本發明涉及電能，尤其涉及一種基于大數據的電能質量干擾源耐受性檢測與優化治理方法。

背景技術：

1、隨著智能電網與電力系統數字化水平的持續提升，電能質量問題逐漸成為影響電網穩定性、安全性與供電可靠性的重要技術瓶頸，電能質量干擾源作為造成系統波動、設備異常甚至故障跳閘的核心誘因之一，如何實現對其高效、精準的識別與治理，已成為當前電能質量監測與控制領域亟需解決的關鍵問題，現階段，傳統的電能質量干擾源檢測方法大多依賴于規則匹配、統計判別或淺層機器學習模型對干擾波形特征進行分類與評估，但受限于電能擾動信號的多樣性、非線性與時變性，這類方法在特征提取能力和泛化性方面存在較大局限，難以在復雜電網環境下實現高精度、實時性的干擾源識別。

2、另一方面，現有的電能質量治理策略多基于固定閾值設定或經驗法則調整控制參數，對系統運行狀態變化響應不靈敏，缺乏全局優化能力與自適應調控機制導致治理方案在實施過程中存在響應滯后、調節過度或資源浪費問題，此外，當前部分研究嘗試引入傳統進化算法對電能質量治理參數進行優化，但仍面臨以下技術難點：其一，傳統優化算法在高維非線性約束空間中易陷入局部最優，難以兼顧全局性與局部精細性；其二，優化目標多以單一性能指標為導向，無法同步考慮電壓恢復、系統穩定與治理成本多重目標，整體治理效果有限。

3、綜上所述，亟需構建一種融合深度特征提取與智能優化機制的綜合性方法，以實現對電能質量干擾源的精準檢測與優化治理。

技術實現思路

1、本發明的一個目的在于提出一種基于大數據的電能質量干擾源耐受性檢測與優化治理方法，本發明形成從干擾檢測到響應治理的閉環智能控制體系，顯著提升了復雜電能擾動場景下的治理效率與系統穩定性。

2、根據本發明實施例的一種基于大數據的電能質量干擾源耐受性檢測與優化治理方法，包括如下步驟：

3、s1.實時采集多維度電能質量數據，并匯集至大數據平臺，進行預處理操作，生成標準化電能質量大數據集；

4、s2.將標準化電能質量大數據集輸入基于殘差密集卷積網絡的深度學習模型，輸出電能質量干擾源的初步分類結果及其耐受性等級；

5、s3.將干擾源初步分類結果與耐受性等級與大數據平臺中的歷史電能質量大數據進行比對分析，形成電能質量干擾源精準識別與耐受性狀態判定結果；

6、s4.根據干擾源精準識別與耐受性狀態判定結果，構建以電能質量干擾源治理參數為優化變量的多目標優化模型，利用改進花朵授粉算法對多目標優化模型進行全局搜索與局部微調，輸出最優治理參數組合；

7、s5.基于最優治理參數組合生成針對電能質量干擾源的智能化優化治理策略，并自動實施治理操作；

8、s6.智能化優化治理策略實施后，實時采集治理后電能質量大數據集，并將治理效果反饋至大數據平臺進行監測與分析，若電能質量干擾源耐受性狀態未達到預設目標，則重復執行步驟s4至s6，形成閉環反饋優化控制。

9、可選的，所述s1包括以下步驟：

10、s11.在智能電網中部署多個監測裝置，以采集包含電壓、電流和頻率的多維度電能質量原始數據，設定統一的采樣時間窗口采集每一時刻的多維度電能質量原始數據集：

11、；

12、其中，表示第個監測裝置所采集的多維度電能質量原始數據集，為第個采樣時刻，為電壓值，為電流值，為頻率值，為在采樣時間窗口內的采樣點數，，為監測裝置的總數量；

13、s12.將來自所有監測裝置的多維度電能質量原始數據集通過智能電網通信協議匯集至電能質量大數據平臺，進行時間同步與空間對齊操作，構建電能質量大數據集；

14、s13.對電能質量大數據集進行字段完整性檢測、異常數據剔除與丟失值補全，生成清洗后的電能質量大數據集，電能質量大數據集保持參數一致性和時間軸對齊特性；

15、s14.對清洗后的電能質量大數據集進行歸一化處理，采用線性歸一化方法將所有電壓、電流與頻率數值統一映射至閉區間，得到歸一化后的電能質量大數據集；

16、s15.將歸一化后的電能質量大數據集進行采樣周期重組與數據窗口劃分，構建結構化標準化電能質量大數據集，并將標準化電能質量大數據集以張量結構格式存儲至大數據平臺并設定標簽索引機制。

