基于无功补偿特征量聚类的电力用户低压无功补偿装置故障远程检测方法

1.本发明属于电力装置异常检测领域，涉及一种基于无功补偿特征量采用无监督学习的聚类方法来检测电力用户待检测日的低压无功补偿装置是否存在故障的方法。


背景技术：

2.提高用电能效是降低碳排放最经济的途径，目前最常用的提高用户用电能效的方法是采用无功补偿装置提高用电负荷的功率因数。为提高用户用电能效，供电公司对未达到功率因数考核要求的用户按电量电费和需量电费的百分比征收惩罚性的力调电费罚款，而对超过功率因数要求的用户给予力调电费奖励。降低用户从电网吸收的无功功率，不但可降低用户的电费支出，还可降低电网的运行损耗，是可以实现多赢的低碳减排手段。
3.电力用户用电行为离散性大，电力系统传统上主要要求用户按报装容量的20％～40％配置无功补偿来保障用电能效。由于用户侧无功补偿装置点多面广，供电企业难以有效监测它们是否发生故障异常，主要依赖用户自身根据装置告警发现无功补偿装置故障，或通过月度力调电费罚款的形式提示用户关注相关问题。供电企业主要关注变电站内无功补偿的优化配置与运维。电力技术人员在远程无法观测无功补偿装置告警信息条件下，主要基于用户功率因数指标表征的无功补偿补偿效果，并以此为基础粗略判断无功补偿装置是否发生故障。尽管低压无功补偿装置故障异常不仅会造成用户的电费损失，还会增大电网运行损耗，但目前鲜有针对电力用户低压无功补偿装置的远程故障诊断方法。
4.低压无功补偿装置故障与电容器及其控制保护装置的配置与可靠性有关：
5.·
电容器受环境温度、谐波、过电压等因素的影响，老化后鼓包漏油、容值下降或开路，影响补偿效果。
6.·
电容器投切开关常用的有接触器、晶闸管开关和复合开关。采用接触器重复的投切次数有限，随着投切次数的增加难免会出现投切可靠性和灵敏性降低，长期的投切涌流会导致接触器触点熔化。晶闸管型投切开关应用于快速投切的场景，持续运行不但会造成一定的功率损耗，还会因发热加速老化损坏。
7.·
此外，接线错误及参数设置错误等因素，也可能导致电容器不能按照功率因数控制器的要求投切补偿无功功率。
8.当无功补偿装置发生故障异常时，严重条件下会出现低压无功补偿装置完全不能投入或退出，导致大量从电网吸收无功或无功倒送，造成力调电费罚款和增大电网线损。


技术实现要素：

9.本发明的目的是，针对目前缺乏电力用户侧低压无功补偿装置远程故障检测方法而导致相当数量的用户侧无功补偿装置长期带病运行的问题，提供一种基于无功补偿特征量聚类的电力用户低压无功补偿装置故障远程检测方法。
10.为了达到上述目的，本发明所采用的技术方案是：一种基于无功补偿特征量聚类
的电力用户低压无功补偿装置故障远程检测方法，该方法步骤如下：
11.步骤1：获取一电力用户的历史用电数据，从中选取月平均功率因数≥设定阈值的月份的日计量数据作为样本库数据，且该样本库数据的样本数≥180天；
12.由于电力用户包括大工业用户、普通工业和非工业用户、商业用户、农业用户等类型，未达到电力用户所属类型的功率因数电网考核标准的用户要进行力调罚款，因此，本发明将设定阈值设为：电力用户所属用户类型的功率因数电网考核标准≤设定阈值＜1，并以月平均功率因数≥设定阈值的月度日计量数据作为样本库，能尽可能地保证样本库数据对应为无功补偿装置正常运行状态下的计量数据。
13.同时，本方法以180天作为样本库数据的样本数下限，能遍历该用户的所有用电行为规律。因为同一用户的用电行为规律下，用户一天的三相有功功率分布情况相似，而用户的三相有功功率和三相无功功率是近似正相关关系，经过补偿以后从电网吸收的无功功率在同一用电行为下会具有近似的分布特征。
14.步骤2：从该用户的样本库数据中，获取每天每隔相同时间段采样时的三相有功功率、三相无功功率和三相功率因数数据；以三相有功功率、三相无功功率和三相功率因数作为特征量，选取任意两个组合作为无功补偿特征量，以获取的三种特征量数据为基础建立无功补偿特征量样本库。例如，以三相无功功率和三相功率因数的组合作为无功补偿特征量，三相无功功率时间序列yi＝{q
a1
，
…
，q
am
，
…
，q
c1
，
…
，q
cm
}，三相功率因数时间序列zi＝{cosθ
a1
