配电网理论线损概率分布函数的计算与分析

线损是衡量配电系统节能减排和运行效率的重要指标。随着“双碳”目标的提出,大量随机性和间歇性的可再生能源接入配电网,给配电网的线损计算带来新的挑战。该文从概率角度出发,在基于高斯混合模型的节点注入电流基础上,结合广义非中心卡方分布推导了任意电流分布下配电网理论线损概率分布的解析表达式,并首次给出配电网理论线损的均值、方差和矩生成函数的准确表达式。考虑到理论线损概率分布难以直接计算,提出一种基于Raphaeli级数的线损概率密度函数和累积概率分布函数的数值计算方法。基于IEEE 33节点系统的算例分析表明,提出的线损计算公式能够准确、高效地计算线损均值和概率分布函数。

考虑光伏波动性的配电网线损率阈值评估

针对分布式光伏接入后,异常线损率的判定阈值不合理导致漏检率较高的问题,提出考虑光伏波动性的10 kV配电网线损率波动阈值评估方法。首先,分析分布式光伏电量的并网形式以及可能存在的电量异常情况;其次,采用长短时记忆网络(LSTM)拟合输入特征与线损率之间的非线性关系预测线损率的方法,取代基于量测数据的潮流计算线损率的方法;然后,基于天气类型SCF指数,采用Monte Carol模拟体现光伏发电量的波动性,求得考虑光伏发电随机性的配电网线损率概率密度函数,并以此划定线损率的异常判定阈值。最后以IEEE 37节点配电系统为例,实际评估光伏接入后在考虑气象因素条件下配电线路日线损率的概率密度分布,并与电网的传统判定阈值进行对比分析。

基于多源数据融合的配电网线损研究

多源数据是一种综合多个信息源的复杂数据类型,其主要特点是不同的信息源从不同的角度刻画了样本以及样本之间的关系(具体到配电网领域,不同量测系统针对同一节点所得到的数据是不同的,甚至存在较大差异)。提出了一种适用于配电网线损计算的多源数据综合利用方法,为便于数据融合,对多源量测数据进行转换;为保证量测时间断面一致性,选择同步相量测量单元(phasor measurement unit,PMU)某一量测时刻作为基准,对数据采集与监视控制(supervisory control and data acquistion,SCADA)系统数据进行时间配准与数据填充操作,对智能电表数据采用“量测值+预测值”方式进行时标对齐;对时序数据进行滤波,获得较为准确的配电网数据;基于登普斯特-沙夫特(dempster-shafter,D-S)证据理论法实现多源数据融合。以某10 kV配电网为算例分析计算了配电网线损,结果表明,所提方法可较好地完成多源数据的综合利用,提高配电网线损计算的准确性。

基于用电信息采集数据的低压台区异常线损诊断新方法

低压配电网台区的线损分析对发现和解决异常线损问题,减小用电损失以及用户的精细化管理具有重要意义。文章基于全事件用电信息采集系统采集的真实台区数据,提出了一种新的低压台区线损诊断方法。该方法利用电网诊断规则对所采集的原始数据进行质量分析,并通过对台区线损特征地提取和分类,建立了基于电压信息的二分K-means聚类诊断算法和基于电量信息的全局搜索诊断算法,实现了对台户异常电能表的快速定位及台区线损异常的治理。通过剔除异常电能表和实际检验表明该方法具有较高的准确性和一定的实用性。

基于自编码器与时域卷积神经网络算法的配电网线损分析

复杂的配电网环境中存在线损计算精确性、实时性不足的问题,因此提出基于循环神经网络自编码器改进的TCN-BiGRU配电网线损预测方法。选用擅长处理时间序列的TCN神经网络模型作为主干特征提取网络,在TCN中融入BiGRU单元以有效解决梯度消失问题。在此基础上,结合循环神经网络自编码器对线损异常值进行无监督分类并标记,通过softmax损失函数预测线损率异常原因,并制定相应降损措施,同时利用改进后的TCN-BiGRU算法对线损进行预测及成因分析。实验结果表明,与传统的配电网线损预测方法相比,该线损预测方法的均方根误差相较于传统的EMD-LSTM与PSO-CNN算法分别降低了0.03699和0.00402,在线损成因分析方面的准确率相较于ResNet50与DBN-DNN算法分别提高了1.500%和5.841%,为分布式电源接入后配电网节能降损、实现电网双碳目标提供了科学的参考依据。

