[0001] 本发明涉及配电网定额技术领域，更具体地说，本发明涉及基于大数据的配电网结算定额方法、设备及装置。

[0002] 配电网结算作为电力行业的重要环节，不仅关系到工程项目的经济效益，还直接影响到电力市场的健康稳定发展。随着市场化改革的全面推进和电力体制改革的不断深化，配电网结算的背景技术也在不断演进，以适应更高效、更智能的电力供应体系需求。

[0003] 例如公告号为：CN108681950A的发明专利公告的基于区块链技术的配电网需求响应交易结算方法，包括步骤如下：根据选定的多区域柔性互联配电网，分别输入多区域柔性互联配电网基本参数信息；依据提供的基本参数信息，分别建立多区域柔性互联配电网中各区域配电网电能交易定价策略；根据各区域配电网的端对端电能交易报价集，考虑多端智能软开关的有功功率传输平衡约束形成可行方案集合，基于改进的综合报价最高原则进行智能合约决策；根据智能合约决策结果，采取利益均分原则进行多区域柔性互联配电网端对端电能交易结算，输出电能交易结算结果，包括：各区域配电网的结算金额、多端智能软开关的传输功率。本发明实现多端智能软开关出力的实时调节，实现系统高效灵活运行。

[0004] 例如公告号为：CN115545914A的发明专利公告的一种增量配电网市场化交易结算方法，包括：结算主体、结算成分、结算方法和系统支撑，所述其中结算方法包括：配电网企业与省级电网企业结算方法包括配电网企业可根据实际情况，自主选择综合结算电价或分类结算电价与省级电网企业结算电费，配电网企业与非市场化电力用户结算方法：配电网企业以代理购电价格为参考，该增量配电网市场化交易结算方法，采用配电网企业与省级电网企业结算方法、配电网企业与非市场化电力用户结算方法、配电网企业与直接与发电企业交易的电力用户结算方法等，更加直观的理清配电网市场的各方结算责任。

[0005] 上述公开的技术方案中，至少存在如下技术问题：随着环保意识的增强和能源技术的发展，分布式能源如太阳能光伏发电、小型风力发电等越来越多地接入配电网。传统基于电网供电量的结算定额方法，是按照固定的电量单价和预先设定的结算规则进行费用结算。然而，分布式能源具有间歇性、波动性强的特点，其发电功率和发电量受自然条件（如光照强度、风力大小）等因素影响显著。同时，用户的用电行为也日益复杂多样，用电需求峰谷差异明显。这就导致传统结算定额方法无法适应配电网中电力供需的动态变化。在实际运行中，无法准确衡量发电方因不同时段发电特征差异所应获得的合理收益，也难以体现用户用电行为对电网稳定性的影响，更无法有效激励发电方和用户共同维护配电网的稳定运行，使得各方利益难以得到公平公正的体现。
针对上述问题，本发明提出一种解决方案。

[0018] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0019] 实施例1，图1为本申请实施例提供的基于大数据的配电网结算定额方法结构示意图，包括如下步骤：S1，实时获取分布式能源发电数据，基于聚类分析算法将不同类型的分布式能源发电数据进行分类，并对分类结果进行分析得到配电网的发电特性。

[0020] 本实例中，在配电网的各个关键节点，包括分布式能源发电设备的输出端、用户的用电接入点以及电网的输电线路上，部署大量高精度、具备实时通信功能的智能传感器。这些传感器能够对各类数据进行毫秒级别的精确采集。通过在发电设备上安装的功率传感器和电量计量装置，实时获取发电量。

[0021] 实时获取分布式能源发电数据和用户用电数据后，对数据进行清洗和预处理，通过异常值检测算法，去除因传感器故障或通信干扰导致的异常数据，利用数据插值法，对缺失的数据进行合理的补充。针对不同类型的分布式能源发电数据和用户用电数据，选择合适的聚类分析算法。常用的聚类算法包括K‑means算法、层次聚类算法、DBSCAN算法等。

[0022] 根据聚类分析算法将不同类型的分布式能源发电数据进行分类，具体为：基于大数据获取不同季节和天气条件下的分布式能源发电数据点；
根据不同季节和天气条件对分布式能源发电的影响确定初始特征类型，初始特征类型包括晴天夏季、阴天夏季、晴天冬季、阴天冬季；
将初始特征类型作为初始聚类中心，基于欧几里得距离公式计算分布式能源发电数据点与初始聚类中心的距离；
将每个分布式能源发电数据点分配到距离最近的初始聚类中心中；
对于每个初始聚类中心所有的分布式能源发电数据点，计算其在光照强度特征维度上的平均值，将平均值设为新的聚类中心；
基于K‑means算法重复计算距离、分配数据点和更新聚类中心的过程，直到算法收敛，得到聚类结果。

