現代電網電力擾動數據分析與主動應用

胡文曦，肖先勇，汪 穎，張文海，王 楊

（四川大學電氣工程學院，四川省成都市610065）

0 引言

電力擾動泛指三相電壓、電流波形畸變、偏離期望值的現象或事件，而電能質量擾動是其中被定義和認識的特例。隨著現代電網中可再生能源比例逐漸升高和新型用電技術快速發展，電力電子技術被廣泛使用［1-2］，可再生能源的間歇性和波動特性，加上電力電子設備本身的非線性和快速開斷特性，造成電力擾動問題更加突出［3］。另一方面，未來高端制造業發展趨勢已向精密化、柔性化、智能化、集成化等方向發展，然而電網企業不能提供高質量電能導致的用戶投訴日益增多，成為惡化電網企業與用戶之間營商環境的重要原因［4］。隨著負荷容量、規模、用電特性發生根本變化，這些用電設備的慣性時間常數更小，對電力擾動事件更加敏感［5］。在售電側開放的背景下，滿足高新技術用戶對高質量電能供應的需求，降低用戶因電力擾動問題造成的企業產品不合格、數據丟失等損失，提高電網公司市場競爭力與售電收益，已是亟待解決的問題。

現代電網各類監測裝置被廣泛應用于電力系統的各個環節中，使得“數字化”成為現代電網的重要特征［6-7］。多源數據共享和數據融合等技術為電力擾動問題的解決提供了新思路［8］。數據從處理對象轉變為一種基礎性資源，已成為除勞動力和資本以外的又一不可或缺的生產力要素［9］，同時也對電力系統的數據處理和數據分析能力提出了挑戰［10］。此外，機器學習、人工智能和大數據分析已成為各行業的研究熱點［11-12］，基于數據驅動的分析方法被各行業看作突破傳統技術瓶頸的關鍵［13］。電力系統運行人員和決策者近年來正在面臨著如何對數據與信息快速、有效地進行分析、加工、提煉以獲取系統所需知識并發揮其作用的關鍵問題［14］。

在上述背景下，側重于電能質量檢測［15-16］、特征刻畫［17-19］、評估［20-21］與原因辨識［22-23］的傳統方法面臨著新的技術瓶頸與難題。一方面，這些方法通過信號處理等方式對擾動發生后的監測數據根據擾動發生、傳播和影響過程進行事后分析，屬于補救性措施，缺乏事前預防的有效手段；另一方面，現有方法通常關注電能質量領域本身，而忽略了監測數據中包含的穩態和暫態電磁信息可對其他領域的有益探索［8］。由于這些研究在電力擾動產生影響后根據監測數據對擾動的現象和原因進行重現和追溯，本文將這部分研究定義為電力擾動數據的“被動應用”，即在擾動發生后被迫地分析和治理。然而，相較于被動去降低電力擾動問題對用戶的影響，若能盡早地防御電力擾動的影響，對于源-網-荷側若干工程技術難題具有重要意義。

為改善上述現狀，本文提出“感知-預警-診斷-服務”的主動應用框架，該框架以電力擾動監測數據為基礎，通過數據分析主動挖掘包含電力擾動本身在內的部分領域規律和知識，并為電力擾動問題的改善所服務。為此，本文從主動感知用戶類別、主動預警擾動風險、主動診斷隱性故障、主動為敏感用戶提供差異化的優質供電服務4 個層面闡述了“電力擾動數據分析與主動應用”這一方向的研究價值，并綜述了4 個層面的前瞻性研究，以期吸引更多學者參與工業界和學術界對主動應用的探討與研究。

1 電力擾動主動應用的基本思路

1.1 電力擾動監測數據的特點

由于電能質量擾動是電力擾動的一種特例，因此電能質量監測數據可以看作電力擾動數據經過特定檢測算法獲取的三相電壓、電流波形數據。在現代電網的諸多監測數據中，電力擾動監測數據存在著以下優點：①易實現，電力擾動監測數據的獲取方便；②成本低，電能質量問題經過30 多年的研究和發展，已在電網中安裝有大量監測裝置，針對無法大量安裝監測裝置的配電網，也已有研究分析優化配置方案以期實現少量監測裝置滿足后續數據分析的需要［24］；③非侵入，對系統沒有注入干擾，避免了人工干預的影響；④信息大，電力擾動監測數據包含特有的暫態信息，蘊含著大量能反映用戶用電行為、設備運行狀態等信息。綜上，在現代電網的諸多類型各異的監測數據中，電力擾動監測數據具有其獨特的優點，是主動應用的必要數據基礎。

