考虑分布式光伏的低压台区线损异常辨识方法

低压配电网线损异常的辨识一直以来都非常困难,分布式光伏大量接入配电网,改变了配电网的潮流分布,更加大了低压配电网线损异常的辨识难度。提出了一种针对分布式光伏接入台区线损异常的辨识方法。首先对分布式光伏接入台区开展光伏出力等因素与线损率的灰色关联度计算,找寻光伏相关因素与线损率关联性。其次根据关联性的强弱选择合适的指标进行k-means聚类,并依据聚类结果进行离群点检测,判断台区是否有线损异常的可能性。最后通过对离群点所在簇进行时间离散度分析,得出台区的异常系数,根据异常系数进行线损异常判断。通过对含分布式光伏的典型台区进行验证分析,结果表明：该方法能够有效辨识分布式光伏接入台区的线损是否异常。     

基于k-means聚类算法的低压台区线损异常辨别方法

目前电力公司对于台区线损异常的判断是当线损率超过一定阈值时为线损异常,这样的判断具有片面性和局限性。针对如何有效辨别线损异常的问题,在研究聚类算法和线损率数据特性的基础上,提出了一种基于k-means聚类算法的线损异常辨别方法。首先将低压台区线损率进行一次k-means聚类分成3类,然后根据各类数据的数量状况判断是否进行二次分类,最终根据平均线损率的大小、聚类中心的距离等因素,判断该低压台区是否存在线损异常,对聚类结果中线损率高的那一类数据的时间离散度进行分析,得到低压台区线损异常的程度。实验结果证明,该方法具有一定的实际应用效果,可以提高线损异常判断的准确性。     

基于相关性度量算法的台区线损异常判断及精准定位

针对台区发生线损异常时关联用户辨识困难的实际问题,提出一种基于相关性度量算法的台区线损异常判断及精准定位方法。首先,通过间隙统计-轮廓系数融合算法确定数据集的最佳聚类数,并在此基础上采用二分K-means++构建台区线损标准库;其次,基于标准库完成台区线损异常辨识,确定异常时间段;再次,计算异常时间段内各用户电量和线损的斯皮尔曼相关性系数(SCC)和欧式-离散弗雷歇距离(E-DFD),并基于SCC和E-DFD构造综合评判指标分析用户关联性;最后,采用TOPSIS算法对综合评判指标值进行排序,实现异常关联用户的精准定位。算例采用某台区真实现场数据进行分析,结果表明文中所提方法在聚类有效性、计算时间以及辨识准确度等方面具有较好的性能和优势。     

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。     

基于数据分析的台区线损率异常判断方法

随着电网的快速发展,地区电网台区个数和用户数量正不断增加,针对台区线损率异常判断困难的问题,提出一种基于数据分析的台区线损率异常判断方法.该方法通过给出一种改进的K-means聚类算法对台区历史数据进行聚类分析,分析出台区线损率的标准形态,最后在台区线损标准形态基础上实现对台区线损率异常的自动判断.仿真结果表明,所提方法在聚类精准性等方面具有更好的性能,可实现台区线损异常的自动判断.     

基于ICS-K-means聚类算法和WNN的有源低压台区线损估算方法

针对传统的线损理论计算方法已不适用于含分布式电源的低压台区线损估算的问题,提出一种基于改进布谷鸟搜索K均值（ICS-K-means）聚类算法和小波神经网络（WNN）的有源台区线损估算方法。首先,基于最大互信息系数筛选线损影响因子,建立有源台区线损指标体系;然后,提出改进布谷鸟搜索聚类算法对样本数据集进行聚类,减少对初始聚类中心的依赖;最后,采用小波神经网络对每类聚类数据集进行训练及测试。算例分析验证了所提方法的准确性和有效性。     

基于数据挖掘的新型低压窃电识别方法

针对现今反窃电技术往往采用单一算法分析,导致反窃电效果差强人意的现状,文中提出一种针对低压用户窃电的识别方法.剥离台区线损当中的技术线损部分,采用K-means聚类算法对处理过的线损数据进行分析,识别出线损率异常波动或持续偏高的台区,并根据聚类结果定义时间离散度来衡量窃电疑似度.分析异常台区下的用户,通过相关性分析研究...     

基于知识图谱的台区线损异常分析

电网公司的基本职能之一是提供安全可靠的电能,而线损率是衡量电能质量及电网经济效益的核心标准.能够及时发现并解决台区线损异常是电网公司关注的重点.近年新兴的知识图谱技术能够清楚地描述实体之间的关系,并能将复杂的自然语言转化成脉络清晰的三元组,因此,可将知识图谱技术运用到台区线损异常原因判断中.根据电网信息系统中的电力数据构建出台区线损异常知识图谱,分析各类异常原因特征并构建判断规则,经过推演格算法优化构建出台区线损异常原因判断方法.经实例验证,所提方法在台区线损异常原因判断方面的准确度优于电网方法,并极大地提升了判断速度,具有实用性和高效性,为知识图谱技术在电力行业的应用提供了新思路.     

