基于CNN的配电网接地故障识别

对配电网不同类型接地故障的准确识别有助于提高配电网供电可靠性。鉴于配电网发生接地故障时,故障信息微弱且分类器挖掘故障特征能力有限,提出了时分频分方法提取故障特征,基于卷积神经网络(CNN)实现不同接地故障分类。对仿真实验结果的分析表明,相较于传统机器学习方法SVM、KNN、DT,所提方法的评估指标结果更优。     

基于时间区间的配电网重构

提出了基于时间区间的静态重构算法和动态重构算法.算法以最优流法为基础,以一段时间内的能量损耗最小为目标函数.首先利用配电网负荷模式的特点对基于时间区间的最优流计算方法进行了改进,然后利用该计算方法求解配电网的静态重构问题.动态重构中需要考虑开关操作次数的约束,为此,动态重构算法中先利用降损估算公式对开关操作在整个时间区间内的降损效果进行评估和比较,然后提出了合理的启发式规则来确定开关的操作顺序,形成优化方案.69节点配电网的算例结果表明,提出的静态重构和动态重构算法是可行和有效的.     

基于稀疏重构和CNN的转发干扰检测方法

针对单个距离环样本未采样到转发干扰,仅稀疏重构了杂波部分而导致机载雷达空时自适应处理性能严重下降的问题,研究对比了两种基于卷积神经网络(CNN)的干扰检测方法。一种基于经典的LeNet-5模型,另一种采用较新的GoogLeNet模型。利用杂波和干扰在角度-多普勒维平面上的不同分布特性,通过对稀疏重构后的空时功率谱进行识别分类,测试结果显示识别准确率可达84%和99.8%。进而仅利用采样到干扰的训练样本,最终稀疏重构出正确的杂波与干扰空时功率谱。仿真结果验证了该方法的有效性。     

适于深层次CNN的配电网过电压数据集建立方法

随着人工智能算法的快速发展,在配网过电压识别中层数较少的卷积神经网络已得到应用。深层次网络有较高的识别率,但需要大量数据样本,目前已有数据集数据量不足,不能满足深层级网络训练所需。为此提出了一种满足深层次网络训练所需的配电网过电压数据集建立方法。首先利用电磁暂态仿真软件EMTPworks仿真10 kV配网5种典型的过电压并且编辑相应的JavaScript脚本,通过改变故障初相角、过渡电阻、线路长度等参数产生16 272个数据。然后将三相过电压一维信号进行连续小波变换,得到相应二维时频图,并根据原始信号的特征自动标记二维时频图,从而建立了完整的配电网过电压数据集。最后利用卷积神经网络（CNN）对5类过电压信号数据的有效性进行验证。结果表明,构造的数据集数据规模大,有效性高,能够满足深层次网络需要。     

基于数据驱动的非全实时观测配电网无功优化方法

现阶段配电网中量测设备覆盖率较低,只有部分节点的负荷数据可以实时采集得到,因此在配电网中进行实时无功优化时无法使用基于潮流计算的优化方法.考虑到以上情况,文章提出了一种基于数据驱动的非全实时观测配电网无功优化方法.该方法基于历史运行数据使用最优潮流离线生成无功优化策略,并通过训练神经网络构建可实时量测节点负荷数据和无功...     

基于潮流计算的配电网重构方法

为减小配电网的能量损失,提出了一种基于潮流计算的配电网重构方法。在单环网潮流计算的基础上,通过计算环网中电压最低的节点两侧开关分别断开后产生的网损增加量得到了最优解环开关。在配电网所有开关闭合的情况下,逐次求得各个环中的最优断开开关,然后使网络恢复成辐射状,然后逐次闭合各断开开关形成单环网,求得各单环网中的最优打开开关,直至得到整个网络的最优结果为止。采用该方法对2个测试系统进行重构,结果表明采用该方法可以较快地得到重构结果,与其它方法的比较结果也验证了该方法的正确性和优越性。     

基于馈线偶的配电网快速减小网损重构方法

作为配电网自动化高级应用模块,网络重构应满足快速性的要求而达到在线应用的目的。而许多配电网重构方法因追求全局最优或多次潮流计算而不能满足该要求。文中提出一种基于馈线偶的快速减小网损重构方法。该方法利用馈线偶内网损估算公式推导馈线偶内最佳转移负荷来寻找最优分段开关,可以避免多次潮流计算,完成馈线偶内重构。以馈线偶内重构为基础,并按照全网所有馈线偶的联络开关两侧压差的大小顺序进行全网网络重构。全网重构时对所有馈线进行"优化标定",可以起到避免重构死循环和结束全网重构的作用。最后采用13节点和185节点配电网进行了编程计算,结果表明了该方法的快速性和有效性,可以满足配电网重构在线应用的要求。     