1.2 電力擾動監測數據蘊含的信息

安裝在電網變電站出線端的電力擾動監測裝置可以監測并且記錄電壓、電流波形曲線，而曲線中發生的突變反映了源-網-荷側的各類擾動，如圖1所示。

圖1 電力擾動監測數據中的相關信息Fig.1 Relevant information in power disturbance monitoring data

例如，電源側新能源并網由于其間歇性或電力電子設備的開斷特性容易造成電力擾動，雷擊等氣象因素也是造成電力擾動的常見原因；電網側發生的各類電網故障以及變壓器、電容器等設備異常運行也會造成監測數據中出現相應的波形畸變；用戶側敏感設備故障以及負荷的動態用電行為同樣會產生電力擾動。這些擾動，在過去的研究中被劃分到新能源并網、繼電保護、電力市場等領域，但其本質均是電壓、電流發生畸變、偏離期望值的現象或事件。因此，對擾動數據進行分析以發現其蘊含的知識，可應用于解決源-網-荷側的不同技術難題，為電力擾動主動應用的可行性與合理性提供了有效支撐。

1.3 電力擾動主動應用場景

通過電力擾動數據分析，本文將對部分主動應用場景進行探討。電力擾動主動應用的一大特點是基于電力擾動監測數據解決包含負荷監測、設備運行狀態評價、故障診斷、電力市場等不同領域的技術難題。雖然各領域應用的對象不同，但分析對象均為電力擾動，分析目標均為電力擾動的改善和治理。因此，本文提出“主動感知-主動預警-主動診斷-主動服務”的應用框架，分別解決如何提前感知用戶類型以確定用戶對何種擾動敏感，如何提前發出預警信息以幫助指導用戶生產，如何提前診斷設備以避免故障的形成和發展，如何提前為多元用戶制定服務計劃規避風險等多個難題。這些難題均圍繞一個核心目標，即如何避免電力擾動對電網運行和敏感用戶生產造成影響。需要說明的是，電力擾動主動應用方向并不僅局限于上述4 個層面，本文以此為例進行展開介紹，以吸引研究學者對主動應用方向開展更多的有益探索。

2 敏感用戶電力擾動主動感知

2.1 非侵入式負荷監測技術

通過負荷監測獲取用戶用電信息，支撐智能用能服務是智能電網的重要環節之一［25］。不同設備功率曲線如附錄A 圖A1 所示，不同用電設備投切時會呈現出獨特的反映用電狀態的電力擾動特征。

傳統侵入式負荷監測（intrusive load monitoring，ILM）需要在各用電設備的用電線路上加裝電信號采集裝置，雖然精度較高但成本較大，且信號采集裝置的安裝或者配置十分不便［26］。與之相對的非侵入式負荷監測（non-intrusive load monitoring，NILM）因其僅在用戶用電關口加裝信息采集裝置，不改變原建筑線路結構，因此實用性和經濟性均更優［26］。通過對饋線上總的用電信號進行分解，可獲取各用電設備的用電信息，NILM 的通用流程如圖2 所示，包括事件檢測、特征提取和負荷辨識3 個關鍵環節。其中，事件檢測通過監測信號的變化情況判斷監測設備所處的運行狀態；特征提取是在判定設備投入使用后從監測信號中提取反映設備獨特電氣狀態的穩態特征和暫態特征；負荷辨識則是根據提取特征通過機器學習等方法對負荷類型進行分類識別。