，
…
，cosθ
am
，
…
cosθ
c1
，
…
，cosθ
cm
}，以三相无功功率和三相功率因数两个特征量共同组合作为无功补偿特征量xi＝{q
a1
，
…
，q
am
，
…
，q
c1
，
…
，q
cm
，cosθ
a1
，
…
，cosθ
am
，
…
cosθ
c1
，
…
，cosθ
cm
}来建立无功补偿特征量样本库；其中，i为建立的样本库中以天为单位的数据样本序列号，i＝1，2，
…
，n；m为每天每相以相同时间段划分的总采样点数。
15.采样时，每天按相同的时间间隔记录三相有功功率、三相无功功率或三相功率因数，时间间隔或时间段可以在1min到60min之间；比较典型的时间间隔是15min，此时每天包含96个采集点的三相有功功率、三相无功功率或三相功率因数数据，m为96。一天的分时段的三相有功功率、三相无功功率和三相功率因数数据可从用电信息采集系统或营销系统得到。
16.本方法选取三相有功功率、三相无功功率和三相功率因数作为特征量，相对于三相功率、三相用电量、三相功率因数、三相电流或三相谐波含量中的一种或几种组合方式，更能识别无功补偿装置异常，具有明显的合理性。因为：三相谐波主要与电压偏差有关，无功补偿装置故障不是引起三相谐波的主要原因，三相谐波不宜作为判断无功补偿装置故障运行的特征量；三相电流主要由负载和电压水平决定，无功补偿装置故障并不会引起三相电流的剧烈波动，因此三相电流也不适合作为无功补偿特征量；三相用电量和三相功率因数之间不存在耦合关系，两者的组合不能反映无功补偿装置的运行状态。
17.而且，当从电网吸收无功功率增加时，无功功率q值增大，电压u值降低，根据公式可知，电流i值增加。由公式可知，q值增加，导致功率因数cosθ降低。正常情况下，p＞＞q，i的数值大小主要由有功功率p决定，无功功率的波动变化对i值的变化影响较小。相对而言，功率因数cosθ和无功功率q值变化受无功补偿故障的影响更加显著。由于单独选取功率因数cosθ、无功功率q其中任意一个作为无功补偿特征量，都无法
准确区分低压无功补偿装置的正常和异常状态，即单独选取一个特征量时，存在与设备正常投切时的数据聚类为同一类而出现误判或漏判的情况。正常投切时，功率因数较高；异常运行时，功率因数较低。正常投切对应的无功功率和异常投切时对应的无功功率聚类为同一类时，可以通过添加功率因数特征来区分正常投切和异常运行的数据。因此，三相功率因数cosθ和三相无功功率q的组合可作为无功补偿特征量。另外，有功功率p和无功功率q大致呈正相关关系，不同有功功率水平对应不同的无功功率水平。故障情况下，正常条件下有功功率与无功功率之间的分布关系会被破坏，即三相有功功率p和三相无功功率q的组合也可以识别出故障。此外，由于单独根据功率因数cosθ进行故障检测会在负荷重载时将异常判断为正常，三相有功功率p和三相功率因数cosθ的组合可以避免单纯因为功率因数低而出现误判或漏判为正常的情况，比单独通过三相功率因数cosθ进行判断的检测准确率要高。即选取将三相有功功率p、三相功率因数cosθ和三相无功功率q的任意两者的组合作为无功补偿特征量，能有效反应无功补偿的异常状态。
18.步骤3：获取待检测日当天每隔与步骤2相同的时间段采样时的三相有功功率、三相无功功率和三相功率因数数据(即待检测日的采样时间间隔段与步骤2相同)，将步骤2建立的无功补偿特征量样本库数据与获取的待检测日数据共同聚类，聚类时步骤2的无功补偿特征量样本库中对应的特征量与待检测日数据对应的特征量相同(即如果步骤2的样本库选取三相无功功率和三相功率因数作为无功补偿特征量，那么待检测日选取的数据也是三相无功功率和三相功率因数数据)，若待检测日数据单独聚类为一个类簇时，判断该用户的该检测日的低压无功补偿装置发生故障异常，提示进行现场巡视，否则该用户的该检测日的低压无功补偿装置正常，进行该用户的下个检测日的低压无功补偿装置是否异常检测。
19.上述步骤3中，由于并不明确用户的历史用电行为规律，因此本方法采用无需预设类簇数的方法进行聚类分析。本方法的输入变量为一维多变量，选择基于距离的近邻传播算法聚类算法，两个对象的距离越近，相似度越大。也可选择基于密度聚类的dbscan和mean-shift等聚类算法。
