Исследование способов фазировки однофазных потребителей по данным профилей напряжения
DOI:
https://doi.org/10.24160/0013-5380-2026-8-78-89Ключевые слова:
низковольтная сеть, идентификация фаз, однофазные потребители, интеллектуальные приборы учета, профили напряжения, кластеризацияАннотация
Статья посвящена сравнению эффективности применения трех наиболее известных методов кластеризации для фазовой идентификации однофазных потребителей, подключаемых к распределительной сети 0,4 кВ (иерархический, K-means и DBSCAN). Задача фазировки однофазных потребителей решалась по данным профилей напряжения на базе сравниваемых алгоритмов кластеризации для трех маркеров близости: 1) близость корреляции профилей напряжения к 1; 2) сумма модулей относительной разности напряжений; 3) сочетание 1-го и 2-го маркеров. Для исследования взяты фактические получасовые профили напряжения, поступившие в течение 402,5 ч от модифицированных счётчиков электроэнергии CE-208 33-х однофазных бытовых потребителей. Установлено, что наибольшей эффективностью обладает алгоритм на базе DBSCAN-кластеризации в сочетании с комбинированным маркером близости, обеспечивающий 100 % точность фазировки при использовании измерений получасовых профилей на интервале 3,5 ч. Результаты исследования будут интересны разработчикам автоматизированных информационно-измерительных систем коммерческого учета электроэнергии (АИИС КУЭ), автоматизированных систем диспетчерского управления распределительными сетями (АСДУ РС) при проектировании подсистем мониторинга и управления режимами сетей 0,4 кВ.
Библиографические ссылки
1. Renewables 2023: Analysis and Forecast to 2028. Paris: International Energy Agency, 2024, 143 p.
2. Global EV Outlook 2022: Securing Supplies for an Electric Future. Paris: International Energy Agency, 2022, 221 p.
3. The Future of Heat Pumps. World Energy Outlook Special Report. Paris: International Energy Agency, 2022, 110 p.
4. Абдиева З.Э. и др. Экспериментальное исследование несимметрии трехфазной системы напряжений. – Научно-технический вестник Брянского государственного университета, 2018, № 2, с. 93–100.
5. Alame D., Azzouz M., Kar N. Assessing and Mitigating Impacts of Electric Vehicle Harmonic Currents on Distribution Systems. – Energies, 2020, vol. 13, No. 12, DOI: 10.3390/en13123257.
6. Утюжникова В.А., Борисова Е.А., Болоев Е.В. Балансировка фазных нагрузок в низковольтных трехфазных четырехпроводных сетях. – Сб. научных трудов Ангарского государственного университета, 2023, № 20, с. 244–251.
7. Голуб И.И. и др. Фазная балансировка суммарных мощностей потребителей распределительной сети низкого напряжения. – Энергетик, 2026, № 4, с. 16–23.
8. Киселев М.Г., Лепанов М.Г. Симметрирование токов в сетях электроснабжения силовым электронным регулятором неактивной мощности. – Электротехника, 2018, № 11, с. 63–70.
9. Ненахов А.И., Гамазин С.И. Совмещение функций компенсации реактивной мощности, симметрирования и активной фильтрации токов при построении алгоритма управления устройством СТАТКОМ. – Электричество, 2016, № 8, с. 46–52.
10. Вольный В.С., Илюшин П.В. Унифицированная структура стандарта по активным распределительным сетям низкого напряжения с распределенными энергоресурсами. – Релейная защита и автоматизация, 2025, № 1, с. 46–57.
11. Маклецов А.М. и др. Оптимизация рабочих режимов электрических сетей 0,4 кВ. – Известия Тульского государственного университета. Технические науки, 2024, № 5, с. 367–374.
12. ILF G2 для определения фазы и фидера для действующих установок [Электрон. ресурс], URL: https://skbpribor.ru/instrument/ilf-g2/ (дата обращения 10.04.2026).
13. Vanin M. et al. Phase Identification of Distribution System Users Through a MILP Extension of State Estimation. – Electric Power Systems Research, 2024, vol. 229, No. 3, DOI: 10.1016/j.epsr.2023.110107.
14. Sun L. et al. Identification of Low-Voltage Phase Lines Using IEC 61850 and K-Means Clustering. – Electric Power Systems Research, 2024, vol. 235, DOI: 10.1016/j.epsr.2024.110806.
15. Kalinga T. et al. K-Means Clustering and Linear Regression for User Phase Identification, Verification, and Topology Determination Under Varied Smart Meter Penetration. – Energies, 2025, vol. 18, No. 1, DOI: 10.3390/en19010183.