圖2 NILM 流程Fig.2 Flow chart of NILM

隨著負荷種類與用電狀態的多樣化，監測數據中呈現出大量新的未知變化，負荷分類與識別的準確性是亟待解決的難題，現有研究分別從不同環節對準確性進行了改進。針對事件檢測算法檢測延遲和動態性能不佳的缺陷，文獻［27］通過參數設置引入自適應手段，提高檢測算法的準確性；文獻［28］通過參數訓練對參數設置與選擇進行優化。此外，由于不同設備產生的用電事件暫態過程區別很大，固定的參數檢測往往不能滿足各類用電事件的正確捕捉，文獻［29］等研究對事件探測算法參數進行訓練，實現探測的自適應，以增強檢測算法的魯棒性與準確性。特征提取方面，目前通常采用穩態、暫態和非傳統等多維特征提高算法的識別準確度，文獻［30］基于監測數據提取了設備有功功率、無功功率、諧波、尖峰信號等多維特征，具有較強的區分能力。此外，受機器學習過程中特征優化思想的啟發，文獻［31］對輸入特征進行去冗余處理，通過約簡特征集提取必要特征。基于模式識別的負荷辨識算法根據學習樣本所屬類別是否已知可分為監督算法與非監督2 類。近年來，已有大量研究采用包括貝葉斯［32］、神經網絡［33］等分類器基于監督學習對負荷進行辨識。然而，由于監督學習需要事先對事件進行大量標記，受主觀因素影響嚴重，因此基于聚類［34］、馬爾可夫模型［35］等非監督學習算法開始被大量研究。雖然非監督學習算法無需設備標簽降低了人為干預，但算法準確性也相對降低。

2.2 電力擾動監測數據的時間間隔影響

在上述NILM 技術中，基于機器學習方法在各領域的快速發展和應用，如何選擇并提取特征成為負荷辨識的一大難點。由于暫態特征相對于穩態特征更不容易出現特征重疊現象，且反映用電設備暫態過程的特征與設備的功能密切相關［26］，因此在提取穩態特征的基礎上，暫態特征的提取成為負荷監測過程中的關鍵環節。為此，NILM 算法所需要的數據一般分為2 類，一類是低頻功率信號，另外一類是高頻的電壓、電流信號。其中，低頻的有功、無功時間序列，一般用于研究的數據時間間隔要求在幾秒至幾分鐘之內，而智能電表功率時間間隔在幾十分鐘級，達不到算法要求，故往往需要在計量關口處加裝專門的數據采集裝置。同時，再加之電壓、電流信號需要做傅里葉變換、小波變換等處理，要求的數據采樣頻率更高，故需要加裝單獨的采樣裝置采集電信號。相比較，以電能質量監測裝置為代表的電力擾動監測裝置由于其自身對暫態電能質量擾動的固有監測需求，具有較長的時間間隔，因此應用監測數據進行負荷監測滿足其分析要求。

2.3 電力擾動敏感負荷辨識方法

隨著新型用電設備的快速更新迭代，設備對何種電力擾動更為敏感存在難以提前得知的情況。此外，針對同一類型的電力擾動，不同擾動特征下不同敏感設備也可能存在不同響應過程。因此，可進一步借助NILM 技術辨識敏感負荷的子類別和占比，有利于針對高品質供電客戶群進行需求畫像，更有利于為后續針對性的治理措施提供決策支持。

以電壓暫降這一典型電力擾動為例，半導體行業、精密器械加工、機場、生物制藥等高新技術受電壓暫降影響嚴重，容易導致生產過程中斷［36-37］。具體體現在：交流接觸器（AC contactor，ACC）會在電壓下降時觸點斷開，造成負荷停運；可編程邏輯控制器（programmable logic controller，PLC）在發生電壓暫降時工作異常，對伺服電機、數控機床等設備的控制紊亂或中斷，從而導致廢品率上升；變頻調速器（adjustable speed driver，ASD）裝置在電壓不足時無法正常工作，中央空調控制頻率的變頻器會退出運轉；個人計算機（personal computer，PC）電源在電壓發生擾動時可能不正常關機，導致存儲數據的缺失。上述4 類典型敏感設備的耐受曲線［38］如附錄A圖A2 所示，如果電壓暫降幅值和持續時間落入陰影區域，則電壓暫降造成敏感設備無法正常工作。

可見，同一暫降事件可能對不同類別敏感設備造成不同的影響。采用NILM 的技術思路，根據電能質量監測數據計算電壓幅值、電流幅值、有功功率與無功功率軌跡。附錄A 圖A3 給出了2 類不同設備的有功功率軌跡，可以看出不同類型設備的功率軌跡呈現出不同的波形特征，在此基礎上可通過聚類實現敏感用戶辨識并得到各類負荷占比，進而為不同類別的用戶提供差異化的優質供電服務。