基于孤立森林算法的台区线损分析与管理系统研究

在"大数据"时代背景下,为解决台区线损管理低压客户庞杂及数据处理任务繁重的现象,设计基于孤立森林算法的台区线损分析与管理系统,介绍系统各子模块功能及设计方法,对孤立森林算法进行了分析,并采用孤立森林算法对用电数据进行深度挖掘。以某县用电数据为例,对系统实现加以说明,数据结果显示,孤立森林算法对用电数据异常检测有较高的准确性,该系统可有效提高低压配电台区线损管理效率。     

基于梯度算法的低压台区线损异常实时检测方法

针对传统线损异常检测方法缺乏规范的体系、智能化程度较低,为电网台区带来一定风险的问题,提出基于梯度算法的低压台区线损异常实时检测方法。利用数据挖掘算法挖掘低压台区线损异常数据,作为检测方法的数据支持,通过预处理线损异常数据恢复缺失值,引入梯度算法得到用于识别线损状态的梯度计算公式作为检测依据,建立一个低压台区线损异常实时检测模型。实例应用结果表明,该方法可准确识别低压台区线损异常原因,且具有96.6%的异常检测查全率。     

基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术

光伏逆变器作为太阳能光伏发电系统的关键设备,其健康状态直接影响电力系统的安全与稳定。提出了一种基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术,将光伏逆变器集群的历史监测信号作为原始特征库,采用t-SNE降维算法提取光伏逆变器集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心光伏逆变器,分别计算每台逆变器在各个采样时刻的偏心距离,得到归一化的累积偏心距离矩阵,通过合理设定预警阈值,从而实现光伏逆变器故障的准确预测。最后基于设计开发的分布式光伏发电监控系统,利用采集的光伏逆变器集群的历史运行数据对算法进行了测试。结果表明,提出的光伏逆变器故障预测技术能够提前准确地预测光伏逆变器故障,有助于保障设备健康平稳运行。     

四维坐标系下并网型光伏微电网故障区域判定技术

为了合理划分微电网拓扑结构,精准判定各种微电网故障情况下的故障区域,提出一种四维坐标系下并网型光伏微电网故障区域判定技术。令微电网拓扑结构为坐标图,设备节点为坐标点,以坐标点间最小欧式距离最大化,平均最近邻坐标点数量最小化为划分依据,通过球填充四维坐标点集的集合划分方法,划分微电网拓扑结构,获取微电网划分区域;以各划分区域为节点,断路器为边,通过图论算法构建微电网故障数学模型,依据故障前后功率变化量和区域故障电流方向,建立故障区域判定矩阵,实现故障区域判定。试验证明：该技术可有效划分微电网拓扑结构,划分后可有效提升微电网信号传输效果;在出现多重故障、两相故障与系统侧故障情况下,该技术均可精准判定故障区域。     

基于Spark框架的电力大数据清洗模型

针对电力大数据清洗过程中的提取统一异常检测模式困难、异常数据修正连续性及准确性低下等问题,提出了一种基于Spark框架的电力大数据清洗模型。首先基于改进CURE聚类算法获取正常簇;其次,实现了正常簇的边界样本获取方法,并设计了基于边界样本的异常识别算法;最后通过指数加权移动平均数实现了异常数据修正。通过对某风电场风力发电监测数据进行了数据清洗实验分析,验证了清洗模型的高效性、准确性。     

考虑规模化分布式光伏接入的配电网台区鲁棒优化规划方法

间歇强的分布式光伏规模化接入配电网台区具有点多面广、分散无序的特点,导致其接入方案的选址定容难,为此,考虑配电网台区接纳分布式光伏的能力,提出了一种规模化分布式光伏接入配电网的鲁棒优化规划模型。首先,设计了分布式光伏接入配电网台区的拓扑分析方法,并构建以成本最小为目标的分布式光伏接入配电网的规划模型。其次,应用鲁棒优化方法处理分布式光伏出力的不确定性,并利用遗传算法对规划模型求解,实现了一次求解即可获知分布式光伏的最佳接入点以及最优安装容量。最后,通过IEEE 33节点配电网案例,验证了所提模型在改善电能质量,提高模型优化速度方面的有效性。     

基于灰色关联理论和BP神经网络的分布式光伏电站运维数据虚拟采集方法

由于分布式光伏电站的布置点多面广、分散无序,要实现其运维数据的全覆盖采集,最佳方式为每一个分布式光伏电站均配置一套数据采集装置,由此也将面临投资成本巨大、运维任务繁重等难题。为此,提出了一种基于灰色关联度和BP神经网络的分布式光伏电站数据虚拟采集方法,实现了在安装少量数据采集装置条件下完成对全区域内分布式光伏电站运维数据的采集。选取江苏某区域内分布式光伏电站为研究对象,先利用灰色关联理论分析该区域内安装数据采集装置的一个分布式光伏电站的历史运维数据,获知辐照度与分布式光伏出力的特征曲线;然后,将区域范围内待虚拟采集光伏站的日辐照度实时信息与历史辐照度数据进行关联度计算,并选取关联度达到0.9以上的历史日为相似日,然后基于相似日的历史数据建立BP神经网络数据虚拟采集模型,实现区域范围内分布式光伏电站数据的虚拟采集;最后,通过算例验证了该方法采集的光伏输出功率具有较高的精度,能够实现对网格化区域内光伏电站输出功率数据的虚拟采集。