基于集成树和MoE的馈线统计线损率双层估计模型

统计线损率是衡量电力系统经济运行的重要指标。然而,用户用电数据采集异常、数据传输中断等因素会导致统计线损率异常或缺失,这严重阻碍了智能配电网的线损精益化管理与经济高效运行。针对馈线统计线损率合理值的估计问题,该文提出了一种基于集成树和混合专家系统(MoE)的馈线统计线损率双层估计模型。首先,使用最大信息系数以更有效地分析统计线损率与其相关特征间的非线性关系,并采用鲁棒性强的K-Medoids聚类算法对馈线进行精细划分;然后,使用Stacking集成学习框架,基于基估计和元估计双层模型对馈线统计线损率进行两阶段估计,选用决策树和各类集成树模型作为基估计模型对统计线损率进行初步估计,将各基估计模型输出结果输入元估计模型MoE中进行最终估计,使用方均根误差(RMSE)和平均绝对误差(MAE)来衡量模型所估计统计线损率的合理性;最后,通过算例分析表明,与其他模型相比,该文所提馈线统计线损率双层估计模型具有更低的RMSE和MAE,对馈线统计线损率的估计效果更好。

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SVM的台区线损异常数据治理方法

为降低台区异常数据造成的供电服务中线损率较高问题,引进支持向量机(support vector machine,SVM)技术,设计台区线损异常数据治理方法。使用传感器等相关设备,采集台区电力设备运行反馈数据;设定台区线损异常数据的聚类中心,辨识并聚类台区线损异常数据;应用VisuShrink技术,确定数据处理的阈值门限,使用小波阈值法,参照小波系数,重构异常信号,消除信号的背景噪声;引进SVM,设定训练样本集合,采用SVM中的机器学习算法,建立回归函数,辅助SVM的POS参数优化条件,控制空间粒子的粒距,通过对空间异常数据的重构,实现对台区线损异常数据的治理。以某地区大型电力企业为例,设计对比试验。试验结果表明,设计的治理方法在实际应用效果良好,实现将台区线损率稳定在5%以下。

基于台区日线损率曲线特征的线损分析治理

针对台区日线损率异常原因较多导致查找治理困难的问题,采用压降法计算台区日线损率理论值,根据日线损率与该理论值对比情况判定异常原因。当日线损率过大且存在波动时,判定类窃电因素引起;当日线损率过大且较为稳定时,判定关口计量误差或故障引起;当日线损率存在波动且其平均值与理论值接近时,判定计量设备时钟异常引起;当日线损率为负时,判定台区供电量少计引起。通过理论分析、台区线损测试仪应用等方法,证明以上结论的正确性。

台区线损技术在用电检查中的应用

对于电力企业的供电系统运营管理来说,台区线损率是考核其管理水平的关键经济指标之一。线损的高低能够反映出电网稳定程度,也关系到电力企业的经济效益。在当前配网自动化程度提高的背景下,台区线损计算与线损控制也更为方便,能够准确通过分析查找到线损原因再进行降损处理,这个过程中用电检查工作必不可少,其对于控制台区线损有着重要作用,也能为线损管理改进指明正确方向,为提高实际供电质量作出贡献。因此,文章通过分析台区线损的主要原因和异常表现,进一步分析了用电检查中台区线损控制措施的有效应用。

低压配电变压器三相负荷不平衡下的线损率小生境遗传分析算法

三相负荷不平衡是导致线损率增长的主要原因,因此解决了三相负荷不平衡问题就能从根本上将线损控制在允许范围内,实现有效降损。在此背景下,针对传统遗产算法应用效果差的问题,研究一种低压配电变压器三相负荷不平衡下的线损率小生境遗传分析算法。利用均方根电流法计算三相电能损耗并计算其占据供电负荷的比例,得出线损率。结合线损数值,构建换相成本最小化目标函数,利用小生境遗传分析算法求解约束条件下的最优换相方案,通过换相调整,促进低压配电变压器三相负荷平衡化,实现降损。测试结果表明:与换相前相比,换相调整后的低压配电变压器三相负荷不平衡度降低,线损率减小,说明所提换相方案起到了线损控制的作用。

基于无功补偿的矿井供电节能耗技术研究

针对矿井中输电线路由于距离过长,而产生的电能损耗以及线路老化等问题,在线路中并入无功补偿装置,可起到节能降损的作用。通过对不同类型的无功补偿方式和无功补偿设备进行分析,结合供配电系统的实际需求,制定合理的无功补偿方案,可取得较好的效果。通过北辛窑矿实际应用,结果表明:应用静态无功补偿装置后,能源消耗量从210 kg降至118 kg,供电线损率从11.6%降至8.9%。

