基于kDBA++聚类算法的谐波污染分区策略

随着电网中非线性负荷大量接入及电力电子化率的逐步提升,谐波问题日渐严重,开展电力系统谐波污染区域化治理,是一种有效解决思路。谐波污染分区的意义在于,同一分区内的谐波畸变主要由该分区内的谐波源导致,而受其他分区谐波源影响较小。为此,提出了一种抗时移聚类算法kDBA++。首先,考虑到电能质量监测数据具有高维度、含噪声等特点,采用分段聚合近似(picesise aggregate approximation,PAA)算法对数据进行压缩降噪预处理,降低后续计算复杂度。其次,采用kmeans++算法作为逻辑框架。考虑到非同步测量下数据间存在时移现象,难以直接利用kmeans++开展聚类,从而引入动态时间弯曲(dynamic time wraping,DTW)距离对算法进行优化。进而,鉴于DTW距离下聚类质心难以获取,因此采用DTW质心平均算法(DTW barycenter averaging,DBA)克服这一局限性,并最终得到所提kDBA++算法。采用IEEE123节点仿真系统及实际工程案例开展算法对比分析,结果显示所提kDBA++算法聚类精度优于现有算法,可准确进行谐波污染分区。此外,利用谐波污染分区转移阻抗矩阵及谐波贡献度对求得分区加以验证,分析结果表明,各谐波源对其所在分区内节点的谐波畸变影响较大,而对非同一分区节点的影响较小,从而论证了所提方法的实用性和有效性。