[0023] 所述欧几里得距离公式，具体的计算公式如下：

[0024] 式子中， 为分布式能源发电数据点的坐标向量， 为聚类中心的坐标向量， 为数据维度，其中 =1,2,3,...，R,R为整数。

[0025] 根据不同的分类进行分析得到配电网的发电特性，具体为：根据聚类结果绘制散点图，将光照强度设为X轴，发电量设为Y轴，初始特征类型为不同的颜色；
对散点图进行分析得到配电网不同初始特征类型的发电特性；
对于晴天夏季的初始特征类型，光照强度高，产生的发电量高，人员维护频率变高；
对于阴天夏季和阴天冬季的初始特征类型，光照强度低，产生的发电量低，人员维护频率变低；
对于晴天冬季的初始特征类型，光照强度中，产生的发电量适中，人员维护频率适中。

[0026] 需要说明的是，通过对不同聚类类别的发电特性分析，对于后续的结算定额方案制定具有以下优点：增强精准性：详细了解各类发电方式的发电特性后，能够更精准地预测其发电量范围。例如，通过分析某地区风力发电的历史数据和当地风力资源的特点，包括风向、风速的季节性变化等发电特性，可以建立更准确的发电模型。在制定结算定额方案时，就可以根据这个精准的模型来确定合理的定额标准。对于火力发电企业，考虑到其设备运行的稳定性和燃料供应的可预测性，可以制定出较为固定的基本发电定额；对于可再生能源发电企业，结合其资源波动性特点，设置动态的、与资源条件挂钩的定额调整机制，从而使结算定额方案能够更精准地反映实际发电情况。

[0027] 提高公平性：不同的发电类别具有不同的发电特性。例如，火力发电相对稳定，可根据燃料供应情况较为精准地控制发电量；水力发电受季节性降水影响较大，发电量在丰水期和枯水期差异明显；风力发电则依赖于风力资源，具有间歇性和波动性。通过对这些不同聚类类别的发电特性分析，在结算定额方案制定时可以考虑到这些差异。

[0028] 在结算定额计算中，针对不同发电特性的类别制定不同的电价策略；在电力调度中，根据不同季节、不同天气条件下的发电特性预测，提前做好电力供需平衡的规划。

[0029] S2，构建配电网实时动态模型，判断配电网的异常状态，对配电网的异常状态进行调节，获取调节后的补偿定额。

[0030] 本实例中，构建配电网实时动态模型可以持续监测配电网的运行状态，对电力流、负荷变化、设备健康等关键参数进行实时跟踪。当配电网出现异常时，模型能够实时检测到这些异常并进行诊断。这样能够在故障发生初期迅速识别问题，并提供预警，减少停电时间和故障影响。当配电网出现故障时，实时动态模型能够帮助快速定位故障区域。可以迅速确定发生故障线路，。这使得运维人员可以在最短的时间内进行故障隔离与修复，提高恢复效率。构建配电网实时动态模型，可以在故障发生前、发生中以及恢复过程中，提供更加高效、准确的判断与决策支持，提升电网的运行安全性与稳定性构建配电网实时动态模型，并判断配电网的异常状态，具体为：
实时获取线路损耗数据和电压偏差数据，并基于神经网络算法构建配电网实时动态模型；
获取预设的时间段内配电网实时动态模型的输出，整合成数据集；
利用统计学方式得到数据集的均值和标准差；
基于3 原则，将数据集的均值超过3倍的标准差视为配电网的异常状态。

[0031] 线路损耗数据是用来评估线路损耗的程度。它通过反映电力或信号在传输过程中的能量损失，帮助工程师分析线路的运行效率。在配电网的实时动态模型中，线路损耗数据发挥着至关重要的作用，尤其在判断和识别配电网的异常状态方面具有显著的应用价值。

[0032] 线路损耗数据，具体的获取方法如下：获取线路的电导、电纳以及电压幅值；
基于潮流算法计算得到线路的有功损耗和无功损耗；
根据有功损耗和无功损耗进行整合得到线路损耗数据；
所述有功损耗，具体的计算公式如下：

[0033] 所述无功损耗，具体的计算公式如下：

[0034] 所述线路损耗数据，具体的计算公式如下：

[0035] 式子中， 为线路损耗数据， 为线路 的无功损耗， 为线路 的有功损耗，为线路 的电导， 为线路 的电纳，为节点 的电压幅值， 为节点的电压幅值， 为节点 、的电压相角差。

