改进型CNN-LSTM深度学习神经网络的台区户变拓扑关系识别

针对电力台区内各种数据信息繁多复杂、数据处理能力滞后及用户利用率低下等问题,提出一种新型的台区户变拓扑关系识别方法。通过构建卷积神经网络(convolutional neural network,CNN)和长短期记忆(long short-term memory,LSTM)神经网络模型,将台区内配电变压器的有功功率、无功功率、电压值、电流值和用户侧的多种用电数据信息转换为CNN-LSTM深度学习神经网络模型;并在CNN模型中融入LSTM模块,以将台区户变拓扑宏观数据关系转换为微观数据信息识别,大大提高台区户变拓扑关系识别和应用能力。通过设置CNN-LSTM深度学习神经网络不同的层次,计算台区户变拓扑关系。通过算例分析,大大提高了用户识别能力,为台区户变拓扑关系识别提供了技术思路。

基于BiLSTM-TCNN的台区户变关系自动识别方法

传统识别方法在分类过程中提取数据特征存在次序性,导致台区户变关系识别结果误差较大,为此,提出了基于BiLSTM-TCNN的台区户变关系自动识别方法。采用远程集中抄表的方式获取台区用户的用电数据,并对原始数据进行预处理后作为样本数据,构建一种由BiLSTM和TCNN组成的并行结构分类模型,将样本数据输入模型,经训练后输出台区户变关系自动识别结果。结果表明,该设计方法识别台区户变关系时皮尔逊相关系数值为0.98,证实了该方法具有较高的识别精度。

基于多特征符号聚合近似和层次聚类的户变关系识别方法

针对低压配电台区拓扑档案中可能存在的户变关系异常问题,文中提出了一种基于多特征符号聚合近似(MF-SAX)和层次聚类的户变关系识别方法。首先,运用符号聚合近似表达方法将用户电压时间序列转化为字符串序列,并引入电压波动系数和电压变化趋势两个附加参数对其特征表达进行强化。然后,基于编辑距离生成用户电压曲线相似性矩阵,并结合层次聚类算法实现户变关系的识别。最后,实际算例结果表明,提出的方法相比于现有方法准确率更高,误报更少,能直接应对数据缺失的情况,且具有更高的效率。

配电网线变户关系识别研究综述

配电网拓扑结构是台区智能化应用的基础,拓扑结构的准确性和实时性对电网管理和运维人员及时掌握台区运行状况、实现故障快速精准定位和线损管理具有重要作用,为满足构建快速、准确、高效的拓扑关系自动识别智能应用体系,专家学者对配电网线变户关系与拓扑结构识别方法、拓扑识别模组、拓扑结构识别系统的交互技术以及拓扑识别应用等方面进行了大量的研究,目前针对线变户关系的准确识别成为电网企业亟需解决的技术问题,依靠传统的人工巡查方式也无法满足智能电网的需要。

基于改进FCM和最小互信息算法的户变关系辨识方法

随着低压分布式光伏的高比例接入,传统的户变关系辨识方法利用电压与功率特征进行判断,受光伏出力影响较大。针对分布式光伏大规模接入下低压配电网的电气特征,提出了一种基于数据驱动的低压配电网户变关系辨识方法。首先,基于改进模糊C均值(fuzzy C-means, FCM)聚类算法,利用电压相关性对用户进行初步聚类划分。其次,在初步聚类的基础上,利用最小互信息算法排除光伏出力的影响,建立配变与用户的连接关系识别模型并用回归分析的思想求解,实现对户变关系的精确辨识。最后,通过对某地实际数据进行算例分析,验证了基于改进FCM和最小互信息算法的户变关系辨识方法在大规模光伏接入场景下的有效性。实验表明,该方法相比传统的电压和功率特征判别方法具有更高的准确率。

基于关系图卷积神经网络的新能源配电台区拓扑识别方法

针对传统拓扑识别方法难以适应高比例分布式光伏接入下低压配电台区电气耦合特性复杂的问题,提出了一种基于关系图卷积神经网络的新能源配电台区拓扑识别方法。文章分析了分布式光伏接入对低压台区线户关系识别的影响机理,提出了高渗透率分布式光伏接入下配电台区的自适应线户关系识别方法,通过电压皮尔逊相关系数矩阵建模和全局自适应聚类方法实现线户关系识别。基于新能源台区拓扑关联特性将配网节点关联分类匹配为分隔、上下、并列及光伏节点接纳关系,建立了适应分布式光伏接入的台区拓扑邻接矩阵模型。提出了基于关系图卷积神经网络的配电台区拓扑生成算法,通过提取电压量测数据形成台区节点特征矩阵,基于关系图链接预测挖掘潜在节点关联关系逐步生成配电台区拓扑。算例仿真对比验证了所提拓扑识别方法的有效性,与传统算法相比可提升识别准确率4.3%以上。