基于时间区间的实用配电网重构方法

目前,基于时间区间的配网动态重构还没有很好的解决办法.为把重构技术引入配网的实际运行中,提出一种基于时间区间的实用重构方法,它能快速、有效地求解二次以内的重构问题.首先,文章通过对基于时间区间的配网一次重构进行分析,得出了关于最佳一次重构时间的推论,并用算例对其进行了验证.根据此推论,对二次重构进行了求解.由于不用考虑两次重构时间之间的组合问题,大大地提高了求解的速度.最后文章对实用法所能节省的网损进行了分析,进而讨论了多次动态重构的必要性.     

基于时间区间的实用配电网重构方法

目前,基于时间区间的配网动态重构还没有很好的解决办法。为把重构技术引入配网的实际运行中,提出一种基于时间区间的实用重构方法,它能快速、有效地求解二次以内的重构问题。首先,文章通过对基于时间区间的配网一次重构进行分析,得出了关于最佳一次重构时间的推论,并用算例对其进行了验证。根据此推论,对二次重构进行了求解。由于不用考虑两次重构时间之间的组合问题,大大地提高了求解的速度。最后文章对实用法所能节省的网损进行了分析,进而讨论了多次动态重构的必要性。     

配电网重构的拓扑结构快速适应法

为快速适应配电网重构导致的拓扑结构改变和潮流方向不确定性,提出了一种配电网结构划分方法。按图论中出度的定义,将配电网划分成支链结构,并建立支链邻接表。采用深度优先遍历法,确定邻接表前推回代顺序,得到初始潮流计算结果。利用支链结构特点,消除侧边影响,快速形成单环网。解环时,能够快速生成新的支链并确定其前推回代顺序。算例结果验证了该方法的快速性和有效性。     

基于混合智能算法的配电网络重构

提出了一种基于最优流和模拟植物生长法的配电网络重构混合算法。该算法模拟植物生长算法,帮助最优流算法避开局部最优,减少搜索次数和开关变换次数,从根本上提高计算速度。算法将目标函数与约束条件分开处理,采用方向性的搜索机制,避免了一些参数难以确定或搜索方向无引导性而陷入局部最优的问题。根据配电网的特点,改进了以开关作为控制变量的表达方式,降低了变量维数,提高了计算效率。采用四种状态描述开关的运行方式,有效减小了寻优过程中的搜索范围。对IEEE69节点系统进行分析计算,并对比相关文献结果,所提方法具有快速的全局寻优能力。     

基于配网重构的交直流混联配电网可靠性分析

传统10 kV等级供电区域为开环运行,并且区域之间联络开关都处于冷备用状态,一旦发生变压器故障,在联络开关闭合前负荷供电中断。同时变电站的主变设备设计容量大,主变压器平均负载率较低。一种好的解决方法是在传统10 kV交流配网中加入多端柔性直流互联装置建立交直流混联配电网。根据交直流混联配电网的特点,提出了一种适合于交直流混联配电网的可靠性评估方法,在保证系统可靠性的基础上,研究是否可以减小变压器容量冗余。建立了考虑备用元件的多端柔性直流互联系统的可靠性模型,采用支路交换法在变压器故障时进行配电网重构为负荷恢复供电。通过对加入多端柔性直流互联装置的10 kV配电网算例进行可靠性评估,结果证明了多端柔性直流互联装置接入配电网后,可以提高系统可靠性,同时根据系统配网重构的结果证明系统主变压器的设计容量可以减小。     

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...     

辐射型配电网重构的二次电流矩法

根据辐射型配电网开环运行的结构特点,定义了关于节点的逆流路径、阻抗距离和等效二次电流等概念,形成二次电流矩模型,提出和证明了二次电流矩定理。定理表明:辐射型配电网任何逆流路径的二次电流矩等于该路径的功率损失。二次电流矩杠杆平衡角度的分析结论是:辐射型配电网运行的优化程度取决于二次电流矩杠杆的均衡程度。由此形成了辐射型配电网重构二次电流矩的杠杆模型,并且以这个模型为基础形成了一种辐射型配电网重构的方法。方法的物理概念清楚、计算过程简捷可靠,具有实用价值。     

