基于LOF-GMM方法的电网异常数据动态辨识及分析

为了进一步提高电网异常数据动态辨识精度,结合高斯混合模型,并利用邻域局部异常因子来确定此点是否属于异常数据,设计了一种基于邻域局部异常因子-高斯混合模型聚类方法的电网异常数据动态辨识方法。研究结果表明:设计的邻域局部异常因子-高斯混合模型聚类算法满足了配电网大数据一体化动态清洗过程需要,获得更高精度的负荷预测结果,有助于大幅增强配电网的响应能力。设计的方法实现了缺失数据填补精度与速度平衡,具有较好工程应用价值。

遗传神经网络下光伏功率高比例异常数据检测

在天气、设备以及多个因素的影响下,大部分光伏功率易出现异常。因此,该文提出基于遗传神经网络的光伏功率高比例异常数据检测方法。分析光伏功率高比例异常数据聚集特征,并利用遗传神经网络架构确定光伏发电条件概率分布。结合最小化估算区间原理,在确定高比例异常光伏概率分布情况下,估计光伏概率所在区间。利用遗传算法调整神经网络权值,确定神经细胞异常分数以及离群点异常分数平均值,从而判断当前数据是否为高比例异常数据,并得到光伏功率高比例异常数据检测结果。实验结果表明,该文方法能够有效检测出异常数据,误差小,实际应用效果好。

基于广义Benders分解的分布式光伏接入容量规划方法

针对目前分布式光伏电源大规模接入配电网中带来的问题,提出了基于广义Benders分解的分布式光伏接入容量规划方法。采用数据驱动顺序选择方法确定C-Vine Copula模型中变量的最优顺序,结合拉丁超立方采样方法和场景评估指标,构建典型负荷-资源相关性场景。在生成的典型场景的基础上,建立了基于广义Benders分解的光伏接入规划模型。该模型分为光伏规划主问题与配电网运行子问题,采用线性规划与最优潮流的方法进行求解。在IEEE 33节点系统网架开展算例分析,结果表明,提出的典型场景生成方法比传统方法的资源误差与负荷误差减少50%以上;规划模型求解所需的计算量减小为原来的11%,计算时间缩短为原来的9%。

动态拓扑下基于终端数据挖掘的配电网异常节点检测

异常节点检测用于发现由窃电、设备故障等现象导致的功率、电压等电气参数的量测值与实际值不同的节点,是配电网态势感知、运行和管理的基础。为此,提出一种基于终端数据挖掘的异常检测方法。首先,通过挖掘节点电压、功率间的潮流约束关系,构建了一种潮流映射框架下的异常检测体系,将不符合约束关系的节点判断为异常。其次,构建对冲反向传播-残差神经网络拟合潮流约束关系,在配电网拓扑和参数信息缺失的情况下实现快速准确的电压计算。再次,针对配电网拓扑变动导致方法失效问题,引入模型回溯概念和生成树算法进行识别,将变动信息反馈给主模型,实现检测方法在动态拓扑下的应用。最后,结合实际案例与仿真实验验证了所提方法的有效性。

基于循环神经网络的配网电压异常数据检测方法

配网电压异常数据检测过程易受到动态数据的影响,导致数据检测精准度较低。为了解决该问题,提出了基于循环神经网络的配网电压异常数据检测方法。在分析循环神经网络结构的基础上,以电压误差标准值为依据,构建电压异常数据检测模型。使用归一化处理方式训练模型,获取异常数据集。在标注数据后,计算线路两端节点电压,并将其与预设置的偏差进行对比,完成对异常数据的检测。由实验结果可知,该方法检测准确率和召回率最大值分别为0.991和0.90,说明使用该方法检测精准度较高。

基于胶囊网络的异常多分类模型

国网公司日益庞大的服务器集群产生的大量生产运行数据,以及实时分析各类设备、系统产生的海量监控数据成为电力IT运维工作的新挑战。异常检测技术作为智能电网信息运维工作的关键技术,可以有效检测运维故障并及时告警,避免损坏敏感设备。目前一些传统异常检测方法检测的异常种类少且精度低,导致故障发现不及时。为了应对这一挑战,提出了基于胶囊网络的多维时间序列异常多分类模型NNCapsNet。首先,应用无监督算法结合专家知识对电网营销业务应用服务器性能监控数据进行预处理和标注。其次,引入胶囊网络进行分类和异常检测。五折交叉验证的实验结果表明,NNCapsNet在包含15类异常的数据集上实现了91.21%的平均分类准确度。还在包含2万条监控数据的数据集上与4个基准模型进行了对比,NNCapsNet在关键评估指标上均取得了较好的结果。