16. Yu H. et al. Practical Method for Data-Driven User Phase Identification in Low-Voltage Distribution Networks. – Frontiers in Energy Research, 2021, vol. 9, DOI: 10.3389/fenrg.2021.752571.
17. Tang J. et al. Visualizing Large-Scale and High-Dimensional Data. – Proceedings of the 25th International Conference on World Wide Web, 2016, pp. 287–297, DOI: 10.1145/2872427.2883041.
18. Chiu J. et al. Phase Identification of Smart Meters Using a Fourier Series Compression and a Statistical Clustering Algorithm. – IEEE Electrical Power and Energy Conference (EPEC), 2022, pp. 224–228, DOI: 10.1109/EPEC56903.2022.10000137.
19. Lee H.P. et al. A Novel Data Segmentation Method for Data-driven Phase Identification. – IEEE Power & Energy Society General Meeting, 2022, DOI: 10.1109/PESGM48719.2022.9916891.
20. Blakely L., Reno M.J., Feng W.-c. Spectral Clustering for Customer Phase Identification Using AMI Voltage Timeseries. – IEEE Power and Energy Conference at Illinois, 2019, DOI: 10.1109/PECI.2019.8698780.
21. Hosseini Z.S., Khodaei A., Paaso A. Machine Learning-Enabled Distribution Network Phase Identification. – IEEE Transactions on Power Systems, 2021, vol. 36, No. 2, pp. 842–850, DOI: 10.1109/TPWRS.2020.3011133.
22. Watson J., Welch J., Neville W. Use of Smart-Meter Data to Determine Distribution System Topology. – The Journal of Engineering, 2016, vol. 2016, No. 5, pp. 94–101, DOI: 10.1049/joe.2016.0033.
23. Кузькина Я.И., Голуб И.И. Идентификация фаз подключения интеллектуальных счетчиков в низковольтной распределительной сети. – Вестник Иркутского государственного технического университета, 2020, т. 24, № 1, с. 135–144.
24. Ручкина А.Д., Фалалеев М.С. Определение фаз в электрических сетях на основе метода иерархической кластеризации показаний интеллектуальных приборов учёта. – Бутаковские чтения, 2021, с. 54–60.
25. Ручкина А.Д., Акимов Д.А., Николаева Е.В. Идентификация фаз в электрических сетях низкого напряжения с помощью данных интеллектуальных приборов учета. – Электроэнергетика глазами молодежи, 2022, с. 34–37.
26. Ручкина А.Д., Акимов Д.А. Определение некорректного распределения потребителей по фазам в низковольтной электрической сети с помощью модели гауссовой смеси и вейвлет-преобразования. – Электроэнергетика глазами молодежи, 2023, с. 20–23.
27. Santos J.L.T. Phase Identification in Low Voltage Smart Grids Using Smart Meter Data: Ph.D. Dissertation. Lisbon, 2019.
28. Руководство по эксплуатации. Счетчики электрической энергии однофазные многофункциональные CE208BY в корпусе R7 [Электрон. ресурс], URL: https://energomera.by/wp-content/uploads/rve_208R7.pdf (дата обращения 10.04.2026).
#
1. Renewables 2023: Analysis and Forecast to 2028. Paris: In-ternational Energy Agency, 2024, 143 p.
2. Global EV Outlook 2022: Securing Supplies for an Electric Future. Paris: International Energy Agency, 2022, 221 p.
3. The Future of Heat Pumps. World Energy Outlook Special Report. Paris: International Energy Agency, 2022, 110 p.
4. Abdieva Z.E. et al. Nauchno-tekhnicheskiy vestnik Bryanskogo gosudarstvennogo universiteta – in Russ. (Scientific and Technical Bulletin of Bryansk State University), 2018, No. 2, pp. 93–100.
5. Alame D., Azzouz M., Kar N. Assessing and Mitigating Impacts of Electric Vehicle Harmonic Currents on Distribution Systems. – Energies, 2020, vol. 13, No. 12, DOI: 10.3390/en13123257.
6. Utyuzhnikova V.A., Borisova E.A., Boloev E.V. Sb. nauchnyh trudov Angarskogo gosudarstvennogo universiteta – in Russ. (Col-lection of Scientific Papers of Angarsk State University), 2023, No. 20, pp. 244–251.
7. Golub I.I. et al. Energetik – in Russ. (Power Engineer), 2026, No. 4, pp. 16–23.
8. Kiselev M.G., Lepanov M.G. Elektrotekhnika – in Russ. (Elec-trical Engineering), 2018, No. 11, pp. 63–70.
9. Nenahov A.I., Gamazin S.I. Elektrichestvo – in Russ. (Elec-tricity), 2016, No. 8, pp. 46–52.
10. Vol’nyy V.S., Ilyushin P.V. Releynaya zashchita i avtoma-tizatsiya – in Russ. (Relay Protection and Automation), 2025, No. 1, pp. 46–57.
