基于机组出力特征解析的风光储联合规划

合理配置风光储容量是实现新能源高效利用与负荷稳定运行的基础。针对“双碳”目标下 要构建以新能源为主体的新型电力系统的目标,提出了一种基于机组出力特征解析的风光储联合规划方法。首先,通过分析电力系统源-荷长时间尺度运行特性,揭示源-荷的一般运行规律,建立了机组时序出力比模型,解析机组出力特征;其次,进一步构建了基于机组出力特征解析的风光储联合规划模型,科学配置高比例新能源接入电力系统背景下的风光储容量;再次,设计了针对规划结果优劣性的源-储容量配比综合评价体系,从电力平衡、新能源消纳、碳减排3个方面对规划结果进行了综合评价;最后,以某大区电网为例进行了仿真。结果表明,所建模型能够基于对机组出力特征的解析配置出合理的风光储容量。     

基于重加权策略平衡损失与LSTM的窃电行为检测研究

窃电行为是导致电能损失与电力企业经济效益降低的重要原因。针对窃电问题,提出了一种基于有效数量加权策略的损失函数,改善数据集分布不均衡导致训练模型泛化性能下降的问题;基于该策略,设计了基于长短期神经网络的时间序列分类模型,用于用户日用电量的窃电行为检测任务;采用用户日用电量真实数据进行实验测试,结果表明基于有效数量的加权策略可一定程度解决数据集不平衡导致的模型泛化性下降问题。与现有方法相比,所提方法在精确度上有所提高,对窃电行为检测具有有效性与可行性。     

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.     

基于 CK-GPR 的多应力环境智能电表剩余寿命预测

针对智能电表科学定期更换需求,建立一种基于智能电表基本误差数据的剩余寿命(RUL)预测方法。首先采用Person相关系数筛选对智能电表基本误差数据影响较大的环境应力作为模型输入;然后采用高斯核、Matern32核及周期核匹配多应力环境下智能电表基本误差趋势;利用贝叶斯方法和蒙特卡洛马尔科夫链(MCMC)求解模型。实验结果表明,不同公司智能电表具有不同环境耐受性,在高干热典型环境条件下,A公司智能电表数据后验上四分位线达到阈值,剩余寿命为43个月;B公司智能电表未出现普遍失效情况,但未来47个月会有较大可能失效,应着手进行故障排查和误差检定工作。在高干热典型环境下智能电表加速超差失效现象不符合计量规程规定的8年检定周期,应动态调整周期检定工作。     

面向停电分类预测的因子分解机模型

可靠的电力供应对于工业生产和居民日常生活至关重要，通过对电力数据平台中的停电数据进行分析和挖掘，可以更好地了解配电网停电的潜在规律。分类预测是数据挖掘和分析中的常见技术，停电分类预测可以为企事业单位的停电规划安排提供决策参考。针对停电分类预测问题，提出一种基于因子分解机（FM）的停电数据分类预测模型。利用决策树算法计算停电数据中不同特征的基尼系数以得出重要性得分，从中筛选与停电预测关联度较大的非稀疏特征。根据不同地区的地理位置关系构建不同地区间的空间位置矩阵，并通过矩阵分解的方式构造不同地区在空间上的地理位置关联特征。为防止FM模型出现过拟合问题，在模型中加入L2-范数正则化。在此基础上，利用随机梯度下降的方法训练FM模型，通过训练完成的FM模型对停电数据进行分类预测。在真实停电数据集上的实验结果表明，该模型在训练数据集和测试数据集上的F1值和准确率分别高达0.90和0.89，优于DNN、SVM、XGBoost等模型。