基于用户负荷数据的离网型光伏发电系统优化设计

以云南某林区伐木厂的光伏发电系统为例,根据季节性变化的用电情况,详细统计用户的负荷数据,并利用PVsyst软件对光伏发电系统进行设计。论述了系统设计过程及其注意事项,剖析了设计仿真结果,系统基本能满足用户的用电需求,仅在夏季空调开启时有较低的亏电概率。

基于计算智能的电力数据智能分析及应用研究

为了提升智能电网负荷预测准确率,提出了一种基于深度学习的短期电力负荷预测模型。在长短时记忆网络和卷积神经网络基础上,构建混合CNN-LSTM预测模型结构。利用基于叠加卷积降噪自动编码器对电力数据进行特征提取,提出包含2个堆叠的LSTM层和1个线性输出层的负荷预测模型。24 h短期负荷预测结果表明,所提模型MAE、RMSE、MAPE和R2指标分别为232.08、292.19、0.0322、0.909,与XGBoost模型相比,性能分别提升74.8%、73.8%、70.8%和10.9%。

基于集成卷积神经网络的电网负荷数据分类

针对电力行业数据来源分散且维度较高,存在大量噪声,导致负荷数据分类非常困难的问题,提出了一种基于集成卷积神经网络的电网负荷数据分类方法。采用加权平均移动法生成负荷曲线,并降维处理电网负荷数据。构建双向激励函数,应用集成卷积神经网络训练降维数据集,区分正常数据和噪声数据。应用加权平均学习法通过构建新的网络对个体网络集成,建立集成学习后的数据集。利用不确定样本属性的验证、训练步骤,实现电网负荷数据分类。通过实验结果可知,该方法在电网负荷测量所属单元数值为0~1区间内的负荷数据分类结果为最优。

基于支持向量机的网格化电网负荷预测算法设计

针对电网负荷预测算法预测能力较差、效率偏低的问题,文中提出了一种PCA-PSO-SVM算法。其在经典粒子群算法的基础上引入主元分析法,使模型具有降低数据维度及算法冗余度的特性。同时通过改进的PCA-PSO算法对SVM模型的内置参数进行最优选取,从而使改进后的SVM模型具有最佳的分类性能。在实验测试中,采用PCA算法选取了91%贡献度内的6项数据特征进行样本数据训练。结果表明,相较于其他对比算法,该文算法预测结果的RMSE、MAE与MAPE误差值均为最小,证明其可对网格化电网负荷加以预测。此外,该算法还能提升传统算法的准确度,为电力负荷分配提供有力支持。

云边协同背景下基于融合RF算法的电网数据资产综合处理技术

针对现有大多数方法难以充分挖掘出电网数据潜在价值的问题,提出了一种云边协同背景下基于随机森林算法结合BP神经网络的电网数据资产综合处理技术。该技术在靠近电网数据源一侧部署边缘计算节点,以构建云边协同环境下的电网数字化资产管理系统。利用随机森林算法设计分类器完成电网数据类型的划分,并将各类型数据输入至BP神经网络中进行学习,通过不断地迭代优化输出相应的综合处理结果。基于Python平台进行的实验分析结果表明,所提技术的分类准确率均超过了90%,能够有效提升电网数据资产的处理效率。

基于大数据分析的配电网负荷预测方法研究

随着智能电网的快速发展,负荷预测在电力系统运行中的重要性日益凸显。本文介绍智能电网负荷预测的内容、方式与意义,阐述大数据的概念与特点,分析智能电网负荷预测与大数据的关联性。在此基础上,探讨了大数据背景下的智能电网负荷预测方法,并展望大数据智能电网负荷预测的发展趋势及其应用价值,为相关研究提供参考和借鉴。

P-Grid覆盖网络的加速收敛构建算法

在原P-Grid构建算法的基础上,针对节点无初始数据负载量(Ignore-of-Load)及有初始数据负载量(Care-of-Load)两种情况提出改进的构建算法.对Ignore-of-Load算法,从加大路径延长的程度以及推荐成功率两方面提高其收敛速度;同时,提出了以路径为主导、以数据为主导及具有符合度调整的3种Care-of-Load算法,并进行了比较.模拟实验结果表明:Ignore-of-Load算法能减少原算法交互次数的50%以上,大幅提高了算法的收敛速度;具有符合度调整的Care-of-Load算法在收敛速度上表现良好,并且对数据索引的查找成功率在90%左右.

