云边协同下基于深度迁移网络的配电台区异常工况诊断方法

为了实现配电台区异常工况精细化诊断,提出云边协同下基于深度迁移网络的配电台区异常工况诊断方法。首先,在云中心对多个相似配电台区的异常工况样本进行汇集,利用精细化的运行工况样本集训练构建源域异常工况诊断的卷积神经网络模型。其次,将源域诊断模型迁移至目标域的单一配电台区边缘节点处,利用迁移机制进行目标域上的差异性训练,引入多核最大均值差异来计算源域与目标域的分布差异,构建目标域优化损失函数,使目标域与源域自适应匹配,从而有效建立目标域异常工况诊断模型。通过实验验证所提方法具有良好的异常工况精细化诊断能力,诊断性能明显优于其他常规方法。同时,该方法能减缓云中心集中训练诊断模型的计算资源需求压力,有效利用边缘节点的计算能力和响应能力。

面向不平衡数据的配电网故障停电预测方法

配电网故障停电事件会严重影响正常的社会经济生活。因此,迫切需要有效的配电网故障停电预测方法。采用人工智能方法分析配电网故障停电数据,发现存在配电网故障停电次数较少和引发配电网故障停电的原因分布不均等数据不平衡情况。为了及时、准确地预测配电网故障停电情况,从数据集质量和防止过拟合两方面入手改进故障停电预测模型。首先,设计了基于聚类的对抗神经网络来增强数据集质量。其次,构造了基于随机代价敏感卷积神经网络(Random Cost-CNN)的故障停电预测模型。Random Cost-CNN预测算法中采用有放回随机抽样思想设计了损失函数的随机选择策略,用以解决常规代价敏感过度拟合少数类(故障停电类)而使得大量多数类(正常类)被误报的问题,既保证少数类具有较好召回率与精确度,同时又提高了模型的泛化性能。实验证明所提方法能有效预测配电网故障停电事件发生概率,在配电网运维管理中能够发挥较好的预警作用。

创新发展方式 融合农村一二三产业

当前,我们身边越来越多的城市人有着一个共同的感受,农村的环境越来越好、房子越来越漂亮、收入越来越高,都羡慕农民这个职业。时常有人找农业干部通"关系",想"改户口"当农民。这种深刻的变化,得益于政策给力、农民勤劳、农业发展方式的不断创新和敢变。只有大力创新农业发展方式,推进传统农业向现代农业演变,做大一产、做强二产、做优三产、三产融合发展,实现农业"接二连三"和各种资源要素的深度融合,将流向二、三产的增值收益留在农村、由农民分享,稳定增加农民收入,才能为全面建成小康社会的"贵州梦"探寻路径、开启篇章。

面向云边协同的配变短期负荷集群预测

配电变压器是配电网中连接用户的重要设备,研究其负荷变化规律是十分重要的。随着物联网技术在电力系统中的推广,配电网中监测的配电变压器将越来越多,但对众多设备逐一分析建模会导致工作低效。因此,提出面向云边协同的配变负荷预测框架,并着重研究云端的集群预测模型。首先,集群预测模型对配变进行日负荷曲线聚类,提取日负荷模式,并分析各配变日负荷模式变化规律,采用聚类方法划分具有相似用电行为的配变。然后,将同类别配变负荷数据整合训练,利用STL-LSTMs-XGBoost预测模型实现配变的短期负荷集群预测。最后,通过使用某市配变的负荷数据作为算例进行分析,实验结果验证了所提方法的可行性和有效性。

基于融合模型的单相接地故障类型辨识方法

在中国6~66 kV的中低压配电网中,单相接地故障约占配电网故障总数的80%。由于发生单相接地故障时仅由系统的对地电容引起很小的接地故障电流,故障特征不明显,并且不同类型的单相接地故障之间的特征区分度不高,造成了对其类型辨识的难度增大。对此,提出了一种融合特征分解和深度学习思想的单相接地故障类型辨识方法。首先,基于希尔伯特黄变换(HHT,hilbert-huang transform)对配电网采集到的故障录波数据进行初步处理,使不同故障类型间的区分度更高;其次设计深度学习模型ResNet18学习故障事件的复杂非线性特征,从而辨识出故障类型结果。通过国内某真型试验场采集到的录波数据进行验证,证明了本文提出的综合辨识方法能准确识别出多种单相接地故障类型,可为后续制定有针对性的故障处理措施提供可靠依据。

信用风险相关性度量的MRS Copula模型构建及实证研究

在构建行业信用风险指数的基础上,将马尔科夫机制转换引入到信用风险相关性的度量中,建立了信用风险相关性度量的MRS Copula模型。以1990-2012年电力、煤气及水的生产和供应业,批发、零售、贸易业,石油、化学、塑胶、塑料业和信息技术业为样本的实证研究表明,行业信用风险相关性表现出较为明显的机制转换特征和非对称效应,在高风险状态,信用风险相关系数达到了0.7以上,而在低风险状态,信用风险相关系数在0.2以下.同时,信用风险"一损俱损"的特征比较明显,行业信用风险的下尾相关系数较为显著,而上尾相关系数则并不显著.商业银行可据此调整信贷资产结构,防范信用风险传染,以及优化信贷组合管理.