20.本发明借助聚类算法将待检测日对应的数据与已经建立的无功补偿特征量样本库进行聚类分析，通过待检测日的数据是否聚类形成新的类簇来判断低压无功补偿装置是否出现异常。若待检测日对应的数据单独形成新类簇，则判断为低压无功补偿装置出现异常；若没有形成单独聚类类簇，则认为用户该检测日的低压无功补偿装置正常工作。本方法能够及时发现检测日的低压无功补偿装置是否异常，减少由用户低压无功补偿装置故障无法正常补偿无功带来的力调电费罚款，适用于对配备低压无功补偿装置的电力用户(电力用户包括居民公变用户、大工业用户、普通工业和非工业用户、商业用户和农业用户等)进行无功补偿装置故障检测。
附图说明
21.图1为无功补偿装置正常运行时的三相无功功率和三相功率因数的分布情况图。
22.图2为无功补偿装置部分回路不投入故障时三相无功功率和三相功率因数的分布情况图。
23.图3为样本库中某个样本的三相无功功率和三相功率因数分布情况图。
24.图4为某个漏判为正常的故障样本的三相无功功率和三相功率因数的分布情况图。
具体实施方式
25.电力用户侧智能电表已经得到普及应用，并可采用宽带载波通信上报高密度计量数据。供电企业可以根据电力用户上报的历史用电数据进行挖掘分析，不但可以分析用户的用电行为习惯，还可以挖掘分析用户侧无功补偿装置的故障异常。本方法则是基于历史用电数据构建无功补偿特征量，通过聚类来远程检测低压无功补偿装置是否发生故障异常的方法。
26.本发明为一种基于无功补偿特征量聚类的电力用户低压无功补偿装置故障远程检测方法，该方法步骤具体如下：
27.步骤1：获取一电力用户的历史用电数据，从中选取月平均功率因数≥设定阈值的月份的日计量数据作为样本库数据，且该样本库数据的样本数≥180天；其中，电力用户所属用户类型的功率因数电网考核标准≤设定阈值《1。
28.步骤2：从该用户的样本库数据中，获取每天每隔相同时间段采样时的三相有功功率、三相无功功率和三相功率因数数据；以三相有功功率、三相无功功率和三相功率因数作为特征量，选取任意两个组合作为无功补偿特征量，以获取的三种特征量数据为基础建立无功补偿特征量样本库。
29.采样时，每天按相同的时间间隔记录三相有功功率、三相无功功率或三相功率因数，时间间隔或时间段可以在1min到60min之间，如10min、15min等。
30.步骤3：获取待检测日当天每隔与步骤2相同的时间段采样时的三相有功功率、三相无功功率和三相功率因数数据，将步骤2建立的无功补偿特征量样本库数据与获取的待检测日数据共同聚类，聚类时步骤2的样本库中对应的特征量与待检测日数据对应的特征量相同，若待检测日对应的数据单独聚类为一个类簇时，判断该用户的低压无功补偿装置发生故障异常，提示进行现场巡视，否则判断为该用户的该检测日无功补偿装置正常运行，进行该用户的下个检测日的低压无功补偿装置是否异常检测。
31.由于本步骤中并不明确聚类类簇数量，所以本方法选取无需预设类簇数的方法进行聚类分析。聚类算法为现有常规技术。
32.实施例1
33.对存在月度力调电费罚款的针织或钩织制品制造行业的某用户的计量数据进行低压无功补偿装置异常检测。从该用户的历史用电数据中，按月平均功率因数≥设定阈值进行日计量数据筛选并建立样本库，样本库数量＞180天。
34.以样本库中每天的三相无功功率yi＝{q
a1
，
…
，q
a96
，
…
，q
c1
，
…
，q
c96
}，以及三相功率因数zi＝{cosθ
a1
，
…
，cosθ
a96
，
…
cosθ
c1
，
…
，cosθ
c96
}组合为变量xi＝{q
a1
，
…
，q
a96
，
…
，q
c1
，
…
，q
c96
，cosθ
a1
，
…
，cosθ
a96
，
…
cosθ
c1
，
…
，cosθ
c96
}组成无功补偿特征量样本库。并选取现场采集的真实故障日的三相无功无功率和三相功率因数数据以及无功补偿装置正常运行情况下的三相无功无功率和三相功率因数数据计量数据组成待检测样本，该待检测样本(30个)中10天为正常运行时的计量数据即为正常样本，20天为无功补偿装置故障运行的计量数据即为故障样本。将待检测样本的数据逐个和无功补偿特征量样本库数据进行聚类，
