一种三级协调的配电网预想故障筛选与排序方法

为了提高配电网预想故障集筛选和排序的快速性、准确性,文章以配电网历史故障数据和运行数据为基础,提出一种三级协调的配电网预想故障筛选与排序方法。采用层次云理论计算故障情况下电压、短路电流、有功功率、无功功率损耗和功率因数之间的权重关系,并通过预处理构建支路参数筛选指标,对预想故障集进行预筛选以缩小故障筛选范围。利用π型支路模型,提出基于同步相量测量装置(Phasor Measurement Unit, PMU)的负荷裕度筛选指标和基于PMU的电压稳定排序指标,实现对严重故障的快速筛选与排序。实例分析表明：该方法能全面、准确、高效地实现系统预想故障集筛选与排序。     

考虑信息-物理组合预想故障筛选的配电网CPS安全性评估

随着ICT技术和自动化控制技术的快速发展,配电网逐渐发展为信息系统和物理系统高度耦合的配电网信息物理系统（配电网CPS）,信息系统支撑物理系统稳定运行的同时也给配电网CPS带来了一定的安全隐患,因此在原有的单一物理预想故障评估中需考虑信息影响。提出一种考虑信息-物理组合预想故障筛选的配电网CPS安全性分析与评估方法。首先基于配电网CPS结构,建立了可以反映电力-信息耦合特性的配电网CPS关联矩阵模型;接着分析信息故障和物理故障的相关性,依据拓扑相关和业务相关构建初始的信息-物理组合预想故障集;然后以故障恢复率排序作为依据筛选出关键的信息-物理组合预想故障;最后针对筛选出的组合预想故障利用配电网CPS安全性评估指标进行安全评估,并在算例中验证,算例结果表明了所提方法的合理性和有效性。     

基于投票策略的智能配电网柔性负荷聚类分析方法

面向智能配电网台区负荷特性差异大，以及传统聚类算法的聚类效果、聚类精度以及鲁棒性难以平衡的问题，结合K均值(K-means)算法和基于灰狼优化的模糊C均值（fuzzy C-means clustering algorithm based on Grey Wolf optimization,GWO-FCM）算法等不同算法的聚类稳定性和聚类效应，提出一种基于投票策略的智能配电网柔性负荷聚类分析方法。通过集成树拟合，实现智能配电网台区柔性负荷高维数据的降维。利用马氏距离克服聚类指标维度的相关性，进而确定有效聚类数。通过卡林斯基-哈拉巴斯指数（Calinski-Harabaz,CH）确定基准聚类算法。通过一致性函数矩阵对聚类结果进行统一，攻克了聚类结果不稳定的问题，得到更一致、更稳定的总体聚类结果。通过宁夏回族自治区智能配电台区实际运行数据分析，验证了所提基于投票策略的聚类算法的有效性。     

恶劣天气下基于N-2故障组合剪枝法的电网多重故障风险评估

预想事故集筛选是电力系统多重故障风险评估的关键部分,现有筛选方法容易将大量高概率低风险故障加入预想事故集或是生成预想事故集的过程涉及复杂网络拓扑计算,影响风险评估效率。因此,本文提出了一种基于N-2故障组合剪枝预想事故集快速筛选方法。首先,利用低维度的风险信息来进行剪枝操作,生成多个剪枝后的故障状态树。然后,使用回溯算法完成树的深度优先遍历,得到满足故障概率阈值且风险指标高的多重故障组合,筛选合并后作为预想事故集。最后,以IEEE-RTS 79系统作为测试对象,应用所提方法进行多重故障风险评估。结果表明：所提方法的风险评估结果在算例中与N-4故障遍历的评估结果相当,计算效率有明显提升。所提方法适用于恶劣天气下电网多重故障扫描和预想事故排序,为电网风险防控提供快速计算方法。     

