一种基于下级用户行业特性的变电站暂降敏感度分级方法

摘要

一种基于下级用户行业特性的变电站暂降敏感度分级方法，包括以下步骤：S1确定待分析区域内各变电站下级用户所包含的行业类型，并设置各行业的敏感系数；S2输入待分析区域电网内各变电站的基础数据即下级用户各行业的负荷比例；S3运用模糊C均值(FCM)聚类算法对各变电站进行聚类，根据分析的需求在确定分类数后输出聚类结果；S4以每类变电站的聚类中心作为基准，结合各行业的敏感系数计算各类变电站的暂降敏感度；S5依据敏感度大小得出的序列将区域电网内变电站划分为相应的等级。本发明可对暂降敏感度进行变电站层面的分析，且工作量少切合实际，解决了负荷多样性综合反映变电站的暂降敏感度的问题。

说明书

技术领域

本发明涉及一种基于下级用户行业特性的变电站暂降敏感度分级方法。

背景技术

变电站的暂降敏感度是指变电站下的全体负荷对电压暂降问题的敏感程度， 即变电站承受电压暂降现象时其下级负荷能承受干扰仍正常工作的能力，这种能 力越低，敏感度也就越高。

近年来，随着科技的发展，敏感电力电子设备的被广泛应用、以及诸如半导 体制造、计算机集成制造等新型电力敏感负荷的出现，对供电的电能质量提出了 更高的要求，这使得电压暂降问题受到了广泛的关注，其已经逐渐成为对用户影 响最大的电能质量问题之一。

电压暂降的影响范围广，造成的经济损失大，对区域电网内大量变电站的电 压暂降敏感度进行分级，有利于发现对电压暂降现象敏感的变电站及区域，实现 对出现大范围电压暂降现象造成影响进行预估，同时也对预防区域电网由电压暂 降引发重大事故有着重要的意义。

对区域电网内变电站的电压暂降敏感度进行分级需要对各分析对象即变电站 的整体敏感度进行评估，并依据一定的规则将全部变电站根据对暂降的敏感程度 大小划分为相应的等级。

目前关于电压暂降敏感度的分析方法大多都只是对单一电气设备的电压暂降 敏感度进行评估，而对于变电站的负荷整体敏感度进行分析目前尚没有明确的手 段。要从变电站层面对下级负荷的整体敏感度进行分析主要面临以下三方面问题， 也是变电站暂降敏感度分级实用化的关键性难题：1)变电站暂降敏感度取决于下 级用户的整体特性，难以运用目前对单一电气设备的敏感度评估方法来进行变电 站层面的分析；2)变电站数目众多，且每个变电站下级用户的地域分布非常广 泛，若采取详尽地调研统计方法去评估每个变电站对电压暂降的敏感程度将导致 工作量巨大且不切实际；3)用户使用的电气设备不同，对电压暂降的敏感度也存 在巨大的差异，负荷的多样性导致了不同的变电站的下级用户行业特性各异，如 何由下级用户的敏感特性来综合反映变电站的暂降敏感度目前尚没有理论方法。

发明内容

本发明所要解决的技术问题，就是提供一种变电站暂降敏感度分级方法，更 准确地说，就是提供一种基于下级用户行业特性的变电站暂降敏感度分级方法， 其可对暂降敏感度进行变电站层面的分析，且工作量少切合实际，解决了负荷多 样性综合反映变电站的暂降敏感度的问题。

解决上述技术问题，本发明采用以下技术方案：

一种基于下级用户行业特性的变电站暂降敏感度分级方法，其特征是包括以 下步骤：

S1确定待分析区域内各变电站下级用户所包含的行业类型，并设置各行业 的敏感系数；

S2输入待分析区域电网内各变电站的基础数据即下级用户各行业的负荷 比例；

S3运用模糊C均值(FCM)聚类算法对各变电站进行聚类，根据分析的需 求在确定分类数后输出聚类结果；

S4以每类变电站的聚类中心作为基准，结合各行业的敏感系数计算各类变 电站的暂降敏感度；

S5依据敏感度大小得出的序列将区域电网内变电站划分为相应的等级。

所述的步骤S1具体为：

设有m个行业类型，各行业的敏感系数分别为α₁，α₂，…，α_m，得到行业敏 感系数向量A＝[α₁，α₂，…，α_m]^T；

其中各行业的敏感系数取值按下述：

电子、电器、计算机制造、通信、机械、精密器械、塑胶、玻璃、五金、化 工、医药、交通运输为影响程度严重的一级行业，敏感系数为3；

食品、服装、制鞋、皮具、玩具、印刷、家具、造纸、纺织、农产品加工行 业为影响程度一般的二级行业，敏感系数为2；

服务业、商贸、会展、物流、房地产、第三产业为影响程度不明显的三级行 业，敏感系数取值1。

所述的步骤S2具体为：

设待分析区域电网内变电站的数目为n，以供电企业的用户侧信息管理作为 基础形成各变电站下级用户各行业的负荷比例，输入待分析的各变电站的基础数 据即下级用户各行业的负荷比例，形成原始数据矩阵X＝(x_ij)_n×m，其中x_ij为第i个 变电站的第j种行业的负荷占比。

