基于深度学习与谐波谱相关分析的台区识别

为了提高用户台区识别的效率和精度,提出了一种基于深度学习与谐波谱相关分析的台区识别方法。采集配变出口电压进行谐波频谱分析,并通过深度置信网络(DBN)的特征提取模型自适应提取配变电压特征谐波谱。提取用户端智能电表的电压特征谐波谱,利用谱相关分析法计算智能电表与配变间电压特征谐波谱的皮尔逊相关系数,进而通过谱相关程度对比判断用户所属台区和相别。选取南京市某低压配电网进行现场测试,实测结果表明,所提方法提高了用户台区和相别识别效率,为电网公司对台区精细化管理提供新技术。     

基于电压时空聚合曲线的乡镇配电台区户变关系识别方法

户变关系是指用户电表与配电变压器之间的连接关系,是智能微电网的数据基础。乡镇配电台区供电半径大,受台区分布式能源并网影响,用户电表的电压变化规律与配电台区内多个电源电压变化相关,严重影响了电压相关性户变识别的准确率。因此,考虑分布式能源并网、电源到用户电表低压线路长度的影响因素,采用电压时空聚合方法计算用户电表理论电压波动曲线,并将其与用户电表的真实电压波动曲线进行比较,从而准确识别户变关系。所提方法在中国某地区乡镇示范配电台区进行了验证,户变关系识别准确率为99.8%。结果表明,所提方法较自适应分段聚合近似、关联卷积、密度拓扑聚类等主流的户变关系识别方法具有更好的识别效果。     

基于深度信念网络的计量装置故障溯源研究

针对电网海量大数据中存在异常的电表数据,提出了一种基于深度信念网络的计量装置故障溯源模型。首先,分析了深度信念网络（DBN）模型基本原理,提出了一种智能电表故障分类DBN结构模型,并给出了计量装置故障溯源建模流程;然后,通过建立离线台账样本库、实时用电曲线故障特征样本库,实现了计量装置故障样本库构建;最后,基于实际电表测试和数据异常识别,完成了计量装置的台账样本库溯源测试,并与已有的贝叶斯、决策树、随机森林、决策树提升等分类算法进行比较,测试结果验证了所提模型和方法的正确性和有效性。     

基于知识嵌入和DNN的工商业用户异常用电检测

目前的异常用电检测研究主要以居民用户为对象,并不适用于工商业用户。针对此问题,文中提出一种融合了电能计量原理的基于深度学习的异常用电检测方法。首先,分析了各类异常用电的数据现象,结果说明单纯采用智能电表数据不足以准确检测异常用电。文中遵循电能计量原理,将描述电气参量内部逻辑关系的指标作为知识嵌入智能电表数据,构建深度学习样本模型。然后提出一个改进的深度混合残差神经网络,从海量智能电表数据中学习用于识别异常用电的高级特征。实验结果表明,相比多个基准算法,文中方法在所有评估指标上均取得了明显的提升。     

基于配电物联网技术的台区拓扑自动生成方法研究

随着配电物联网的建设发展,低压台区数据的深度融合、低压配电网全景感知的精益化管理等深化应用在智能配电网的发展中已经必不可少。低压配电网拓扑网络结构是台区智能化应用的基础,而台区拓扑的自动生成一直是技术难点,为此提出一种以融合终端为核心,基于配电物联网的拓扑自动生成技术。首先,基于智能融合终端与用户高速电力线载波(high speed power line carrier,HPLC)智能电表的深度数据交流采集,充分利用智能电表采集的用户数据,形成用户特征信息集合,通过电压数据计算任意智能电表之间的相关性,判断其是否处于同一表箱。然后,通过数据集合中其余电气量数据,计算分支箱与智能电表之间最优解集,研判计算数据。最后,通过仿真算例和实际试点应用效果验证所提方法的可行性,并对未来拓扑生成技术的发展方向提出展望。     

基于知识嵌入和DNN的工商业用户异常用电检测

目前的异常用电检测研究主要以居民用户为对象,相关方法并不适用于工商业用户。针对此问题,本文提出一种融合了电能计量原理的基于深度学习的异常用电检测方法。首先,分析了各类异常用电的数据现象,结果说明单纯采用智能电表数据不足以准确检测异常用电。本文遵循电能计量原理,将描述电气参量内部逻辑关系的指标作为知识嵌入智能电表数据,构建深度学习样本模型。然后,本文提出了一个改进的深度混合残差神经网络,确保从海量智能电表数据中学习用于识别异常用电的高级特征。实验结果表明,相比多个基准算法,本文方法在所有评估指标上均取得了明显的提升。     

