现代电网电力扰动数据分析与主动应用

胡文曦，肖先勇，汪 颖，张文海，王 杨

（四川大学电气工程学院，四川省成都市610065）

0 引言

电力扰动泛指三相电压、电流波形畸变、偏离期望值的现象或事件，而电能质量扰动是其中被定义和认识的特例。随着现代电网中可再生能源比例逐渐升高和新型用电技术快速发展，电力电子技术被广泛使用［1-2］，可再生能源的间歇性和波动特性，加上电力电子设备本身的非线性和快速开断特性，造成电力扰动问题更加突出［3］。另一方面，未来高端制造业发展趋势已向精密化、柔性化、智能化、集成化等方向发展，然而电网企业不能提供高质量电能导致的用户投诉日益增多，成为恶化电网企业与用户之间营商环境的重要原因［4］。随着负荷容量、规模、用电特性发生根本变化，这些用电设备的惯性时间常数更小，对电力扰动事件更加敏感［5］。在售电侧开放的背景下，满足高新技术用户对高质量电能供应的需求，降低用户因电力扰动问题造成的企业产品不合格、数据丢失等损失，提高电网公司市场竞争力与售电收益，已是亟待解决的问题。

现代电网各类监测装置被广泛应用于电力系统的各个环节中，使得“数字化”成为现代电网的重要特征［6-7］。多源数据共享和数据融合等技术为电力扰动问题的解决提供了新思路［8］。数据从处理对象转变为一种基础性资源，已成为除劳动力和资本以外的又一不可或缺的生产力要素［9］，同时也对电力系统的数据处理和数据分析能力提出了挑战［10］。此外，机器学习、人工智能和大数据分析已成为各行业的研究热点［11-12］，基于数据驱动的分析方法被各行业看作突破传统技术瓶颈的关键［13］。电力系统运行人员和决策者近年来正在面临着如何对数据与信息快速、有效地进行分析、加工、提炼以获取系统所需知识并发挥其作用的关键问题［14］。

在上述背景下，侧重于电能质量检测［15-16］、特征刻画［17-19］、评估［20-21］与原因辨识［22-23］的传统方法面临着新的技术瓶颈与难题。一方面，这些方法通过信号处理等方式对扰动发生后的监测数据根据扰动发生、传播和影响过程进行事后分析，属于补救性措施，缺乏事前预防的有效手段；另一方面，现有方法通常关注电能质量领域本身，而忽略了监测数据中包含的稳态和暂态电磁信息可对其他领域的有益探索［8］。由于这些研究在电力扰动产生影响后根据监测数据对扰动的现象和原因进行重现和追溯，本文将这部分研究定义为电力扰动数据的“被动应用”，即在扰动发生后被迫地分析和治理。然而，相较于被动去降低电力扰动问题对用户的影响，若能尽早地防御电力扰动的影响，对于源-网-荷侧若干工程技术难题具有重要意义。

为改善上述现状，本文提出“感知-预警-诊断-服务”的主动应用框架，该框架以电力扰动监测数据为基础，通过数据分析主动挖掘包含电力扰动本身在内的部分领域规律和知识，并为电力扰动问题的改善所服务。为此，本文从主动感知用户类别、主动预警扰动风险、主动诊断隐性故障、主动为敏感用户提供差异化的优质供电服务4 个层面阐述了“电力扰动数据分析与主动应用”这一方向的研究价值，并综述了4 个层面的前瞻性研究，以期吸引更多学者参与工业界和学术界对主动应用的探讨与研究。

1 电力扰动主动应用的基本思路

1.1 电力扰动监测数据的特点

由于电能质量扰动是电力扰动的一种特例，因此电能质量监测数据可以看作电力扰动数据经过特定检测算法获取的三相电压、电流波形数据。在现代电网的诸多监测数据中，电力扰动监测数据存在着以下优点：①易实现，电力扰动监测数据的获取方便；②成本低，电能质量问题经过30 多年的研究和发展，已在电网中安装有大量监测装置，针对无法大量安装监测装置的配电网，也已有研究分析优化配置方案以期实现少量监测装置满足后续数据分析的需要［24］；③非侵入，对系统没有注入干扰，避免了人工干预的影响；④信息大，电力扰动监测数据包含特有的暂态信息，蕴含着大量能反映用户用电行为、设备运行状态等信息。综上，在现代电网的诸多类型各异的监测数据中，电力扰动监测数据具有其独特的优点，是主动应用的必要数据基础。