傳統方法既無法根據監測數據辨識敏感負荷類型，又無法得知饋線上不同類別敏感負荷的占比。因此，分析和治理手段都過于滯后。并非所有的用戶都需要高品質供電，通過上述主動感知的方式，精準判斷配電網線路上敏感負荷占比有利于找到需要高品質供電的敏感客戶群，提高治理效果，降低治理成本。

3 多源數據驅動的電力擾動風險主動預警

3.1 現代電網中的多源數據

雖然現代電網大量類型不一和功能各異的監測裝置與監測系統可獲取海量監測數據［39］，但包含不同物理信息的多元平臺監測數據相互存在壁壘，監測數據沒有得到充分利用，造成極大的信息缺失和資源浪費。一方面，單一系統無法或需要極大計算代價獲取的監測信息可能在其他監測系統直接獲取；另一方面，不同監測系統根據不同需求配置監測裝置，考慮監測成本等因素，部分監測系統的監測區域難以覆蓋全供電范圍，可通過狀態估計、規則推導、數字鏡像或模式匹配等方式實現多平臺監測信息的互補。現代電網包含或相關的常見監測系統如表1 所示。根據可獲取的不同監測信息，本文僅從電力擾動數據分析的角度將監測系統分為電網側、用戶側以及擾動相關的系統3 個類別。

表1 現代電網中部分典型監測系統Table 1 Several typical monitoring systems in modern power grid

電網側相關的監測系統主要獲取電網運行方式、元件參數、空間拓撲關系等信息；用戶側監測系統主要獲取負荷容量、類別、生產方式等信息；擾動相關系統主要獲取電網故障、氣象災害以及電力擾動等信息。以電網側、用戶側相關系統為基礎，可對某一時刻斷面下的電網進行鏡像，結合擾動相關的監測系統可實現電力擾動的重現或推演。

3.2 關聯規則挖掘方法

數據挖掘中的關聯規則挖掘方法最初被用來分析用戶購買商品的項集間關系［40］，之后也常被應用在電力系統的負荷預測［41］、安全穩定性評估［42］、故障分析［43］、經濟調度［44］等方面。使用關聯規則挖掘技術既可以發現潛藏在數據中有價值的規律知識，又可以打破不同物理信息系統之間的壁壘，且不依賴于先驗知識構建精確模型。因此，關聯規則挖掘成為大數據背景下各領域突破技術瓶頸的關鍵手段之一［45］。

關聯規則挖掘的前提是對連續型數據進行離散化［46］，合理的離散化結果不僅可以提高算法的效率和抗噪能力，還能夠減少對規則的影響。文獻［47］采用高斯云模型對電壓暫降事件的時間和位置等連續型數據進行離散；文獻［48］利用K-means 算法離散配電網故障的相關連續型影響因素；文獻［49］利用布爾型離散化方法和基于ChiMerge 的多值離散化方法離散變壓器在線監測的連續型數據。此外，如何減小數據分布、冗余屬性對規則的影響是關聯規則挖掘中必須解決的難題。文獻［50］采用剪枝和自連接在一定支持度閾值下獲取頻繁項集，隨后通過置信度閾值在頻繁項集中挖掘關聯規則；文獻［47］在此基礎上利用維度矩陣減少了運算時需要的時間和空間量；由于雷擊是造成電網故障最主要的原因，文獻［51］利用關聯規則挖掘輸電線路的雷擊故障與影響因素的關系。此外，粗糙集根據人們基于分辨能力進行客觀事物認知的特點提取知識且不受主觀影響，因而受到大量應用［52］。文獻［53-54］基于多粒度粗糙集通過粒度約簡和屬性約簡挖掘出電壓暫降的嚴重程度與電網結構屬性之間的關聯規則，量化了電網結構屬性對電壓暫降傳播規律的影響程度，并利用該規則實現了面向電壓暫降的電網結構優化，優化前后的電網暫降水平如附錄A 圖A4所示。