基于K均值聚类算法的谐振接地系统故障区段定位方法

现有的谐振接地配电网单相接地故障定位方法存在通信依赖过度、特征分析复杂和阈值设置困难等问题,现场运行的适用性较低。本文基于深度融合智能开关在配电网中的应用,研究三相电流变化量的波形特征,提出基于K均值聚类算法的就地选段方法。该方法提取各区段数据特征量,发挥K均值聚类算法无监督学习的优点,使各检测节点只需处理本地故障信号,从而减轻通信压力。利用仿真和现场数据验证该方法的可行性,结果表明,该方法在多种故障工况下都表现出较高的可靠性,并且能够较好地适应现场环境。     

全局输配电网电压稳定故障筛选与排序的分布式计算方法

随着传统配电网向含大量分布式电源的主动配电网转变,输电网、配电网电压稳定评估已不再适宜各自独立计算。基于输电网、配电网分属于不同控制中心调控,提出一种全局输配电网电压稳定故障筛选与排序的分布式计算方法。该方法分为两阶段：阶段1中采用输配电网主从分裂分布式潮流工具在系统要求最小负荷裕度值的工况下进行各预想故障的潮流计算,采用最优乘子法筛选出潮流不可解的严重故障;阶段2中采用基于输配电网分布式连续潮流的步长加速二次曲线拟合方法计算严重故障的负荷裕度并进行排序。由1个IEEE 118节点输电网和2个IEEE 33节点配电网组成的全局输配系统的仿真算例表明所提方法能够快速可靠地实现全局输配电网电压稳定故障筛选与排序。     

基于GIS与灰色聚类评估模型的变电站选址

提出了一种基于地理信息系统（GIS）与灰色聚类评估模型的变电站选址新方法,以配电网地理信息系统为基础,运用灰色聚类评估模型对配电网备选站址进行综合评价。首先从GIS数据库中读取备选站址的地理空间属性数据,确定基于送电费用最小的理想站址;然后建立灰色聚类评估模型,模型中采用三角白化权函数确定备选站址所属灰类,采用信息熵理论来确定各指标的权重。该选址方法综合考虑了影响变电站选址的相关因素,工程实践表明,该方法提高了配电网变电站选址综合决策水平。     

考虑可靠性收益的配电网智能软开关规划方法

智能软开关(SOP)具有较强的潮流控制能力,在配电网正常运行场景下和故障环境中均能有效发挥作用,在规划层面应兼顾其对于配电网供电可靠性与运行经济性提升所带来的综合收益。文中综合考虑了SOP接入对配电网供电可靠性和运行经济性的影响,建立了智能软开关规划模型;采用快速搜索和发现密度峰聚类方法对年负荷数据进行聚类,生成配电网典型运行场景以计算其对运行经济性的提升收益;采用基于关联约束的支路故障率计算方法,考虑线路电流负载率、节点电压以及线路长度对支路故障率的影响,生成动态预想故障集以计算供电可靠性收益;采用模拟退火与二阶锥规划相结合的混合算法对上述规划模型进行求解,最后,在PGE 69节点算例上验证了所提规划模型的有效性。结果表明,面向配电网可靠性与经济性的SOP规划方法能够有效降低配电网综合成本,实现投资效益的最大化。     

配电网设备利用率的组合智能评价方法

针对配电网设备利用率的评价方法在主观性,不能辨识需要整改的指标问题,提出了一种智能评价方法。首先,区分定性指标和定量指标,利 用R聚类筛选出信息量大的定量指标。然后,建立正态云模型提取定量指标的等级隶属度,兼顾评价等级界限的模糊性和随机性;构造数据云模型对定 量指标进行修正,体现时间特征对评价结果的影响。最后,结合层次分析法和熵权法对指标权重赋值,使用拉格朗日乘子法得到最接近主客观权重的 组合权重,改善权值的灵敏度与指标的主观性;采用D-S证据理论融合原理得到评价结果。通过对某省配电网设备利用率的评价结果验证了所提方法的 有效性。     

基于支持向量机算法的配电线路时变状态预测方法

配电线路状态准确预测是进行配电网调控的基础。提出了基于支持向量机（SVM）算法的配电线路时变状态预测方法。首先,分析影响配电线路状态变化的因素,构建基于Fokker-Planck的配电线路状态转移模型。其次,融合配电信息系统多源海量数据,采用基于相关度的最优特征子集筛选方法构建配电线路状态特征变量集,采用合成少数类过采样技术（SMOTE）算法解决线路故障状态样本数量少而带来的样本集类别不平衡问题。然后,考虑到线路状态二分类的特点,采用SVM算法进行线路运行工况的分类预测,形成了基于SMOTE-SVM算法的状态转移模型求解方法,可实现配电线路时变状态预测。最后,以某实际配电系统为算例验证了所提方法的有效性。     

