基于大数据的配变重过载预警分析

本文旨在利用大数据技术对电力数据进行系统挖掘,提供精准负荷预测,为供电安全监视、预防性控制和紧急处理提供依据。文章结合西安地区配电网运行中存在的问题,综合分析配变重过载的外部环境、配变运行信息、配变属性信息、配变供电客户类型等因素,应用大数据机器学习算法、大数据预处理技术、数据挖掘建模技术、大数据可视化技术等,分析研究各影响因素对设备重过载影响的相关性和重要程度,使用分类预测挖掘手段及随机森林算法,分析计算影响变量和目标变量,建立关系模式挖掘模型,构建配变重过载分析及预警模型,完成模型验证与纠偏,实现配变未来一周重过载情况准确预警、配变安全系数评价、重过载配变因素及特征分析与展示等,为电网运维提供有力支撑。通过基于大数据的配变重过载预警分析,提高运维工作效率,实现电网安全可靠运行。     

面向智能电网的配电变压器重过载影响因素分析

根据配变的历史负荷信息、天气信息、用电客户信息等相关资料,统计分析了配变重过载的主要影响因素。首先根据互信息概念及对策理论算法计算所有特征变量对配变重过载情况发生的相对重要性,然后使用贝叶斯和全概率公式计算配变重过载概率与特征变量之间的关系,最后根据重过载概率与特征变量间的关系对配变进行编码分类。分析结果表明:配变重过载主要因素为行业类别、用电类别、日平均温度及月平均温度;配变重过载多发生于采矿、制造等生产行业,乡村重过载率要高于城镇重过载率;大部分配变重过载发生于温度较高和较低时,少量的配变重过载发生在温度适宜时。配变月重过载天数与配变分类情况相吻合。     

基于混合重抽样和LightGBM算法的配变低压跳闸预测

针对配变台区在夏季用电高峰期易频繁跳闸的问题,提出一种基于混合重抽样和LightGBM算法的配变低压跳闸预测模型。为了解决数据分布的边缘化问题,首先采用隔离森林剔除样本中的离群值。其次采用NCL欠抽样与SMOTE过抽样相结合的混合重抽样方法处理训练样本的数据不平衡问题。然后采用混合重采样算法产生的新样本对LightGBM分类器进行训练。最后利用训练好的模型对目标台区低压跳闸进行预测。通过算例仿真表明,对比其他预测模型,所提iF-SMOTE-NCL-LightGBM模型在低压跳闸预测中的各项评价指标均达到最高,能有效预测低压跳闸事件。     

基于生成对抗网络和随机森林算法的配变低压跳闸预测

配变台区低压跳闸预测对供电部门掌握配电网运行态势至关重要。针对传统处理样本不平衡抽样方法容易造成信息丢失、引入噪声的缺陷,提出了一种领域清理(neighbourhood clean rule, NCL)欠采样和生成对抗网络组合的不平衡数据处理方法。首先采用NCL欠采样合理清除正常运行样本;然后采用稀疏自编码器学习大规模配变影响因素的内在特征,使用生成对抗网络去拟合、生成新的特征表示,并对其解码得到新跳闸样本;最后为了处理高维特征输入下的分类问题,使用随机森林分类器对目标配变进行低压跳闸预测,并依据跳闸概率进一步建立风险等级划分机制。以某地区配变为例进行建模预测,实验结果表明,所提模型在目标配变的预测准确率为99.65%,能有效预测低压跳闸事件和定位高风险台区。     

基于关注指标和深度学习的台区配变重过载预警方法研究

针对现行配变重过载治理方法过于被动的问题,结合电力大数据和深度学习技术提出了一种适用于大规模配电网分析的台区配变重过载预测方法。首先基于配变负载特性建立重载关注指标并建立二级过滤系统筛选出重过载风险较高的台区配变及其日期作为预测对象。然后充分考虑内外影响因素,建立卷积神经网络-门限循环单元深度学习模型实现负载率预测并转化为预警等级。实例证明了所提方法的有效性。     

