基于混合重抽样和LightGBM算法的配变低压跳闸预测

针对配变台区在夏季用电高峰期易频繁跳闸的问题,提出一种基于混合重抽样和LightGBM算法的配变低压跳闸预测模型。为了解决数据分布的边缘化问题,首先采用隔离森林剔除样本中的离群值。其次采用NCL欠抽样与SMOTE过抽样相结合的混合重抽样方法处理训练样本的数据不平衡问题。然后采用混合重采样算法产生的新样本对LightGBM分类器进行训练。最后利用训练好的模型对目标台区低压跳闸进行预测。通过算例仿真表明,对比其他预测模型,所提iF-SMOTE-NCL-LightGBM模型在低压跳闸预测中的各项评价指标均达到最高,能有效预测低压跳闸事件。     

基于深度信念网络的配变台区跳闸预测

针对配电网公变台区在夏季易出现配变跳闸故障,对供电可靠性造成严重影响等问题,提出一种基于深度信念网络（DBN）的配变台区跳闸预测方法。首先,针对配变跳闸为小概率事件,利用Borderline-SMOTE算法对训练样本进行抽样以处理数据不平衡问题;然后使用新样本训练形成DBN预测模型。由于传统DBN在学习训练过程中易于陷入局部最优,故采用纵横交叉优化算法进行优化;最后,通过算例测试验证了该模型的有效性。     

基于生成对抗网络和随机森林算法的配变低压跳闸预测

配变台区低压跳闸预测对供电部门掌握配电网运行态势至关重要。针对传统处理样本不平衡抽样方法容易造成信息丢失、引入噪声的缺陷,提出了一种领域清理(neighbourhood clean rule, NCL)欠采样和生成对抗网络组合的不平衡数据处理方法。首先采用NCL欠采样合理清除正常运行样本;然后采用稀疏自编码器学习大规模配变影响因素的内在特征,使用生成对抗网络去拟合、生成新的特征表示,并对其解码得到新跳闸样本;最后为了处理高维特征输入下的分类问题,使用随机森林分类器对目标配变进行低压跳闸预测,并依据跳闸概率进一步建立风险等级划分机制。以某地区配变为例进行建模预测,实验结果表明,所提模型在目标配变的预测准确率为99.65%,能有效预测低压跳闸事件和定位高风险台区。     

基于改进聚类和RBF神经网络的台区电网线损计算研究

电网线损是反映低压台区配电网输配电性能好坏的重要技术指标,针对低压台区线损计算不精确和效率不高的问题提出了一种有效的计算方法,即基于改进K-Means聚类和正交最小二乘法（OLS）优化的径向基（RBF）神经网络计算模型。首先通过层次分析法（AHP）对线损的电气指标进行提取,根据得到的线损指标用改进的K-Means聚类算法进行分类处理,然后用OLS改进的RBF网络和标准的RBF网络分别对得到的分类样本进行训练,再用训练好的模型计算台区电网线损。最后利用某地区低压台区的68组样本验证了所提方法的有效性。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于改进K-Means聚类和BP神经网络的台区线损率计算方法

配电网线损管理中面临的主要问题有表计配置不齐备、运行数据不易收集、元件和节点数过多。这些问题导致线损率计算工作十分繁杂。提出了一种基于改进K-Means聚类算法和Levenberg-Marquardt(LM)算法优化的BP神经网络模型快速计算低压台区线损率的方法,并通过编程加以实现。根据样本的电气特征参数,提出了改进K-Means聚类算法,将台区样本分类,解决了台区线损率数值分散的问题。在此基础上,采用LM算法优化的BP神经网络模型对样本数据按类进行训练,利用BP神经网络拟合样本线损率与电气特征参数之间的关系,得到其变化规律。以某地区601个台区样本数据为例进行仿真计算,验证了所提方法的准确性。结果表明,与标准BP神经网络模型相比,LM算法优化的BP神经网络模型具有快速收敛、高精度等优点。     

基于改进SMOTE不均衡样本处理和IHPO-DBN的变压器故障诊断方法研究

针对由于变压器故障样本不均衡和故障模型陷入局部最优而导致的分类准确率低的问题,提出了基于改进的合成少数类过采样技术和优化深度置信网络(deep belief network, DBN)的变压器故障诊断方法。首先采用聚类融合的K-means算法,通过分簇和匹配的方式筛选出不稳定的少数类样本用以改进中心点合成少数类过采样技术(center point synthetic minority oversampling technique, CP-SMOTE)算法,并对少数类样本进行扩增,解决了变压器故障数据分布不均衡的问题。其次,通过加入随机逆向学习和自适应惯性权重技术对猎食者优化算法进行改进,并用改进后的算法对DBN的内部参数进行优化调整,提高了模型精度。最后,将不同数据预处理情况下以及不同数据规模下的变压器故障模型进行仿真对比。结果表明,经过数据预处理和模型优化后的变压器故障识别准确率能够提高到98%,有效地解决了故障数据不平衡导致的分类精度低的问题。     