基于数据挖掘的电力负荷脏数据动态智能清洗

来源于SCADA系统的负荷历史数据由于各种原因含有一定的脏数据，在进行高精度的电力负荷预测或系统分析前必须仔细而合理地对历史数据进行清洗。文中基于数据挖掘理论提出一种动态的智能清洗模型，先根据模糊软聚类思想对Kohonen神经网络进行了改进，改进后的Kohonen神经网络能实现模糊软聚类的并行计算，提出的动态算法能根据样本集的更新而自动确定新的聚类中心（即特征曲线），最后与径向基函数（RBF）网络一起构成脏数据的智能清洗模型。模型的快速性和动态性特点使其宜于进行负荷数据的实时处理，对重庆江北负荷数据的实例分析说明了该模型的高效性。     

基于多分类融合模型的智能电能表故障预测北大核心

由于智能电能表功能的丰富多样,随之而来的是设备故障类型及故障率的不断增加,如何准确地判断智能电能表的故障类型,提高故障表的检修效率,对保障智能电能表的安全稳定运行十分重要。文中提出一种基于多分类融合模型的智能电能表故障预测算法。针对智能电能表故障进行多维度分析及故障类型筛选;通过欠采样和过采样相结合的混合采样方式解决数据集中类不平衡问题,构建分类预测模型所需数据;利用基础分类算法的组合获取最优融合算法,在公共数据集上验证了所提算法的有效性,融合后的准确率较基础分类模型有稳定提升,以近年来电网系统中实时采集的智能电能表故障数据为基础,进行了基础模型与融合后算法模型的实验对比,结果表明文中所提的多分类融合算法模型在故障预测的准确率和可靠性上有明显的提升。     

面向自愈的智能配电网免疫力评估方法

自愈是智能配电网区别于传统配电网的显著特征，为提高各项自愈技术实用化水平，需要准确掌握智能配电网整体免疫力水平。因此，借鉴人体免疫系统机理，提出了智能配电网免疫系统，包括免疫耐受、免疫自稳、免疫识别、免疫应答和免疫恢复5类功能，在此基础上，提出了基于改进层次分析法与逼近理想解距离法相结合的智能配电网免疫力评估模型构建方法，并构建了智能配电网免疫力评估指标体系以及智能配电网免疫力评估模型。此评估模型能够全面且多层次地考虑影响智能配电网免疫力强弱的各类因素，在实际应用中为智能配电网精细化运维检修和管理提供理论参考。     

面向不平衡数据的配电网故障停电预测方法

配电网故障停电事件会严重影响正常的社会经济生活。因此,迫切需要有效的配电网故障停电预测方法。采用人工智能方法分析配电网故障停电数据,发现存在配电网故障停电次数较少和引发配电网故障停电的原因分布不均等数据不平衡情况。为了及时、准确地预测配电网故障停电情况,从数据集质量和防止过拟合两方面入手改进故障停电预测模型。首先,设计了基于聚类的对抗神经网络来增强数据集质量。其次,构造了基于随机代价敏感卷积神经网络(RandomCost-CNN)的故障停电预测模型。RandomCost-CNN预测算法中采用有放回随机抽样思想设计了损失函数的随机选择策略,用以解决常规代价敏感过度拟合少数类(故障停电类)而使得大量多数类(正常类)被误报的问题,既保证少数类具有较好召回率与精确度,同时又提高了模型的泛化性能。实验证明所提方法能有效预测配电网故障停电事件发生概率,在配电网运维管理中能够发挥较好的预警作用。     

基于GIS与灰色聚类评估模型的变电站选址

提出了一种基于地理信息系统(GIS)与灰色聚类评估模型的变电站选址新方法,以配电网地理信息系统为基础,运用灰色聚类评估模型对配电网备选站址进行综合评价.首先从GIS数据库中读取备选站址的地理空间属性数据,确定基于送电费用最小的理想站址;然后建立灰色聚类评估模型,模型中采用三角白化权函数确定备选站址所属灰类,采用信息熵理论来确定各指标的权重.该选址方法综合考虑了影响变电站选址的相关因素,工程实践表明,该方法提高了配电网变电站选址综合决策水平.     

