基于改进SAX算法与贝叶斯超参数优化的配电网负荷-馈线智能匹配方法

新型电力系统下配电网运行方式调整愈来愈频繁,配电网负荷-馈线匹配面临采样数据高维异构且价值密度低、现有匹配算法对负荷物理特征依赖度高、参数设置灵活性弱等难点,为此提出一种基于改进SAX(符号聚合近似)算法与贝叶斯超参数优化的配电网负荷-馈线智能匹配方法。首先,建立面向离散符号化时间数据序列的数据价值提升模型,将高维异构的数据近似表示为低维统一的符号,修正和填充异常数据、空白数据。其次,构建改进CNN-LSTM(卷积神经网络-长短期记忆)混合神经网络,对负荷数据进行所属馈线匹配分类训练,利用多头注意力机制深入挖掘负荷数据的潜在数学关系,降低对负荷物理特征的依赖度。然后,引入贝叶斯超参数优化算法对神经网络训练参数进行逐次更新,提高馈线拓扑变化时神经网络模型的灵活性与适应性。最后,对某地区100条馈线进行负荷匹配实验验证,结果证明所提方法较传统方法具有更高的匹配精度。

数字化转型下基于图数据库的配电网一张图可视化研究

数字化转型是当前国家电网公司工作的重中之重,国网常州市供电公司积极拓展数据分析在电网调度与配网故障抢修方面的应用,构建基于图数据库的配电网一张图的停电信息可视化系统,融合现有电网设备管理系统(PMS)、能量管理系统(EMS)、电网调度运行管理系统(OMS)等多种线上管理系统与GIS系统,使用时空数据分析技术,方便调控人员实时掌握配电网拓扑、运行状态以及计划检修、故障抢修等业务开展情况,大大提高了公司数字化水平。