基于模糊聚类法的光伏配电网负荷过载预测

配电网负荷过载对运行安全性造成消极影响,且光伏配电网负荷过载预测时,受天气影响,导致预测误差较大。为此,基于模糊聚类法提出一种新的光伏配电网负荷过载预测方法。分析光伏配电网因素,通过模糊聚类实现信息处理,确定聚类中心,分析样本相似度,根据分析结果完成分类识别。采用路径分析方法分析影响因素指标权重,计算权重系数。利用替代法通过构造新特征加快拟合速度,通过BP神经网络优化参数,完成配电网负荷过载预测。实验结果表明,所提方法在恶劣环境下预测误差低于5%,具有较强的抗干扰能力。

基于多源信息融合的春节期间配变重过载预测方法

为实现春节期间配电变压器设备状态提前预警,保证配变安全稳定运行和用户稳定可靠用电,本文提出一种基于多源信息融合的春节期间配变重过载预测方法。首先结合历史春节时间段内配变运行数据和外部特征因素,采用XGBoost算法对春节期间高风险配变设备进行预测,并在此基础上制定业务专家经验判别依据,结合春节前设备实际运行情况对预测结果进行调整,输出预测清单,实现对春节期间高风险配变设备的提前预警。本文采用云南多地市的配变设备进行研究验证,结果表明:所提方法对于部分地区能够有效预测春节期间配变重过载情况,实现设备提前预警,降低重过载风险。

基于BP网络和灰色模型的春节配变重过载预测

做好春节配电台区的负荷预测工作,对制定配电变压器重过载的应对措施,防止配电台区设备损坏,保证居民用电可靠性和安全性具有十分重要的意义。针对春节电力负荷的特殊性和规律性,采用模糊聚类法对春节假期进行时段划分,基于BP神经网络和灰色预测系统建立春节配变的日最大负荷预测模型,并结合配变的额定参数,通过预测结果判断配变是否重载或者过载。算例分析表明,该方法预测精度高,在实际应用中具备可行性。

一种数据流上基于截止期的多查询过载预测模型

为保证数据流上查询处理的实时性要求,定义了截止期作为连续查询的实时性约束,提出了一种数据流上基于截止期的多查询过载预测模型.模型预测的过载点给出了能够保证数据流系统内所有查询满足各自截止期的临界情况.在多查询环境下,通过找到某一查询作为截止期瓶颈,使得该查询处理结束后剩余查询的处理能力正好大于系统的输入流速,从而计算出过载点.仿真实验结果证明,该模型预测出的过载点能够保证所有查询满足各自的截止期,并且预测算法具有良好的准确性和计算复杂性.

基于Attention机制的CNN⁃GRU配网线路重过载短期预测方法

随着用户用电需求增加,迎峰度夏期间配网线路重过载较严重,为电网运行增加安全隐患。实现配网线路重过载短期预测,对合理安排负荷高峰时期运行方式和调度管理以及线路的安全运行具有重要意义。文中提出一种基于注意力(Attention)机制的卷积神经网络(CNN)—门限循环单元神经网络(GRU)组合预测模型。结合高相关性时间段的历史线路负载率数据和气象因素作为输入特征,利用CNN处理多源数据并提取有效特征作为GRU的输入,再通过GRU对时序特征集进行分析预测,利用Attention机制对重要数据分配更多的注意力权重,实现配网线路负载率的回归预测,最后根据负载等级划分标准将负载率预测结果转化为负载等级。使用所提方法对上海市某区某10 kV线路数据进行实验。实验结果表明,该预测方法比相同模型结构但以负载等级为输入的重过载分类预测,更适用于配网线路重过载预测。

基于关注指标和深度学习的台区配变重过载预警方法研究

针对现行配变重过载治理方法过于被动的问题,结合电力大数据和深度学习技术提出了一种适用于大规模配电网分析的台区配变重过载预测方法。首先基于配变负载特性建立重载关注指标并建立二级过滤系统筛选出重过载风险较高的台区配变及其日期作为预测对象。然后充分考虑内外影响因素,建立卷积神经网络-门限循环单元深度学习模型实现负载率预测并转化为预警等级。实例证明了所提方法的有效性。

网络流量异常检测与预测方法研究

随着网络技术的发展和网络规模日益扩大,网络拓扑结构和网络设备日趋复杂,承载的业务种类也逐渐增多,这些都使网络中出现故障或性能问题的机会大大增加,网络监测面临更大的挑战。网络监测的目的是通过对网络设备和网络运行状况的连续监测,及时地发现网络中的异常情况,当网络中出现异常时能够及时发出报警通知,以提醒网管人员采取必要措施,来保持网络正常运行。网络异常检测是网络监测中的关键部分,能否准确、及时地检测出网络异常对于提高网络的可用性和可靠性具有非常重要的意义。