1.2 电力扰动监测数据蕴含的信息

安装在电网变电站出线端的电力扰动监测装置可以监测并且记录电压、电流波形曲线，而曲线中发生的突变反映了源-网-荷侧的各类扰动，如图1所示。

图1 电力扰动监测数据中的相关信息Fig.1 Relevant information in power disturbance monitoring data

例如，电源侧新能源并网由于其间歇性或电力电子设备的开断特性容易造成电力扰动，雷击等气象因素也是造成电力扰动的常见原因；电网侧发生的各类电网故障以及变压器、电容器等设备异常运行也会造成监测数据中出现相应的波形畸变；用户侧敏感设备故障以及负荷的动态用电行为同样会产生电力扰动。这些扰动，在过去的研究中被划分到新能源并网、继电保护、电力市场等领域，但其本质均是电压、电流发生畸变、偏离期望值的现象或事件。因此，对扰动数据进行分析以发现其蕴含的知识，可应用于解决源-网-荷侧的不同技术难题，为电力扰动主动应用的可行性与合理性提供了有效支撑。

1.3 电力扰动主动应用场景

通过电力扰动数据分析，本文将对部分主动应用场景进行探讨。电力扰动主动应用的一大特点是基于电力扰动监测数据解决包含负荷监测、设备运行状态评价、故障诊断、电力市场等不同领域的技术难题。虽然各领域应用的对象不同，但分析对象均为电力扰动，分析目标均为电力扰动的改善和治理。因此，本文提出“主动感知-主动预警-主动诊断-主动服务”的应用框架，分别解决如何提前感知用户类型以确定用户对何种扰动敏感，如何提前发出预警信息以帮助指导用户生产，如何提前诊断设备以避免故障的形成和发展，如何提前为多元用户制定服务计划规避风险等多个难题。这些难题均围绕一个核心目标，即如何避免电力扰动对电网运行和敏感用户生产造成影响。需要说明的是，电力扰动主动应用方向并不仅局限于上述4 个层面，本文以此为例进行展开介绍，以吸引研究学者对主动应用方向开展更多的有益探索。

2 敏感用户电力扰动主动感知

2.1 非侵入式负荷监测技术

通过负荷监测获取用户用电信息，支撑智能用能服务是智能电网的重要环节之一［25］。不同设备功率曲线如附录A 图A1 所示，不同用电设备投切时会呈现出独特的反映用电状态的电力扰动特征。

传统侵入式负荷监测（intrusive load monitoring，ILM）需要在各用电设备的用电线路上加装电信号采集装置，虽然精度较高但成本较大，且信号采集装置的安装或者配置十分不便［26］。与之相对的非侵入式负荷监测（non-intrusive load monitoring，NILM）因其仅在用户用电关口加装信息采集装置，不改变原建筑线路结构，因此实用性和经济性均更优［26］。通过对馈线上总的用电信号进行分解，可获取各用电设备的用电信息，NILM 的通用流程如图2 所示，包括事件检测、特征提取和负荷辨识3 个关键环节。其中，事件检测通过监测信号的变化情况判断监测设备所处的运行状态；特征提取是在判定设备投入使用后从监测信号中提取反映设备独特电气状态的稳态特征和暂态特征；负荷辨识则是根据提取特征通过机器学习等方法对负荷类型进行分类识别。