基于线路态势感知的台区检修决策优化技术研究

传统方式下低压台区采用计划检修以及事后抢修的模式,运维检修决策模式固化、滞后的弊端明显。以当前低压配电网数据为基础,以用户回路阻抗计算为手段,提出台区线路状态感知评估模型,支撑台区检修模式转型。基于台区简化网络拓扑构建用户回路阻抗方程,并采用约束线性最小二乘模型进行求解;考虑线路阻抗状态与故障类型的关联关系,创新性提出台区线路随机故障与累积故障状态判定模型;构建考虑检修成本的经营成效评估模型,并以经营成效最大化为目标,结合供电可靠性约束条件,建立基于非线性规划方法的台区检修决策优化模型。以某个含376个公变台区的供电所为例,进行了算例分析,验证了所提模型与算法的有效性。     

基于深度置信网络的低压台区理论线损计算方法

针对因线路分布复杂、终端数目庞大等带来的低压台区理论线损计算困难的问题,提出一种基于深度置信网络(DBN)的低压台区理论线损计算新方法。在训练过程中,先利用贪婪算法对DBN模型中的神经网络层进行逐层无监督的预训练,再对该模型进行有监督的全局微调。为了提高计算精度,采用自适应时刻估计(Adam)优化器。以某地区实测2 140个台区数据为样本进行仿真计算,结果表明,相较于浅层神经网络,DBN线损计算模型具有更好的泛化能力以及准确性和快速性,且Adam优化器在线损计算中相较于均方根反向传播(RMSProp)和随机梯度下降(SGD)算法具有优越性。     

基于SVM SMOTE的电力变压器故障样本均衡化方法

在变压器故障诊断领域,数据集不平衡性带来的极端值、噪声等问题严重影响了分类算法的故障识别能力。为此,提出了一种基于支持向量机(supportvectormachine,SVM)合成少数类过采样(syntheticminority over-samplingtechnique,SMOTE)算法的电力变压器故障样本均衡化方法,并结合机器学习进行故障诊断,以解决不平衡数据集下变压器故障诊断整体精度低的问题。首先,从原理、特点、应用等方面对传统SMOTE算法和SVM SMOTE算法进行了大量研究和分析;然后,以变压器油中溶解气体为样本集,构建了基于故障样本均衡化的变压器故障诊断模型;最后,对所提方法进行了算例仿真。结果显示:相较于传统变压器故障诊断算法,采用SVMSMOTE算法对故障样本进行均衡化后,各评价指标均有大幅提升,其中整体分类准确度αmacro-F1提升了18.9%。研究结果证明所提方法可以有效解决不平衡数据集下变压器故障样本漏判率高的问题,并在其分类上具有更高的精度。     

基于二次矩阵补全的低压配电网相序识别算法

针对低压配电网数据完整性不足的场景,提出了一种基于二次矩阵补全的低压配电网相序识别算法。首先,分析了基于电流拟合的相序识别原理与模型;其次,研究了基于奇异值门限(SVT)算法的矩阵补全算法及其对缺失数据的一次补全方法;然后,为了进一步提升矩阵补全精度,提出了基于SVT算法的二次补全算法,并在此基础上构建了基于二次矩阵补全的低压配电网相序识别方法;最后,通过实际台区用电数据对所提算法进行算例分析。算例分析结果表明,所提算法适用于电流采集数据缺失的情况,能有效地降低电流矩阵补全的误差,从而提升低压配电网相序识别的准确率。     

基于自适应分段云模型的单相用户相别辨识方法

针对低压配电台区拓扑结构中相别关系错误的问题,利用台区配电变压器低压侧相电压序列和用户电压序列的相似性,提出了一种基于自适应分段云模型的单相用户相别辨识方法.首先,利用云模型的数字特征刻画电压序列的数据分布;然后,利用自适应分段云模型算法自适应地确定电压序列的分段总数以及每个分段的起始时刻和结束时刻;最后,计算电压序列...     