基于Stacking集成学习的有源台区线损率评估方法

人工智能及机器学习的发展,为有源台区线损率的评估提供了崭新的思路。提出一种基于Stacking集成学习的有源台区线损率评估方法。从特定系统中提取有源台区数据,采用互信息等方法处理数据中异常值,并建立电气特征指标体系。考虑传统的机器学习与不同思想的集成学习算法之间的差异,综合线性模型与非线性模型,选择线性回归算法、随机森林算法、GBDT算法作为基学习器,构建多算法融合的Stacking集成学习模型。以某省有源台区数据为例,验证了所提方法的准确性和有效性。

基于贝叶斯网络的10kV线路时钟超差计量点负荷类型识别方法

10 kV线路上负荷计量点处出现时钟超差将导致线损率异常,而现有人工排查方法存在效率低、智能化程度不高的问题。为此,提出一种基于线损率曲线波动特征识别时钟超差计量点负荷类型的新方法,通过贝叶斯网络(BN)拟合负荷类型与时钟超差线损率的映射关系。为解决时钟超差样本缺乏的问题,在基于线路实际运行数据的仿真模型中对负荷计量点分别设置计量时钟偏差模块,生成时钟超差线损率样本集;引入模糊C均值聚类,根据负荷曲线形状相似度对负荷进行归类,在负荷较多的场景中实现数据降维。依托于同期线损系统的研究数据,算例分析验证了该方法的可行性和准确性,说明其可实现时钟超差计量点负荷类型辨识,为快速定位时钟超差异常电能表提供参考。

基于Stacking集成模型的台区线损率预测方法研究

针对现有线损率预测方法预测精度较低的问题,提出了一种将Stacking集成学习模型与改进的k-均值聚类方法相结合用于预测台区的线损率。通过聚类方法进行数据聚类,再通过Stacking集成学习模型对台区线损率进行预测。Stacking集成学习模型由XGBoost模型、梯度决策树模型和支持向量机模型构成。与传统预测方法进行对比分析试验验证可行性。结果表明,与传统的线损率预测方法相比,所提出的线损率预测方法具有更好的预测效果,更高的预测精度和拟合效果。该研究为实现电网双碳目标提供了一定的参考。

联合改进SVR和渐消记忆递推最小二乘算法的电能表误差评估模型研究

针对电能计量装置运行误差现场检定难度大、定期轮换成本高等问题,提出一种联合麻雀搜索算法(SSA)、支持向量回归机(SVR)和渐消记忆递推最小二乘算法(FMRLS)的电能表误差评估模型。该方法首先利用改进的K-Means算法对台区进行分类,将分类后的样本导入利用SSA优化后的SVR模型进行训练,建立台区线损率预测模型;而后将得到的线损率代入改进的线损模型,构建电能表误差求解方程,利用FMRLS算法对误差方程进行求解,对电能表误差进行估计。通过河北省某低压台区样本的数据验证,该方法可以实现对低压台区线损率的有效预测,并估计出在运电能表的误差,为加快推进智能电能表检修策略由定期更换转向状态轮换提供技术保障。

基于多维度可变时空因素的10kV分线线损率异动原因分析

分线线损率计算涉及供电、售电环节和电网拓扑结构,其异动原因复杂且排查困难。本文通过分析影响线损率计算的各个环节时空因素,针对单一线损异动及多重线损异动提出分析及故障排查方法。结合线损工作的历史数据,研究异动的时间影响因素和空间影响因素,根据线损率变化性质确定造成线损率异动的可变因素;定量分析可变因素与线损率的电量数据关系,由此建立不同因素对应的电量变化及线损率变化数据模型;针对单一线损异动和多重线损异动的情况,结合异动后拓扑变化和线损率变化进行电量还原计算,将异常变化规律和还原后的变化规律相结合实现异动原因的精准判断。算例分析验证了所提方法的有效性。

利用换相开关治理低压台区三相不平衡问题的研究

在对换相开关治理低压台区三相不平衡的有效性进行研究的基础上,提出了一种基于分析三相不平衡节点电气参数等数据以确定换相开关安装位置及优先级的方法。通过工程实际应用换相开关,验证得出换相开关能够缓解三相不平衡问题的结论。通过对应用换相开关的典型台区进行仿真分析,得出换相开关能够降低线损率的结论。