基于高维随机矩阵的配电网用户侧用电行为分析

为了准确掌握配电网用户侧异常用电行为以及智能电表的故障情况,基于随机矩阵理论进行低压用户侧智能电表的数据分析与建模,以高维数据统计指标对用户侧的用电数据进行状态表征,在此基础上提出一种低压配电网用户侧异常用电及电表故障诊断分析方法。该方法通过对随机矩阵特征根平均谱半径(mean spectral radius,MSR)指标的分析,给出了随机矩阵原理应用于用户用电异常区域定位的具体步骤,同时也可以实现用户侧用电异常时刻点的特征发现。最后,以某用电台区智能电表历史与实时量测数据为实际算例,分别在不同采样时刻点与不同用户处设置用户窃电与电表损坏等异常用电类型进行计算分析,结果证明了所提方法的有效性与适用性。     

基于深度学习的用户异常用电模式检测

针对电力用户的异常用电行为,提出一种基于深度学习的用户异常用电模式检测模型。利用Tensor Flow框架,构建了特征提取网络和多层特征匹配网络。基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。实例分析表明,与非深度学习检测模型相比,所提模型可更加有效地完成异常用电模式检测。此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。     

基于智能电表海量数据的台区运行态势分析与应用

随着智能电网的快速推进,配网智能化水平越来越高。用户智能电表的覆盖率逐年提升,利用用户智能电表每十五分钟一次采集形成的海量数据,辅以公变终端运行数据,从低压台区线损、故障、网架分析三个视角入手开展台区运行态势分析和应用。通过精益化线损分析,研判线损异常的原因,对配网变户一致性进行研判,对智能装置数据准确性进行评价;通过低压台区回路阻抗模型计算,利用阻抗值实现了配网异常情况的预判和网架阻抗评估;通过配网故障研究分析,及时实现不同类型故障的准确主动研判,进一步提升供电服务"最后一公里"服务效率。文章通过深入挖掘智能电网领域大数据价值,促进业务创新、绩效提升,细化客户分类,满足智能化、多样化用电需要,提升配电网感知度。     

基于边缘计算的低压用户窃电检测

低压用户窃电导致线损电量增加,对台区线损异动进行归因分析是识别窃电用户的有效途径。低压用户通信异常多发,可导致用电信息采集系统主站数据失真,易误导窃电检测。利用配变终端可就地完整准确采集台区数据的特点,提出基于边缘计算的低压用户窃电检测方法。首先,在通信正常和异常的条件下,分析台区窃电用户用电量与线损电量的关联关系;然后,在配变终端窃电检测模块中对真实的台区线损和用户用电量进行归因分析来识别窃电用户;最后,基于高损台区实际数据的仿真分析,验证了所提方法相比于在主站侧采用异常数据以及采用不同缺失数据填补算法修复后的数据进行窃电检测时的优势。     

智能电能表高阻抗故障检测方法研究

为提高智能电能表检测精度,对高阻抗故障(HIF)的检测方法进行了改进,利用智能电能表作为配电网系统中HIF检测的传感器,实现无需单独安装传感器.基于电压波形测量数据的偶次谐波量,每个智能电能表计算一个指数,测量电压波形中的偶次谐波分量.若任何智能电能表计算出的指数在特定时长中持续超过阈值,则检测到故障.在3个场景进行了实验,结果验证了改进方法的有效性.与基于小波的检测方法和基于谐波的检测方法相比,所提方法能够在存在电力电子负载的情况下进行检测,具有明显优势.     

基于复合核 SVM 的智能电表基本误差预测方法

智能电表作为电网的终端设备,其退化情况与工作环境、运行时间等因素密切相关.针对复杂变量条件下智能电表退化情况难以预测的问题,提出一种基于复合核支持向量机(support vector machine,SVM)的智能电表基本误差预测方法.首先对智能电表退化数据进行分析,采用皮尔逊相关性分析找出与智能电表基本误差相关性极强的环境变量.然后,为进一步提取数据退化特征,采用模糊C均值聚类算法对智能电表退化数据进行聚类,确定退化特征向量.最后,基于高斯径向基核函数与多项式核函数构造一种新的复合核SVM模型用以预测智能电表基本误差.结合新疆地区智能电表退化数据对复合核SVM模型性能进行验证,实验结果表明,复合核SVM模型可以准确预测复杂环境下智能电表的基本误差,其预测准确率高于贝叶斯方法、神经网络方法以及经典SVM方法.     

智能电能表失电故障的试验分析

目前针对智能电能表在现场应用环境中频繁出现时钟故障的现象,对入网运行出现时钟电池失压的智能电能表进行深入的研究和故障分析,从功耗、工艺及内部电路设计等方面剖析时钟电池性能降低的原因。根据国内运行的智能电能表大面积出现失电故障,对已经出厂的智能电能表进行有针对性的试验检测研究。以电池失能为突破点,通过特定的电池检测方法,获得真实有效的试验数据。根据试验结果进行科学分析论述,找出智能电能表失电故障根源,并遵循客观实际条件,提出两项改进措施方案,以杜绝智能电能表失电故障的继续扩大漫延。所提出的技术方案为智能电能表安全有效的运行提供技术保障。     

