基于机器学习的变电站信息清洗与重构的研究

目前采用人工对信号进行判断、识别、梳理。但人为的梳理结果不甚理想,进度也极为缓慢,且依赖人员的专业水平和经验,同时人工识别的正确率难以保证,容易出现误判、疏漏。因此,亟需采取人工智能领域相关技术,遵循依托南方电网调度与自动化专业领域标准规范和业务要求,构建一套监控信息的数据清洗与重构,构建变电站信息清洗与重构机器学习模型,提高信号识别匹配能力、降低安全技术风险、减轻人员工作负担,为智能告警的实现提供准备,全面提升电网的监控效率。     

基于博弈论组合赋权的TOPSIS电能质量综合评估

电能质量综合评估对电网实施有效治理和电力市场改革背景下供需双方进行交易价格的制定至关重要。为使电能质量的评估结果更接近实际,本文提出基于博弈论组合赋权的TOPSIS电能质量综合评估方法。首先根据建立的评价指标体系,采用三标法对传统AHP法进行改进,得到指标主观权重,再使用熵权法求取指标的客观权重;其次引入博弈论思想将主、客观权重进行线性组合,得到指标的最终权重;最后采用改进的TOPSIS算法进行电能质量的综合评估。通过算例验证了方法的可行性。     

粒子群算法在电网无功优化中的应用研究

为解决目前电网系统无功优化潮流计算中存在的计算量大,计算结果中的各节点电压值可能导致无功电源出力接近极限值,并可能与系统电压安全发生冲突,发电机出力越限等问题。本文采用带罚函数、学习因子和惯性权重的改进粒子群算法,通过模拟编程,求解了在给定约束条件情况下,两个典型系统(5节点典型系统和39节点典型系统)的无功优化潮流计算问题。通过计算结果分析比较,总结出了在无功优化计算中,如何对电网中的约束条件进行处理,以及如何设置粒子群算法中的相关参数和范围。并讨论了电网的约束条件对无功优化结果的影响,给出了粒子群算法中罚函数、惯性权重及学习因子等参数的设置原则以及对算法收敛性的影响,并对算法的改进进行了展望。     

基于采样值状态估计的配电网虚拟量测特性与网络化保护方法

在受益于信息共享带来保护适应性提升的同时,由于对多节点采样与大范围通信的依赖,配电网网络化保护也面临着误动、拒动的潜在风险。为有效提升配电网网络化保护抵御信息异常、缺失等风险的能力,并拓展保护对采样条件的应用方式,构造基于虚拟量测的保护实现方法。首先借助于采样值状态估计,获取配电网保护系统的虚拟量测。进一步依托于虚拟量测展现出来的可观性、精准度优势及其区别于实际量测的故障反映能力,设计了融合虚拟量测的闭锁、补充动作以及延迟动作判据。通过原理阐述与案例分析,充分说明该方法的应用能够有效缓解采样数据异常、缺失等情况对网络化保护性能的影响。     

人工智能在电网调控全业务链路中的探讨

针对智能化的电网调控技术支持体系进行进一步优化和信息数据重构,本文提出了深度学习在电网调控全业务链路中的应用与探讨。构建基于调控全业务链路的三岗机器人(值长、正值、副值),构建具有智能监视、大脑思维决策、智能交互、代理操作的机器人软件,进一步提升电网调控运行的智能化水平,提高电网安全稳定运行水平。     

粒子群算法在电网无功优化中的应用研究

为解决目前电网系统无功优化潮流计算中存在的问题,如计算量大,计算结果中的各节点电压值可能导致无功电源出力接近极限值,并可能与系统电压安全发生冲突,发电机出力越限等。本文采用带罚函数、学习因子和惯性权重的改进粒子群算法,通过模拟编程,求解了在给定约束条件情况下,两个典型系统（5节点典型系统 和39节点典型系统）的无功优化潮流计算问题。通过计算结果分析比较,总结出了在无功优化计算中,如何对电网中的约束条件进行处理,以及如何设置粒子群算法中的相关参数和范围。并讨论了电网的约束条件对无功优化结果的影响,给出了粒子群算法中罚函数、惯性权重及学习因子等参数的设置原则以及对算法收敛性的影响,并对算法的改进进行了展望。     

基于专家系统的智能变电站GOOSE网络分析系统的研究与探讨

智能变电站内二次设备GOOSE网络运行状态缺乏科学有效的监测手段,使得GOOSE网络相关缺陷处理效率低下,给电网安全稳定运行了带来不良影响。本文提出了一种基于专家知识库的智能变电站GOOSE网络智能分析系统,以实现对智能变电站内二次设备的GOOSE网络在线监视和异常预警,实现二次设备运行管理从离线模式向在线分析转变,实现二次设备运维的规范化、远程化、集约化。