CN112528762A - 一种基于数据关联分析的谐波源识别方法 - Google Patents

Abstract

本发明涉及一种基于数据关联分析的谐波源识别方法，包括步骤：获取一段时间内公共连接点PCC的谐波电压与各条馈线的谐波电流数据，并生成波形，进行谐波源的初步定位；分别对谐波电压和谐波电流进行分段聚类分析，输出聚类分析结果；将谐波电压与各组谐波电流的各段聚类结果进行对比，从整体上判定各馈线谐波电流与谐波电压的相似程度，选取相似程度最高的作为判定的谐波源；比对判定的谐波源与初步定位的谐波源是否一致，若一致，则谐波源定位成功。本发明不依赖电网参数及模型，同时不受其他条件影响，计算过程更简单，计算量更少，速度更快，能快速识别谐波源。

Description

一种基于数据关联分析的谐波源识别方法

技术领域

本发明涉及谐波源定位技术领域，特别是一种基于数据关联分析的谐波源识别方法。

背景技术

如何准确定位与识别谐波源，是研究电能质量过程中的一个关键性问题。电力系统谐波问题的影响越来越大，如果不能正确地判定各谐波源的位置并具体地划分谐波责任，就不能分清谁是谐波的污染源，谁是受害者，因而谐波的奖惩机制也就无法实现，更不用说公平有效了。然而，传统的谐波源识别方法由于各种因素而有一定局限性，无法快速且准确地识别定位复杂电网中的谐波源，因此研究新的谐波源识别方法就具有极其重要的理论意义、经济效益和技术价值。随着各种新型电力装置的大量应用而诞生的电力数据分析学已经演变成电能质量研究领域的一个崭新的方向。电力数据蕴含了大量历史信息，根据这些动态的数据能推算出系统的各种状态信息，能为谐波源识别和责任划分提供坚实的数据基础。该发明专利就是在数据关联分析的背景下，提出采用改进后的K-means聚类法来对比分析谐波电压与电流之间的相似性，并以此来识别定位谐波源。经过大量实际数据对比分析得，利用K-means聚类法来分析公共点的谐波电压与用户的谐波电流之间的相似性，可以正确识别定位谐波源，并且这种方法的过程更简单，计算量更少，速度更快，能快速准确地识别谐波源。

国内外传统的谐波源识别方法大致分为两大类：

(1)功率法。如：有功功率方向法、无功功率方向法、同步测量判别法、临界阻抗法和无功功率变化法。由于受谐波源间相位差影响较大，有功功率方向法在谐波源识别过程中会产生一定误差，所以仅用于单个谐波源的情况；而无功功率方向法不仅受电压源幅值大小的影响，还和谐波阻抗有关，所以其准确率不高；同步测量判别法虽然不受谐波阻抗影响，但必须已知功角的准确值，而功角又因为受测量系统延时等因素而难以准确测量，因此其应用不广；由于测量误差较大，临界阻抗识别法的准确率并不高；无功功率变化法虽不需已知谐波阻抗，但该方法只能定性分析谐波源方向，而无法定量分析。

(2)谐波阻抗法。包括：微分方程法、最小二乘法、波动量法和线性回归法。其中，微分方程法因为在复杂网络中只能识别局部支路的谐波源而难以实际应用；最小二乘法能很好地区分线性和非线性负荷，但无法解决多谐波源情况下的责任区分问题；波动量法和线性回归法在负荷侧存在谐波源时不能判断出谐波源的具体位置。一般来说，谐测量波阻抗是在扰动情况下进行的，但实际情况下的扰动随机性很强，因此难以估算谐波阻抗。第一种方法主要是定性分析，第二种方法则主要是定量分析。其中，功率法相对更简便直观，因此应用更广泛。

