基于知识图谱的低压配电网拓扑结构辨识方法

低压配电网中正确的拓扑关系是至关重要的。低压配电网实际拓扑结构因运维需要变动频繁且巨大,配电网信息系统中的数据更新不及时、流通性低以及质量差等不能正确反映低压配电网的实际拓扑结构,有必要进行拓扑辨识。知识图谱技术可以清晰地反映出数据间的现有关系,推理挖掘出隐藏知识,适用于低压配电网的拓扑辨识。因此应用知识图谱技术于拓扑辨识中,首先分析知识图谱构建方法,运用知识图谱技术,对多个低压配电网信息系统中的数据进行整合,推理出缺失数据,挖掘出各数据之间的关系。然后构建出低压配电网拓扑结构的知识图谱。最后结合《低压配电网基建工程典型设计规范》以及语义分词技术,对低压配电网信息系统中的户变关系进行辨识。算例实验效果良好,表明所提出的辨识方法具有理论价值和实际应用价值。

基于知识图谱的台区线损异常分析

电网公司的基本职能之一是提供安全可靠的电能,而线损率是衡量电能质量及电网经济效益的核心标准。能够及时发现并解决台区线损异常是电网公司关注的重点。近年新兴的知识图谱技术能够清楚地描述实体之间的关系,并能将复杂的自然语言转化成脉络清晰的三元组,因此,可将知识图谱技术运用到台区线损异常原因判断中。根据电网信息系统中的电力数据构建出台区线损异常知识图谱,分析各类异常原因特征并构建判断规则,经过推演格算法优化构建出台区线损异常原因判断方法。经实例验证,所提方法在台区线损异常原因判断方面的准确度优于电网方法,并极大地提升了判断速度,具有实用性和高效性,为知识图谱技术在电力行业的应用提供了新思路。

基于多层聚类和改进BP神经网络的短期负荷预测

随着电网规模的扩大,数据量的急剧增加,漏采、误采等不良数据及数据冗余会对短期负荷预测产生负面影响,造成预测准确度下降,预算结果无法正常使用.针对这些现象,提出一种基于多层聚类和改进BP神经网络的负荷预测模型.该模型基于多层聚类对原始数据进行预处理,选取形成与待预测数据相似的样本数据集,建立基于改进BP神经网络的预测模型.多层聚类模型减小了输入改进BP神经网络的数据量,避免了不良数据对预测模型造成的影响,预测模型更贴近待预测数据特点;改进BP神经网络避免了在训练过程中陷入局部最小解.预测结果表明:相比模糊C均值聚类方法,多层聚类与改进BP神经网络的负荷预测方法提高了预测精度与预测速度.