配电网动态重构的多代理协调优化方法

提出一种配电网动态重构的新方法,并利用多代理系统(multi-agent system,MAS)技术来实现。将一天分为多个时段,每一时段由一个工作代理负责,利用混合粒子群算法进行静态重构,求得一个解集,并通过相邻代理间的相互学习,对解集进行补充和完善。然后对解集进行评估,从中选出种子解和优先替补解,计算出每一工作代理减少一次开关操作将增加的最小损耗。最后经协调代理多次迭代协调,令部分工作代理更换种子解,直到满足开关操作次数约束条件为止,此时,各工作代理的种子解即共同组成了动态重构结果。给出MAS的系统框架和各代理的功能模块。最后对一个IEEE69节点标准算例和一个实际算例分别进行仿真,仿真结果表明该方法不仅可快速获得不同约束条件下的最优解,还能为相关部门制定合理的开关操作次数提供依据。     

基于三维卷积神经网络的配电物联网异常辨识方法

由于配电物联网中电力网与通信网高度耦合,单一网络的异常状态会交互作用至另一网络,可能进一步造成异常范围扩大,而单独采用电力网或通信网的异动信息难以全面、准确地辨识配电物联网异动源的类型和位置。因此,提出一种基于三维卷积神经网络(3D-CNN)的配电物联网异常类型辨识及定位方法。首先,分析了配电物联网通信流量特征并构建了基于Simulink和OPNET的配电物联网交互仿真模型;其次,提出了一种面向3D-CNN的样本构建方法,将配电物联网中每个节点的电气量和通信流量信息组成一个特征子像素,进而将配电物联网每个时刻的状态表示为一幅特征帧画面,形成隐含配电物联网异动过程的立方样本矩阵;随后,构建了包含三维特征提取网络和层级softmax分类器的深度学习模型,通过提取和辨识立方样本矩阵中隐含的异常信息,可以同时实现配电物联网异常类型和位置的判定;最后,利用IEEE 33节点配电物联网异常数据对模型进行测试,结果表明,所提方法可以对电力网短路故障、通信中断故障、通信数据异常引起的保护误动和拒动进行精确的分类及定位。     

基于跨连接卷积神经网络的绝缘子检测方法

针对电力设备图像中绝缘子所占比例较小和容易漏检的问题,提出了基于跨连接卷积神经网络的绝缘子检测方法。首先,通过在区域建议网络将网络后三层的卷积层分别和全连接层连接,使得这三层的卷积特征同时送入分类层和回归层,从而得到一系列高质量的绝缘子候选区域;将得到的候选区域映射绝缘子检测子网络,通过将得到的感兴趣区域特征送入级联的Adaboost分类器,实现对绝缘子的检测。对所提出跨连接卷积神经网络生成的候选区域进行了评估,并对不同的绝缘子检测方法进行了对比实验。实验结果表明,该方法得到的候选区域召回率高且更集中于绝缘子所在位置,绝缘子检测准确率比常规方法高出10%。所提方法能较好地对复杂背景图像中不同大小的绝缘子进行有效识别和精确定位。     

基于贪婪算法的配网多阶段快速重构新方法

针对多阶段动态重构计算速度慢的问题,提出一种动态重构新方法。该方法基于给定的寻优尺度参数M,对以开关动作次数最多的两个相继阶段为中心的2M+2个阶段进行各种可能合并,分别对各个合并后的新阶段进行静态重构,然后选择目标函数值最小的合并方案为当前最优合并方案;如此反复迭代,直到目标函数值不再减少且当前解为可行解时,即得到近似最优解。方法在获得与全局最优解近似解的前提下,其计算速度都比全局最优解快近2个数量级。算例表明该方法因其求解的高效性而具有较好的工程应用前景。     

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。     

神经网络法在以网损为目标的配电网重构中的应用

配电网重构是降低电网线损、提高经济性的重要手段。采用BP神经网络法进行配电网的重构,网络输入为电网负荷,输出为实现电网最小线损的开关开合状态,通过样本训练来实现对两者非线性关系的模拟。首先将电网负荷按负荷曲线特征及负荷水平分为三种类型和五种负荷水平;然后对不同负荷类型和水平下的最小线损采用最优化方法计算,作为网络训练的样本;以一个16节点系统为算例,验证了BP神经网络法在配电网的重构中的应用价值。为弥补以往研究的不足,探讨了神经网络结构对电网重构的影响,发现通过选择适当的输出神经元数目可以在不增加太多网络训练时间负担的前提下,提高神经网络在实际配电网中应用时的效率。