考虑模型病态性的智能电表运行误差分析方法

基于数据分析的低压台区电能表误差分析方法仅仅依赖于计量系统中台区计量数据,具有覆盖率高、快速便捷的优点,但受制于模型病态性而无法保证计算所得电表误差的精度。针对由病态性而导致的模型求解困难问题,文章从数据和求解算法两方面着手提高求解精度。通过设计基于贪心策略的数据优选算法,快速选取有利模型求解的数据;通过改进经典吉洪诺夫正则化算法,抑制解的波动,从而有效解决智能电表运行误差检定算法模型病态。以天津电网实际低压台区用电数据为算例,验证了所提方法能够有效提升智能电表运行误差检定算法的计算准确度,为实际的电能表检定维护工作提供科学参考。     

基于时空关联矩阵的配电台区反窃电预警方法

针对配电台区窃电用户难发现、窃电量预估不准确的问题,提出了一种基于时空关联矩阵的配电台区反窃电预警方法。首先,构建配电台区数据清洗方法,采用线性插值算法对低压户表采集的缺失数据进行补正,以消除配电台区量测数据缺失对模型的影响。其次,构建配电台区窃电分析算法,通过台区线损波动率、线损与电流差异曲线的变点时间进行关联分析,从而判断台区是否存在窃电行为。再次,构建窃电用户的时空关联分析模型,通过变点、离群点和关联检测分析窃电嫌疑用户的时空分布特征,并计及用户窃电时间和用电容量等特性,提供预估窃电量。最后,通过实例验证了所提方法的有效性和实用性。     

基于孤立森林算法的配电网线损异常判定

线损异常分析在低压配电网的发展规划中具有重要意义。现阶段线损的异常判定多采用阈值分析法,在时效性和准确性上存在很大的局限性。随着智能电网的推广,提出了一种基于孤立森林离群点检测算法的线损异常判定方案。首先采用k-means算法将低压台区按照不同的负载工况进行聚类,而后采用孤立森林算法计算台区数据的异常分数,最后对获取的异常分数进行阈值分析,得到最终的线损异常数据。在IEEE标准配电网络上进行仿真分析,并用电网实际台区的运行数据进行验证。结果表明,所提异常判定算法具有较高的准确性。这种基于数据挖掘技术的异常分析方法在线损精细化管理中将发挥越来越大的作用。     

考虑交直流侧协调的模块化多电平换流站直流线路保护方案

在换流站保护中,交直流保护之间往往缺乏配合,且存在直流保护的速动性难以满足要求、故障区域难以确定等难点。为此,根据模块化多电平换流器(MMC)闭锁前后直流二次谐波电流与交流负序电流特征,提出了换流站交直流故障辨识方法,可有效区分交、直流故障,确定故障区域。在此基础上,提出了交、直流侧协调配合的换流站直流保护方案。最后,结合光伏直流汇集接入系统的PSCAD/EMTDC模型,验证了交直流故障辨识方法的可行性以及交、直流侧协调配合的直流保护方案的可靠性。结果表明,所提方法能有效识别交、直流故障,且受过渡电阻的影响较小。     

面向中低压配电网的分布式协同无功优化策略

分布式电源的大规模接入使得中低压配电网具备参与优化调度的能力,但分布式电源出力的随机性和潮流分布的复杂化为中低压配电网无功优化带来了新的挑战.考虑台区拓扑信息不全的现实问题和传统协同优化的局限性,文中提出面向中低压配电网的分布式协同无功优化策略.首先,对馈线和台区分别建立馈线物理模型和台区拟合模型.然后,利用主从分裂法对全局无功优化模型进行分解,并将不可控台区的潮流拟合模型引入馈线无功优化模型,从而充分调用馈线资源改善不可控台区各节点的电压质量,解决基于物理模型协同优化的局限性,提升协同无功优化水平.算例仿真结果验证了所提策略的有效性和优越性.     

智能电网低压台区运行状态模糊综合评价方法研究

为实现智能电网低压台区运行状态综合分析与评价,提出了一种基于环比评分法和模糊综合评价的低压台区运行状态评估方法。首先,根据低压台区运行状态和评估需求,从采集数据质量、线路损耗、营业管理及用户用电行为4个维度建立运行状态指标体系,并应用环比评分法根据专家意见确定权重;接着选取岭形分布隶属度函数来描述各指标对应于各状态空间的模糊关系;然后对构造的评价模型进行分析计算并得出结论。最后将该评价指标体系及评价方法应用于低压台区算例,得出被评价台区运行状态的优劣排序,并给出改进建议。     

基于改进鸽群算法的台区三相负荷不平衡相序调整方法

针对低压配电台区三相负荷不平衡现象,研究了一种基于换相开关的负荷相序调整方法。运用负荷不平衡换相控制策略,建立以配电变压器低压侧三相电流不平衡度最小为目标的优化换相数学模型;引入自适应参数和柯西扰动对原始鸽群算法（pigeon-inspired optimization,PIO）进行改进,用改进鸽群算法求解最优换相方案。Matlab仿真验证了改进鸽群优化算法的优越性及其求解优化换相方案的有效性,可以显著降低台区三相负荷的不平衡程度。