張 傲，蘇 盛，艾 淵，景 彪，李 彬，楊洪明

（1.電網(wǎng)防災(zāi)減災(zāi)全國重點實驗室（長沙理工大學(xué)）,湖南省長沙市 410114；2.云南電網(wǎng)有限責(zé)任公司計量中心,云南省昆明市 650051；3.云南電網(wǎng)有限責(zé)任公司玉溪供電局,云南省玉溪市 653101）

0 引言

無功補償可避免遠距離傳輸無功功率帶來的損耗,是電力系統(tǒng)經(jīng)濟運行的基礎(chǔ)性措施。為提高配用電能效,一般要求電力用戶按報裝容量的20%～40%配置無功補償裝置,要求大工業(yè)用戶和一般工商業(yè)用戶分別達到0.9 和0.85 的功率因數(shù),并根據(jù)達標與否按力調(diào)電費進行獎懲［1-2］。高能耗的大工業(yè)用戶普遍重視無功管理,多可領(lǐng)取力調(diào)電費獎勵；而海量的一般工商業(yè)用戶往往缺乏必要的專業(yè)知識和運維人員,主要依靠無功補償裝置自動控制來保障用電能效。相當(dāng)比例的用戶無功補償裝置老化故障后,因不能及時感知和修復(fù)而長期帶病運行,增大了電網(wǎng)線損和用戶用能成本,例如,某中部年用電量為2×1011kW·h 的省份,2021 年電力用戶因功率因數(shù)不達標,征收的力調(diào)罰款高達7.4 億元。因此,及時準確感知用戶無功補償?shù)墓收袭惓?不但可以有效降低用戶用能成本和電網(wǎng)運行損耗,還可促進社會有效投資,具有重要的工程應(yīng)用價值［3］。

當(dāng)前在電力設(shè)備的狀態(tài)監(jiān)測上已有大量研究,可基于紅外測溫［4-6］、超聲波監(jiān)測［7-8］和視頻監(jiān)測檢出設(shè)備故障。但此類方法所需的狀態(tài)量在用戶側(cè)均難以獲取,因而不適用于用戶側(cè)的故障感知。既有月度電費賬單中的力調(diào)電費信息,可提示用戶無功補償?shù)墓收袭惓！Ｐ枰赋龅氖?以月度功率因數(shù)為無功補償故障異常判據(jù)滯后性較強,須以月度為單位才得以識別,造成故障異常期間用電能效降低。而工商業(yè)用戶基數(shù)龐大,亟需可及時感知無功補償故障異常的能效提升方法。隨著現(xiàn)有技術(shù)水平以及數(shù)據(jù)可用性的提升,根據(jù)不直接反映無功補償運行狀態(tài)的計量數(shù)據(jù)及時感知故障異常是可行途徑。

當(dāng)前,基于計量數(shù)據(jù)驅(qū)動的用電管理方面研究已較深入。文獻［9-10］基于相鄰用戶電壓存在關(guān)聯(lián)性的特性對計量電壓數(shù)據(jù)進行相似性分析,構(gòu)建出戶變關(guān)系特征,并采取聚類的方法識別出低壓臺區(qū)拓撲關(guān)系。文獻［11-12］提出線損電量與用電量之間的歸因分析方法,實現(xiàn)高損臺區(qū)竊電用戶的檢測,在準確率和誤報率上均表現(xiàn)良好。文獻［13］通過對日計量無功功率和功率因數(shù)聚類實現(xiàn)無功故障日感知,但其對輕微故障場景識別不夠靈敏,存在漏判。已有供電企業(yè)結(jié)合負荷大小和功率因數(shù)偏低進行告警,由于閾值設(shè)置困難,容易誤報。聯(lián)合分布特征可有效刻畫變量間的潛在關(guān)聯(lián),在識別竊電用戶［14］和風(fēng)電出力預(yù)測［15］中表現(xiàn)良好,因此基于負荷大小與功率因數(shù)的聯(lián)合分布特性進行分析,有可能及時地感知用戶無功補償輕微異常。