后来又出现了许多新的方法，相比于传统方法更加完善，例如：灵敏度法、基于人工神经网络的方法、电流矢量法、参考阻抗法、基于卡尔曼滤波器的方法、基于相量测量单元(PMU)的方法和基于奇异值分解(SVD)的方法。基于人工神经网络的方法具有同时处理大规模数据的能力和自主学习的能力，但其是一种新兴的谐波源定位方法，技术实现尚需完善；电流矢量法需已知谐波阻抗，且没有考虑谐波阻抗的变化，所以实际应用较困难；参考阻抗法的结果误差可能较大。

如今，出现了一些更为高效的方法：基于互信息的、基于复合判据的以及基于数据关联分析的谐波源识别方法。这些新方法相比于传统方法，思路更清晰、结果更准确、计算更简单，不仅弥补了传统方法的不足之处，还能适用于复杂网络中，其判断结果的可信性也更强。其中，基于数据关联分析的方法正逐渐崭露头角，愈受欢迎，也更加高效。虽然目前从分析谐波数据相似性的角度来识别定位谐波源和划分谐波责任的研究资料并不多，但不可否认的是，基于数据关联分析的方法的前景非常广阔，是目前乃至今后谐波治理领域的主流方向。

现有技术的缺点如下：

1.现有技术受谐波源间相位差、电压源幅值大小、谐波阻抗、功率因数角的准确性等因素的影响较大，因此在识别谐波源过程中会产生一定误差，其结果的准确率不高，导致其应用不广。

2.现有技术需要已知详细的网络参数和准确的拓扑结构，但实际工程中由于系统模型的近似以及网络参数的匮乏，会导致估计结果产生较大的误差。

3.现有技术在复杂网络下无法很好地实现其效果，在多谐波源的情况下无法解决责任区分问题，不能判断出谐波源的具体位置，无法消除随机性扰动带来的影响。

4.现有技术的计算复杂，计算过程繁杂，运算量很大,矩阵求解困难,测量投资成本高；中间参数较多，对储存空间需求大，同时增加了计算时间，降低计算速度，无法快速实现谐波源的识别定位。

发明内容

有鉴于此，本发明的目的是提出一种基于数据关联分析的谐波源识别方法，不依赖电网参数及模型，同时不受其他条件影响，计算过程更简单，计算量更少，速度更快，能快速识别谐波源。

本发明采用以下方案实现：一种基于数据关联分析的谐波源识别方法，具体包括以下步骤：

获取一段时间内公共连接点PCC的谐波电压与各条馈线的谐波电流数据，并生成波形，进行谐波源的初步定位；

分别对谐波电压和谐波电流进行分段聚类分析，输出聚类分析结果；

将谐波电压与各组谐波电流的各段聚类结果进行对比，从整体上判定各馈线谐波电流与谐波电压的相似程度，选取相似程度最高的作为判定的谐波源；

比对判定的谐波源与初步定位的谐波源是否一致，若一致，则谐波源定位成功。

进一步地，所述进行谐波源的初步定位具体为：

对比PCC的谐波电压波形与各条馈线的谐波电流波形之间的相似性，选取相似性最高的馈线作为初步定位的谐波源。

进一步地，所述分别对谐波电压和谐波电流进行分段聚类分析，输出聚类分析结果具体为：

分别将谐波电压和谐波电流进行分段；对每段数据进行改进聚类分析，输出各段的聚类中心和每一类数据所占百分比。

进一步地，所述对每段数据进行改进聚类分析具体为：

将每段数据作为输入样本集，设置聚类簇数；

将样本数据进行归一化处理，并初始化k个聚类中心，聚类中心进行排序；

计算每个数据到各聚类中心的距离，并将每个数据分配到与其距离最近的类中；

重新计算各类的中心，若收敛，则输出聚类结果，否则重新计算每个数据到各聚类中心的距离。

进一步地，所述将谐波电压与各组谐波电流的各段聚类结果进行对比，从整体上判定各馈线谐波电流与谐波电压的相似程度，选取相似程度最高的作为判定的谐波源具体为：

对每组谐波电流，比较各段的聚类中心数值与PCC谐波电压各段的聚类中心的相似度，以及比较各段的各类数据量所占百分比与PCC谐波电压各段的各类数据量所占百分比；选择两种相似度均最高的那组谐波电流所对应的馈线作为判定的谐波源。