图2 NILM 流程Fig.2 Flow chart of NILM

随着负荷种类与用电状态的多样化，监测数据中呈现出大量新的未知变化，负荷分类与识别的准确性是亟待解决的难题，现有研究分别从不同环节对准确性进行了改进。针对事件检测算法检测延迟和动态性能不佳的缺陷，文献［27］通过参数设置引入自适应手段，提高检测算法的准确性；文献［28］通过参数训练对参数设置与选择进行优化。此外，由于不同设备产生的用电事件暂态过程区别很大，固定的参数检测往往不能满足各类用电事件的正确捕捉，文献［29］等研究对事件探测算法参数进行训练，实现探测的自适应，以增强检测算法的鲁棒性与准确性。特征提取方面，目前通常采用稳态、暂态和非传统等多维特征提高算法的识别准确度，文献［30］基于监测数据提取了设备有功功率、无功功率、谐波、尖峰信号等多维特征，具有较强的区分能力。此外，受机器学习过程中特征优化思想的启发，文献［31］对输入特征进行去冗余处理，通过约简特征集提取必要特征。基于模式识别的负荷辨识算法根据学习样本所属类别是否已知可分为监督算法与非监督2 类。近年来，已有大量研究采用包括贝叶斯［32］、神经网络［33］等分类器基于监督学习对负荷进行辨识。然而，由于监督学习需要事先对事件进行大量标记，受主观因素影响严重，因此基于聚类［34］、马尔可夫模型［35］等非监督学习算法开始被大量研究。虽然非监督学习算法无需设备标签降低了人为干预，但算法准确性也相对降低。

2.2 电力扰动监测数据的时间间隔影响

在上述NILM 技术中，基于机器学习方法在各领域的快速发展和应用，如何选择并提取特征成为负荷辨识的一大难点。由于暂态特征相对于稳态特征更不容易出现特征重叠现象，且反映用电设备暂态过程的特征与设备的功能密切相关［26］，因此在提取稳态特征的基础上，暂态特征的提取成为负荷监测过程中的关键环节。为此，NILM 算法所需要的数据一般分为2 类，一类是低频功率信号，另外一类是高频的电压、电流信号。其中，低频的有功、无功时间序列，一般用于研究的数据时间间隔要求在几秒至几分钟之内，而智能电表功率时间间隔在几十分钟级，达不到算法要求，故往往需要在计量关口处加装专门的数据采集装置。同时，再加之电压、电流信号需要做傅里叶变换、小波变换等处理，要求的数据采样频率更高，故需要加装单独的采样装置采集电信号。相比较，以电能质量监测装置为代表的电力扰动监测装置由于其自身对暂态电能质量扰动的固有监测需求，具有较长的时间间隔，因此应用监测数据进行负荷监测满足其分析要求。

2.3 电力扰动敏感负荷辨识方法

随着新型用电设备的快速更新迭代，设备对何种电力扰动更为敏感存在难以提前得知的情况。此外，针对同一类型的电力扰动，不同扰动特征下不同敏感设备也可能存在不同响应过程。因此，可进一步借助NILM 技术辨识敏感负荷的子类别和占比，有利于针对高品质供电客户群进行需求画像，更有利于为后续针对性的治理措施提供决策支持。

以电压暂降这一典型电力扰动为例，半导体行业、精密器械加工、机场、生物制药等高新技术受电压暂降影响严重，容易导致生产过程中断［36-37］。具体体现在：交流接触器（AC contactor，ACC）会在电压下降时触点断开，造成负荷停运；可编程逻辑控制器（programmable logic controller，PLC）在发生电压暂降时工作异常，对伺服电机、数控机床等设备的控制紊乱或中断，从而导致废品率上升；变频调速器（adjustable speed driver，ASD）装置在电压不足时无法正常工作，中央空调控制频率的变频器会退出运转；个人计算机（personal computer，PC）电源在电压发生扰动时可能不正常关机，导致存储数据的缺失。上述4 类典型敏感设备的耐受曲线［38］如附录A图A2 所示，如果电压暂降幅值和持续时间落入阴影区域，则电压暂降造成敏感设备无法正常工作。

可见，同一暂降事件可能对不同类别敏感设备造成不同的影响。采用NILM 的技术思路，根据电能质量监测数据计算电压幅值、电流幅值、有功功率与无功功率轨迹。附录A 图A3 给出了2 类不同设备的有功功率轨迹，可以看出不同类型设备的功率轨迹呈现出不同的波形特征，在此基础上可通过聚类实现敏感用户辨识并得到各类负荷占比，进而为不同类别的用户提供差异化的优质供电服务。