基于DBN和K-means聚类的配变重过载预警方法

针对配电变压器台区容量配置不合理、重过载现象频繁发生等带来的小样本精确预测问题,提出了一种新的配电变压器重过载预警方法。首先建立满足大数据样本学习要求的扩充样本池;采集配电变压器负荷数据、社会发展统计数据、气象数据等,选取造成重过载的输入特征变量,聚合形成精选的特征数据样本;进而构建重过载预警深度信念网络学习模型,通过分析重过载配变发展态势,短、中期预测预警,选取年负荷曲线进行K-means聚类分析,形成重过载预警清单,实现配电变压器安全隐患的预判。可解决配电变压器采样系统投运时间短训练样本数据不充足问题,实现对重过载配电变压器的风险防范和容量的优化调整。通过算例验证了模型预测的有效性。     

配变重过载下的配网运营动态监控平台实时任务容错调度算法

研究配变重过载下的配网运营动态监控平台实时任务容错调度算法,以解决配网运营动态监控平台执行配变重过载监控任务时可调度性差的问题。依据分层调度思想,将实时任务容错调度划分为上层调度算法和下层调度算法,通过上层调度算法利用Logistic模型预测是否存在配变重过载情况,存在配变重过载情况时,进入下层调度算法。下层调度算法利用平台的优先级属性列表,建立平台管理机执行配变重过载动态监控任务时的有效传递函数,利用码元调制方法获取平台任务调度输出,保障配网运营动态监控平台稳定执行配变重过载动态监控任务。实例分析结果表明,配网运营动态监控同时执行30个配变重过载动态监控任务时,其容错调度成功率高于93%,验证该算法具有良好的实时任务容错调度有效性。     

基于随机森林算法的大功率质子交换膜燃料电池系统故障分类方法

针对大功率质子交换膜燃料电池(protonexchange membranefuelcell,PEMFC)系统故障分类识别的问题,提出基于随机森林算法的燃料电池系统的故障分类方法。该方法基于Bootstrap法重采样,产生多个样本子集,通过决策树算法中的CART算法构造多个分类器模型,然后通过测试集对每个分类器进行测试得到分类结果,最后投票选出最优的分类结果作为预测类别。通过实例分析,对比支持向量机和K最邻近算法的分类结果,所提方法可有效识别有轨电车实际运行过程中5种故障状态,分类准确率可达94.4%,能明显提高故障分类正确率,对进一步实现大功率PEMFC系统在线故障诊断研究具有重要意义。     

基于随机森林的油纸绝缘老化阶段评估

为了更准确地评估变压器油纸绝缘老化阶段,提出了一种基于EMD-SVD特征和随机森林分类器相结合的识别方法。搭建实验平台采集得到气隙缺陷样本的不同热老化阶段局部放电信号,去噪处理后对信号进行EMD-SVD特征提取得到相应局部放电信号特征量,并分别利用随机森林分类器与传统分类器BP神经网络和支持向量机对EMD-SVD特征进行分类识别。结果显示随机森林分类器识别效果优于传统分类器,对于提取的油纸绝缘局部放电信号EMD-SVD特征,随机森林分类器分类能力更强。分析表明首次将EMD-SVD特征与随机森林分类器相结合应用在油纸绝缘热老化阶段识别方面能够取得更好的效果。     

基于特征重要性加权的随机森林点云分类研究

针对传统的随机森林模型构建时样本选取的随机性导致随机森林中包含了大量分类精度较低、分类性能相似的决策树分类器,进而影响整体随机森林模型分类精度与效率的问题,该文提出了一种基于特征重要性加权投票的随机森林算法。从决策树分类精度、不一致度量两方面剔除分类精度较低、分类性能相似的决策树,依据整体随机森林与单棵决策树特征重要性之间的相似性,计算每棵决策树的投票权重,提高了三维点云分类精度与分类效率。实验表明,改进后的随机森林分类算法照比传统的随机森林、支持向量机、决策树、神经网络、基于点特征分类方法分别提高了0.20%、15.159%、5.893%、6.316%、28.935%。在分类效率上,改进的随机森林照比传统的随机森林减少了约75%的时间。     