基于深度学习的户变拓扑关系的识别方法研究

户变拓扑关系及时准确的维护一直是电网公司的一个难题,目前仅依赖管理手段的更新已经很难解决用户信息识别的问题,必须寻求技术上的突破。因此,为了从技术层面上解决准确识别户变拓扑关系的瓶颈问题,论文深入分析了与电网拓扑分布紧密相关的载波技术,基于CNN-LSTM深度学习神经网络,构建了台区户变拓扑关系的识别模型。实际运行结果表明:该模型具备识别准确性高、鲁棒性强等优点。

基于数据挖掘的户变拓扑关系辨识算法研究

户变拓扑关系的准确识别一直是电网运营过程中一个亟待解决的难题,从技术上寻求台区户变拓扑关系信息识别的方法已迫在眉睫。针对智能电网中部分集采台区存在户变关系混乱的情况,本文利用数据挖掘技术对电力通讯载波信号数据进行分析,基于增量式决策树算法设计了台区户变拓扑关系的辨识方法,实现了户变拓扑关系及时准确的维护。实际运行结果表明:该模型较之传统的决策树算法和贝叶斯模型具有更高的准确度,能有效提高台区用户信息识别的实时性和可靠性。

基于多粒度聚类和多元特征统计的低压配电网拓扑识别与监测

针对低压配电网中用户的户变关系及相位信息常存在错误且变动较为频繁的现象,提出了一种基于多粒度聚类和多元特征统计的低压配电网拓扑识别与监测方法,包含拓扑聚类识别和拓扑统计监测2个阶段。在拓扑聚类识别阶段,基于用户电压波动曲线的α-峭度和α-偏度提取数据粗粒度空间特征,采用密度峰值聚类算法识别所有用户的户变关系;在数据细粒度特征空间,通过考虑延迟效应的动态时间弯曲距离算法优化密度计算过程,实现相位关系的精确聚类。在拓扑统计监测阶段,基于多粒度聚类结果,采用邻域保持嵌入算法建立多元统计监测模型,实现新增用户或拓扑有变化的个别用户的拓扑快速识别。实际算例的分析结果验证了所提方法的有效性。

基于自适应分段云模型的单相用户相别辨识方法

针对低压配电台区拓扑结构中相别关系错误的问题,利用台区配电变压器低压侧相电压序列和用户电压序列的相似性,提出了一种基于自适应分段云模型的单相用户相别辨识方法。首先,利用云模型的数字特征刻画电压序列的数据分布;然后,利用自适应分段云模型算法自适应地确定电压序列的分段总数以及每个分段的起始时刻和结束时刻;最后,计算电压序列分段云模型的相似度,确定用户与台区配电变压器的相别关系。该方法不受台区拓扑结构和负荷变化的影响,具有通用性;与现有相似性算法相比,该方法针对台区配电变压器三相电压很接近的情况相别辨识结果区分度更好、准确率更高。算例仿真和实例分析验证了所提方法的有效性。

基于智能电表量测数据的配网线变关系反向识别

针对配电系统中存储的线变关系记录与实际运行情况不一致问题,基于能量守恒定理,从满足电量约束以及尽可能降低中压线路线损率波动幅度的角度出发,文章将配网线变关系智能识别问题转化为中压线路和配电变压器之间的组合优化问题,进而提出了一种配网线变关系识别模型。此外,为加快求解速度和提高识别准确率,通过合并电压波动相关性较高的配电变压器进行降维优化,之后采用分支定界算法进行求解。最后,基于用电信息采集系统获取的量测数据,利用MATLAB和CPLEX编程对所提方案进行实例分析,分析结果验证了识别方案的可行性和有效性。

基于量测数据的台区拓扑自动识别模型及算法

电网新业务的迅速发展对低压配电网的智能化水平提出了更高的要求。传统低压配电网的拓扑关系主要依靠人工档案维护,导致电压问题治理效率和抢修效率低下。在此背景下,提出了利用台区智能终端和采集设备的电气运行数据的台区两级分支线户关系和户表相位的识别方法。构建了用以解决台区两级分支和户表拓扑关系的台区设备从属关系识别模型,将上下级拓扑识别问题转化成二次规划问题求解,并通过户表聚类减少二次规划问题的数据维度。在分支和户表关系确定的基础上,提出了综合利用户表电压和电流数据的户表相位识别方法,提高户表相位识别的准确性。最后,进行了二级分支户表拓扑关系和户表相位识别的算例验证。基于台区电气大数据的拓扑识别方法为提升台区的全面感知和精益化管理提供了工程应用指导。

基于数据包络分析的配电网投资决策研究与应用

基于数据包络分析技术和层次分析法,提出配电网投资决策研究与应用,以大数据技术支撑配电网投资决策的精益化管理,充分调动各项数据,实现配网运行和资产数据的融合,以支撑电网业务活动分析,提升电网企业配电网投资精准度.本文首先简述了配电网投资决策由评价指标的选取和投入产出模型的建立两部分组成,评价指标的选取充分反映电网公司管辖的各区域、各台区配电网的发展目标,投入产出模型基于数据包络分析进行客观评价,并通过历史数据分析,完善投入产出关联计算方法,精确指导投资.其次,介绍了系统建设及应用中的关键点,最后,展望系统扩展对电网规划业务的支撑,旨在探讨基于数据包络分析的配电网投资决策技术对配电网规划支撑提供参考.