由于無功補償裝置按確定的控制策略進行投切控制,得到良好補償?shù)挠脩魪碾娋W(wǎng)吸收的有功負荷水平和功率因數(shù)之間往往具有確定的映射關(guān)系并服從特定的聯(lián)合分布,而無功補償異常會改變此種映射關(guān)系。因此,本文利用這種聯(lián)合分布的改變來感知用戶無功補償?shù)墓收袭惓?。首?比較分析了無功補償故障前后用戶有功功率和功率因數(shù)聯(lián)合分布的差異特征；然后,提出基于二維卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）的計量數(shù)據(jù)特征矩陣分類方法；最后,基于3 個行業(yè)用戶實際計量數(shù)據(jù)的仿真,驗證了所提方法的有效性。

1 無功補償裝置故障異常特性分析

無功補償裝置主要包括靜止無功補償器（static var compensator,SVC）、靜止同步補償器（static synchronous compensator,STATCOM）和并聯(lián)電容器組等,其中SVC 應(yīng)用最為普及。無功補償裝置受安裝工藝、過電壓、過電流、積塵和設(shè)備老化等因素影響,會發(fā)生多種故障,最終一般會發(fā)展和表現(xiàn)為無法正常執(zhí)行無功補償功能,導(dǎo)致用戶功率因數(shù)下降。

無功補償裝置根據(jù)用戶三相負荷平衡程度可采用共補、分補及混補等3 種補償電容控制模式,其中,前者適用于三相相對平衡的用戶。由于工商業(yè)用戶一般會考慮平衡三相負荷,三相共補在工程上應(yīng)用最為普遍。下文將針對該模式下用戶無功補償裝置的故障特性與感知分析展開研究。

無功補償裝置的投切策略以無功功率為主、功率因數(shù)為輔,通過比照系統(tǒng)所需無功大小與投切功率階梯值以確定對應(yīng)的投切容量,并以“循環(huán)投切”方式逐組投入電容器組直至滿足目標功率因數(shù)［16-17］。按此控制策略,部分電容器組故障或投切開關(guān)無法正常投切時,未故障電容器組仍可投入工作。當(dāng)功率因數(shù)低于切除功率因數(shù)且欠補功率大于階梯容量的65%時,控制器投入電容器組；當(dāng)功率因數(shù)高于切除功率因數(shù)且過補功率大于階梯容量的50%時,控制器切除電容器組。用電設(shè)備運行時,有功功率與功率因數(shù)的電氣公式如下所示:

式中:Qc為配置的無功補償總?cè)萘?；n為等容分組下的總分組數(shù)；λ為滿足相應(yīng)條件不等式的整數(shù)集合；max（λ）為投切組數(shù)即滿足集合λ的最大整數(shù)；ΔQ為達到目標功率因數(shù)下的無功功率缺額；P為有功功率；Q為用電設(shè)備相應(yīng)有功功率下的自然無功功率；Q1為無功補償裝置補償?shù)臒o功功率；ch為用電設(shè)備自然功率因數(shù)；c為補償后的用電設(shè)備功率因數(shù)。

對于特定用戶的用電設(shè)備,其自然功率因數(shù)為一穩(wěn)定值,對應(yīng)有功功率與自然無功功率大致呈正相關(guān)關(guān)系。無功補償裝置正常運作時,投切無功功率值Q1隨自然無功功率的水平調(diào)整數(shù)值,以保持補償后的功率因數(shù)維持在目標水平。因此,用戶有功負荷水平P與補償后的功率因數(shù)cosφ的聯(lián)合分布蘊含著用戶無功補償裝置運行狀態(tài)信息。為直觀呈現(xiàn),將2 個典型用戶的典型日負荷曲線以及無功補償裝置正常及故障時的有功功率p與功率因數(shù)c二維頻率分布直方圖繪制如圖1 和圖2 所示。圖中:c與p從0 至1 表示功率因數(shù)和有功功率不斷增大；u（p,c）表示離散化后有功功率與功率因數(shù)相應(yīng)區(qū)間內(nèi)的二維概率密度值。

圖1 用戶1 負荷曲線及有功功率-功率因數(shù)二維頻率分布Fig.1 Load waveforms and active power-power factor two-dimensional frequency distribution of user 1