所述的步骤S3包括以下子步骤：

S3-1，根据分析的需求确定分类数C，即根据下级用户负荷比例分类后的变 电站类型数；

S3-2，初始化随机生成的隶属矩阵U；

S3-3，计算C个聚类中心；

S3-4，计算目标函数值；

S3-5，判断目标函数值小于阈值否，否则返回子步骤S3-3，然则输出聚类结 果；

输出聚类的结果及聚类中心矩阵C＝(w_ij)_c×m，其中第i行即第i类的聚类中心 向量，各元素分别为聚类中心所表征的各行业的负荷占比；

FCM把n个向量x_i(i＝1,2,…,n)分为c个模糊组，并求每组的聚类中心，使得 非相似性指标的价值函数达到最小，使得每个给定数据点用值在[0，1]间的隶属 度来确定其属于各个组的程度，一个数据集的隶属度的和总等于1：

$\underset{i=1}{\overset{c}{\Sigma }}{u}_{\mathrm{ij}}=1,\forall j=1,...,n---\left(3\right);$

FCM的目标函数即式(4)的一般化形式：

$J(U,c_1,...,c_c)=\underset{i=1}{\overset{c}{\Sigma }}{J}_i=\underset{i=1}{\overset{c}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2,---\left(4\right);$

这里u_ij介于[0，1]间；c_i为第i类的聚类中心，d_ij＝||c_i-x_j||为第i个聚类中心与 第j个数据点间的欧几里德距离；且m∈[1,∞)是一个加权指数；

构造如下新的目标函数，求使(4)式达到最小值的必要条件：

$\left(\begin{array}{c}\bar{J}(U,c_1,...,c_c,{\lambda }_1,...,{\lambda }_n)=J(U,c_1,...,c_c)+{\Sigma }_{j=1}^n{\lambda }_j(\underset{i=1}{\overset{c}{\Sigma }}{u}_{\mathrm{ij}}-1)\\ =\underset{i=1}{\overset{c}{\Sigma }}\underset{j}{\overset{n}{\Sigma }}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2+\underset{j=1}{\overset{n}{\Sigma }}{\lambda }_j(\underset{i=1}{\overset{c}{\Sigma }}{u}_{\mathrm{ij}}-1)\end{array}\right)---\left(5\right);$

这里λ_j(j＝1,2,…,n)是(3)式的n个约束式的拉格朗日乘子；对所有输入参量求 导，使式(4)达到最小的必要条件为：

$c_i=\frac{\underset{j=1}{\overset{n}{\Sigma }}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\Sigma }}{u}_{\mathrm{ij}}^m}---\left(6\right);$

和

$u_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{c}{\Sigma }}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{ki}}}\right)}^{2/(m-1)}}---\left(7\right);$

将FCM算法运用到本发明中，所述的步骤S3-2～S3-5具体如下：

步骤S3-2即用值在[0，1]间的随机数初始化隶属矩阵U，使其满足式(3)中的 约束条件；

步骤S3-3即用式(6)计算c个聚类中心ci(i＝1,2,…,c)；

步骤S3-4即根据式(4)计算目标函数，如果它小于某个确定的阀值，或它相 对上次迭代的目标函数值的改变量小于某个阀值，则算法停止；

步骤S3-5即用(7)计算新的U矩阵；返回步骤S3-3。

所述的步骤S4具体为：

矩阵运算形式如下：

其中向量B为各类变电站的暂降敏感度向量，β_i为各类变电站的聚类中心所 计算出的变电站整体暂降敏感度的数值，公式如下：

${\beta }_i=\underset{j=1}{\overset{m}{\Sigma }}{w}_{\mathrm{ij}}\times {\alpha }_j,(j=\mathrm{1,2},...,m)---\left(2\right);$

上式即以各行业的负荷占比为权重对变电站下级用户对应的行业敏感度进行 了综合，以表征变电站整体的暂降敏感度。

本发明以下级用户行业特性作为特征指标运用模糊聚类理论实现变电站的聚 类分析，根据实际的变电站下级行业比例进行聚类，将具有相似行业特性的变电 站划分为同类，认为每类变电站具有相似的暂降敏感度。

聚类分析是多元统计的一种分类方法，根据指标数据，将具有相似统计特征 的数据分级成一类，适宜对大量对象进行快速处理。但实际情况中，类与类之间 并无清晰的分级，边界具有模糊性，它们之间的关系更多的是模糊关系，而应用 模糊数学方法进行的聚类分析，即为模糊聚类。