传统方法既无法根据监测数据辨识敏感负荷类型，又无法得知馈线上不同类别敏感负荷的占比。因此，分析和治理手段都过于滞后。并非所有的用户都需要高品质供电，通过上述主动感知的方式，精准判断配电网线路上敏感负荷占比有利于找到需要高品质供电的敏感客户群，提高治理效果，降低治理成本。

3 多源数据驱动的电力扰动风险主动预警

3.1 现代电网中的多源数据

虽然现代电网大量类型不一和功能各异的监测装置与监测系统可获取海量监测数据［39］，但包含不同物理信息的多元平台监测数据相互存在壁垒，监测数据没有得到充分利用，造成极大的信息缺失和资源浪费。一方面，单一系统无法或需要极大计算代价获取的监测信息可能在其他监测系统直接获取；另一方面，不同监测系统根据不同需求配置监测装置，考虑监测成本等因素，部分监测系统的监测区域难以覆盖全供电范围，可通过状态估计、规则推导、数字镜像或模式匹配等方式实现多平台监测信息的互补。现代电网包含或相关的常见监测系统如表1 所示。根据可获取的不同监测信息，本文仅从电力扰动数据分析的角度将监测系统分为电网侧、用户侧以及扰动相关的系统3 个类别。

表1 现代电网中部分典型监测系统Table 1 Several typical monitoring systems in modern power grid

电网侧相关的监测系统主要获取电网运行方式、元件参数、空间拓扑关系等信息；用户侧监测系统主要获取负荷容量、类别、生产方式等信息；扰动相关系统主要获取电网故障、气象灾害以及电力扰动等信息。以电网侧、用户侧相关系统为基础，可对某一时刻断面下的电网进行镜像，结合扰动相关的监测系统可实现电力扰动的重现或推演。

3.2 关联规则挖掘方法

数据挖掘中的关联规则挖掘方法最初被用来分析用户购买商品的项集间关系［40］，之后也常被应用在电力系统的负荷预测［41］、安全稳定性评估［42］、故障分析［43］、经济调度［44］等方面。使用关联规则挖掘技术既可以发现潜藏在数据中有价值的规律知识，又可以打破不同物理信息系统之间的壁垒，且不依赖于先验知识构建精确模型。因此，关联规则挖掘成为大数据背景下各领域突破技术瓶颈的关键手段之一［45］。

关联规则挖掘的前提是对连续型数据进行离散化［46］，合理的离散化结果不仅可以提高算法的效率和抗噪能力，还能够减少对规则的影响。文献［47］采用高斯云模型对电压暂降事件的时间和位置等连续型数据进行离散；文献［48］利用K-means 算法离散配电网故障的相关连续型影响因素；文献［49］利用布尔型离散化方法和基于ChiMerge 的多值离散化方法离散变压器在线监测的连续型数据。此外，如何减小数据分布、冗余属性对规则的影响是关联规则挖掘中必须解决的难题。文献［50］采用剪枝和自连接在一定支持度阈值下获取频繁项集，随后通过置信度阈值在频繁项集中挖掘关联规则；文献［47］在此基础上利用维度矩阵减少了运算时需要的时间和空间量；由于雷击是造成电网故障最主要的原因，文献［51］利用关联规则挖掘输电线路的雷击故障与影响因素的关系。此外，粗糙集根据人们基于分辨能力进行客观事物认知的特点提取知识且不受主观影响，因而受到大量应用［52］。文献［53-54］基于多粒度粗糙集通过粒度约简和属性约简挖掘出电压暂降的严重程度与电网结构属性之间的关联规则，量化了电网结构属性对电压暂降传播规律的影响程度，并利用该规则实现了面向电压暂降的电网结构优化，优化前后的电网暂降水平如附录A 图A4所示。