圖2 用戶2 負荷曲線及有功功率-功率因數(shù)二維頻率分布Fig.2 Load waveforms and active power-power factor two-dimensianal frequency distribution of user 2

由圖1 可知:

1）用戶1 夜間輕載時負荷達不到無功投切門檻值,維持在自然功率因數(shù)的低水平上,對應(yīng)圖1（b）和圖1（c）的右側(cè)。由于夜間輕載時段持續(xù)時間長,因此,處于該狀態(tài)的頻率明顯高于其他狀態(tài)。

2）圖1（b）中,負荷水平提高至0.4 p.u.以上時,無功補償裝置正常進行補償投切,功率因數(shù)得到明顯提高。有功負荷增長后無功補償作用使得功率因數(shù)散布于較高區(qū)間,在頻率上明顯低于輕載時段。

3）圖1（c）中,用戶部分無功補償回路無法正常投切,有功功率達到0.6 p.u.以上時無法滿足需求的無功補償,功率因數(shù)逐漸降低。重載較低功率因數(shù)的時段在持續(xù)時間上因為分布的空間被壓縮,在頻率上反而如圖1（b）左上側(cè)所示有所抬高。

由圖2 可見:

1）與用戶1 類似,用戶2 在輕載時的功率因數(shù)在低位徘徊,但在有功功率輕微抬升后功率因數(shù)即從0.2 以下躍升到0.2～0.4 之間。

2）負荷水平提高到0.4 p.u.以上時,無功補償使用戶功率因數(shù)明顯提高,功率因數(shù)散布于較高區(qū)間內(nèi)。

3）無功補償裝置故障時,功率因數(shù)隨負荷增長而快速下滑,整體形態(tài)特征與用戶1 類似。由于無功補償電容器故障組數(shù)更多,有功功率在0.5 p.u.時功率因數(shù)即已滑落至低位。

綜上分析可知,盡管用戶用電特性各不相同,但重載情況下無功補償裝置異常造成的功率因數(shù)下滑總會造成用戶有功功率/功率因數(shù)聯(lián)合分布的形態(tài)扭曲。通過檢測用戶計量數(shù)據(jù)的聯(lián)合分布的形態(tài)變化,有可能感知無功補償裝置的故障異常。

2 基于二維CNN 的特征矩陣分類方法

以下利用有功功率與功率因數(shù)頻數(shù)分布矩陣標識和分析無功補償裝置正常和故障情況下裝置運行狀態(tài)。首先利用CNN 多層提取特征能力提煉正常及故障狀態(tài)下矩陣元素的分布情況,以感知無功補償裝置的故障異常狀態(tài),詳細說明如下。

2.1 P-cos φ頻數(shù)分布矩陣生成及分析

統(tǒng)計學(xué)中常使用頻數(shù)或頻率信息來表征一維或多維變量的邊緣及聯(lián)合分布特性。為量化無功補償裝置正常及故障狀態(tài)下的有功功率及功率因數(shù)分布特性,根據(jù)智能電表計量用戶用電數(shù)據(jù),按以下步驟生成頻數(shù)分布矩陣刻畫有功功率與功率因數(shù)的聯(lián)合分布。

1）定義兩組維度為n×1 的電氣量矩陣數(shù)組P=[p1,p2,…,pn]T、C=[c1,c2,…,cn]T,其 中n為該數(shù)組包含的智能電表總采樣點數(shù),P和C分別為有功功率和功率因數(shù)矩陣。

2）對矩陣進行標準化操作如下:

式中:min {P}為P中最小值；max {P}為P中最大值；min {C}為C中最小值；max {C}為C中最大值；pi為采樣點i的有功功率；ci為采樣點i的功率因數(shù)；pbi為標準化后采樣點i的有功功率；cbi為標準化后采樣點i的功率因數(shù)；Pb為標準化后的有功功率矩陣；Cb為標準化后的功率因數(shù)矩陣。

3）經(jīng)過標準化操作后,令β=[Pb,Cb]并將Pb和Cb均勻分成o及p份得到兩份區(qū)間集合如下:

式中:Pbi為Pb分割后的某份區(qū)間；Cbi為Cb分割后的某份區(qū)間。

4）定義o×p個集合Aij=（i,j）（i=1,2,…,o；j=1,2,…,p）,對 于 矩 陣β中 第l個 行 向 量βl=[pbl,cbl],若pbl屬于區(qū)間集合Pbi且cbl屬于區(qū)間集合CbJ,則將βl歸為集合Aij內(nèi)。

5）按照步驟4）將矩陣β內(nèi)所有行向量歸化至集合Aij后,整合出共o×u個子區(qū)間集合內(nèi)各累計的行向量個數(shù)。

經(jīng)過上述步驟后,生成P-cosφ頻數(shù)分布矩陣為:

式中:Ni,j為某個集合內(nèi)累計的向量個數(shù)。

2.2 二維CNN

CNN 是深度學(xué)習(xí)中應(yīng)用廣泛的一種學(xué)習(xí)方法,在異常檢測、數(shù)據(jù)貼補等多領(lǐng)域有廣泛應(yīng)用［18-23］。按處理的數(shù)據(jù)維度信息可分為一維、二維及三維CNN。其中一維CNN 主要用于序列數(shù)據(jù)的處理分析,二維CNN 常用于圖像數(shù)據(jù)的處理,三維CNN 用于視頻及動作數(shù)據(jù)的處理。

二維CNN 框架主要由卷積層、激活層、池化層、全連接層等構(gòu)成。其中,卷積層、激活層和池化層處于CNN 核心位置。卷積層與激活層通常作為一個特征抽取組合通過卷積核按一定步長滾動遍歷輸入的圖像像素點矩陣進行卷積、激活操作以映射出有效特征。卷積及激活操作可通過下式表現(xiàn)［24］:

式中:G（·）為ReLU 激活函數(shù)；wkl為某個卷積核矩陣；xkl為某個圖像矩陣；b為卷積偏置。

池化層也稱下采樣層,通過對卷積層輸出的特征進行池化降維操作以提升網(wǎng)絡(luò)運行效率并防止過擬合。利用有功功率-功率因數(shù)聯(lián)合分布特征引入二維CNN 將頻數(shù)分布矩陣作為網(wǎng)絡(luò)輸入,通過多層訓(xùn)練分類實現(xiàn)無功補償裝置的異常感知。

2.3 基于二維CNN 的特征矩陣識別

基于二維CNN 的特征矩陣識別框架包含標簽數(shù)據(jù)集的構(gòu)建和卷積網(wǎng)絡(luò)結(jié)構(gòu)層次搭構(gòu)兩部分。標簽數(shù)據(jù)集包括用于正常、故障樣本標簽及各標簽下有功功率和功率因數(shù)特征矩陣數(shù)組。以“1”和“0”代表正常和故障狀態(tài)進行數(shù)據(jù)標簽。采取滑窗方式對有功功率/功率因數(shù)數(shù)組進行滑動遍歷并生成特征矩陣,其中滑窗方式生成標簽數(shù)據(jù)集的特征矩陣示意圖如圖3 所示。

圖3 滑窗方式生成特征矩陣示意圖Fig.3 Schematic diagram of feature matrix generated by sliding window mode

本文構(gòu)建的二維CNN 由輸入層1 層、卷積層2 層、池化層2 層、激活ReLU 層2 層、全連接層1 層及1 層輸出層構(gòu)成。網(wǎng)絡(luò)各層參數(shù)詳列如表1所示。

表1 二維CNN 各層輸入、輸出及參數(shù)結(jié)構(gòu)信息Table 1 Input, output and parameter structure information of each layer of two-dimension CNN

采用reshape 函數(shù)對生成的P-cosφ頻數(shù)分布矩陣進行重組樣本數(shù)操作,以獲得若干個維度為8×8的子集矩陣,并將其送至輸入層。設(shè)定卷積核大小為5×5,子集矩陣經(jīng)過每次卷積和激活操作后,送入池化核為2×2 的最大池化層。采取“same”方式,經(jīng)過兩次卷積池化操作后,得出2×2×64 的三維特征圖并送至全連接層操作進行拉伸特征維度。最終采取Adam 作為梯度優(yōu)化器更新網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)后,利用softmax 函數(shù)預(yù)測概率分布,分為“1”（正常）和“0”（故障）兩個類別。