基于运监数据的配变重过载监测分析

文章结合云南曲靖地区配电网运维中配变重过载监测分析存在的问题,基于运监数据监测各系统之间数据的关联性对配变重过载资产规模、监测终端、关键参数等方面进行监测分析,找准问题,并针对问题提出解决方法,改善重过载治理工作现状,提高重过载设备的治理效率和效果.     

基于深度信念网络的配变台区跳闸预测

针对配电网公变台区在夏季易出现配变跳闸故障,对供电可靠性造成严重影响等问题,提出一种基于深度信念网络（DBN）的配变台区跳闸预测方法。首先,针对配变跳闸为小概率事件,利用Borderline-SMOTE算法对训练样本进行抽样以处理数据不平衡问题;然后使用新样本训练形成DBN预测模型。由于传统DBN在学习训练过程中易于陷入局部最优,故采用纵横交叉优化算法进行优化;最后,通过算例测试验证了该模型的有效性。     

基于ANSYS的高过载配变电磁场仿真及损耗计算

高过载配变可以保证在额定容量不变的前提下,允许配变在一定时间内过载运行,解决农村配变出现的季节性重过载问题,具有广阔的发展前景。为了研究高过载配变的电磁场分布及损耗情况,基于Maxwell 3D建立了高过载配变的有限元模型,利用eddy current模块进行电磁场仿真并计算不同负载电流下的损耗,将仿真与经验公式法计算结果分别与试验数据对比分析,结果表明,该仿真模型不仅能有效反映高过载配变的整体电磁场分布情况,还能更准确地反映高过载配变不同部位的真实损耗情况,为变压器的设计和改进提供重要的依据。     

考虑地域差异的配电网空间负荷聚类及一体化预测方法

针对基于智能算法的负荷密度指标法对样本依赖性强且在各地实际应用困难的不足,提出一种考虑地域差异的配电网空间负荷聚类及一体化预测方法。该方法首先通过大量调研得到分布在不同地区、分属不同类型的负荷样本及所处地区信息;然后利用基于日负荷曲线的负荷分类校验及精选方法对所有调研样本进行分类精选;再根据区域分类、负荷分类对精选样本构成的全样本空间进行两级划分,得到分层级子样本空间;最后根据待测地块的属性信息对子样本空间进行匹配,选取与其最相似的子样本空间作为训练样本,构建支持向量机模型预测各地块的负荷密度,进而得到电力负荷的空间分布。工程实例分析表明了该方法的实用性和有效性。     

农网公配变重过载研究分析及治理策略探讨

农村电网为农村用户生活和生产提供优质的电力服务。用户电力需求量逐年增大,农村电网受到的压力也逐年增加,需要建立更加坚强的配电网来迎接客户需求的挑战。目前公配变重过载治理套路不明确,对现存低压电网实际情况、台区重过载的根本原因没有深入研究,未制定标准化流程及治理策略。为推进农网公配变重过载的治理效率,本文通过对台区的系统性走访梳理,掌握负荷需求及存量重过载台区网架;对计量自动化系统进行全面清查,保证基础数据的正确性和有效性;结合提出的重过载治理技术规范和治理紧急优先度定级,形成管控治理套路。最后以南宁供电局江南分局2018年公配变重过载治理作为算例,治理效率提升至64.71%。     

基于双层贝叶斯分类的空间负荷预测

采用分类模型进行空间负荷预测。由于决定负荷密度的各属性之间并非完全独立，传统分类器分类效果并不理想。为此，该文采用双层贝叶斯分类模型，该模型是朴素贝叶斯分类模型的扩展，通过选取关键属性将单一属性集划分为强属性集和弱属性集，弱化了各属性间相互独立的假设，提高了对样本分类的正确性。给出了构建和训练该模型的方法，在正确分类的基础上，文中采用类内相似度方法进行负荷密度的修正。实践和算例证明，该文模型和算法适合进行空间负荷预测。     