基于暂态负载大数据的光伏并网异常智能告警算法

光伏并网异常智能告警目前受限于静态数据,导致告警准确性低。为此,文章提出基于暂态负载大数据的异常智能告警算法。该算法通过构建暂态负载监测数据采集模型,提取中心权重向量并描述电力负荷变化,采用自回归过滤和时序特征子序列变换(Time Series Shapelet Transform,Shapelet,TSSTS)处理数据,提取时序轨迹特征,并基于卷积神经网络构建异常分级告警结构,实现深度学习并准确输出告警结果。实验结果显示,该算法的曲线下面积(Area Under the Curve,AUC)值高达0.96,满足光伏并网异常检测要求。

基于随机森林的智能电网多源数据异常检测

智能电网多源数据具有海量化与复杂化特征,导致智能电网多源数据异常检测的难度增加,为此设计基于随机森林的智能电网多源数据异常检测算法。构建随机森林应用模型,根据评估指标选取结果,计算暂态稳定裕度指标的具体数值,实现对智能电网多源数据的暂态稳定性评估。设置Hadoop检测框架,通过求解多源数据负荷特征判断异常值检测系数所属取值范围,完成算法的设计。实验结果表明,异常多源信息的最大传输速率只能达到2.36 MB/ms,而常规数据传输速率却不会受到明显影响,说明设计方法能够有效提升智能电网主机对异常数据的检测能力。

考虑网络攻击影响的源网荷储系统风险评估

随着能源互联网技术的发展,电网调度正向“源网荷储”协同优化运行模式转变,系统利用能源优化配置、多能互补控制、大数据分析等先进技术,实现清洁能源高效利用、系统资源交互共享、电力需求响应等特性,由于物理设备与信息系统的深度耦合,针对其信息系统的网络攻击可能会导致物理故障。为了评估网络攻击对源网荷储系统的影响,从攻击者角度出发分析网络攻击的影响并建立改进的攻击图,采用频繁模式增长(FP-Growth)关联规则分析方法确定攻击路径;根据漏洞评估与贝叶斯定理确定攻击目标被成功攻击的概率,将源网荷储遭受网络攻击产生故障的概率乘以负荷损失量作为风险评估指标。分别对源网荷储系统中配电网断路器与分布式电源遭受网络攻击的场景进行风险定量评估,验证了所提方法的可行性与有效性。

基于电网大数据的智能配网规划研究

智能配网规划已成为我国电网发展的重要任务。以电网大数据为依托,开展智能配网规划研究,旨在提高配网规划的效率和质量。文章介绍了电网大数据的特点和应用,分析了智能配网规划的现状及存在的问题,提出了基于电网大数据的智能配网规划优化策略,对智能配网规划的应用前景进行了展望。

可解释机器学习在电网调控领域中的应用

数据驱动的机器学习是新一代人工智能的核心技术,尽管该技术已经在电网调控领域取得了显著成果,但是可解释性差,阻碍了其在对安全可靠性要求极高的电网调控领域的实际工程应用。因此,提升电网调控领域机器学习技术的可解释性对提高其实用性至关重要。首先,从电网调度运行人员的角度,分析了机器学习可解释性的定义、目标和意义;然后,提出考虑可解释性的机器学习在电网调控领域应用的流程,介绍了典型的机器学习解释技术及其在电力系统预测和稳定评估场景的应用,通过实际案例验证了该技术在电网调控领域应用的可行性;最后,对电网调控领域机器学习可解释技术面临的挑战进行了分析和展望。通过该研究,为解决电网调控领域机器学习应用的不可解释问题提供思路和参考,进一步促进机器学习技术在该领域的实际工程应用。

