基于MESCM算法的电网用电行为智能识别

针对电网负荷纵向特性分析精度较差,导致用电行为识别结果不精准的问题,提出了一种基于MESCM算法的电网用电行为智能识别方法。M-P律是MESCM样本协方差矩阵的特征值,基于动态特征值分析电网在不同信噪比情况下用电负荷的随机特性。使用MESCM算法,计算归一化处理的日用电量和电网一天用电量序列,提取电网静态与动态用电特征。设置滑动窗口,计算滑动窗口到数据点空间中心的距离,以此为依据构建智能识别函数,由此完成用电行为类别判定。实验结果表明,该方法与标准电网负荷数据存在5 kW的最大误差,且用电行为识别结果与实际类别一致,具有较强的抗干扰能力。

利用Rayleigh熵和并行计算的大规模电网异常负荷快速识别

为提升大规模电网应用场景下的计算效率和适应性,提出了一种利用Rayleigh熵和并行计算技术的异常负荷识别方法。首先分别构造大规模电网中各分区在负荷随机波动及噪声干扰情况下的数据源矩阵,继而构建其窗口矩阵和标准矩阵,进而形成各分区的样本协方差矩阵。其次,利用并行计算技术,采用Rayleigh熵同步快速估计各分区的MESCM指标。最后,通过对该指标进行越限判别,实现对大规模电网异常负荷的快速识别。借助MatlabR2014a和PST软件,案例分析在一个IEEE54机118母线标准系统和一个420机2736母线波兰系统中展开。与传统随机矩阵理论计算方法的计算结果比较表明了所提方法的有效性和高效性。

基于随机矩阵理论与Spiked模型的电力系统态势感知方法研究

从数据驱动角度,结合随机矩阵理论(RMT)和Spiked模型,研究了电力系统异常状态感知方法和关键节点辨识方法.提出了基于样本协方差矩阵最大特征值(MESCM)的电力系统异常状态感知方法;在此基础上引入Spiked模型对其进行改进,实现了电力系统异常状态的动态感知;以系统电压数据为原始数据,结合熵理论提取了数据有效信息,对电力系统网络的关键节点进行辨识.通过模拟分析和实际检测验证了该方法具有抗噪性能高、计算耗时少的优点,提高了电力系统异常状态感知模型的准确度和鲁棒性.该方法有效反映了电力系统异常状态的演化方向及其分布,可用于支持电力系统预防、检修和运维,辅助电力系统决策.