本发明提供了一种基于数据关联分析的谐波源识别系统，包括存储器、处理器以及存储在存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文所述的方法步骤。

本发明还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文所述的方法步骤。

与现有技术相比，本发明有以下有益效果：

1、本发明只针对谐波数据变化规律而不受其他因素影响，也不需知道详细的网络参数数据和拓扑结构，克服了误差较大的缺点，为谐波源识别提供了一条新的道路。

2、本发明在对比数据之间的相似性时只需对比聚类中心和百分比两个参数，同时没有中间参数形成，计算简单，过程简化，运算量不大，收敛速度快，能够快速完成谐波相关数据的计算。

3、本发明提出了采用K-means聚类法来分析谐波电压与谐波电流之间的相似性从而识别定位谐波源，属于电力系统谐波分析和数据关联分析领域，针对电力系统谐波的历史数据，利用聚类法这种数据分析方法来研究谐波数据之前的本质联系，挖掘谐波数据内在的波动情况，通过相关性分析识别出谐波源所在，为电力系统谐波源识别与定位提供了一种快速且准确的新思路。

4、本发明针对普通K-means聚类法输出的参数结果不适合进行相似性对比的情况，对其做了归一化、有序化以及计算百分比三个方面的改进。改进之后的K-means聚类法输出的结果参数有两部分，一部分是都处于0～1之间的有序的聚类中心，另一部分是各个簇类的数据量及其所占总数据量的百分比。经过实际数据验证得，经过改进的K-means聚类法的输出结果能够很理想很直观地说明数据之间的相似性，更适用于数据关联分析.

5、本发明针对普通K-means聚类法的一维性与谐波数据的二维性的矛盾，将数据时间分段，通过分段一一对比数据之间的相似性从而判定总体的相似性，即人为地给该聚类法的数据加上时间性，解决了普通聚类法与谐波数据之前的维度冲突导致的误差和可信度低的问题。

附图说明

图1为本发明实施例的方法原理示意图。

图2为本发明实施例的改进K-meas聚类方法流程示意图。

图3为本发明实施例的PCC点4月2日5次谐波电压波形。

图4为本发明实施例的李铁线4月2日5次谐波电流波形。

图5为本发明实施例的李西线4月2日5次谐波电流波形。

图6为本发明实施例的李碑线4月2日5次谐波电流波形。

图7为本发明实施例的李后线4月2日5次谐波电流波形。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例提供了一种基于数据关联分析的谐波源识别方法，具体包括以下步骤：获取一段时间内公共连接点PCC的谐波电压与各条馈线的谐波电流数据，并生成波形，进行谐波源的初步定位；分别对谐波电压和谐波电流进行分段聚类分析，输出聚类分析结果；将谐波电压与各组谐波电流的各段聚类结果进行对比，从整体上判定各馈线谐波电流与谐波电压的相似程度，选取相似程度最高的作为判定的谐波源；比对判定的谐波源与初步定位的谐波源是否一致，若一致，则谐波源定位成功。

经过大量实际数据对比分析得，利用K-means聚类法来分析公共点的谐波电压与用户的谐波电流之间的相似性，可以正确识别定位谐波源；并且这种方法只针对谐波数据变化规律，不依赖电网参数及模型，同时不受其他条件影响，计算过程更简单，计算量更少，速度更快，能快速识别谐波源，克服了现有技术的缺点。