基于量测数据处理的中低压配电网线损分析方法研究

为了提升电力网络中低压配电网网络线损的预测精度,文中对神经网络的结构、训练方法等基本理论进行了研究。针对传统神经网络在复杂结构下训练时梯度消失和陷入局部最优的现象,引入了一种自适应遗传算法(AGA)。该算法通过网络的基本结构来确定染色体上的基因位数,使用一种可变交叉、变异概率策略,从而有效提升了训练时的稳定性及效率。基于配电网的关键指标体系,对某10 kV配电网络完成数据采集,并使用量测数据进行了算法的性能仿真实验。实验结果表明,在相同的迭代条件下,改进后的算法相比传统神经网络算法对330条配电线路的平均预测精度提高了2.20%。此外,算法在迭代过程中的稳定性更强,即使在更低的目标精度下,也不会出现过拟合现象。

基于分布式电源的配电网线损计算与降损技术

文章介绍了基于分布式电源接入的配电网线损计算方法,分别阐述了等效容量法及前推回代法,在前推回代法介绍时,在传统方法的基础上进行了进一步改进,并给出了具体的计算步骤。而后以10kV配电网为例,对接入分布式光伏电源后配电网降损的技术展开了探讨,提出合理选择分布式光伏电源的接入位置、接入容量、能量存储装置三个有效降损方法,还介绍了几种具有降损效果的其他技术措施,旨在为电力企业有效控制接入分布式电源的配电网线损率提供参考。

最优解逼近下配电网线损故障诊断方法设计

针对单纯以一次阈值思路计算引起线损异常导致故障诊断准确率不高问题,设计最优解逼近的配电网线损故障诊断方法。使用等效容量法计算配电变压器容量的分配比值,并根据全网线损功率的变化情况计算接入DG后的配电网线损参数。搭建三层BP神经网络结构,利用拓扑匹配方法对配电网的异常损耗进行匹配,当判定为异常状态时,通过遗传算法优化BP神经网络的权重和阈值,对线损的异常类型进行标记和定位,得到线损异常点的定位结果,根据定位结果进行线损故障诊断。实验结果表明,使用所提方法对配电网线损故障进行诊断,诊断准确率较高,具有较好的应用价值。

新型电力系统下大规模新能源接入配电网的线损变化趋势分析

分布式光伏发电具有随机性、波动性、地域性等特点,接入配电网中会造成功率波动,进而影响配电网的电能损耗。但是现有的电网线损计算分析并未考虑大规模新能源接入对线损的影响,如果沿用现有方法进行计算及开展接入工作则会造成较大的误差。本文针对分布式光伏发电近年来在贵州爆发式增长的现状及当前并网情况,从分布式光伏发电特征、台区用电特征等方面展开分析,并对光伏接入对台区线损影响进行理论计算与仿真分析;文中以光伏接入电网的实际台区为例,通过历史数据比对和现场应用情况分析,从接入位置、接入容量等方面进行相关验证;最后,总结分布式光伏接入配电网对分线、分台区线损的影响趋势并提出相应策略,为贵州电网10千伏及以下分布式光伏接入系统的方案提供参考依据。

配电网中的电能计量与线损策略分析

阐述电能计量原理、配电网络中线损原因。提出配电网电能计量和线损管理措施,包括建立健全线损管理制度、改进理论线损计算方法、加强线损安全管理、搭建运行平台调整设备配置。

考虑新能源接入下的配电网线损综合检测方法

双碳目标的提出,促进了电网朝着清洁低碳和安全可控等方向发展,线损是节能减排的直接体现和重要技术指标,针对现有配电网线损异常检测方法存在的检测精度差和效率低等问题,在线损异常检测系统的基础上,提出了一种结合灰色关联分析、改进K-means算法和孤立森林算法的配电网线损异常检测方法。通过灰色关联分析和改进K-means算法优化孤立森林算法,灰色关联分析完成特征属性的筛选,改进K-means算法完成数据聚类处理,提高了孤立森林算法异常检测的准确率和效率。结果表明,所提方法与常规方法相比,在多项指标上具有最优的检验效果,检验精度达到100%,平均检测时间为0.0402 s,为双碳目标实现提供了一定的支持。

基于状态估计的配电网线损分析

当前电站自动化覆盖率高,可提供大量数据进行分析计算,为此提出一种基于状态估计的配电网线损分析方法,并分析该方法所用的信息管理系统的结构和功能。通过状态估计方法对采集数据进行处理,同时满足潮流计算的约束,消除误差和丢包带来的影响,得出较为精确的节点注入功率,以此计算配电网的线损率。