結(jié)合標簽數(shù)據(jù)集和CNN 的結(jié)構(gòu)層次構(gòu)建后,即可得出整體檢測方法框架如圖4 所示。圖中:在基于正常和故障數(shù)據(jù)樣本庫按照圖4 方法生成Pcosφ聯(lián)合矩陣數(shù)據(jù)集后,在樣本標簽數(shù)據(jù)集中選取一定比例的樣本作為訓(xùn)練集和測試集輸入CNN 模型進行訓(xùn)練測試,經(jīng)過多次卷積、池化等操作后,輸出預(yù)測結(jié)果并評價模型,最后通過驗證集來進行實例驗證。

圖4 檢測方法框架Fig.4 Framework of detection method

3 測試仿真

算例測試分為基于仿真數(shù)據(jù)的CNN 模型訓(xùn)練、測試算例以及基于實際正常和故障數(shù)據(jù)的驗證算例。其中,仿真算例數(shù)據(jù)為基于無功補償控制策略按不同故障程度對某地區(qū)行業(yè)用戶用電數(shù)據(jù)仿真而得到,驗證集算例數(shù)據(jù)取自現(xiàn)場取得的正常及故障數(shù)據(jù)。本文通過仿真數(shù)據(jù)搭建頻數(shù)分布矩陣CNN模型,并通過實際故障用戶數(shù)據(jù)驗證模型的普適性和有效性。

3.1 仿真數(shù)據(jù)訓(xùn)練算例

仿真算例的訓(xùn)練框架包含仿真數(shù)據(jù)的生成和標簽數(shù)據(jù)庫的構(gòu)建訓(xùn)練兩部分。對某地區(qū)3 個來自化纖制造行業(yè)、土木工程行業(yè)用戶的計量數(shù)據(jù),按本文方法進行仿真模型的搭建訓(xùn)練與測試。其中,仿真數(shù)據(jù)的生成流程框圖見附錄A,具體操作如下。

1）獲取用戶智能電表實際15 min 間隔采樣的有功功率數(shù)據(jù)與用戶變壓器報裝容量值。

2）以用戶報裝容量的40%作為無功補償配置總?cè)萘吭O(shè)定值。采取循環(huán)投切控制策略,設(shè)置分組數(shù)為8 組的等容分組方式仿真正常投切下的無功功率。

3）分別以35%、35%和30%的比例按2 組電容器無法正常投入回路、3 組電容器無法正常投入回路和4 組電容器無法正常投入回路的故障程度仿真生成無功補償異常的無功功率數(shù)據(jù)［25-26］。

4）基于用戶有功數(shù)據(jù)與前述步驟生成的正常、異常投切方式下的無功功率計算功率因數(shù),得到正常、異常有功功率-功率因數(shù)聯(lián)合分布。

對仿真生成的有功功率、功率因數(shù)數(shù)據(jù)進行標準化操作后,設(shè)定24 h 為子集矩陣樣本時間跨度,采取滑窗方式以4 h 滑窗長度讀取子集矩陣樣本。仿真模型數(shù)據(jù)的幾種典型樣本如圖5 所示,由圖可知仿真生成樣本的聯(lián)合分布特征基本與前述分析一致。

圖5 輕載/重載時卷積模型樣本概率密度Fig.5 Sample probability density of convolutional model at light load and heavy load

以320 d 和160 d 為訓(xùn)練集和測試集時間跨度,設(shè)置模型中正常和故障樣本的比例為1∶1,每個子集分布矩陣維度為8×8,訓(xùn)練集總樣本個數(shù)為1 920 個,測試集總樣本個數(shù)為960。將生成正常和故障標簽下的頻數(shù)分布矩陣數(shù)據(jù)集輸入CNN 模型,并經(jīng)迭代訓(xùn)練建立穩(wěn)定模型供實例驗證。

