基于智能算法的煤改电用户负荷识别

建设泛在电力物联网使得为用户提供更加多样化和个性化的服务成为可能,近两年来煤改电工程发展迅速,如何通过用户负荷曲线对煤改电用户进行识别成为一个研究热点。论文首先深入剖析了现阶段煤改电工程取得的成绩以及存在的问题,运用大数据技术与泛在电力物联网技术可以很好地解决煤改电进程中存在的矛盾与问题。以某地区煤改电用户负荷特性为例描述了在采用蓄热式电锅炉取暖后的用电负荷特性的变化,通过构建粒子群优化后的支持向量机模型,对某地区电网冬季典型日用电负荷数据进行识别与分类,通过测试集的验证,论文建立的模型具有较高的识别精度,平均准确率达到98%,具有一定的实际价值。     

“煤改电”工程实施前后农网负荷特性分析

为了科学开展农村电力需求预测及统筹农网规划,本文选取了北京、天津武清、河北保定3个"煤改电"重点实施区域农网,结合新一轮农村电网改造升级开展的机井通电、村村通动力电、小城镇(中心村)电网改造升级等专项规划,开展了"煤改电"工程实施后的电力需求预测,并对比了"煤改电"工程实施前后农网的负荷特性变化,分析了农村电力需求的适应能力。     

北京郊区电网冬季典型日"煤改电"负荷特性分析

"煤改电"负荷在北京冬季电网负荷中的占比越来越大,负荷增长幅度远超预期值,给地区电网调度、抢修、服务等各项工作带来较大压力.为深入分析"煤改电"负荷特性,本文基于"煤改电"智能服务平台,通过研究北京某郊区电网总负荷与气温相关性、"煤改电"线路及用户用电特性,总结出该区冬季电网负荷用电规律,为地区电网负荷预测及安全可靠运行、统筹农村电网规划、提高优质服务质量提供参考依据.     

基于一维卷积神经网络多任务学习的电能质量扰动识别方法

传统电能质量识别需要先用信号处理技术提取信号特征,且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性,使得复合扰动分类的鲁棒性和抗噪性能不理想。针对这些问题,提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动。此结构去除了传统方法的信号特征提取阶段,将扰动分类任务分成四个子任务,设计了相应的标签编码方案,最后输出一个10维标签向量完成多任务分类。仿真结果表明,该方法在不同信噪比时均具有较好的识别准确率,表明此模型具有较强的鲁棒性和抗噪声能力。同时,多任务分类相比One-hot多分类和多标签分类准确率更高,表明了该建模方式的有效性。     

基于深度卷积神经网络的机电系统故障分类识别方法

随着高端装备在工业领域的广泛应用,其运行状态对装备的安全性和产品的性能影响重大,突发故障往往造成巨大的人民生命财产的巨大损失并影响社会的安全稳定.机电系统多处于变转速工作状态,其状态特征信息难以获取,为机电系统的故障诊断和预测带来困难.针对此问题,提出了深度学习的机电系统故障分类识别诊断模型.首先将采集到的关键部位的振...     

基于卷积神经网络的非侵入式负荷监测方法

从深度学习与边缘计算的角度,对适用于电力物联网的非侵入式负荷监测方法展开了研究.针对NILM系统在物联网场景下的部署问题,提出了一种新的边缘计算架构,并讨论了各组成部分的任务分配.针对负荷激活在线提取问题,提出了基于离散度和用电行为规律分析的激活判断策略;针对低频采样下的负荷特征问题,提出了一种可自动提取激活特征并识别...     

考虑增量用电负荷分配的煤改电/煤改气联合分阶段规划

随着我国供暖改造规模的不断扩大,如何根据各种供暖方式的优势及特点研究最优的清洁化供暖改造方案对于我国能源结构转型,缓解环境危机具有重要意义。提出了一种考虑增量用电负荷分配的"煤改电"、"煤改气"联合分阶段规划方法。首先,基于发电能源结构和清洁能源实际发电量构建了"煤改电"增量用电负荷分配模型,精细化分析"煤改电"产生的新增电量。然后,以"煤改电"、"煤改气"分阶段改造方案为决策变量,以用户供暖支出的经济成本、供暖改造的环境成本和能源成本为优化目标,构建"煤改电"、"煤改气"联合分阶段规划模型。最后,利用向量序优化算法对模型进行求解。仿真结果验证了所提方法的正确性和有效性。     

基于深度神经网络的低压台区线损异常识别方法

“煤改电”工程改变了电网的负荷特性,对线损造成了重大影响。为降低“煤改电”工程造成的负面影响,进而提高供电单位的效益,以实施“煤改电”工程后的低压台区为研究对象,提出了一种基于深度神经网络的线损异常识别方法。该方法将异常点检测、EM算法及深度神经网络进行结合,建立了线损异常识别模型,预判未实施“煤改电”台区的各项实施后指标是否可能导致线损异常,从而为“煤改电”工程提供指导性建议,以便采取相应措施进行有效降损。     