多级负荷聚类和解耦机制的配电网短期负荷预测方法

为解决配电网供电分区负荷特性因用电结构与用户用电习惯差异呈现多样性,导致泛化的预测模型难以提供满意计算精度,以及新投运配变由于缺乏历史数据积累,无法为机器学习提供大量训练样本的问题,提出了一种多级负荷聚类和解耦机制的短期负荷预测方法.首先,进行基于变电站用电量以及台区用户用电特性差异的多级负荷特性聚类.随后,对不同聚类配变构建基于脉冲神经网络的短期负荷预测模型,并采用负荷标幺曲线和基准值分开预测的解耦机制应对新投运配变的小样本问题.最后,综合分类预测结果得到日负荷预测曲线.实例证明该方法能实现负荷预测的精细化,并减小新投运配变的预测误差影响,改善了综合预测结果.     

基于灰色投影改进随机森林算法的电力系统短期负荷预测

针对短期负荷预测领域传统的机器学习算法(如人工神经网络、支持向量机等)存在的诸如泛化性能不强、参数和模型结构确定困难等问题,将随机森林回归算法引入短期负荷预测领域。同时应用投影原理改进了传统的灰色关联相似日选取算法,提出了一种基于灰色投影改进随机森林算法的电力系统短期负荷预测组合方法。基于灰色投影的相似日选取方法,采用灰色关联度判断矩阵表征历史样本与待预测日影响因素间的关联关系,并用熵权法确立影响因素的权重对判断矩阵加权,最后利用各个样本关联度投影值排序得到相似日集合。采用随机森林算法建立预测模型,利用灰色投影筛选出的相似日样本集合训练模型,最后输入预测日特征向量(天气预报数值、日类型等)完成预测。以浙江电网某县级市的负荷数据作为实际算例,并将上述方法与支持向量机方法以及未作灰色投影改进的随机森林算法进行对比。实验结果表明,新方法具有较高的预测精度和鲁棒性。     

大数据挖掘助力全面提升电网监控水平

SCADA系统是支撑电网调度运行的基础,监控人员主要通过此系统获取电网运行状态的一系列海量信息。随着电网规模的不断增大,监控信息海量增长。电网监控工作缺乏有效分析手段,监控人员压力大、疲于应付,不利于事故和异常信号的处理。本文采用大数据分析工具,利用SCADA系统现有的海量电网运行信息,深入探究了主变油温和负载率的关系,给出主变油温和负载率之间的变化函数,并得到重过载边界主变油温阈值;构建10 k V配电线路负荷快变预警模型,结合10 k V线路的15分钟负荷数据变化特点,快速判断配网线路运行状态,及时给出预警;融合外部天气等数据,建立主变重过载趋势预警模型,为电网运行潜在风险的分析识别及指导电网的科学规划建设奠定了坚实的基础。     

用于电力系统暂态稳定预测的支持向量机组合分类器及其可信度评价

目前,利用数据挖掘方法进行电力系统暂态稳定分析的研究,所用数据集普遍存在失稳样本少的样本不均衡问题,且挖掘模型的参数选择困难,缺乏对预测结果可信度进行评价。针对以上问题,文章提出用于暂稳预测的支持向量机(support vector machine,SVM)组合分类器及其可信度评价方法。首先采用改进bootstrap抽样得到多个类别均衡的数据集,利用随机特征子空间技术进一步压缩数据集;然后用压缩后的数据训练得到多个SVM分类器,各SVM的参数在经验范围内随机选取;最后,通过综合多个SVM的概率输出,得到组合分类器的预测结果,并对结果可信度进行评价。通过算例分析表明,改进Bootstrap算法能够明显减少对失稳样本的漏判,所提出的SVM组合分类器具有较高的预测准确度和可信度。