基于人工智能技术的配网用户侧负荷态势感知方法

为解决现有配网用户侧负荷态势感知方法感知误差大的问题,提出了基于人工智能技术的配网用户侧负荷态势感知方法。分析了配网用户侧负荷异常情况,筛选出零电量用户,构建人工智能技术负荷态势感知模型,对负荷群态势进行量化分析。使用机器学习方法划分负荷空域集合,计算每一个集合的异常得分,使用雷达图法评估零电量电力用户异常程度。以态势负荷时间序列能量值为基准进行归一化处理,结合Fisher判别法对待感知态势进行动态预测,获取态势感知类别。实验结果表明,该方法与实际最高感知负荷相差0.05 MW,最高感知误差为0.20,说明使用该技术能够得到精准的感知结果。

基于降噪自编码器、奇异谱分析和长短期记忆神经网络的空间电力负荷态势感知

精准的空间电力负荷态势感知结果是配电网精益化规划的基础。随着配电网中可采集负荷数据深度和广度的增加,如何运用这些数据实现对空间电力负荷精准的态势感知具有重要意义。该文提出一种基于降噪自编码器、奇异谱分析和长短期记忆神经网络(denoising autoencoder,singular spectrum analysis and long-short term memory neural networks,DAE-SSA-LSTM)的空间电力负荷态势感知方法。首先在态势觉察阶段,使用降噪自编码器对每个Ⅰ类元胞负荷实测数据分别进行编码提取各自的主要负荷变化特征,并根据该特征进行重构历史元胞负荷数据以降低由于测量、通信等原因造成的噪声干扰;然后在态势理解阶段中运用奇异谱分析方法对态势觉察后的元胞负荷数据进行分解得出周期性较强的低频分量序列和随机性较强的高频分量序列;最后在态势预测阶段采用不同的长短期记忆神经网络模型分别对低频分量和高频分量进行预测,并将两预测结果进行叠加得出目标年的Ⅰ类元胞负荷预测值,在此基础上运用空间电力负荷网格化技术求得基于Ⅱ类元胞的空间电力负荷预测值。实例分析结果表明,该方法相比于其他4种空间电力负荷态势感知方法,具有更高的预测精度。

基于k-means聚类和模糊神经网络的母线负荷态势感知

为顺应电力调度计划朝更精细化方向发展,提出基于k-means聚类和模糊神经网络的母线负荷态势感知方法。首先提出表征母线负荷状态参量和体现其状态参量变化趋势的母线负荷静动态势概念,然后建立母线负荷态势感知方法,包括:在态势觉察阶段,对母线历史负荷态势信息进行采集和处理;在态势理解阶段,采用基于手肘法的k-means聚类算法对考虑母线环境因素和负荷因素的母线历史负荷态势信息进行聚类分析;在态势预测阶段,采用费歇尔判别分析针对待测日动态势信息进行分类预测匹配待测日所属历史数据聚类类别,将所属类别的历史静态势数据代入模糊神经网络预测模型,建立基于k-means聚类的模糊神经网络预测方法,对待感知日母线负荷进行态势预测。最后应用该文方法进行算例仿真,结果表明所提方法的有效性和可行性,同时与传统模糊神经网络预测相比,该文母线负荷态势感知方法具有更高的态势预测精度。

基于人工智能代理的负荷态势感知及调控方法

负荷态势感知是需求侧资源管理愈加精细化发展需求下的关键技术之一。针对典型负荷动态态势估计及其调控需求,提出一种基于人工智能代理的负荷态势感知方法,并构建人工智能代理与云端平台协作的实现架构。通过用户侧负荷模型的学习认知,进而建立负荷空间集,并提出时域特征拓展的随机森林算法以实现对于负荷运行状态的评估分析,为负荷调控提供决策依据。进而根据评估结果及电力系统调控需求,在云端平台实现差量计算,并基于态势指标计算结果遴选优化组合,实现负荷精准控制。最后,通过仿真验证了所提方法能够准确预测负荷行为并达到良好的负荷整形效果。

负荷态势感知:概念、架构及关键技术

需求侧负荷资源的调度是应对大量可再生能源接入及直流输电受端紧急需求的有效手段。随着调控实时性和可靠性需求的不断提升，态势感知成为其发展的必然需求。该文针对负荷资源需求及多场景主体特性，提出负荷态势感知的概念，进而针对其场景应用进行探讨；并提出负荷态势感知技术架构，明确了其技术层次在运行过程中的映射交互及总体架构；最后结合负荷态势感知动作时序及流程分析，就负荷态势感知的实现及推进的关键技术进行阐述，为需求侧负荷资源的态势感知及其深化挖掘利用提供参考。

主动配电网态势感知技术研究综述与展望

随着分布式电源以及多元化负荷大规模接入,传统无源配电网逐步转化为有源配电网,配电网的故障种类愈发多样化,工作环境、工作状况与拓扑结构日趋复杂。主动配电网更需通过精进、高效的态势感知技术提高系统运行决策的及时性和准确性,准确预测系统潜在风险。文中阐述了主动配电网中态势感知技术的意义与概念,构建了其基本构架,并对态势觉察、态势理解与态势预测的研究进程、研究难点和未来研究方向进行了详细梳理与总结。