基于聚类LSTM深度学习模型的主动配电网电能质量预测

针对较长时间跨度上电能质量(PQ)数据的时序性和非线性特点,提出一种基于K-means聚类和长短期记忆(LSTM)网络的主动配电网(ADN)电能质量预测方法。在构建LSTM深度学习模型的基础上,将大量的电能质量历史数据、环境因素及负荷数据以多维向量的形式进行K-means聚类,并针对每一类数据集分别使用LSTM模型进行网络的训练和性能评估,然后利用完成训练和评估的聚类LSTM网络模型进行主动配电网电能质量稳态指标项的预测。最后,通过IEEE-13节点含分布式电源的主动配电网仿真算例,分析验证了所提聚类LSTM网络法比时间序列预测法、反向传播(BP)神经网络法和标准LSTM网络法具有更优的预测性能。

基于组合权重及属性区间法的主动配电网运行状态态势评估

针对主动配电网(ADN)新特性及其自愈控制新要求,提出一种基于组合权重及属性区间法的ADN运行状态态势评估方法。在构建ADN运行状态态势评估指标体系的基础上,分别采用层次分析法(AHP)和变异系数法获取各评估指标的主观赋权和客观权重,并进一步基于最小二乘优化法实现组合权重赋值,然后提出基于属性区间理论的ADN运行状态态势评估方法。通过目标ADN中不同时刻的评估样本算例,分析验证了所提ADN运行状态态势评估方法的有效性、合理性和结果可观性。