基于深度学习的配网运维技术改进研究

为提高配网运维故障识别的准确率,结合变分模态分量(Variational Mode Decomposition,VMD)与信息熵,提出一种E-VMD配网运维故障信号特征提取方法;通过改进残差神经网络(ResNet)模型残差模块,设计了一种改进的ResNet模型;将E-VMD配网运维故障信号特征输入改进的ResNet模型中,实现配网运维故障的准确识别。仿真结果表明,所提方法可准确识别配网运维的单相接地、两相短路、三相短路故障,平均识别准确率达到100%,平均精确率为99.59%,平均召回率为100%,平均F1值为99.88%。相较于KNN模型和SVM模型,所提方法在各项性能指标上表现优异的性能,且具有良好的抗噪性能。

配电网分布式电源承载力评估探析

以风电、光伏等为代表的能源事业迅猛发展,规模化接入已是大势所趋。需要对其在配电网络中的可接入能力进行评价,合理确定其接入网络的容量和建设规模,从而引导其良性、有序发展。如何有效地使用配电网络中的代表性调节装置和手段,以提升配电网络的新能源消纳能力具有重要的意义。因此,亟需分析适应未来配电网分布式新能源发展的承载力评估策略,为后续分布式电源接入提供相关支撑依据。

基于深度学习的电力设备图像识别方法

针对传统方法对电力设备的图像特征分类不明确,导致得到的图像识别效果不佳,难以保证安全运行的问题,提出了基于深度学习的电力设备图像识别方法。该方法首先提取电力设备图像特征分类伪装因素,然后基于深度学习方法构建网络模型定位错误锚点,通过正负训练标记识别目标区域,从而完成对电力设备图像的识别。实验结果表明,以变压器和电线塔杆作为识别设备测试对象,该方法能在30 s内基本完成采集图像的有效识别,可保证电力设备能稳定运行,具有较好的实际应用效果。

基于潮流模型的在线静态安全评估方法准确性探究

现有在线静态安全评估方法基于传统潮流模型在轻载条件下效果较好。随着社会的不断发展,电力系统负荷增加,基于潮流模型的在线静态安全评估方法的准确性受到考验。本文研究在不同负荷条件下,故障后潮流解与时域仿真模型稳态解之间的差距。实验结果表明,潮流解与时域仿真稳态解之间的差距普遍存在,且此差距随负荷加重而增大,使得重载条件下基于潮流模型的在线静态安全评估方法的准确性受到很大影响。本文提出在静态安全评估中应用混合模型,在兼顾快速性的前提下,提高了方法的准确性,有利于现代电力系统的安全稳定运行。

基于人工智能的用电负荷自动脱敏系统设计

随着大数据时代的发展,电力公司的用电负荷等数据的安全性无法得到保证。可依托人工智能的先进技术进行用电负荷的自动脱敏,因此提出了基于人工智能的用电负荷自动脱敏系统。首先进行系统硬件设计,设计基于人工智能数据采集器和以太网控制芯片,然后进行系统软件设计,将实现用电负荷自动脱敏分为身份认证和数据脱敏两个步骤。测试验证该系统的脱敏精度符合要求。

分布式电源并网特性分析

在“双碳”背景下,规模化的分布式电源(Distributed Generation,DG)开始大量接入配电网,配电网对分布式电源的消纳能力逐渐成为研究热点。分布式电源接入配电网可起到改善能源利用结构、支撑节点电压与提升可靠性指标等作用,但过多的分布式电源接入也会对系统的运行和控制产生影响,导致节点电压越限,对系统稳定性造成影响。本文以配电网电压偏差及波动、谐波短路电流为约束条件,通过理论和仿真分析,对区域配电网接入分布式电源的并网特性进行研究,为配电网规划人员提供技术指导。