在本实施例中，所述进行谐波源的初步定位具体为：对比PCC的谐波电压波形与各条馈线的谐波电流波形之间的相似性，选取相似性最高的馈线作为初步定位的谐波源。

本实施例主要采用聚类法来判别各条馈线的谐波电流与PCC点的谐波电压之间的相似度高低。由诺顿等效电路可知，谐波电压与各馈线的谐波电流成线性相关。基于数据关联分析的谐波源识别方法提出了一种理论：如果PCC点的谐波电压数据与某条馈线的谐波电流数据极其相似，那么就认为谐波源可能在这条馈线上。而聚类法是依据研究对象的特征，对其进行分类的方法。聚类分析简单且直观，聚类法输出的结果是簇的集合，表现了该组数据的特征。因此可以将谐波电压和电流分别进行聚类分析，然后对比各组数据的聚类输出结果，来判断各馈线的谐波电流与谐波电压的相似程度，并以此来定位可能的谐波源。另外，由于K-means聚类法采用的数据是一维的，无法体现数据的随时间的增减性，然而谐波数据是二维的，其时间性是不可忽略的，否则对比出来的相似性就没有意义，也不具备可信性；因此本实施例通过将数据时间分成若干段，然后分段进行相似性对比，最后综合考虑所有时间段的相似性来判定整组数据之间是否存在相似性，以此来定位可能的谐波源。

在本实施例中，所述分别对谐波电压和谐波电流进行分段聚类分析，输出聚类分析结果具体为：分别将谐波电压和谐波电流进行分段；对每段数据进行改进聚类分析，输出各段的聚类中心和每一类数据所占百分比。

在本实施例中，如图2所示，所述对每段数据进行改进聚类分析具体为：

将每段数据作为输入样本集，设置聚类簇数；

将样本数据进行归一化处理，并初始化k个聚类中心，聚类中心进行排序；

计算每个数据到各聚类中心的距离，并将每个数据分配到与其距离最近的类中；

重新计算各类的中心，若收敛，则输出聚类结果，否则重新计算每个数据到各聚类中心的距离。

关于改进聚类算法，本实施例提出，由于K-means聚类法在选择初始的聚类中心向量时，是随机选择k个样本，即意味着这k个聚类中心是无序的，那么最终聚类输出结果中的k个聚类中心仍是无序的。而对比两组数据的聚类输出结果时，需要对比各类的聚类中心是否相似，如果聚类中心是无序的，那么无疑会给对比带来麻烦与误差。考虑到这点，在随机选择初始聚类中心之后，将其排序，由此得到的最终聚类中心结果即是有序的，这样就使得对比两组数据更为方便合理。同时，由于各组数据都不同，有电压也有电流，有高峰时期也有低谷时期，因此它们的幅值都不近相同，小至零点几的电压数据，大至上千的有功数据。而若数据幅值整体水平差异较大，那么其聚类中心的幅值也会有较大差异，如此在对比输出结果时，因其量级不在同一水平上而没有可对比性。因此，在输入样本集之后，利用归一化方法，将所有数据都归一化到0至1之间，这样，所有数据幅值大小都在同一水平上，其输出结果也就有了可对比性。另外，由于普通聚类法输出的结果为聚类中心以及各个数据所属的类别，聚类中心经过上述两种改进已经有了可对比性，而各类的数据量却无法对比。因此，需要统计各类数据总数来进行对比。但又考虑到，所采集到的每组数据的总量并不相同，因而对于每一类来说，各组的数据量也是千差万别，无法进行对比。因此，对各类数据进行统计并计算其百分比。总量不同时，各部分的量也就无法对比，但各部分的百分比却有可对比性。综上，经过改进的聚类算法更适合于对比分析两组数据的相似性，一是对比输出的聚类中心数值是否相近，二是对比各类数据量所占百分比是否相近。如果聚类中心和百分比都很相近，也就意味着这两组数据很相似。改进后的完整的K-means聚类法流程图见图2。

在本实施例中，所述将谐波电压与各组谐波电流的各段聚类结果进行对比，从整体上判定各馈线谐波电流与谐波电压的相似程度，选取相似程度最高的作为判定的谐波源具体为：对每组谐波电流，比较各段的聚类中心数值与PCC谐波电压各段的聚类中心的相似度，以及比较各段的各类数据量所占百分比与PCC谐波电压各段的各类数据量所占百分比；选择两种相似度均最高的那组谐波电流所对应的馈线作为判定的谐波源。

本实施例提供了一种基于数据关联分析的谐波源识别系统，包括存储器、处理器以及存储在存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文所述的方法步骤。