3.3 電力擾動風險主動預警

關聯規則挖掘的本質是提取數據庫中頻繁出現的若干屬性之間的對應規律，將難以用數學解析式和精確模型表達的知識通過規則的形式呈現出來。對于受氣象誘因、電網結構、負荷水平以及人為活動等多不確定性因素影響的電力擾動事件，可通過多粒度屬性構建的決策信息表［55］，挖掘得到if（前件）→then（后件）的語句格式，規則前件和后件分別表示條件屬性與決策屬性的取值。因此，該條語句可表示為：當各條件屬性為對應數值時，可以推導得出決策屬性的數值大小。例如，文獻［47］挖掘出了空間位置、時間、負荷水平等因素對電壓暫降水平的影響。由于短時電力擾動事件帶有明顯起止時刻標記，有助于多監測平臺的事件匹配，進而可找到“氣象因素-雷電-電壓暫降-用戶生產”等多個層級的關聯關系，通過關聯規則逐層推導電壓暫降發生并對用戶生產造成影響的風險。

不同于傳統電能質量分析方法在擾動發生后對擾動的影響程度進行評估，基于多源數據可在擾動事件發生前結合氣象預測、防外破監測等系統提前預測電網故障的發生，結合敏感用戶的位置與生產過程，為用戶發送預警信號，幫助用戶避免生產過程受擾動影響，即主動預警電力擾動風險。

4 電網設備元件隱性故障主動診斷

4.1 電網中的隱性故障

隱性故障又叫早期故障或弱故障，是電網設備元件發生顯性故障前的過渡狀態。傳統繼電保護將系統劃分為2 種狀態：正常運行狀態和故障跳閘狀態，如圖3 所示。然而實際運行中由于絕緣老化過程等方面的原因，系統中存在一部分故障擾動并不會導致饋線保護跳閘，處于該階段的故障擾動統稱為隱性故障［56］。雖然該類故障未引起故障停電，然而卻會對系統構成安全隱患，當隱性故障發展到一定程度后，將導致顯性故障擴大、保護動作。

圖3 配電網部分故障狀態發展過程Fig.3 Development process of some fault states in distribution system

隱性故障概念在機械故障診斷領域又稱微小故障，并且已在機械故障診斷［57］、控制系統的故障檢測診斷［58］中得到了應用，弱故障的檢測對于提高系統可靠性、預防嚴重故障和降低事故風險具有重要意義。該結論同樣適用于電力系統中，并且已在電機、變壓器的故障診斷中得到應用［59-60］。

4.2 波形數據中的隱性故障特征

由于電網設備發生隱性故障時會造成三相電壓、電流波形也發生畸變，而電力擾動監測數據的一大特點是能夠獲取電磁暫態信息［8］。因此，借助電力擾動監測數據分析隱性故障是否發生，既不需要安裝額外的監測裝置，也無需停電檢測，還有助于提前采取治理措施避免故障的進一步發展。為此，IEEE 成立了電力擾動數據分析工作組，對電纜、變壓器、電容器等設備發生隱性故障時的波形特征進行了前瞻性研究［61］。以電纜隱性故障為例，其電壓、電流波形如附錄A 圖A5 所示。

附錄A 圖A5 的波形特征可總結為：多發生在電壓峰值時刻，是因為此時電壓應力最大，電纜絕緣更容易被擊穿；按照持續時間可分為半周期早期故障和多周期早期故障，持續時間分別為0.25～0.5 個周期和1～4 個周期，具有重復性；多為單相接地故障，不會引起電力系統保護裝置動作。

4.3 電網隱性故障主動診斷方法

基于監測數據識別設備隱性故障狀態面臨著數據存儲與異常檢測等難題。考慮到數據存儲容量的限制，現有電能質量監測裝置針對暫態擾動事件采用觸發錄波的方式，當對應監測值超過設置閾值時，監測裝置開始記錄三相電壓、電流波形數據［62］。閾值設置建立在電能質量擾動事件已有清晰明確的特征定義的基礎上。然而，由于不同運行設備隱性故障下的波形特征變化模式多樣，且時間尺度不一，再加上當前對設備隱性故障的波形特征研究較少，因此目前尚無明確定義，導致難以采用觸發錄波的方式。為了保留隱性故障下的波形特征，目前采用持續錄波的方式，但對監測裝置的存儲容量和通信能力提出了挑戰，現有電能質量監測裝置開發廠商已經通過增加硬盤容量等方式著手解決，但存儲和通信成本的增加是面臨的另一難題。此外，波形數據的無損壓縮是另一種解決方式，然而目前的數據壓縮方式仍難以保留半周期內的波形特征［63］。