3.2 無功補償裝置故障用戶現(xiàn)場數(shù)據(jù)驗證算例

用戶無功補償裝置嚴重故障時,會導(dǎo)致用戶功率因數(shù)的明顯異常,容易診斷識別,以下選擇化纖織造、水泥石膏、土木工程行業(yè)3 個用戶在無功補償正常和發(fā)生輕微故障異常時各15 d 的計量數(shù)據(jù)進行測試驗證。測試的故障感知結(jié)果如表2 所示,在所有用戶的無功補償裝置正常日均做出正確判斷,無功補償裝置輕微故障時,對用戶2 和用戶3 有兩個故障日漏判為正常。因正常日無誤判,以下將3 個用戶的無功補償故障日有功功率與功率因數(shù)數(shù)據(jù)繪制于圖6。由圖6 可得出以下結(jié)論。

表2 3 個用戶驗證集診斷結(jié)果對比Table 2 Comparison of diagnosis results of verification set among three users

圖6 用戶故障樣本有功功率和功率因數(shù)曲線Fig.6 Waveforms of active power and power factor for user’s fault sample

化纖織造用戶無功補償故障時,在用戶輕載條件下功率因數(shù)可保持0.9 以上的正常水平,但重載時,尤其是每天尖峰用電時刻的功率因數(shù)水平會出現(xiàn)明顯跌落,從而導(dǎo)致在有功功率和功率因數(shù)的二維頻數(shù)分布矩陣中更多的頻數(shù)分布在矩陣右下角。因每個故障日均存在能體現(xiàn)故障特征的尖峰負荷,對該用戶的故障檢測率為100%。

水泥石膏用戶故障樣本除第7、8 天外均運行于重載條件下。由于該用戶用電負荷日周期相對平穩(wěn),僅在負荷尖峰時刻出現(xiàn)局部功率因數(shù)跌落,因此判別為異常。輕載的第7、8 天,投切部分完好的無功補償回路即可將功率因數(shù)維持在高位,漏判為正常。

土木工程行業(yè)用戶用電有明顯的日周期,與化纖織造用戶同為單峰電力用戶,但晝夜峰谷差距明顯。盡管日均功率因數(shù)可以達標,但日尖峰時段對應(yīng)的功率因數(shù)跌落,仍可有效揭示無功補償裝置的故障異常。在表現(xiàn)出尖峰負荷故障特征的時間段較少的工作日仍被判斷為無功補償裝置正常的工作日,造成了兩天的漏報。

為分析算法模型在不同故障比例下的敏感性及普適性,分別設(shè)置30%和10%的故障樣本比例進行驗證分析。兩種故障比例下模型的驗證結(jié)果分別如表3 和表4 所示。

表3 30%故障比例驗證結(jié)果Table 3 Verification results with 30% failure ratio

表4 10%故障比例驗證結(jié)果Table 4 Verification results with 10% failure ratio

故障設(shè)置比例為30%時,除去用戶2 正常標簽天數(shù)中產(chǎn)生的4 d 誤報,其余用戶對正常及故障標簽天數(shù)均準確識別。

故障設(shè)置比例為10%時,用戶2 及用戶3 中分別產(chǎn)生2 d 和1 d 的誤報,其余情況均準確識別。

模型在30%及10%故障樣本比例下的識別效果對比50%故障樣本比例下的識別效果,故障日的識別準確率得到提升而對于正常日的識別出現(xiàn)了少許誤報。

為進一步體現(xiàn)采取本文算法模型的必要性,采用本文方法對月力調(diào)罰款用戶以第1 天起,逐天地將該用戶計量數(shù)據(jù)初始化后送入模型進行診斷識別,當(dāng)輸入第8 天計量數(shù)據(jù)時,第1 次診斷為異常標簽。繪制該用戶前8 天有功功率及功率因數(shù)曲線圖,如圖7 所示,其中故障標簽時段以虛線框區(qū)域標注。

圖7 正常運行至故障日有功功率、功率因數(shù)曲線Fig.7 Waveforms of active power and power factor from normal operation day to failure day