模糊聚类方法在电力系统中已经得到了较为广泛的应用，该方法由于扩展了 隶属度的取值范围，有着更好的聚类效果与数据表达能力。模糊聚类理论的引入 充分利用待分析对象的数据特性，无需人为主观因素的参与，这可以实现对变电 站的智能分类。对区域电网内的大量变电站根据其下级用户所对应的行业特性作 为特征指标运用模糊C均值(FCM)聚类算法实现变电站的聚类分析，将具有相 似行业特性的变电站分级为数类，使对大量变电站的逐个分析转化为对数个类别 变电站的逐类分析，并根据每类的行业特性分布评估其对电压暂降的敏感度从而 实现区域电网内的变电站暂降敏感度的分级，可有效辅助电网企业在区域电网的 管理及在电压暂降防治、风险评估中提供决策依据。

对于变电站的下级用户而言，不同行业由于使用的电气设备的差异性导致其 对电压暂降的敏感度也各不相同，而反之相同行业的用户则可以近似认为其对电 压暂降的敏感度一致，即在电压暂降条件下会具有相同的反应。

对区域电网内变电站的暂降敏感度进行分级，需要根据各变电站的下级用户 行业特性对区域电网内变电站进行模糊聚类，随后以模糊C均值(FCM)聚类算 法求解出的各类的聚类中心为基准，引入各行业的敏感系数来对各类变电站的敏 感度进行评估，最后依据敏感度大小得出的序列将区域电网内变电站划分为相应 的等级。

用于聚类分析的特征指标要求能够充分反映分析对象的特点，具有一定的辨 识度，且特征指标不宜过多否则会影响到聚类分析的效果，另外考虑到本发明所 提出方法的实用性和可操作性，还要求待输入的指标数据需要满足易于获取、分 析简便等要素。本发明选取变电站下级用户包含的行业类型及对应的比例作为用 于模糊聚类的特征指标，而考虑到在不同区域电网应用本发明所述方法的普遍适 用性，应在分析前明确待分析区域的主要行业类型以确定相应的特征指标。

本发明所达到的有益效果：

1)所提出的基于下级用户行业特性的变电站暂降敏感度分级方法引入各行业 的敏感系数，由下级用户的敏感特性来综合反映变电站的暂降敏感度，从变电站 层面对变电站整体的暂降敏感度进行分析。

2)通过模糊聚类理论有利于对大量对象进行快速处理，使对大量变电站的逐 个分析转化为对数个类别变电站的逐类分析，使分析过程高效且系统化。且充分 利用待分析对象的数据特性，无需人为主观因素的参与，可以实现对变电站的智 能分类，结果客观且具有较好的指导意义。

3)所提出的基于下级用户行业特性的变电站暂降敏感度分级方法能够实现对 区域电网内变电站的电压暂降敏感度进行分级，有利于发现对电压暂降现象敏感 的变电站及区域，实现对出现大范围电压暂降现象造成的影响进行预估，同时也 对预防区域电网由电压暂降引发重大事故有着重要的意义。

附图说明

下面结合附图和具体实施例对本发明作进一步的详细说明：

图1为本发明的基于下级用户行业特性的变电站暂降敏感度分级方法流程 图；

图2为本发明所采用的模糊C均值(FCM)聚类算法的流程图。

具体实施方式

如图1所示，是本发明的基于下级用户行业特性的变电站暂降敏感度分级方 法的流程图，具体步骤如下：

首先需要确定待分析区域的行业类型，若有m个主要行业类型，设置各行业 的敏感系数分别为α₁，α₂，…，α_m，得到行业敏感系数向量A＝[α₁，α₂，…，α_m]^T。 敏感系数反映了各行业负荷对电压暂降的敏感程度，其数值越大表明行业的敏感 程度越高。

本发明提供一种设置敏感系数的推荐表，实际应用过程中可根据需要灵活调 整。

将行业根据其主要负荷对电压暂降的敏感程度分为三个等级：

一级为受电压暂降影响严重的行业，其受到电压暂降将造成严重的经济损失， 这一级的主要行业包括电子、电器、计算机制造、通信、机械、精密器械、塑胶、 玻璃、五金、化工、医药、交通运输。这些行业电子电力设备被大量应用，如PLC、 变频器、总线、接触器、继电器、控制器等，一旦这些元器件因电压暂降停止工 作，整套设备或流水线都会受到影响；

二级为敏感程度一般的行业，其受到电压暂降会造成一定的经济损失。这一 级的主要行业包括食品、服装、制鞋、皮具、玩具、印刷、家具、造纸、纺织、 农产品加工。相关行业的加工制造过程中会涉及一些电压敏感元件的使用，若发 生电压暂降将导致用电设备不能正常工作或者功能下降，进而影响到生产和产品 质量；

