基于PMU的降阶二次状态估计算法研究

针对当前电力系统中同步相量测量单元(PMU)测量点少、无法直接进行状态估计的问题,提出一种新的状态估计算法.考虑到PMU系统量测精度比SCADA系统高,为了扩大高精度量测信息对状态估计结果的影响,算法将状态变量分成PMU可观测变量和PMU不可观测变量,并分别进行状态估计.对于PMU可观测变量,利用PMU量测量进行线性状态估计;对于PMU不可观测变量,利用线性状态估计的结果结合SCADA量测量进行降阶的快速分解状态估计.这种解耦的算法相对于传统混合状态估计算法计算更加简洁,并且有较高的数值稳定性.最后,利用多个IEEE标准测试系统对算法进行验证,通过与基本加权最小二乘法和快速分解算法对比,证明该算法在数值稳定性和精度上有很大优势.

基于GRU网络的配电网故障数量等级预测方法

配电网故障数量的多少直接影响配电网的运行维护与用户的用电体验,目前业界关于配电网故障数量等级预测的研究较少.给出了一种基于GRU网络的配电网故障数据分析与故障数量等级预测方法.通过条件熵来衡量配电网故障数量等级的历史依赖性,采用距离相关系数对诸多气象特征因素进行相关性强弱考察,筛选出最优特征子集,最后通过训练GRU网络实现了配电网故障数量等级的预测.算例结果证明了预测方法的有效性.

基于时间卷积网络分位数回归的短期负荷概率密度预测方法

为了获得电力系统短期负荷的概率性信息,将分位数回归理论与深度学习算法相结合,提出了一种基于时间卷积网络分位数回归的概率密度预测方法。首先利用距离相关系数衡量不同天气因素与短期负荷的相关性强弱,以此确定输入数据集合;其次通过融合注意力机制的时间卷积网络分位数回归算法预测不同分位数条件下的负荷值;最后利用核密度估计得到待测负荷的概率密度分布。采用中国华东某地的历史负荷数据验证分析,结果表明该方法可以细致刻画待测负荷的概率密度分布,其众数和中位数对预测负荷实际值具有参考意义。

基于多神经网络融合的短期负荷预测方法

为了利用不同深度神经网络的优势,提高深度学习算法对短期负荷的预测能力,提出一种基于多神经网络融合的短期负荷预测方法。以电力系统历史有功负荷、季节、日期类型和气象数据为输入特征,并行架构的深度神经网络和注意力机制网络为核心网络;以并行架构中的卷积神经网络通道提取静态特征,门控循环单元网络通道挖掘动态时序特征,采用注意力机制网络融合提取的特征并动态调整网络对不同特征的依赖程度;使用Maxout网络增强网络整体的非线性映射能力,通过全连接网络输出预测结果。与支持向量机、长短期记忆网络的算例结果对比表明,所提方法具有更高的预测平稳性和准确性。