[0036] 电压偏差数据是用来量化电压偏差的程度。即在电力系统中实际电压与标准电压之间的差异。这些数据反映了配电网中电压质量的变化情况，对电力系统的稳定性和设备运行至关重要。在配电网的实时动态模型中，电压偏差数据扮演着至关重要的角色，尤其在判断配电网异常状态时，能够为检测和定位问题提供有力支持。

[0037] 电压偏差数据，具体的获取方法如下：根据预设的时间间隔实时采集电压数据，得到电压数据集；
基于统计方法对电压数据集进行平均数计算得到平均电压偏差；
根据平均电压偏差计算电压数据集的标准差来量化电压偏差的离散程度，得到电压偏差数据。

[0038] 所述平均电压偏差，具体的计算公式如下：

[0039] 所述电压数据集的标准差，具体的计算公式如下：

[0040] 式子中， 为电压偏差数据， 为第 个电压数据， 为标准电压， 为平均电压偏差，N为电压数据总数。

[0041] 配电网实时动态模型，具体的计算公式如下：

[0042] 式子中， 为配电网实时动态模型， 为线路损耗数据， 为电压偏差数据，为线路损耗数据的权重， 为电压偏差数据的权重。

[0043] 需要说明的是，该模型是通过神经网络算法构建的，线路损耗数据的权重和电压偏差数据的权重是通过大量的历史数据，经过不断调整和迭代训练出来的。

[0044] 对配电网的异常状态进行调节，获取调节后的补偿定额，具体为：获取配电网的异常状态，配电网的异常状态类型包括电压异常、功率因素异常以及线路异常；
对配电网的电压异常、功率因素异常基于补偿设备投入无功补偿进行调节，当异常状态恢复到正常时，停止投入；
根据实际投入的无功补偿容量和投切时间进行计算得到无功补偿的总量；
获取线路异常调节过程中的设备特征信息和单位容量的无功补偿信息，基于无功补偿的总量得到调节后的补偿定额。

[0045] S3，根据配电网的发电特性和补偿定额基于粒子群优化算法得到优化的结算定额方案，具体为：根据发电特性确定不同季节和天气条件下对应的第一特征，所述第一特征包括发电特征、材料特征和人力特征；
将第一特征结合补偿定额根据最小化配电网的综合成本建立目标函数，确定约束条件；
基于粒子群优化算法将每个粒子的位置设为一个结算定额方案，将每个粒子的速度设为第一特征和补偿定额；
初始化粒每个粒子的位置、速度以及个体最优位置，进行迭代循环，根据速度更新公式和位置更新公式来更新每个粒子的速度和位置；
对于每个更新后的粒子位置，计算其适应度值，所述适应度值即为目标函数的计算；
若当前位置的适应度值优于个体最优位置，则更新个体最优位置，当前位置的适应度值优于个体最优位置可以理解为当前位置的适应度值小于个体最优位置；
当迭代达到最大迭代次数后，停止迭代，在所有粒子的个体最优位置中选择适应度值最小的作为全局最优位置，该全局最优位置即为最优结算定额方案。

[0046] 所述适应度值，具体的计算公式如下：

[0047] 式子中， 为适应度值， 为发电特征， 为材料特征， 为人力特征， 、 、、 分别为结算定额的占比。

[0048] 所述速度更新公式，具体的计算公式如下：

[0049] 所述位置更新公式，具体的计算公式如下：

[0050] 式子中， 为粒子 在第 次迭代时的速度，W为惯性权重， 和 为学习因子，和 为 区间内均匀分布的随机数， 为粒子 的个体最优位置， 为粒子 在第 次迭代时的位置， 为全局最优位置。

[0051] 需要说明的是， + + + =1为约束条件。

[0052] 实施例2，图2为本申请实施例提供的基于大数据的配电网结算定额装置结构示意图，包括聚类分类模块，异常状态识别和补偿定额获取模块，结算定额方案优化模块，模块间存在连接：聚类分类模块：用于实时获取分布式能源发电数据，基于聚类分析算法将不同类型的分布式能源发电数据进行分类，并对分类结果进行分析得到配电网的发电特性；
异常状态识别和补偿定额获取模块，用于构建配电网实时动态模型，判断配电网的异常状态，对配电网的异常状态进行调节，获取调节后的补偿定额；
结算定额方案优化模块，用于根据配电网的发电特性和补偿定额基于粒子群优化算法得到优化的结算定额方案。

[0053] 上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

[0054] 上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。

[0055] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

[0056] 另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。

[0057] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

[0058] 最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。