3.3 电力扰动风险主动预警

关联规则挖掘的本质是提取数据库中频繁出现的若干属性之间的对应规律，将难以用数学解析式和精确模型表达的知识通过规则的形式呈现出来。对于受气象诱因、电网结构、负荷水平以及人为活动等多不确定性因素影响的电力扰动事件，可通过多粒度属性构建的决策信息表［55］，挖掘得到if（前件）→then（后件）的语句格式，规则前件和后件分别表示条件属性与决策属性的取值。因此，该条语句可表示为：当各条件属性为对应数值时，可以推导得出决策属性的数值大小。例如，文献［47］挖掘出了空间位置、时间、负荷水平等因素对电压暂降水平的影响。由于短时电力扰动事件带有明显起止时刻标记，有助于多监测平台的事件匹配，进而可找到“气象因素-雷电-电压暂降-用户生产”等多个层级的关联关系，通过关联规则逐层推导电压暂降发生并对用户生产造成影响的风险。

不同于传统电能质量分析方法在扰动发生后对扰动的影响程度进行评估，基于多源数据可在扰动事件发生前结合气象预测、防外破监测等系统提前预测电网故障的发生，结合敏感用户的位置与生产过程，为用户发送预警信号，帮助用户避免生产过程受扰动影响，即主动预警电力扰动风险。

4 电网设备元件隐性故障主动诊断

4.1 电网中的隐性故障

隐性故障又叫早期故障或弱故障，是电网设备元件发生显性故障前的过渡状态。传统继电保护将系统划分为2 种状态：正常运行状态和故障跳闸状态，如图3 所示。然而实际运行中由于绝缘老化过程等方面的原因，系统中存在一部分故障扰动并不会导致馈线保护跳闸，处于该阶段的故障扰动统称为隐性故障［56］。虽然该类故障未引起故障停电，然而却会对系统构成安全隐患，当隐性故障发展到一定程度后，将导致显性故障扩大、保护动作。

图3 配电网部分故障状态发展过程Fig.3 Development process of some fault states in distribution system

隐性故障概念在机械故障诊断领域又称微小故障，并且已在机械故障诊断［57］、控制系统的故障检测诊断［58］中得到了应用，弱故障的检测对于提高系统可靠性、预防严重故障和降低事故风险具有重要意义。该结论同样适用于电力系统中，并且已在电机、变压器的故障诊断中得到应用［59-60］。

4.2 波形数据中的隐性故障特征

由于电网设备发生隐性故障时会造成三相电压、电流波形也发生畸变，而电力扰动监测数据的一大特点是能够获取电磁暂态信息［8］。因此，借助电力扰动监测数据分析隐性故障是否发生，既不需要安装额外的监测装置，也无需停电检测，还有助于提前采取治理措施避免故障的进一步发展。为此，IEEE 成立了电力扰动数据分析工作组，对电缆、变压器、电容器等设备发生隐性故障时的波形特征进行了前瞻性研究［61］。以电缆隐性故障为例，其电压、电流波形如附录A 图A5 所示。

附录A 图A5 的波形特征可总结为：多发生在电压峰值时刻，是因为此时电压应力最大，电缆绝缘更容易被击穿；按照持续时间可分为半周期早期故障和多周期早期故障，持续时间分别为0.25～0.5 个周期和1～4 个周期，具有重复性；多为单相接地故障，不会引起电力系统保护装置动作。

4.3 电网隐性故障主动诊断方法

基于监测数据识别设备隐性故障状态面临着数据存储与异常检测等难题。考虑到数据存储容量的限制，现有电能质量监测装置针对暂态扰动事件采用触发录波的方式，当对应监测值超过设置阈值时，监测装置开始记录三相电压、电流波形数据［62］。阈值设置建立在电能质量扰动事件已有清晰明确的特征定义的基础上。然而，由于不同运行设备隐性故障下的波形特征变化模式多样，且时间尺度不一，再加上当前对设备隐性故障的波形特征研究较少，因此目前尚无明确定义，导致难以采用触发录波的方式。为了保留隐性故障下的波形特征，目前采用持续录波的方式，但对监测装置的存储容量和通信能力提出了挑战，现有电能质量监测装置开发厂商已经通过增加硬盘容量等方式着手解决，但存储和通信成本的增加是面临的另一难题。此外，波形数据的无损压缩是另一种解决方式，然而目前的数据压缩方式仍难以保留半周期内的波形特征［63］。

