差小于5%。

通過2 個(gè)實(shí)例分析可知，本文提出的電能質(zhì)量預(yù)警與預(yù)測(cè)方法，可將配電網(wǎng)電能質(zhì)量等級(jí)化，使運(yùn)維人員及時(shí)或提前發(fā)現(xiàn)配電網(wǎng)中潛在的風(fēng)險(xiǎn)，保證配電網(wǎng)安全、經(jīng)濟(jì)運(yùn)行。