本实施例还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文所述的方法步骤。

特别的，本实施例以一具体实例进行说明。

本实施例电压数据取李铁线、李西线、李后线和李碑线所在的PCC点5次谐波电压含有率的A相95％概率值，取2019年4月2日一天内的数据；而电流数据不论是位置、类型，还是时间，都应与电压数据保持一致，否则，二者的数据对比就没有意义。因此，电流数据取李铁线、李西线、李后线和李碑线共四条馈线的5次谐波电流有效值的A相95％概率值，同样，一天的数据应取4月2日。每个数据点的间隔为3分钟。基于4月2日的数据，各组谐波电压电流的波形如图3～图7所示。由图3～图7各组谐波电压电流波形图可知，各组馈线的谐波电流中，只有一组李铁线与谐波电压极其相似。由此可以初步判定，李铁线可能存在谐波源。经过大量数据计算，k取4时，结果最好。本实施例将各组数据平均分为4段做聚类分析，进一步验证结果，输出结果表1。

表1谐波电压电流4月2日数据聚类输出结果

由表1大量数据对比分析可知，四条馈线中只有李铁线的谐波电流聚类输出结果与PCC点谐波电压各段都一一对应相似，即总体是相似的。也就是说，根据聚类分析的结果可得，只有一处可能的谐波源，位于李铁线，与波形对比的结果一致。由此可见，本实施例能够快速准确地判断出谐波源。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (7)

1.一种基于数据关联分析的谐波源识别方法，其特征在于，包括以下步骤：

获取一段时间内公共连接点PCC的谐波电压与各条馈线的谐波电流数据，并生成波形，进行谐波源的初步定位；

分别对谐波电压和谐波电流进行分段聚类分析，输出聚类分析结果；

将谐波电压与各组谐波电流的各段聚类结果进行对比，从整体上判定各馈线谐波电流与谐波电压的相似程度，选取相似程度最高的作为判定的谐波源；

比对判定的谐波源与初步定位的谐波源是否一致，若一致，则谐波源定位成功。

2.根据权利要求1所述的一种基于数据关联分析的谐波源识别方法，其特征在于，所述进行谐波源的初步定位具体为：

对比PCC的谐波电压波形与各条馈线的谐波电流波形之间的相似性，选取相似性最高的馈线作为初步定位的谐波源。

3.根据权利要求1所述的一种基于数据关联分析的谐波源识别方法，其特征在于，所述分别对谐波电压和谐波电流进行分段聚类分析，输出聚类分析结果具体为：

分别将谐波电压和谐波电流进行分段；对每段数据进行改进聚类分析，输出各段的聚类中心和每一类数据所占百分比。

4.根据权利要求3所述的一种基于数据关联分析的谐波源识别方法，其特征在于，所述对每段数据进行改进聚类分析具体为：

将每段数据作为输入样本集，设置聚类簇数；

将样本数据进行归一化处理，并初始化k个聚类中心，聚类中心进行排序；

计算每个数据到各聚类中心的距离，并将每个数据分配到与其距离最近的类中；

重新计算各类的中心，若收敛，则输出聚类结果，否则重新计算每个数据到各聚类中心的距离。

5.根据权利要求1所述的一种基于数据关联分析的谐波源识别方法，其特征在于，所述将谐波电压与各组谐波电流的各段聚类结果进行对比，从整体上判定各馈线谐波电流与谐波电压的相似程度，选取相似程度最高的作为判定的谐波源具体为：

对每组谐波电流，比较各段的聚类中心数值与PCC谐波电压各段的聚类中心的相似度，以及比较各段的各类数据量所占百分比与PCC谐波电压各段的各类数据量所占百分比；选择两种相似度均最高的那组谐波电流所对应的馈线作为判定的谐波源。

6.一种基于数据关联分析的谐波源识别系统，其特征在于，包括存储器、处理器以及存储在存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-5任一项所述的方法步骤。

7.一种计算机可读存储介质，其特征在于，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-5任一项所述的方法步骤。

Images