异常检测方面，由于波形特征的定义缺失，传统电能质量领域的检测算法难以适用，需要从隐性故障电流的幅值和持续时间特征出发，研究新的检测判据识别隐性故障，如瞬时值检测法、卡尔曼滤波算法。文献［64］提出利用小波变换和故障电流叠加分量分别进行半周期早期故障和多周期早期故障的检测，该方法利用早期故障扰动在幅值和持续时间的特殊性进行检测，并且通过分析扰动消除前后负荷电流的变化来确定是否为自清除扰动；文献［65］提出利用慢动态卡尔曼滤波估计基频零序电流分量来检测。与传统检测方法相比，基于电能质量监测数据的隐性故障检测具有的特点如表2 所示。

除上述基于信号处理来根据特征判据检测设备隐性故障状态的方法外，随着人工智能方法在各领域的发展与应用，通过机器学习识别电网设备元件运行状态成为近年来的发展趋势。其基本思路与电能质量扰动的分类识别类似，仍是以特征提取［66］、特征选择［67］、分类器训练［68］为关键环节。由于算法要求获取带标签的波形数据进行训练。因此，该类方法仍然受限于电网中监测装置是否可靠记录隐性故障波形特征。

相对于传统方法针对已发生的显性故障进行诊断，以电压、电流中反映设备异常的波形特征为突破口，对不会造成保护动作的隐性故障进行主动诊断并采取相应改造措施，有助于避免故障的发生。

表2 传统故障检测与隐性故障检测方法对比Table 2 Comparison between traditional fault detection and hidden fault detection methods

5 优质供电主动服务商业模式

售电侧放开背景下，优质供电服务的目的在于提升供电质量水平和用户满意度，减少或预防电力扰动的损失。当前电力市场中的传统服务方式容易导致用户需求被忽视，频繁抱怨、投诉。相比较，主动服务通过主动应用数据信息，即本文第1 章所述的主动感知方法，结合电力扰动监测数据、营销业务系统相关数据精准识别用户需求，是售电侧放开的市场环境下各售电公司获得收益、巩固竞争地位的焦点。为更好地推动多元用户优质供电服务，主动服务商业模式是必不可少的支撑。本文提出3 种主动服务商业模式，分别是：租赁与产权转移、以旧换新、电力扰动保险。

5.1 租赁与产权转移

电力建设项目和发电企业已开始初步结合自身特点和设备租赁模式开展租赁业务，部分风电、光伏和变电站建设项目都采用了租赁模式进行融资［69-70］，一些供电公司已经对配电设施应用了租赁模式。针对优质供电治理服务目前存在的直接投资购买设备费用高昂的瓶颈，可基于治理设备租赁的服务运营模式将租赁期分为产权移交、放弃租赁、继续租赁3 种模式，如图4 所示。

图4 租赁运营模式流程图Fig.4 Flow chart of leasing operation mode

若配置的治理设备通过电力扰动治理减少的经济损失达到用户预期，租赁期限到后用户可以选择支付一定数额的费用，将治理设备产权移交到自己手中。相反则可以选择放弃治理，如果配置的治理设备达到预期但用户对后续治理效益信心不足或自身运营情况不理想，用户可以选择继续租赁治理设备，依然由设备制造商负责设备运维，产权也不移交。在上述租赁过程中，运营模式的经济性成本和租赁费用的确定是关键难题。经济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。租赁费用以敏感用户及治理设备制造商总净收益最大化为目标，以确保双方在各种可能情况下都不会出现亏损、尽量减少项目风险为约束，建立优质供电方案费用优化模型［71］，给出年租金和产权移交费的优化值以解决费用定价问题。基于治理设备租赁的新型优质供电运营方式可以吸引到大批潜在用户参与电力扰动治理，赋予了用户更多自由选择权，也让设备制造商为了提高市场竞争力而加速技术更新，推动电力扰动治理市场化和技术发展。