智能配电网统一模型云与应用服务技术系统

为了解决智能电网建设过程中配电网的信息交叠浪费、数据孤岛以及软硬件平台异构导致的信息无法交互问题,提出配电网异构信息模型融合,将配电网各应用服务系统及软件进行模型融合,搭建了虚拟化模型中心。利用云计算技术协调配电网各应用系统服务,构建了基于模型中心与云计算的统一数据模型应用平台,将配电网主要应用服务系统进行整合并将其部署在云平台上。与传统分散式配电网服务系统相比,智能配电网统一模型云与应用服务系统大幅提高了信息交互共享的效率。     

基于自生成FMEA表的配电网可靠性评估方法

应用故障模式影响分析法(failure modeand effect analysis,FMEA),建立预想事故的FMEA表,是配电网可靠性评估中较为普遍的方法.应用配电网络编码技术,提出了一种FMEA表的计算机自生成方法,实现了不同类型复杂配电网FMEA表的自动建立,从而快速计算配电网的可靠性指标.该方法建立了配电网元件编码信息的筛选规则,通过与故障元件编码的对比,自动判断故障后系统内各组成部分的停电情况,进而遍历所有的预想事故生成FMEA表,用于可靠性评估.该方法考虑了孤岛运行方式下分布式电源的容量约束,能够适用于新能源接入配电网后FMEA表的自生成和可靠性评估.通过算例验证了该方法的有效性.     

不平衡数据集下海量配电网量测终端故障诊断方法

配电网量测终端设备的大规模接入,往往伴随着突发性、多样性的故障,其故障类型的精准判断对合理的运维检修策略制定与配电系统可靠运行具有重要意义。为此,以量测终端中的智能电表为典型,提出一种基于卷积神经网络-长短时记忆模型的故障分类方法。首先,考虑实际场景中智能电表故障数据不平衡以及存在分类特征的情况,通过K-prototypes算法对少数类故障类别进行聚类,在簇中心附近通过SMOTE-NC过采样技术生成智能电表故障数据;其次,将平衡后的故障数据通过卷积神经网络提取更高层次的特征信息作为长短时记忆网络的输入以实现智能电表的故障分类。最后,基于浙江省各市区智能电表故障分拣数据进行算例分析,结果表明本文所提出方法具有可行性和有效性。     

计及灵活资源调节潜力的高压配电网新能源接纳能力评估

风电、光伏并网装机容量的快速增长给电网的安全运行带来了巨大挑战,挖掘电网灵活性资源是保证新能源健康发展的有效途径。为此,提出了一种计及灵活资源调节潜力的高压配电网新能源接纳能力评估方法。首先,基于模糊C均值聚类算法生成风电、光伏和负荷典型场景集;然后,计及配电网水电和网架的灵活性,综合考虑系统的正常运行状态和N–1预想故障状态,以配电网新能源接纳能力最大为目标函数建立新能源规划模型;最后,选取某地区110 kV高压配电网进行算例分析,验证了所提模型及方法的有效性。     

基于抗差估计与改进GSA数据挖掘的配网异常数据聚类检测方法

配电网异常数据检测与辨识是智能配电网态势感知技术的核心基础。针对传统状态估计的残差污染与淹没问题,同时为使基于聚类分析的数据挖掘方法免于受初始分类和训练样本选取的影响,提出一种融合状态估计与数据挖掘技术的配网异常数据聚类辨识改进方法。该方法基于指数型目标函数抗差状态估计,计算配网最佳量测估计值,并以系统所有量测量的相对估计误差作为聚类辨识的待检数据集;采用改进GSA的智能算法快速搜寻最优聚类个数和初始聚类质心,实现异常数据的分组聚类检测,获得了较高的估计精度和辨识准确率。算例分析验证了方法的有效性和适用性。