基于改进梯度提升决策树的10 kV及以下配电网线损率预测

为解决异常值情况下10 kV及以下配电网线损率存在预测精度低、特征选取困难等问题,提出一种基于改进梯度提升决策树(Gradient boosting decision tree,GBDT)的线损率估计方案。首先,通过GBDT相对重要性和Spearman相关系数计算联合提取特征,并构建特征数据库。其次,为缓解电网结构巨大差异带来的线损率数值离散特性,提出基于密度的带噪空间聚类算法,对配电网数据进行分类。最后,基于改进的GBDT模型对数据进行预测与分析。通过仿真分析可知,与支持向量回归和随机森林回归相比较,本研究所提方法在1446个实例样本中预测均方误差分别降低2.24%和0.86%。

多参量修正的输电线路线损优化计算方法

线损率是考察国家电力行业的重要经济性技术指标,在传统输电线路中线损计算的准确性至关重要。国内目前所采用的线损计算方法没有考虑负荷水平、对时误差和计量装置误差的影响,导致理论线损的数据与实测线损相差较大,不利于对线损进行精益化计算以及后续降损工作。考虑温度、湿度对理论线损的影响,建立了一种计算综合线损率的数学模型,并对线损率的影响因素进行多参量修正,减小使用单一线损产生的误差。算例分析表明,该方法所算结果更接近实际线损率,具有较强的工程实践意义。

基于分相线损的低压配电台区反窃电分析

低压配电台区线损率是供电企业开展反窃电工作的重要依据,当前线损管控使用的台区线损率指标是由台区三相供售电量的总和计算得到,存在窃电用户台区线损率在合格范围内不被察觉的不足,因此,基于用电信息采集系统和高速电力载波通信技术,给出了台区分相线损率计算方法,结合实例表明,与台区线损率相比,台区分相线损率有利于辨别更多线损偏高台区,更准确定位线损偏高的范围。

通过台区线损率变化及时发现和消除低压电网漏电隐患

低压线路和设备漏电不仅造成供电企业直接经济损失,更可能对电网运行和人身安全构成威胁,通过系统监测低压台区线损率的变化,根据不同的变化规律,分析研判并快速排查治理不同类型的低压电网漏电隐患,可以及时发现问题,消除潜在安全风险,此方法在近年的实践中取得明显成效。

基于粒子群算法的中低压配电网网格化规划模型

针对配电网规划效果不理想等问题,提出一种基于粒子群算法的中低压配电网网格化规划模型。将线路中的最小损耗费作为目标函数,以此为依据构建中低压配电网网格化规划数学模型,并采用粒子群算法对模型进行优化;在优化前设定粒子范围,令其满足设定条件后初始化粒子种群,从而提升算法的优化效果,实现基于粒子群算法的中低压配电网网格化规划模型设计与优化。试验结果表明,所提模型的配电网线路联络率及通过率最优,供电可靠率稳定,负载均衡度更高。说明模型实用性强,可为以后中低压配电网规划提供参考。

考虑时序数据缺失的配电网线损率动态预测方法

针对现有线损预测方法受到缺失时序数据影响,导致预测精准度低的问题,提出了考虑时序数据缺失的配电网线损率动态预测方法。计算弗雷歇距离,判别正常数据集合和缺失数据集合曲线相似度。使用改进KNN方法选择嵌入式特征,通过确定缺失数据集合中的k个最近邻,补全缺失数据。构建马尔可夫预测模型,获取动态状态转移概率矩阵,得到最佳的数据区间。判断线损率波动趋势,确定售电量结构影响因子、专线管理水平影响因子、公用线管理水平影响因子。经过累加后,计算动态潮流线损率,完成线损率动态预测。由实验结果可知,该方法与实际预测结果最大误差为0.2%,具有精准预测结果。

基于随机森林回归模型的低压台区线损率智能控制

低压台区数据中的干扰项或缺失项,会对低压台区线损率控制造成一定影响,为降低线损率,该文提出一种基于随机森林回归模型的低压台区线损率智能控制方法。标准化处理低压台区供电数据,通过主要成分分析法建立电力数据评价函数,分类处理低压台区数据。定义负荷参量特征约束条件,划定控制范围,计算低压台区理论线损率。采用随机森林回归模型处理数据,实现低压台区线损率控制。实验结果表明,选择某低压台小区作为测试对象,对其含有的3组配变线损情况进行分析,结果表明该文方法能够将线损率控制在5%之内,较原有线损率有了明显下降。