基于注意力机制和卷积神经网络的配电网拓扑辨识

针对当前配电网拓扑变化频繁,拓扑结构实时获取困难等问题,文章提出基于注意力机制和卷积神经网络的配电网拓扑辨识方法。首先利用卷积神经网络挖掘量测信息和配电网拓扑结构之间的关系,学习其映射规则;考虑当前配网中同步相量测量装置(phasor measurement unit,PMU)和微型同步相量测量装置(micophasormeasurementunit,μPMU)等高级量测设备安装数量不足导致获取量测数据质量不高的问题,在卷积神经网络隐藏层中融入注意力机制,以增强模型鲁棒性;通过随机森林算法对特征数据集进行降维,降低模型时、空复杂度;最后,分别基于IEEE 33节点配电网和PG&E69节点配电网开展算例分析,以验证方法的可行性和优越性,并检验利用更少特征进行拓扑辨识的可能性。结果表明：所提方法具有良好优越性和鲁棒性,泛化能力强,在仅提供少量时间断面量测数据情况下便可实现配电网拓扑辨识,且对于辐射网和含环网络同样适用。     

商业楼宇负荷可调能力与负荷特征的相关性研究

通过对城市区域内50幢楼宇用能系统进行调研和数据采集,结合其用电数据资源、构成要素以及历史负荷调控实际事件信息,采用楼宇负荷聚类、分类方法,引入负荷调节率及负荷波动率的计算分析,重点开展商业楼宇负荷调控可调能力和负荷分类特性、调节率、波动率等相关性研究.根据研究结论提出了未来进一步的研究方向,可为虚拟电厂运营、电力需求侧管理、电力负荷调度提供更为精准调控的技术支撑和参考.     

电力时间序列的分布式索引算法

时间序列的研究已经被应用到越来越多的领域中.越来越多的领域应用需要索引和分析海量的时间序列,代表性的比如金融,电力,生物信息等等.这类应用往往面临数以亿计的时间序列的处理,然后从中识别出一些隐藏的模式来.然而目前对时间序列的索引技术都是单机版本,需要用漫长的时间来对大量的时间序列进行索引,限制了时间序列分析的产出率.提出了一种基于Isax表达的分布式时间序列索引算法,并在Spark分布式计算框架下实现算法.首先,给出了基于Isax的分布式索引算法的朴素实现想法,指明了其存在的问题.然后提出一种先建立索引结构,再将时间序列哈希到相应叶子节点的分布式索引算法.最终,构建了一个完整的电力时间序列的近邻近似查询系统,再保证查询精确率的前提下大大提高了计算效率.并在实验数据集上证明了算法的正确性、高效性和可扩展性.     

基于人工智能的配电网设备负载预测预警系统设计研究

提出了基于人工智能的配电网设备负载预测预警系统.该系统采用层次聚类法按照历史负载率曲线特征将配电变压器和馈线划分为多类,并为每类构建一个基于Seq2 Seq的负载率预测模型.在此基础上,该系统建立了一个重过载预警框架,筛选出未来短期存在重过载风险的配电网元件.测试结果显示,负载率预测的平均绝对百分比误差均值为6.79％,重过载预警的准确率均值超过90％.