基于时间序列分类任务的智能电能表负荷监测技术研究

随着深度学习模型在非侵入式负荷监测领域的应用,负荷识别与分解的能力得到了显著提升。但是多数方法仍然存在模型训练效率低下、分解精度不足以及模型不易推广的问题。针对上述问题,文章利用基于时间序列分类任务的卷积神经网络对非侵入式负荷监测框架进行了研究,并提出了相应的负荷识别与分解方法。通过对比实验证明,在UK-DALE数据集上,基于时间序列分类任务的卷积神经网络提升了洗碗机4.3%的识别准确率和19%的识别精度,降低了21.3%负荷分解过程的均方误差;在REDD数据集上,模型对于洗衣机的识别准确率、精度和F1值均有所提升,特别是召回率提高了24.3%,同时在负荷分解的过程中,模型降低了15.8%的均方误差。因此,与其它神经网络模型相比,基于时间序列分类任务的卷积神经网络具有更稳定的负荷识别与分解性能。

基于电力大数据的分布式电网异常负荷动态检测方法

电网负荷数据基数大、分布范围广,且其异常状态检测复杂度高。提出一种基于电力大数据分布的电网异常负荷动态检测方法。采用非线性回归方程,估计中心负荷权重,并分割动态检测区域。采用状态估计法结合参数平滑对异常的负荷数据进行状态估计,并利用自回归滤波(extended Kalman filter,EKF)剔除噪声数据。计算负荷数据的近相似系数,划分异常数据域,设定分布概率较高的数据为异常负荷数据。通过观测负荷数据与异常域中心之间的关联性,判断负荷是否存在异常问题。仿真实验结果表明:高信噪比环境下,该方法检测异常负荷数据的最大特征量为160条;低信噪比环境下,异常负荷数据的最大特征量为158条,且峰值出现在节点51—节点120的位置。检测出的负荷数量均超过电网最大阈值,说明所提方法能够精确检测出异常负荷,且能够完全包含真实阈值,检测的全面性可高达100%。

基于SNN-密度峰值聚类算法的商业用户典型负荷模式提取

对商业用户典型负荷进行精确、迅速、高效地提取及分类,是电网公司摸清商业用户用电行为和需求规律不可或缺的重要工作。大数据背景下传统聚类算法用于高维汇集、类簇结果差别大的商业用户负荷曲线时,存在截断距离选取困难、聚类效果不够清晰、负荷模式提取效率低等问题,为此,提出一个改善局部密度测量和聚类中心点选取的算法。首先,将数据预处理,剔除掉完整程度较低的负荷曲线;接着,运用PCA分析方法降低处理后的商业用户负荷曲线维度,并在构建样本点共享邻域集合的基础上利用改进SNN-DPC算法计算出距离矩阵,代替原算法的距离矩阵作为输入数据;然后在重新定义SNN相似度、样本局部密度ρ和距离最大密度点距离δ的算法计算基础上,利用拐点确认聚类中心,并完成对抽样曲线的聚类分析。总之,改进算法通过样本点之间的共享近邻定义样本的相似性,精准分析了一些多维异构的负荷数据,通过拐点实现了真实聚类中心点的确定,解决了主观意志择取聚类中心的问题,从而大幅度提升负荷聚类效果。算例结果表明:1)对于商业用户实测负荷数据集,所提算法能够更加准确选择聚类中心,运行效率高。2)相对于传统的算法,基于该改进算法所提出负荷模式识别模型可以更好地帮助电网公司分析用户的用电特性,验证了该模型针对不同商业用户典型负荷模式可以进行更加精确地识别。综上,所提策略在现实商业用户场景下存在效能优势。