11. Makletsov A.M. et al. Izvestiya Tul’skogo gosudarstvennogo universiteta. Tekhnicheskie nauki – in Russ. (Proceedings of Tula State University. Technical Sciences), 2024, No. 5, pp. 367–374.
12. ILF G2 dlya opredeleniya fazy i fidera dlya deystvuyushchih ustanovok (ILF G2 for Phase Detection and Feeder for Existing Installations) [Electron. resource], URL: https://skbpribor.ru/instrument/ilf-g2/ (Accessed on 10.04.2026).
13. Vanin M. et al. Phase Identification of Distribution System Users Through a MILP Extension of State Estimation. – Electric Power Systems Research, 2024, vol. 229, No. 3, DOI: 10.1016/j.epsr.2023.110107.
14. Sun L. et al. Identification of Low-Voltage Phase Lines Using IEC 61850 and K-Means Clustering. – Electric Power Systems Research, 2024, vol. 235, DOI: 10.1016/j.epsr.2024.110806.
15. Kalinga T. et al. K-Means Clustering and Linear Regression for User Phase Identification, Verification, and Topology Determination Under Varied Smart Meter Penetration. – Energies, 2025, vol. 18, No. 1, DOI: 10.3390/en19010183.
16. Yu H. et al. Practical Method for Data-Driven User Phase Identification in Low-Voltage Distribution Networks. – Frontiers in Energy Research, 2021, vol. 9, DOI: 10.3389/fenrg.2021.752571.
17. Tang J. et al. Visualizing Large-Scale and High-Dimensional Data. – Proceedings of the 25th International Conference on World Wide Web, 2016, pp. 287–297, DOI: 10.1145/2872427.2883041.
18. Chiu J. et al. Phase Identification of Smart Meters Using a Fourier Series Compression and a Statistical Clustering Algorithm. – IEEE Electrical Power and Energy Conference (EPEC), 2022, pp. 224–228, DOI: 10.1109/EPEC56903.2022.10000137.
19. Lee H.P. et al. A Novel Data Segmentation Method for Data-driven Phase Identification. – IEEE Power & Energy Society General Meeting, 2022, DOI: 10.1109/PESGM48719.2022.9916891.
20. Blakely L., Reno M.J., Feng W.-c. Spectral Clustering for Customer Phase Identification Using AMI Voltage Timeseries. – IEEE Power and Energy Conference at Illinois, 2019, DOI: 10.1109/PECI.2019.8698780.
21. Hosseini Z.S., Khodaei A., Paaso A. Machine Learning-Enabled Distribution Network Phase Identification. – IEEE Transactions on Power Systems, 2021, vol. 36, No. 2, pp. 842–850, DOI: 10.1109/TPWRS.2020.3011133.
22. Watson J., Welch J., Neville W. Use of Smart-Meter Data to Determine Distribution System Topology. – The Journal of Engineering, 2016, vol. 2016, No. 5, pp. 94–101, DOI: 10.1049/joe.2016.0033.
23. Kuz’kina Ya.I., Golub I.I. Vestnik Irkutskogo gosudarstven-nogo tekhnicheskogo universiteta – in Russ. (Bulletin of the Irkutsk State Technical University), 2020, vol. 24, No. 1, pp. 135–144.
24. Ruchkina A.D., Falaleev M.S. Butakovskie chteniya – in Russ. (Butakov Readings), 2021, pp. 54–60.
25. Ruchkina A.D., Akimov D.A., Nikolaeva E.V. Elektroener-getika glazami molodezhi – in Russ. (Electric Power Industry Through the Eyes of Youth), 2022, pp. 34–37.
26. Ruchkina A.D., Akimov D.A. Elektroenergetika glazami mo-lodezhi – in Russ. (Electric Power Industry Through the Eyes of Youth), 2023, pp. 20–23.
27. Santos J.L.T. Phase Identification in Low Voltage Smart Grids Using Smart Meter Data: Ph.D. Dissertation. Lisbon, 2019.
28. Rukovodstvo po ekspluatatsii. Schetchiki elektricheskoy ener-gii odnofaznye mnogofunktsional’nye CE208BY v korpuse R7 (User Manual. Single-Phase Multifunctional CE208BY Electric Energy Meters in R7 Housing) [Electron. resource], URL: https://energomera.by/wp-content/uploads/rve_208R7.pdf (Accessed on 10.04.2026)