異常檢測方面，由于波形特征的定義缺失，傳統電能質量領域的檢測算法難以適用，需要從隱性故障電流的幅值和持續時間特征出發，研究新的檢測判據識別隱性故障，如瞬時值檢測法、卡爾曼濾波算法。文獻［64］提出利用小波變換和故障電流疊加分量分別進行半周期早期故障和多周期早期故障的檢測，該方法利用早期故障擾動在幅值和持續時間的特殊性進行檢測，并且通過分析擾動消除前后負荷電流的變化來確定是否為自清除擾動；文獻［65］提出利用慢動態卡爾曼濾波估計基頻零序電流分量來檢測。與傳統檢測方法相比，基于電能質量監測數據的隱性故障檢測具有的特點如表2 所示。

除上述基于信號處理來根據特征判據檢測設備隱性故障狀態的方法外，隨著人工智能方法在各領域的發展與應用，通過機器學習識別電網設備元件運行狀態成為近年來的發展趨勢。其基本思路與電能質量擾動的分類識別類似，仍是以特征提取［66］、特征選擇［67］、分類器訓練［68］為關鍵環節。由于算法要求獲取帶標簽的波形數據進行訓練。因此，該類方法仍然受限于電網中監測裝置是否可靠記錄隱性故障波形特征。

相對于傳統方法針對已發生的顯性故障進行診斷，以電壓、電流中反映設備異常的波形特征為突破口，對不會造成保護動作的隱性故障進行主動診斷并采取相應改造措施，有助于避免故障的發生。

表2 傳統故障檢測與隱性故障檢測方法對比Table 2 Comparison between traditional fault detection and hidden fault detection methods

5 優質供電主動服務商業模式

售電側放開背景下，優質供電服務的目的在于提升供電質量水平和用戶滿意度，減少或預防電力擾動的損失。當前電力市場中的傳統服務方式容易導致用戶需求被忽視，頻繁抱怨、投訴。相比較，主動服務通過主動應用數據信息，即本文第1 章所述的主動感知方法，結合電力擾動監測數據、營銷業務系統相關數據精準識別用戶需求，是售電側放開的市場環境下各售電公司獲得收益、鞏固競爭地位的焦點。為更好地推動多元用戶優質供電服務，主動服務商業模式是必不可少的支撐。本文提出3 種主動服務商業模式，分別是：租賃與產權轉移、以舊換新、電力擾動保險。

5.1 租賃與產權轉移

電力建設項目和發電企業已開始初步結合自身特點和設備租賃模式開展租賃業務，部分風電、光伏和變電站建設項目都采用了租賃模式進行融資［69-70］，一些供電公司已經對配電設施應用了租賃模式。針對優質供電治理服務目前存在的直接投資購買設備費用高昂的瓶頸，可基于治理設備租賃的服務運營模式將租賃期分為產權移交、放棄租賃、繼續租賃3 種模式，如圖4 所示。

圖4 租賃運營模式流程圖Fig.4 Flow chart of leasing operation mode

若配置的治理設備通過電力擾動治理減少的經濟損失達到用戶預期，租賃期限到后用戶可以選擇支付一定數額的費用，將治理設備產權移交到自己手中。相反則可以選擇放棄治理，如果配置的治理設備達到預期但用戶對后續治理效益信心不足或自身運營情況不理想，用戶可以選擇繼續租賃治理設備，依然由設備制造商負責設備運維，產權也不移交。在上述租賃過程中，運營模式的經濟性成本和租賃費用的確定是關鍵難題。經濟性成本又包括初始投入成本量化、租金支付模式研究和收益分析。租賃費用以敏感用戶及治理設備制造商總凈收益最大化為目標，以確保雙方在各種可能情況下都不會出現虧損、盡量減少項目風險為約束，建立優質供電方案費用優化模型［71］，給出年租金和產權移交費的優化值以解決費用定價問題。基于治理設備租賃的新型優質供電運營方式可以吸引到大批潛在用戶參與電力擾動治理，賦予了用戶更多自由選擇權，也讓設備制造商為了提高市場競爭力而加速技術更新，推動電力擾動治理市場化和技術發展。