基于自然语言处理技术的智能配电网调度优化方法研究

由于历史电力数据中许多不确定性特征被忽略,造成调度优化方案无法解决电网节点电压越限,为此提出一种基于自然语言处理技术的智能配电网调度优化方法。采用包含注意力机制的编码器-解码器框架,并利用自然语言处理技术深入挖掘电网历史运行数据,获取负荷参数特征;在此基础上,建立一个优化调度模型,其中考虑有功调度成本最低的目标;为了求解这个优化调度模型,采用改进的随机搜索和启发式搜索算法,通过这些方法,得到一个最优的智能配电网调度方案。算例结果表明,使用所提出的调度优化方法后,智能配电网节点电压保持在0.95~1.05 pu的优质电压范围内,并且电压越上限的情况完全消失。

基于光伏发电工程的电力系统长期规划模型研究

基于源网荷储的技术经济参数、基准年数据和情景设置三个数据源,建立了基于光伏发电工程的电力系统长期规划模型,并通过对模型进行优化,得出了一种针对光伏发电的规划方案。结果表明该规划方案具有显著的经济效益和环保效益,为实现可持续发展提供了有力保障。

基于三维GIS技术的电网可视化展示研究

由于现有对电网覆盖范围界定不准确,导致可视化结果与实际数据信息结果有所出入,影响可视化效果。因此本文针对基于三维GIS技术的电网可视化展示展开研究。通过断路器对有功功率进行测量,计算出电网各个供电区域的负荷,获取电网负荷数据;采用三维地理信息系统技术,获取电网负荷数据对应的位置信息,并将电网覆盖区域内的负荷数据转化为带有位置标签的三维信息;构建三维电网数据库,利用开源框架将数据库中的电网信息转化为目标可视化,通过电网可视化展示模块,对区域电力运行情况的数据进行转化与分析。测试结果表明,设计方法可以实现对电网耗电类型、整体耗电量以及峰电量、谷电量、平电量的准确可视化展示,可视化结果与实际数据信息结果一致,可视化效果较好。

区域源网荷储一体化调控管理模式

针对当前面临的“新能源+规模化储能”调控策略缺失,主动支撑能力不足以及多系统林立等共性问题,本文以全国首个“源网荷储”一体化项目为例,探讨一体化调控管理模式的应用。主要研究内容包括区域风光功率联合预测,电网友好型新能源电站的“网-源”协调关键机制,风光储场站协同优化控制保护,新能源快速一次调频和虚拟惯量支撑等技术创新研发,以及风光储场站一体化数据集控平台研发和“集控+直控”双调度模式创新。研究结果表明,一体化集控平台从可测、可控、可调、可支撑四个方面为源网荷储一体化运行提供数据支持,满足新能源电站一体化接入及风光储稳定运行的要求,实现了全景智慧、电网友好、风光储协同的目标。研究成果有助于加快推动源网荷储一体化建设,并为规范化的源网荷储一体化实施路径提供参考。

面向源荷互动的建筑电网数据共享现状与展望

数字技术与能源融合构建是推动绿色低碳技术攻关的重要工具,而数据共享则是促进产业深度融合、推动全链条创新的关键抓手。在未来新型电力系统中,基于数据共享的源荷互动有望成为助推智能电网和建筑能源系统低碳转型发展的关键环节。如何有效协同建筑等用户侧与电力系统,实现供需两侧数据的有效互通,是迫切需要探索的核心问题。本文针对当前建筑等用户侧与电力系统供给侧之间的电力数据共享现状及发展趋势进行了研究。首先,调查了建筑供、需两侧对用电数据的监测与应用现状。接着,对当前建筑与电网的互动模式与机制进行了详细综述。最后,结合未来发展需求,提出了相关发展趋势及政策建议,旨在为建筑能源系统的低碳发展及建筑更好地融入整个低碳能源系统提供有益参考。