基于随机矩阵的海量智能电能表异常个体定位方法

智能电表是电力计量计费的核心装置,关系业主、电网等多方经济利益,具有数量庞大、运行环境复杂等特点。为有效精准发现海量智能电表的异常个体,提出了一种基于随机矩阵的海量智能电表异常个体定位方法。首先,提出了智能电表健康状态的多个参数表征方法,包括比差、角差、温度、湿度、震动等非电气量参数和一次电压、磁场等电气参数。其次,为了更加准确全面地对智能电表的状态进行评估,将智能电表的实时数据、仿真数据和历史运行数据等作为数据源,选取智能电表健康状态时的参数构建高维随机矩阵进行分析,实现了智能电表异常个体的定位。最后,采用南网新一代智能电表实际数据验证了文章所提方法的有效性,以期为我国智能电表在线运检提供借鉴。     

基于改进BP神经网络的低压配电台区智能电能表误差状态评估模型

针对配电网台区中智能电能表误差估计问题,基于粒子群优化BP神经网络提出智能电能表误差估计方法。所提方法从数据搜集和数据预测、预处理建立智能电能表误差估计模型;针对传统BP神经网络隐含层节点数制定的局限性,提出采用粒子群优化算法对隐含层节点数进行优化,并采用优化得到的隐含层节点数构建BP神经网络结构对训练样本数据进行训练,基于训练得到的BP神经网络对测试样本数据进行计算得到智能电能表误差数据。针对某地区典型配电网台区中智能电网运行误差估计问题,采用所建立的方法进行智能电能表运行误差的评估。仿真算例表明,所建立的模型能够有效评估智能电能表运行误差,相比于传统的评估方法,其评估准确性有显著提升。     

融合已知相别和地址信息的低压用户计量表箱识别

用户电能表与表箱的关系不清楚可能导致严重后果,用户电能表的所属计量表箱识别是低压配电网计量拓扑识别问题之一.由于同一计量箱的用户入线共用同一条配电箱母线,若已知总等效单相计量箱数量N,则原问题可转换为基于用户电压时序波形的N类分类问题.在分析这种方法在实际工程应用中缺点的基础上,提出了一种融合已知相别和地址信息的低压配电计量表箱识别方法.首先,采用聚类方法将分相后的电压时序波形辨识到配电分线箱层面.然后,利用经过挖掘和补全的地址文本信息构建基于相邻关系的约束,并采用约束的k-medoids聚类算法将用户区划分为表箱层面.最后,通过2个具典型特征的低压配电网案例验证了所提方法的有效性.     

基于属性基加密与阈值秘密共享的智能电表密钥管理方法

智能电表是计量自动化中作为电力公司与用户之间计费的一种重要计量设备,而传统智能电表密钥管理方法存在效率低、通信量大且易受网络攻击等问题。为此,提出了一种基于属性基加密与阈值秘密共享的智能电表密钥管理方法。首先,采用组认证对智能电表的身份进行认证,减少了一对一认证的通信次数。然后,抄表过程中进行身份认证时采用(t,n)-阈值秘密共享技术,并且在密钥生成过程中采用属性基加密技术,以隐藏访问结构,避免智能电表信息泄露。最后,针对网络存在多种安全威胁,利用大数据技术对网络攻击类型进行挖掘,以快速识别恶意攻击者。将提出的方法进行仿真实验以验证其有效性,仿真结果表明,相比其他技术,提出的方法显著降低了系统存储负担,提高了通信效率,且识别恶意参与者耗时短,从而保证了密钥管理的安全性。     

基于故障树的智能电能表可靠性分析

智能电能表系统复杂且广泛运用于日常生活,智能电能表可靠性的提升对于整个电力部门的正常运行具有重要意义。提出了基于故障树的智能电能表可靠性分摊算法,利用可靠性指标对系统可靠性进行分析。该算法包括智能电能表故障树的建立,可靠性分摊算法在故障树最小割集中的结合应用,提出元件可靠性指标进行智能电能表元件可靠性评估。根据智能电能表的结构特点、各功能作用进行定性分析,建立完整的智能电能表故障树。由可靠性指标进行智能电能表元件故障追踪,确定对电能表故障影响的关键元件,从而通过相应措施进行故障预防提高智能电能表可靠性。通过对智能电能表可靠性指标的评定证明本算法对系统可靠性指标的改进,有效提高分析系统可靠性。     

基于熵权-层次分析的智能电能表关键元器件选型方法

智能电能表作为智能电网中近用户侧的量测终端,是智能电网高级量测体系中与用户交互的核心环节,其可靠性需要重点关注.针对现有智能电能表的核心部件-元器件的选型依据主观经验选型的不足之处,提出一种智能电能表关键元器件选型方法,攻克经验选型方法中严重依赖于主观的不足之处.采用层次分析法设定智能电能表中元器件选择模型;针对层次分析法过于依赖专家经验而存在的客观赋权不足之处,采用熵权法进一步自适应调整层次分析方法中指标数据的权重;通过智能电能表中关键元器件的选型实验,验证出所提方法在智能电能表中的关键元器件选型的可行性和有效性,可为智能电能表的可靠计量提供保障.