三级为影响不明显的行业，这一级的主要行业包括服务业、商贸、会展、物 流、房地产、第三产业等，在这些产业中，电压敏感元件应用比较少，电压暂降 不会对行业的正常运行造成较大影响。

敏感系数的设置可参考下表给出的推荐值。

表1各行业敏感系数推荐值表

设待分析区域电网内含变电站的数目为n，输入待分析的各变电站的基础数 据即下级用户各行业的负荷比例，形成原始数据矩阵X＝(x_ij)_n×m，其中x_ij为第i个 变电站的第j种行业的负荷占比。

其次运用模糊C均值(FCM)聚类算法对各变电站进行聚类：

根据分析的需求在确定分类数c后输出聚类结果及聚类中心矩阵C＝(w_ij)_c×m， 其中第i行即第i类的聚类中心向量，各元素分别为聚类中心所表征的各行业的 负荷占比。

以每类变电站的聚类中心作为基准，结合各行业的敏感系数计算各类变电站 的暂降敏感度，其矩阵运算形式如下：

其中向量B各类变电站的暂降敏感度向量，β_i为各类变电站的聚类中心所计 算出的变电站整体暂降敏感度的数值，公式如下：

${\beta }_i=\underset{j=1}{\overset{m}{\Sigma }}{w}_{\mathrm{ij}}\times {\alpha }_j,(j=\mathrm{1,2},...,m)---\left(2\right);$

上式即以各行业的负荷占比为权重对变电站下级用户对应的行业敏感度进行 了综合，以表征变电站整体的暂降敏感度。最终依据敏感度大小得出的序列将区 域电网内变电站划分为相应的等级。

如图2所示，是本发明所采用的模糊C均值(FCM)聚类算法的流程图。

模糊C均值(FCM)聚类算法是用隶属度确定每个数据点属于某个聚类的程 度的一种聚类算法；FCM把n个向量x_i(i＝1,2,…,n)分为c个模糊组，并求每组的 聚类中心，使得非相似性指标的价值函数达到最小，使得每个给定数据点用值在 [0，1]间的隶属度来确定其属于各个组的程度，一个数据集的隶属度的和总等于1：

$\underset{i=1}{\overset{c}{\Sigma }}{u}_{\mathrm{ij}}=1,\forall j=1,...,n---\left(3\right);$

FCM的目标函数即式(4)的一般化形式：

$J(U,c_1,...,c_c)=\underset{i=1}{\overset{c}{\Sigma }}{J}_i=\underset{i=1}{\overset{c}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2,---\left(4\right);$

这里u_ij介于[0，1]间；c_i为第i类的聚类中心，d_ij＝||c_i-x_j||为第i个聚类中心与 第j个数据点间的欧几里德距离；且m∈[1,∞)是一个加权指数。

构造如下新的目标函数，可求得使(4)式达到最小值的必要条件：

$\left(\begin{array}{c}\bar{J}(U,c_1,...,c_c,{\lambda }_1,...,{\lambda }_n)=J(U,c_1,...,c_c)+{\Sigma }_{j=1}^n{\lambda }_j(\underset{i=1}{\overset{c}{\Sigma }}{u}_{\mathrm{ij}}-1)\\ =\underset{i=1}{\overset{c}{\Sigma }}\underset{j}{\overset{n}{\Sigma }}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2+\underset{j=1}{\overset{n}{\Sigma }}{\lambda }_j(\underset{i=1}{\overset{c}{\Sigma }}{u}_{\mathrm{ij}}-1)\end{array}\right)---\left(5\right);$

这里λ_j(j＝1,2,…,n)是(3)式的n个约束式的拉格朗日乘子。对所有输入参量求 导，使式(4)达到最小的必要条件为：

$c_i=\frac{\underset{j=1}{\overset{n}{\Sigma }}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\Sigma }}{u}_{\mathrm{ij}}^m}---\left(6\right);$

和

$u_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{c}{\Sigma }}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{ki}}}\right)}^{2/(m-1)}}---\left(7\right);$

由上述两个必要条件，模糊C均值聚类算法是一个简单的迭代过程。在批处 理方式运行时，FCM用下列步骤确定聚类中心c_i和隶属矩阵U：

1)用值在[0，1]间的随机数初始化隶属矩阵U，使其满足式(3)中的约束条件；

2)用式(6)计算c个聚类中心c_i(i＝1,2,…,c)；

3)根据式(4)计算目标函数。如果它小于某个确定的阀值，或它相对上次迭 代的目标函数值的改变量小于某个阀值，则算法停止；

4)用(7)计算新的U矩阵。返回步骤2。