5.2 以旧换新

在提高资源能源利用效率、减少环境污染、促进节能减排和循环经济发展的思想观念驱动下［72］，根据用户种类和市场规模，售电公司有必要提出一套“以旧换新”的用户电压暂降敏感设备的优质电力增值服务策略，即存量用户以低于新设备的价格和旧的电压暂降敏感设备换取新的电压暂降敏感设备，增量用户以一定价格购买新设备，实现市场细分，在提高用户满意度的同时，售电公司将争取到较多的存量用户和增量用户，使得年总售电量提升，进而获得更多的利润。

存量用户通过比较新旧设备给其带来的感知价值［73］做出决策，增量用户通过比较各售电公司提供的新敏感设备给其带来的感知价值的大小做出决策。各售电公司根据电力市场中存在的存量用户的数目，以增量用户和存量用户感知价值为基础，以利润最大化为目标，对新敏感设备的价格以及“以旧换新”折扣价格做出决策是尚未解决的难题。另一方面，如何获取不同用户生产线的环节、功能、结构等信息是实际应用过程中的另一亟待解决的难题。售电公司针对不同用户的需求定价方法，不仅不会减少其营业收入，反而会吸引那些本不想购买新敏感设备的用户前来购买，在增加其收益的同时，也提升了用户满意度。

5.3 电力扰动保险

在一些欧洲国家，已经出现敏感用户直接和配售电公司签订电力扰动合同以获取需求水平的电能质量［74］。而电能质量保险在一定程度上是电能质量合同的进一步发展。文献［75］提出了一种电能质量保险方法，用户可以根据自身对电能质量的需求，通过交付不同金额的保费得到不同的电能质量水平，换而言之，选择了不同的保险保障，电力公司会根据保险合同寻求经济性最高的电能质量供应水平，若在保期内，用户实际电能质量水平低于期望水平，则电力公司需进行一定的赔付。然而，如何将保费厘定模型与电力扰动风险相结合，确定保费和赔付限额是尚未解决的难题。用户、保险机构、电力部门和地方政府，各利益相关者之间的关系如图5 所示。可见，仅用户存在直接利益诉求，通过上述三方建立电压暂降损失风险规避机制是不现实的，而如何引入第三方保险机构也是亟待解决的问题。

图5 电力扰动损失风险利益相关者之间的关系Fig.5 Relationship between stakeholders of loss risk caused by power disturbance

与传统方法的本质区别在于，优质供电主动服务是电网公司主动发现问题，并主导服务方案；而被动服务是用户遭受损失投诉抱怨后，由用户主导的补救性治理。主动服务不仅考虑了多元用户的差异化优质电力需求，并且会考虑用户的资金情况等现实困难，主动协助用户解决各方面的问题。不同的主动服务商业模式各具特点，能适应不同用户，丰富了电力服务的多样性和精准性，扩宽了电力营销服务业务渠道，提高了用户电力获得感。

6 结语

随着现代电网中电力扰动水平的逐渐升高以及用户需求水平的不断提升，反映供用电双方电磁兼容的矛盾已极大地影响了电网安全稳定运行与营商环境改善。本文以电力扰动数据分析为基础，以电力扰动改善与防御为目标，从敏感用户电力扰动需求主动感知、风险主动预警、隐性故障主动诊断和优质供电主动服务4 个层面提出了电力扰动数据的主动应用框架。虽然这些应用分属于不同领域，但存在以下2 个相同特点：①传统思路通常局限于电能质量领域本身，忽视了监测数据中包含的电磁暂态信息可以解决其他领域技术难题的特点，在此基础上其他领域的研究成果又可用于解决电力扰动问题；②传统思路通常在电力扰动发生后被动分析问题并采取补救性的事后措施，而本文提出的思路是在扰动发生前主动发现问题并采取预防性的事前措施。由此，就面临着如何提前感知用户类型以确定用户对何种扰动敏感，如何提前发出预警信息以帮助指导用户生产，如何提前诊断设备以避免故障的形成和发展，如何提前为多元用户制定服务计划规避风险等多个难题。本文针对上述几个应用方向阐述了主动应用的前景和亟待解决的难题，以期为工业界和学术界学者们的进一步深入研究提供一些有益的参考。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。