17、可選的，所述s2包括以下步驟：

18、s21.將標準化電能質量大數據集表示為張量輸入至基于殘差密集卷積網絡的深度學習模型中，其中，表示特征通道數，分別對應電壓、電流與頻率的標準化無量綱表示；

19、s22.針對電能質量干擾源特征中時域波動性與頻域擾動性并存的特點，構建時頻雙支路特征提取結構，將輸入張量同時送入：

20、時域分支：直接使用時域張量進行殘差密集卷積提取；

21、頻域分支：對張量的每個通道沿時間軸施加離散傅里葉變換，構造頻域張量，保持與時域張量相同的維度和結構，其中，為離散傅里葉變換操作，作用于每一個特征通道，提取頻域特征；

22、s23.在時域分支中，采用層級殘差密集單元對時域張量進行特征提取，得到時域特征張量：

23、；

24、其中，為第層的時域特征圖，為第層的時域特征圖，作為跳連特征，為第層的非線性變換，表示通道級聯操作；

25、s24.同理，在頻域分支中構建頻域殘差密集結構，輸入為時域張量，得到頻域特征張量，提取干擾源的周期性特征與頻譜震蕩結構；

26、s25.將時域特征張量與頻域特征張量分別施加全局平均池化，得到時域特征向量和頻域特征向量，基于干擾源耐受性識別的任務要求，引入跨域注意力融合機制對時域特征向量和頻域特征向量進行加權融合，得到最終融合特征向量：

27、；

28、其中，為最終融合得到的全局特征向量，維度取決于殘差密集卷積網絡輸出通道數，為時域殘差密集網絡第個監測裝置在第個時間步的輸出特征向量，為頻域殘差密集網絡第個監測裝置在第個頻點上的輸出特征向量，為分別為時域和頻域特征序列的采樣點數，為注意力加權因子，分別表示對于第個監測裝置，在時域特征與頻域特征中的響應重要性；

29、s26.將融合特征向量輸入至殘差密集卷積網絡結構中的輸出頭部模塊，輸出電能質量干擾源類型分類結果和電能質量系統對當前干擾源的耐受性評分。

30、可選的，所述輸出頭部模塊由兩個全連接神經網絡子模塊構成，分別執行如下功能：

31、在干擾源分類模塊中，利用全連接神經網絡結構對融合特征向量進行線性變換并施加softmax激活函數，得到電能質量干擾源的多類分類結果，選取概率最大的一類作為最終的電能質量干擾源類型分類結果，電能質量干擾源類型分類結果取值屬于干擾源預設分類集合，其中表示電能質量干擾源的類別數量；

32、在耐受性等級評估模塊中，利用另一全連接神經網絡對融合特征向量進行線性變換并施加sigmoid激活函數，輸出電能質量系統對當前干擾源的耐受性評分，取值范圍為閉區間，其中趨近于1表示系統對該干擾源具有較強耐受性，趨近于0則表示系統對該干擾源高度敏感。

33、可選的，所述s3包括以下步驟：

34、s31.獲取電能質量干擾源初步分類結果與耐受性評分，從大數據平臺中調取與電能質量干擾源初步分類結果類型相同的歷史干擾源記錄樣本，構建該類干擾源的歷史參考數據集，歷史參考數據集中每條歷史樣本均包含融合特征向量及對應耐受性評分；

35、s32.對當前融合特征向量與歷史參考數據集中每條歷史樣本的融合特征向量進行特征空間距離計算，采用歐式距離度量方式衡量當前特征與歷史樣本在干擾特征表達上的相似程度；

36、s33.基于相似程度對所有歷史樣本進行排序，并選取距離最小的前條歷史樣本組成相似干擾源局部子集，相似干擾源局部子集用于代表歷史中與當前檢測特征最為接近的干擾行為及系統響應狀態；

37、s34.對相似干擾源局部子集中所有歷史樣本的耐受性評分進行平均，計算該類干擾源在歷史系統中的平均耐受性水平，并與當前系統在同類干擾源下的耐受性評分進行比較，求取耐受性偏差指標，當耐受性偏差指標表示當前系統對電能質量干擾源初步分類結果的耐受能力優于歷史同類系統，耐受性偏差指標則表示耐受性弱；

38、s35.計算當前融合特征向量與相似干擾源局部子集中各特征之間的均方距離，并基于指數函數構建干擾源識別可信度因子，表示當前干擾源分類結果在特征空間中與歷史干擾行為的匹配程度，干擾源識別可信度因子值越大，表示匹配度越高，當前干擾源分類結果越可信，若干擾源識別可信度因子趨近于零，說明當前干擾源分類結果與歷史模式偏離大，可信度低；

39、s36.將當前電能質量干擾源類型、耐受性評分、耐受性偏差指標與干擾源識別可信度因子作為電能質量干擾源的識別與耐受性狀態判定結果，同時寫入電能質量大數據平臺的結果索引模塊。