结果参见表1。待检测样本中的20个故障样本对应的数据均单独聚类为一个类簇，即低压无功补偿装置为故障异常，而10个正常样本均未形成单独类簇，即无功补偿装置正常运行。本方法的检测结果与现场采集结果完全相符。检测结果表明本方法能较为准确地检测出该用户的无功补偿装置故障日且未出现误报。
35.表1检测结果
[0036] 正常样本(10天)故障样本(20天)检测为正常100检测为异常020
[0037]
进一步结合图1和图2进行分析，图1和图2分别显示了同一某用电行为下无功补偿装置正常运行时的三相无功功率和三相功率因数的分布情况，以及无功补偿装置部分回路不投入故障时三相无功功率和三相功率因数的分布情况。图1中黑色框线为在8点后三相无功功率和三相功率因数的包络线范围。由图2明显可见用户无功补偿装置异常时，不论三相无功功率还是三相功率因数在8点之后都偏离无功补偿正常时的分布，并分别趋于包络线上界和下界。
[0038]
故障样本中部分回路异常不能投入，控制器为达成三相功率因数目标会投入其余回路电容器组。若正常回路电容器组全部投入后仍不能满足三相功率因数控制目标，将失去把用户无功钳位在低位的能力，使得从电网吸收的无功增加，导致三相功率因数下降。
[0039]
用户负荷低位运行时，剩余正常无功补偿回路足以补偿用户无功需求，无功异常用户在8点以前无功和功率因数与无功正常时差别不大；在8点后出现高负载情况下，由于部分无功补偿回路故障，负荷增长带来的无功需求超过了正常工作电容器组补偿能力，使得三相功率因数和三相无功功率轻微突破了正常时的包络线区间。
[0040]
无功补偿装置正常和异常运行情况下，三相无功功率和三相功率因数的分布特征差异，导致无功补偿装置故障时对应的计量数据并未和样本库数据聚类为同一类簇，而是形成单独类簇。
[0041]
对比实施例1
[0042]
本对比实施例与实施例1基本相同，不同的是，本对比实施例的样本库数据是直接从该用户的历史用电数据中选取与实施例1相同样本数的用电计量数据，而未进行月平均功率因数是否达到设定阈值的筛选。本对比实施例采用的30个待检测样本与实施例1完全相同，在本对比实施列的样本库选择方法下的检测结果见表2。
[0043]
表2样本库数据未经筛选的检测结果
[0044] 正常样本(10天)故障样本(20天)检测结果为正常104检测结果为异常016
[0045]
由上表可知，使用与实施例1相同的待检测样本，在不进行样本库筛选的情况下，故障样本的检测准确率明显低于实施例1。
[0046]
分析出现故障样本检测准确率降低的原因为：由于样本库没有进行条件筛选，就可能存在月度平均功率因数不达标的样本进入了样本库，此时，异常样本被当作正常样本，就会出现故障的检测样本和样本库中的异常样本聚类为同一类，从而该异常检测日未产生单独类簇，判断为正常，造成漏判。
[0047]
进一步结合图3及图4，根据图中的三相无功功率和三相功率因数的分布可以发现，样本库的样本和故障样本的三相无功功率和三相功率因数分布情况基本一致。因此，可以推知，造成该故障样本漏判为正常的原因在于，样本库的选取无筛选条件，导致异常的样本当作样本库中的正常样本，检测日的故障样本与引入到样本库中的异常样本聚类为同一类簇，从而引起漏判。与实施例1的检测结果相对比，本发明的样本库数据进行条件筛选后具有更高的检测准确率。
[0048]
对比实施例2
[0049]
本对比实施例与实施例1基本相同，不同之处在于本对比实施例选取三相用电量和三相功率因数组合进行聚类，而不是本发明所提的无功补偿特征量。结果见表3，30个待检测样本中，10个正常样本均未形成单独类簇，20个故障样本同样均未形成单独类簇，即故障样本均未判断为异常。分析原因为三相用电量和三相功率因数之间不存在耦合关系，即用电量的大小与功率因数的大小之间并无因果联系，所以两者的组合不能反映无功补偿装置的运行状态，使得选取三相用电量和三相功率因数的组合的方式不能检测低压无功补偿装置异常。与实施例1的检测结果相对比，本发明所提出的基于无功补偿特征量聚类在低压无功补偿装置异常检测中更具有效性。
[0050]
表3检测结果表
[0051] 正常样本(10天)故障样本(20天)检测结果为正常1020检测结果为异常00