一种基于自适应RNN的居民异常用电行为智能检测方法

居民用电异常行为检测问题存在严重的样本类别失衡的特点,导致现有方法检测效率低、性能差。为提升异常行为识别精度,加快异常检测训练效率,提出了一种基于自适应循环神经网络(RNN)的异常用电行为识别模型。设计一种SMOTE-ENN重采样方法,增加不平衡数据集的分类性能。建立了自适应RNN检测模型,使用批量归一化RNN作为基础学习器,并结合超参数优化和缓冲区来动态调整BNRNN模型。实验阶段,经过改进的SMOTE-ENN重采样后,模型分类效果大幅度提升。试验结果验证了模型的实用性及优异性能,该模型可为异常用电行为检测的发展提供一定借鉴作用。

基于深度度量学习的异常流量检测方法

网络异常流量识别是目前网络安全的重要任务之一。然而传统流量分类模型是依据流量数据训练得到,由于大部分流量数据分布不均导致分类边界模糊,极大限制了模型的分类性能。为解决上述问题,文章提出一种基于深度度量学习的异常流量检测方法。首先,与传统深度度量学习每个类别单一代理的算法不同,文章设计双代理机制,通过目标代理指引更新代理的优化方向,提升模型的训练效率,增强同类别流量数据的聚集能力和不同类别流量数据的分离能力,实现最小化类内距离和最大化类间距离,使数据的分类边界更清晰;然后,搭建基于1D-CNN和Bi-LSTM的神经网络,分别从空间和时间的角度高效提取流量特征。实验结果表明,NSL-KDD流量数据经过模型处理,其类内距离显著减小并且类间距离显著增大,类内距离相比原始类内距离减小了73.5%,类间距离相比原始类间距离增加了52.7%,且将文章搭建的神经网络比广泛使用的深度残差网络训练时间更短、效果更好。将文章所提模型应用在流量分类任务中,在NSL-KDD和CICIDS2017数据集上,相比传统的流量分类算法,其分类效果更好。

计及源荷不确定性的配电网可靠性高效评估方法

基于输电线路故障率与服役时间、运行条件之间的耦合关系,本文提出了一种计及实时运行条件改变的配电网可靠性高效评估方法。为改进传统可靠性评估方法在系统运行条件改变时需要重复进行可靠性评估过程的弊端,基于模型-数据混合驱动提出了面向源荷多维不确定性因素的可靠性评估方法。首先,基于输电线路不可用率与运行条件及老化效应间的耦合关系,建立输电线路不可用率模型,并提出配电网关键元件选取方法。然后,构建配电网可靠性指标关于关键元件可靠性参数的解析模型。最后,使用多层前馈神经网络得到解析模型与可再生能源出力及配网负荷水平的映射关系,当源荷变化时快速更新配电网运行可靠性指标。算例测试对本文所提算法的准确性和有效性进行了验证。

基于改进LSTM-VAE的配电网异常负荷检测方法研究

针对目前配电网负荷数据异常检测方法准确率低的问题,提出将改进的长短期记忆网络和变分自编码器相结合用的配电网负荷异常检测方法。通过残差结构对长短期记忆网络进行优化,提高特征学习能力,并将优化后的长短期记忆网络替换变分自编码器的BP神经网络层(编码和解码),可以更好地获得负荷数据的时间相关性。通过与常规检测方法的试验对比,验证了所提检测方法的优越性。结果表明,相比于常规负荷数据异常检测方法,所提方法具有更好的检测准确率,异常检测准确率为97.30%,比未引入残差结构提高了1.70%,比LSTM模型提高了7.00%,比PSO-PFCM模型提高了4.80%。可为配电网自动化的发展提供一定的参考。

基于多源数据深度融合的配电网运行评价方法

配电网作为供电环节中的最后一环,其运行水平决定了供电服务质量,因此配电网运行评价是供电单位的重要工作。但配电网运行评价工作受到跨业务数据资源难以融合、评价指标选择难以反映实际配电网运行状况等条件限制,现有评价方法难以实施应用。针对这一问题,提出一种基于多源数据深度融合的配电网运行评价方法,首先对区域配电网进行网格化划分,然后基于地址分级匹配算法对跨业务的多源异构数据进行深度融合。在此基础上,提取并设计配电网运行评价指标体系,构建基于多层权重约束的配电网运行综合评价模型,求解配电网综合评价结果。最后研发配电网运行评价系统,支持配电网各业务系统的多源异构数据的统一接入,实现配电网评价功能的可视化、智能化应用。研究成果配电网运行评价系统已采用某省级电网公司数据中台的相关数据进行配电网运行状态评估试验验证,以实际运行数据验证了所述方法的准确性和适用性。

基于负荷数据的分布式配网运行维护技术

本文提出一种基于负荷数据的分布式配网运行维护技术,通过实时分析负荷数据,该技术实现了对配电网的智能监控和故障诊断,从而提升了配电网运行效率和可靠性。该技术包括负荷数据采集、处理、分析和故障诊断等环节,能实现实时监控和预测性维护。实验表明:本技术可大幅减少人工巡检和维护的工作量,进而降低运行成本和风险。