40、可選的，所述s4包括以下步驟：

41、s41.將電能質量干擾源識別與耐受性狀態判定結果作為多目標優化模型的輸入基礎，依據電能質量干擾源類型所對應的物理特性，確定電能質量干擾源治理參數集合p：

42、；

43、其中，表示第個治理參數，表示治理參數的維度；

44、s42.通過電能恢復時間最小化，系統穩定性提升最大化和治理成本最小化加權構建治理效果為目標的多目標優化函數：

45、；

46、其中，為權重因子；

47、s43.根據電能質量干擾源類型與其特征響應模式，結合歷史治理數據，定義治理參數集合的初始搜索空間：

48、；

49、其中，為第個治理參數在歷史經驗基礎上設定的合理邊界范圍；

50、s44.構建改進花朵授粉算法模型，設定花粉個體數量為，每個花粉個體表示一組候選治理參數向量，利用如下更新機制實現全局搜索與局部微調的動態切換：

51、；

52、其中，表示第個花粉個體在第次迭代的參數向量，為當前最優解，為服從萊維分布的全局擾動因子，為全局步長控制因子，為局部擾動縮放系數，為全局與局部搜索概率閾值，為均勻隨機數；

53、s45.在每一輪迭代中，對所有花粉個體計算對應多目標優化函數，保留當前最優治理參數組合，并判斷是否滿足收斂條件：最大迭代次數是否已達或最優多目標優化函數收斂變化量是否低于設定閾值；若滿足任一終止條件則結束優化，否則進入下一輪迭代；

54、s46.輸出最終優化后的最優治理參數組合，最優治理參數組合表示針對當前電能質量干擾源類型與耐受性評分所求得的最優電能質量治理參數集合。

55、可選的，所述s5包括以下步驟：

56、s51.構建優化治理策略輸出規則，基于電能質量干擾源類型與對應最優治理參數組合，制定對應類型的治理控制策略；

57、s52.基于所生成的優化治理策略構建控制信號結構體，包含控制目標索引、執行裝置編號、參數設定值、執行延遲門限與安全冗余配置，并將控制信號結構體下發至智能電能治理控制器；

58、s53.智能電能治理控制器接收控制信號結構體后觸發自動治理流程，依據策略類別啟動相應治理機制，包括電壓調節、諧波補償、無功優化或動態支撐控制動作，在不依賴人工干預的條件下完成對目標干擾源的響應與實時治理。

59、可選的，所述對應類型的治理控制策略包括：

60、當電能質量干擾源類型為典型暫態過電壓干擾源，且治理參數組合滿足、時，生成抑制電壓尖峰的分布式補償策略，自動調度調壓裝置投切比例與延遲響應時間；

61、當電能質量干擾源類型為諧波類干擾源，且治理參數組合滿足、時，生成基于有源濾波器的動態諧波抑制策略，并設定濾波器控制閾值與諧波注入系數；

62、當電能質量干擾源類型為電壓暫降類干擾源，且治理參數組合滿足、時，生成低壓穿越動態支撐策略，調整無功支持增益與動態電壓恢復控制模式；

63、當電能質量干擾源類型為其他類型干擾源，則根據策略規則集自動匹配最優治理邏輯模板，執行對應治理流程；

64、其中，表示與治理參數索引對應的閾值常量，依據歷史優化數據統計而定。

65、本發明的有益效果是：

66、（1）本發明采用結合殘差連接與密集連接結構的深度神經網絡模型，并在電能質量干擾識別任務中引入時頻雙通路機制，將標準化電能質量大數據分別送入時域分支和頻域分支進行深層次特征提取，通過構建特征級注意力加權融合模塊，實現了對短時擾動、頻率偏移、周期性諧波復雜擾動行為的細粒度建模，顯著提升了對電壓突變、諧波干擾和電壓暫降干擾源的分類精度。

67、（2）本發明在模型輸出階段不再直接使用靜態分類結果，而是基于融合特征向量與歷史干擾樣本集進行特征空間相似性分析，通過歐式距離度量與加權平均偏差構建耐受性偏差指標與識別可信度因子，機制能夠動態判斷當前檢測結果與歷史干擾行為的一致性，使得分類結果具備解釋性與可信度評估功能，顯著降低了模型誤判率，提升了干擾源與系統響應之間的適配性。

68、（3）本發明在花朵授粉算法基礎上進行優化引導策略重構，構建融合電能恢復時間、系統穩定性和治理成本的三目標優化函數，并結合干擾源類型構建參數搜索空間約束，通過引入基于萊維分布擾動的全局搜索與基于歷史模式差異的局部微調策略，增強了算法對非線性、多峰優化空間的搜索能力，顯著提升了最優治理參數的收斂效率與全局性。