基于多维特征的电网海量日线损数据异常识别研究

鉴于现有线损数据异常识别方法无法判断异常线损原因,且查全率低等问题,提出了基于多维特征的电网海量日线损数据异常识别方法。融合各类电力运行数据,组建多维特征日线损数据异常溯源模型,使用皮尔逊相关系数计算不同线路间变压器与电压的关联性,明确线损异常原因;归一化处理日线损数据,引入时间离散度理念评估线损异常程度,利用神经网络学习获得负荷变化下线损数据异常计算模型,输入不同节点负荷值完成日线损数据异常识别操作。仿真实验结果表明,提出方法可以判断异常线损原因,并且异常识别查全率高达94%,提升了电网海量日线损数据异常识别准确性,解决了线损数据异常计算的偏差问题。

基于径向基函数的配电网不平衡线损预测方法

为解决因不平衡电量分配而造成的配电网线损率过大的问题,设计基于径向基函数的配电网不平衡线损预测方法。根据径向基函数表达式,确定电压径流指标、电流径流指标的具体数值,统计配电网电量径流。根据统计结果定义电信号缺失数据,依据所得数值的时空分布特征控制异常值参量的实际求解范围,实现对配电网不平衡线损的预测。实验结果表明,在径向基函数的作用下,有功功率做功量超过了电信号做功总量的90%,能够较好地解决因不平衡电量分配而造成的配电网线损率过大的问题。

灰狼算法优化SVR的10kV配网线损率预测研究

有效控制线损率不仅能为电力企业带来经济效益,而且能进一步提高一次能源的利用率。为了实现对10 kV配电网线损率的准确预测,提出基于灰狼算法(Gray Wolf Optimizer)优化支持向量机回归(Support Vector Regression)的10 kV配电网线损率预测方法;采用基于马氏距离的异常值检验及主成分分析法(Principal Components Analysis)对原始数据进行预处理,保证数据的清洁性的同时剔除原始数据中的冗余信息。利用GWO算法强搜索性的特点与SVR进行结合建立模型,通过与原始SVR、ABC-SVR、BP神经网络模型的预测结果进行比较,GWO-SVR模型的预测精度最高,其均方根误差(RMSE)和平均绝对误差(MAE)分别为0.2332和0.1958,最大相对误差为14.4%,并且该模型具有最快的运算速度。

基于深度学习的配网无功电压线损率改善方法研究

近年来,深度学习技术已经在图像识别、自然语言处理等多个领域显示出其强大的数据处理和模式识别能力。在这一背景下,运用深度学习技术优化电网中的无功电压线损率成了一项新的研究课题。从电网数据中构建包含多变量的数据集并进行预处理,采用特征提取技术确定影响线损率的因素,之后,通过深度神经网络模型学习电网数据中的复杂模式和依赖关系,预测无功电压和线损率。深度学习技术的应用可以有效改善配网无功电压线损率,同时提高配电网的运行效率和稳定性,具有广阔的应用前景。

配电网线损新型定位技术的开发与应用

文章旨在探讨一种新型的配电网线损定位技术,旨在提高电力系统的运行效率,减少能源损失。文章介绍了线损的概念和影响因素,分析了新型定位技术的核心和实施流程,并验证了该技术的可行性和有效性。

高渗透率新能源接入电力系统对线损的影响及降损措施

随着新能源渗透率的不断提升,电力电量平衡、电力市场等电网运行不确定因素增加,新能源出力的随机性、波动性将引起更加复杂的电网损耗机理及降损问题[1],使电网线损管理工作面临严峻挑战。文章以输电网、配电网为研究对象,分析高渗透率新能源接入对其线损的影响并提出降损措施。

配电网分时分段线损诊断中多源数据融合治理方法研究

以基于多源数据融合的配电网分时分段线损诊断方法为研究对象,通过D5000、配电自动化、用电信息采集等跨业务领域分钟级量测数据的关联融合,实现分时分段线损计算与分析,可准确定位线损异常时间和区段。在此基础上,进一步提出了基于便携式配电网测量装置的精细分段与异常定位方法,可弥补配电自动化终端布点不足的局限性,并解决异常确诊的“最后一千米”问题。通过实际异常用电案例分析,证明了该方法的有效性。

低压配电网络线损计算方法研究

针对配电网管理要求的不断提高,线损的准确计算越来越重要,因此,文章分别介绍等值电阻法、分相等值电阻法、电压损失率法3种计算方法,说明各算法优缺点,选取实际三相不平衡低压配电网作为案例,通过分析得到:在计算三相不平衡低压配电网负荷时,采用分相等值电阻法的计算结果最精确,可以提高供电公司的经济效益,具有一定的应用价值。