基于数据挖掘的变压器智能运维研究

针对传统变压器在线监测技术的局限性,提出了一种基于数据挖掘的变压器智能维护模型。利用大规模电力系统运行数据,深入研究变压器绕组的温升与负载率之间的关系。所提出的方法能够精确地预测变压器在不同负载率下的绕组温升合理范围,并能够自动识别异常情况并触发报警机制。实验结果表明,该方法能够仅通过分析温度数据来评估变压器的工作状况,为变压器运维引入了一种广泛适用的智能策略。

基于深度学习的配网设备故障预测方法研究

配网设备故障预测分析是电力系统正常稳定运行的关键操作。为了提升电力系统配网设备故障运维效率和精准率,利用ResNet50强大的特征提取能力和支持向量机(support vector machines,SVM)的高效分类性能,提出一种基于深度学习的配网设备故障预测方法,并且对配网变压器故障数据进行深入的学习和分析。实验结果显示,模型的预测结果与实际值之间的相对偏差保持在±2%的范围内,充分证明了该模型在实际应用中的有效性和实用性。

创新优化电力需求响应,支撑新型电力系统建设

电力需求响应充分调动需求侧灵活性,可有效促进源荷互动,将在新型电力系统建设中发挥重要作用。首先梳理了近年来需求响应的政策与实践,分析其在保安全、促消纳等方面的进展与成效;然后结合电力系统转型变革关键期,分析了电力需求响应发展面临的新形势新要求;最后提出了创新优化电力需求响应的政策建议。

峰谷分时电价敏感性分析研究

为了在设计峰谷分时电价时充分考虑各类外部因素变动对电价决策结果的影响。从而在一定程度上达到辅助峰谷分时电价方案在实际中的应用与推广的目的,分别从用户需求响应规律及政府最高限价2方面入手对峰谷分时电价进行敏感性分析。算例仿真结果得出了峰谷分时价差随需求响应程度增强而减小,在一定程度上随最高限价上升而增大的重要规律。

基于VMD与MOGOA-LSTM的短期负荷预测模型

为了提高短期负荷预测的准确度,降低非平稳信号对模型预测造成的影响,提出一种集数据挖掘和多目标优化网络于一体的短期负荷预测模型。该方法将电力负荷数据通过变分模态分解技术分解成若干个不同频率的模态分量,采用相间重构方法动态确定人工神经网络的训练测试比和神经元设置,采用长短期记忆神经网络对各分量进行模型搭建,并在长短期记忆神经网络的基础上加入多目标蝗虫智能优化算法来优化网络内部参数,累加所有分量模型预测的值,实现短期负荷预测。仿真结果表明,与统计学方和混合模型相比,本文提出的模型在短期预测方面的预测精度较高、泛化能力更强。

含风电发电系统的负荷优化调度灵活性研究

针对风力发电系统灵活多变的输出特性,论文采用时移ARMA建立了风电发电系统的风速模型,并结合采用皮尔逊相关系数来表征两个风电场风速之间的相关性,完成了风电机组从风能转化为电能的过程。通过对发电系统内各设备灵活性资源量化设计了负荷优化调度灵活性的指标体系,并运用序贯蒙特卡洛法对各指标进行求解。通过对贵州电网数据库收录的历年风速数据进行模拟,结果表明:随着风速相关系数的降低,负荷优化调度的灵活性将降低;接入同一发电系统的风电发电,需考虑两者容量配比对系统灵活性的影响。

基于相似情境预测偏差修正的短期负荷预测方法研究

针对提升短期电力负荷预测的准确率与稳定性问题,给出基于相似情境预测偏差修正的短期负荷预测方法。该方法采用加权相关度分析负荷特征,实现相关特征提取;使用相似度进行情境筛选,建立相似训练集;借助交叉验证结果给出模型预测有偏性的判定条件,修正被判定预测有偏模型的预测值,改善模型的预测效果。实例分析表明,相似情境预测偏差修正能够提升SVM、决策树集成等多个预测方法的准确率与稳定性。