5.2 以舊換新

在提高資源能源利用效率、減少環境污染、促進節能減排和循環經濟發展的思想觀念驅動下［72］，根據用戶種類和市場規模，售電公司有必要提出一套“以舊換新”的用戶電壓暫降敏感設備的優質電力增值服務策略，即存量用戶以低于新設備的價格和舊的電壓暫降敏感設備換取新的電壓暫降敏感設備，增量用戶以一定價格購買新設備，實現市場細分，在提高用戶滿意度的同時，售電公司將爭取到較多的存量用戶和增量用戶，使得年總售電量提升，進而獲得更多的利潤。

存量用戶通過比較新舊設備給其帶來的感知價值［73］做出決策，增量用戶通過比較各售電公司提供的新敏感設備給其帶來的感知價值的大小做出決策。各售電公司根據電力市場中存在的存量用戶的數目，以增量用戶和存量用戶感知價值為基礎，以利潤最大化為目標，對新敏感設備的價格以及“以舊換新”折扣價格做出決策是尚未解決的難題。另一方面，如何獲取不同用戶生產線的環節、功能、結構等信息是實際應用過程中的另一亟待解決的難題。售電公司針對不同用戶的需求定價方法，不僅不會減少其營業收入，反而會吸引那些本不想購買新敏感設備的用戶前來購買，在增加其收益的同時，也提升了用戶滿意度。

5.3 電力擾動保險

在一些歐洲國家，已經出現敏感用戶直接和配售電公司簽訂電力擾動合同以獲取需求水平的電能質量［74］。而電能質量保險在一定程度上是電能質量合同的進一步發展。文獻［75］提出了一種電能質量保險方法，用戶可以根據自身對電能質量的需求，通過交付不同金額的保費得到不同的電能質量水平，換而言之，選擇了不同的保險保障，電力公司會根據保險合同尋求經濟性最高的電能質量供應水平，若在保期內，用戶實際電能質量水平低于期望水平，則電力公司需進行一定的賠付。然而，如何將保費厘定模型與電力擾動風險相結合，確定保費和賠付限額是尚未解決的難題。用戶、保險機構、電力部門和地方政府，各利益相關者之間的關系如圖5 所示。可見，僅用戶存在直接利益訴求，通過上述三方建立電壓暫降損失風險規避機制是不現實的，而如何引入第三方保險機構也是亟待解決的問題。

圖5 電力擾動損失風險利益相關者之間的關系Fig.5 Relationship between stakeholders of loss risk caused by power disturbance

與傳統方法的本質區別在于，優質供電主動服務是電網公司主動發現問題，并主導服務方案；而被動服務是用戶遭受損失投訴抱怨后，由用戶主導的補救性治理。主動服務不僅考慮了多元用戶的差異化優質電力需求，并且會考慮用戶的資金情況等現實困難，主動協助用戶解決各方面的問題。不同的主動服務商業模式各具特點，能適應不同用戶，豐富了電力服務的多樣性和精準性，擴寬了電力營銷服務業務渠道，提高了用戶電力獲得感。

6 結語

隨著現代電網中電力擾動水平的逐漸升高以及用戶需求水平的不斷提升，反映供用電雙方電磁兼容的矛盾已極大地影響了電網安全穩定運行與營商環境改善。本文以電力擾動數據分析為基礎，以電力擾動改善與防御為目標，從敏感用戶電力擾動需求主動感知、風險主動預警、隱性故障主動診斷和優質供電主動服務4 個層面提出了電力擾動數據的主動應用框架。雖然這些應用分屬于不同領域，但存在以下2 個相同特點：①傳統思路通常局限于電能質量領域本身，忽視了監測數據中包含的電磁暫態信息可以解決其他領域技術難題的特點，在此基礎上其他領域的研究成果又可用于解決電力擾動問題；②傳統思路通常在電力擾動發生后被動分析問題并采取補救性的事后措施，而本文提出的思路是在擾動發生前主動發現問題并采取預防性的事前措施。由此，就面臨著如何提前感知用戶類型以確定用戶對何種擾動敏感，如何提前發出預警信息以幫助指導用戶生產，如何提前診斷設備以避免故障的形成和發展，如何提前為多元用戶制定服務計劃規避風險等多個難題。本文針對上述幾個應用方向闡述了主動應用的前景和亟待解決的難題，以期為工業界和學術界學者們的進一步深入研究提供一些有益的參考。

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