由圖7 可知,采取本文方法可在故障發(fā)生的早期實現(xiàn)感知,而月度功率因數(shù)需要在月末或下月份才可察覺故障異常,因此本文方法可更及時、敏銳地精確感知無功補償故障異常,提高用電能效。

3.3 對比實驗

混淆矩陣及其衍生指標為異常檢測類問題的常用評價指標。在混淆矩陣基礎(chǔ)上,選取準確率（αACC）、命中率（αTPR）、誤檢率（αFPR）、召回率（αF1）作為模型評價指標,各指標詮釋意義見表5,計算公式如下:

表5 混淆矩陣指標詮釋Table 5 Indicator interpretation of confusion matrix

式中:TP為實際無功補償裝置異常且檢測為異常的樣本數(shù)；FP為實際為正常但被檢測為異常的樣本數(shù)；FN為實際為異常且被檢測為正常的樣本數(shù)；TN為實際為正常且預(yù)測為正常的樣本數(shù)。

為對比驗證本文基于聯(lián)合分布特性選取特征量的方法對復(fù)雜場景的適用性,仍采用3.2 節(jié)的3 個行業(yè)用戶設(shè)置50%的故障比例樣本,分別采用單一功率因數(shù)以及有功功率與功率因數(shù)二維數(shù)組形式作為二維CNN 的輸入量以及文獻［27］采取的支持向量機（SVM）學(xué)習(xí)方法進行對比,得到4 項檢測評價指標對比如表6 所示。由表6 結(jié)果可得出以下結(jié)論:

表6 評估指標結(jié)果比對Table 6 Comparison of evaluation indicator results

1）采用單一功率因數(shù)的方法未考慮到輕載時刻功率因數(shù)偏低為正常現(xiàn)象,誤檢率達到了15.56%且檢出率明顯低于本文所提方法。

2）采取有功功率與功率因數(shù)的二維數(shù)組作為模型輸入,雖然蘊含了輕載時刻的正常特性,但部分無功補償故障僅在重載時段有所表現(xiàn),而用戶重載時刻較為隨機分散,不進行特征提取而僅采用有功功率及功率因數(shù)二維數(shù)組作為輸入容易漏報,準確率相比本文方法低了4.45%。

3）采取SVM 的學(xué)習(xí)方法與采用聯(lián)合數(shù)組進行學(xué)習(xí)類似,在故障期間較少的時刻表現(xiàn)較差。

4）本文構(gòu)建的特征量為累計分布特征,可更好地適應(yīng)故障時刻分散的場景,具有更優(yōu)秀的檢出和誤報率。

4 結(jié)語

針對缺乏專業(yè)知識的電力用戶難以及時感知自身無功補償裝置故障異常、降低用電能效和提高用能成本的問題,提出了基于計量數(shù)據(jù)中有功功率與功率因數(shù)聯(lián)合分布的用戶無功補償異常感知方法。

1）分析指出既有電力設(shè)備故障檢測方法需要采集狀態(tài)量監(jiān)測數(shù)據(jù),難以適用于用戶側(cè)無功補償裝置的故障感知,需要應(yīng)用已有計量數(shù)據(jù)感知無功補償裝置的故障異常。

2）利用無功補償裝置正常和故障時用戶有功功率和功率因數(shù)聯(lián)合分布存在明顯差異的特點,提出了基于二維CNN 特征矩陣分類的無功補償裝置故障感知方法。

3）基于實際用戶數(shù)據(jù)的測試分析表明,所提方法可有效檢出少量無功補償回路投切異常的輕微故障,相比采用單一功率因數(shù)和有功功率及功率因數(shù)聯(lián)合數(shù)組進行異常檢測,在準確率和誤報率上均表現(xiàn)更優(yōu)。

本文探索提出了利用計量數(shù)據(jù)識別用戶無功補償異常的初步方法。隨著物聯(lián)網(wǎng)和人工智能技術(shù)的發(fā)展,數(shù)據(jù)可用性和異常檢測的能力已得到顯著提升,通過挖掘計量數(shù)據(jù)的內(nèi)在價值有可能普遍性提高用戶功率因數(shù),實現(xiàn)數(shù)據(jù)賦能的用戶能效提升。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。