关联驱动下配电网同期线损异常数据辨识

配电网同期线损数据的可靠性对于有效实现电网降损与节能是非常关键的,辨识异常数据能够提升配电网同期线损数据的可靠性。为此,设计了关联驱动下配电网同期线损异常数据辨识方法。采用基于多值属性的关联规则挖掘算法,挖掘配电网同期线损数据。利用改进小波阈值去噪算法,对挖掘的配电网同期线损数据实施去噪处理。基于K-means聚类算法、改进型萤火虫算法与聚类可靠性评估指标,设计线损异常数据辨识模型,实现配电网同期线损异常数据辨识。测试结果表明,设计方法的平均误辨识点数和漏辨识点数分别低于10个和5个,平均相对辨识误差保持在1.0以下,具有较好的同期线损异常数据辨识性能。

基于数字孪生的云网智能运维技术研究

云网融合的加速发展,既推动着通信网络数字化和智能化转型升级,也带来了云网运维复杂性不断提高的问题。尽管近年来通过各种智能化技术手段取得了一定进展,使网络管理控制变得更加敏捷和高效,但大规模云网设施仍然面临着运行维护过程中效率低、周期长和成本高等挑战。针对上述挑战,该文提出基于数字孪生的自适应探测、双重评估、优化调整三种智能运维的技术,旨在提高云网运维的效率并帮助预测网络异常。在自适应探测技术中,利用数据统计方法构建历史时序数据样本,通过算法选择适应的概率分布,预测故障发生的概率。双重评估技术中,通过对孪生系统和物理系统进行双重评估,验证故障原因并进行故障朔源。优化调整技术中,通过张量分解处理大数据,优化数据样本,并通过机器学习训练样本数据来优化调整智能运维模型。实验验证表明,该技术能够预测网络异常、快速定位故障,并优化调整系统,从而实现智能运维的目标。

基于数据驱动的“两横两纵”配电网运行管理体系研究与实践

构建了基于数据驱动的“两横两纵”配电网运行管理体系。在该体系下,通过供电服务数据的全寿命周期管理和多维度挖掘分析,整合营配调数据,破除专业壁垒,推动各类业务流程的优化升级,并依托配电运检、营销服务两条完整的数据链建立跨专业的纵向协同管控机制,从而提升供电服务指挥中心的运营质效,实现供电稳定可靠、服务优质高效的目标。

基于大数据的配网智能融合终端运维信号异常辨识方法

配网智能融合终端运维信号多样,数值范围和波动特性各异,增加了辨识难度。为提高精度,文章采用朴素贝叶斯算法进行大数据分析,通过预处理运维信号,包括噪声滤除和特征提取,将信号转化为适合异常辨识的形式。基于贝叶斯理论和特征条件独立假设,对信号进行并行化分类,实现异常运维信号的辨识。实验结果显示,该方法的相关系数高达0.968,证明了其辨识效果显著,为配网智能融合终端的运维管理提供了有力支持。

配电网自动化技术在配电网异常缺失数据动态监测中的应用

在现代电力系统中,配电网的稳定运行是确保电力供应连续性和可靠性的关键。配电网自动化技术集成监测设备和智能分析软件,提高配电网管理的效率和响应速度。数据缺失由设备故障、通信中断或数据处理错误引起,严重时会影响电网的稳定性和安全性。文章详细探讨配电网自动化技术在配电网异常缺失数据动态监测中的应用,涵盖技术应用集成、实时数据监控、异常缺失数据的定位与分析以及异常缺失数据处理4个方面,并进行相关技术的应用测试,验证这些技术在实际电网运行中的有效性和实用性。

配电网中的运维检修措施分析

阐述配电网运维检修操作的特点,探讨实施配电网运维检修的有效策略,包括提升检修人员的专业技能、强化设备日常监控与维护、确保线路维护管理的高效性、加强信息与数据管理的系统化。

基于大数据分析的配电网运行状态监测研究

大数据分析是一种处理海量数据的方法,可帮助企业发现隐藏在数据中的模式、趋势和信息。在配电网运行状态监测中,大数据分析可发挥重要作用,贯穿数据采集、数据处理、实时监测、预测分析、优化调度等诸多环节,提高配电网的安全性、稳定性和经济性,为我国能源事业的发展提供有力支持。基于此,文章围绕基于大数据分析的配电网运行状态监测意义与原则,对具体的监测策略进行研究,以期为配电网运行状态监测提供参考。

基于大数据的配电网故障诊断与智能化运维技术研究

文章主要研究大数据技术在配电网故障诊断与智能运维中的应用,分析数据采集与处理、数据挖掘与分析、数据可视化等关键内容。在配电网故障诊断方面,采用传感器技术实现故障的识别和定位,并提高诊断精度。在智能化运维方面,通过引入自动化运行调度系统、智能优化与资源分配算法,实现配网设备的及时监控和维护,提高配网运行效率和稳定性。所提技术方案在实际应用中取得了显著成效,为配电网的安全稳定运行提供了有力支撑。