基于卷积神经网络的非侵入负荷辨识算法EI北大核心CSCD

非侵入式负荷监测因其实施成本低且对用户干扰小,具有广泛的应用前景。负荷辨识方法是非侵入式复合监测的主要技术难点之一。研究了非侵入式负荷监测模式下基于卷积神经网络的非侵入负荷辨识算法。首先利用局部平均分解算法对采集到的混合信号进行负荷分离,并通过智能学习的方法提取独立负荷特征,建立了能够处理二维图像数据的卷积神经网络模型,将大量典型家电的运行电流数据转换成图片的形式,对卷积神经网络模型进行训练,并基于该模型进行负荷特征提取,从而达到辨识的目的。经过实际采集的用电数据进行仿真实验,结果表明,基于卷积神经网络的负荷辨识准确率高、识别速度快,模型具有良好的泛化能力,能够有效的实现负荷辨识。     

基于多时间尺度的HVDC Light系统降阶模型

建立了基于dq同步旋转坐标系的轻型高压直流输电系统的状态空间模型,利用多时间尺度系统理论对模型进行了简化,分解出快慢子系统,并利用状态反馈,推导出基于多尺度模型的输出反馈控制策略,利用MATLAB进行仿真,并比较了简化前后模型的一致性,仿真结果表明,简化后的模型具有良好的精确性。     

基于新型卷积神经网络的非侵入式负载监测方法

现有非侵入式负载监测技术处理负载规模变化的能力弱,且随着负载的种类复杂化与数量的增多,其具有估计精度不高的问题。建立了一种考虑用户用能多时间尺度耦合特性,并具有规模化处理能力的新型卷积神经网络,以提高复杂规模化负载估计的精确性。该神经网络包括多时间尺度感知与特征提取模块、自我关注模块和对抗损失模块等,多时间尺度感知与特征提取模块可获取与整合不同时间尺度负载数据的耦合特征,自我关注模块和对抗损失模块根据耦合特性来进一步提高监测模型的估计精度。最后,通过仿真分析验证了所提方法的有效性和优越性。     

基于神经网络的加热炉系统模型

本文利用神经网络对加热炉对象进行建模,对非线性系统模型方程中的两个重要参数(模型阶次和系统最大时延)的不同组合方式进行了多次试验,并确定了一组适于加热炉对象的参数,采用实际数据对所建加热炉模型进行了检验,结果表明该模型精度较高。     

晶闸管型互联装置多时间尺度转换等效模型

电网的柔性互联受到越来越多的关注。基于晶闸管控制曲折变压器的新型柔性互联装置可用于同步电网的互联、配电网合环运行、电磁环网的柔性解环等等。首先针对系统大时间尺度的动态过程建立了该装置主电路的戴维南等效模型,结合自校正插值算法,在大步长的仿真计算时可以保证良好的准确性。进一步针对小时间尺度暂态过程,分别建立基于元件的和基于等效模型的仿真模型,证明了柔性互联装置的有效性和等效模型的正确性。对两种模型分别采用50?s和300?s的步长进行仿真,可知等效模型在两种步长下均具有良好的准确性,且其仿真时长分别仅为基于元件模型仿真时长的约14.5%和10.3%,计算开销显著减小。     

基于时间卷积神经网络的非侵入式居民用电负荷分解方法

非侵入式负荷分解技术通过从主表信息中恢复出用电侧单个用电设备的状态,可以准确地刻画用户用电画像,为用户侧精细化管理发挥重要作用.针对目前人工神经网络模型在负荷分解中存在的分解精度不高、训练效率低下等问题,文章构建了基于时间卷积神经网络(temporal convolutional neural network,TCN)...     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

混合混沌理论和关联度的神经网络短期电力预报模型的研究

提出一种将混沌理论、关联度和神经网络相结合的短期负荷预测模型,首先利用混沌理论重构负荷时间序列的相空间吸引子,然后用BP神经网络来拟合空间吸引子的演化,由于使用空间欧氏距离和关联度联合来选取神经网络的训练样本,这样就提高了神经网络对负荷序列混沌特性的联想和泛化推理能力,能够更好的拟合吸引子的演化。实例预测结果表明,本文所提出的预报是有效的、可行的。     

基于神经网络在线学习的输电线路多时间尺度负载能力动态预测

输电线路负载能力的动态预测能够为负荷调度方案和线路故障检修管理提供十分重要的参考。提出基于运行环境变化对输电线路多时间尺度负载能力进行预测的方法。利用Elman神经网络结合气温、风速、负荷的历史值实现在线学习并预测气象参数和负荷,再基于稳态和暂态热容量计算模型对输电线路不同运行时间的允许负载能力进行动态预测。对比输电线路负荷与稳态、暂态负载能力,充分挖掘了输电线路的潜在容量,为制定电网科学调度和检修策略提供有力支撑。     

基于负荷特征提取的神经网络短期负荷预测

综合考虑天气负荷类型和历史数据特征对负荷变化的影响 ,提出了一种新的短期负荷预测方法。通过ARMA、BP神经网络等提取具有特征的神经网络学习样本 ,用反向传播算法建立神经网络短期负荷预测模型。实际算例表明 :该法在负荷平稳或波动较大的季节均有预测精度高且适应性好的特点。