基于聚类算法的电力大数据信息分析系统研究

为了提高电力大数据处理与分析能力,通过构建聚类算法模型,将电力大数据信息的宏观数据信息转换为微观数学思维,增强了大数据信息分析能力。采用MapReduce的分布实现电力大数据系统的总体架构规划。采用生成式对抗网络(GAN)技术对电力监控的数据进行合理化分析,对系统安全进行改进,以实现电网数据的漏洞修复,为后续检修提供安全保障。利用聚类算法,实现对电力大数据的异常检测。试验结果表明,该系统的信息安全可靠性达到了97%,系统异常检测准确性达到了96%。所研究系统的准确性更高。     

配用电物联网监控业务的微服务云边部署方法

配用电物联网的发展以及海量分布式电源与配用电智能设备的大量接入,对业务的实时性、可靠性提出了更高要求.为了充分发挥云边协同架构系统的优势和降低配用电监控业务的延时,提出配用电物联网监控业务的微服务云边部署方法.首先,将配用电监控业务拆分成多个微服务,建立配用电监控业务的微服务时序逻辑模型.进一步建立微服务的云边微服务部...     

考虑分布式可再生能源不确定性的配电网可靠性评估

分布式能源在电力系统中的渗透率不断提升,使得配电网系统呈现出更大的复杂性和不确定性,这将对电力网络的可靠性产生影响。为确定配电网系统中可再生能源发电机组的最优安装位置和容量,文章结合随机模糊期望值算子和马尔科夫蒙特卡洛法（Markov Chain Monte Carlo,MCMC）,提出了一种可靠性评估框架。该模型建立了风电和光伏出力的多状态概率密度函数,采用随机模糊期望值算子模拟配电网功率损耗和电压稳定性的不确定性。在考虑配电系统拓扑结构的情况下,利用MCMC模拟配电网系统中所有非源元件的随机性,由指数分布生成配电网组件故障事件及恢复时间。最后,在IEEE-33节点标准配电网上,对系统平均停电次数、系统平均停电持续时间、电量不足期望值3种可靠性指数进行评价,实验结果证明了所提出方法的有效性。     

基于双向长短时记忆的立体化超短期负荷预测

传统电力系统负荷预测的基本思路是基于时间序列的历史负荷数据采用机器学习方法实现负荷预测.这种方式缺乏负荷在时间、空间两层的相互耦合关系.对此,在电力系统全景全周期运行状态可观测条件下,提出了大数据环境下基于双向长短时记忆网络的立体化负荷预测.首先提出了负荷在电网时间、空间下的耦合关联方程;其次,利用负荷节点的时间大数据...