基于注意力机制和卷积神经网络的配电网拓扑辨识

针对当前配电网拓扑变化频繁,拓扑结构实时获取困难等问题,文章提出基于注意力机制和卷积神经网络的配电网拓扑辨识方法。首先利用卷积神经网络挖掘量测信息和配电网拓扑结构之间的关系,学习其映射规则;考虑当前配网中同步相量测量装置(phasor measurement unit,PMU)和微型同步相量测量装置(micophasormeasurementunit,μPMU)等高级量测设备安装数量不足导致获取量测数据质量不高的问题,在卷积神经网络隐藏层中融入注意力机制,以增强模型鲁棒性;通过随机森林算法对特征数据集进行降维,降低模型时、空复杂度;最后,分别基于IEEE 33节点配电网和PG&E69节点配电网开展算例分析,以验证方法的可行性和优越性,并检验利用更少特征进行拓扑辨识的可能性。结果表明：所提方法具有良好优越性和鲁棒性,泛化能力强,在仅提供少量时间断面量测数据情况下便可实现配电网拓扑辨识,且对于辐射网和含环网络同样适用。     

基于改进的皮尔逊相关系数的低压配电网拓扑结构校验方法

针对低压配电网拓扑结构人工校验成本高、实时性不强的问题,提出了一种基于皮尔逊相关系数和KNN算法的低压配电网拓扑结构纯软件在线校验方法。首先用皮尔逊相关系数判断用户电压序列曲线的相似性,通过相关系数算法校验台区户变关系的正确性,找出户变关系不正确的用户,进行再校验。对于需再校验的用户,基于GIS系统的数据和《配电网规划设计技术导则》剪辑生成用户样本集,运用KNN算法分析剪辑生成用户样本集,然后找出校验用户所属的正确台区。最后根据人工现场校验结果,判断算法校验的正确性。     

基于改进一维卷积神经网络的电力系统暂态稳定评估

为充分挖掘电力系统暂态过程中量测数据的时序信息,并进一步提高电力系统暂态稳定评估的准确率,提出了一种基于改进一维卷积神经网络的电力系统暂态稳定评估方法.该方法直接以底层量测数据作为输入特征,通过使用多尺寸卷积核来替代传统的单尺寸卷积核,能够有效提取量测数据的多粒度时序信息,实现了端到端的暂态稳定评估.另一方面,引入了焦...     

网络重构中基于配电网拓扑特征的改进遗传算法

网络重构是配电系统运行和控制的重要手段,利用遗传算法求解配电网络重构问题可以较好地利用其智能计算的特点,但也存在计算速度慢与收敛于非可行解等问题.结合配电网络拓扑结构特征和遗传算法特点具体探讨了如何实现遗传算法的网络重构,对遗传操作中的选择、交叉和变异提出了基于配电网络拓扑的改进方法,提高了算法的收敛速度和收敛性,算例验证了所提方法的可行性和正确性.     

基于一维卷积神经网络的配电网无功优化

深度学习和数据驱动技术的快速发展,为历史数据下的配电网无功优化提供了新的解决方法,提出了一种基于一维卷积神经网络的配电网无功优化方法。利用配电网节点的历史负荷数据,用优化算法得到对应的无功优化策略,并将无功优化策略进行二进制编码。通过训练一维卷积神经网络模型来映射配电网节点负荷和无功优化策略间的非线性关系,将训练好的模型用于配电网无功优化。在一个改造后的IEEE 33配电网节点系统进行仿真验证,结果表明相比九区图无功优化,所提方法的系统网损和节点电压偏移明显降低。     

基于改进卷积神经网络的火灾实时检测方法

针对火灾检测时间长,影响最佳抢救时间的问题,设计了基于改进CNN的火灾实时检测方法。提取火灾图像数据,充分分析火势与烟势;基于改进CNN构建火灾检测模型,缩短检测时间,提高火灾检测精准度,进而实现火灾高效检测。采用对比实验的方式,验证该方法的检测时间较短,可符合实时性需求,极具推广价值。     

基于改进卷积神经网络的输电线路故障诊断方法

针对电网输电线路发生故障较多、告警系统误报率较高且依赖运维人员事后分析的问题,提出了基于改进卷积神经网络(CNN)的电网输电线路故障诊断模型。首先对电网输电线路的电流时序数据进行预处理,然后通过双通道融合和多层卷积、池化改进卷积神经网络,并在卷积层中结合批归一化方法,对故障数据和正常调停数据分别进行特征提取,再通过soft-max分类器进行分类识别,构建了智能高效的故障诊断模型,有效地降低了误报率。最后利用国家电网调度中心实际数据,验证了所提方法的有效性。     

配电网拓扑结构等效解耦的方法

配电网节点众多,拓扑结构复杂。在实现配电自动化功能时,需要知道各个节点在配电网中的位置以及节点之间的相互联结关系,网络的拓扑结构模型不仅要描述出各节点的邻接关系,而且还要描述出各节点问的路径关系。章根据配电网拓扑结构的特点,提出了将配电网的拓扑结构等效解耦为边相接和边不相接的两种方法,得到若干个数目和负荷节点数目相同的单树枝。两种等效解耦的结果分别反映了配电网节点的联结关系和网络的拓扑分层。     

基于深度卷积神经网络的电力系统运行稳定性评估方法

研究了一种电力系统运行稳定性评估深度卷积神经网络算法.利用深度卷积神经网络算法对电力系统运行稳定性评估系统进行技术升级.采用深度卷积神经网络构建多层多列神经网络,对电网稳定性作出评价.系统对特定故障的评价效率显著提升,特别提升了评价判断特异性,减少了因对无故障电网运行状态做出稳定性预警而带来的额外检修工作量.深度卷积神...     

基于知识图谱的低压配电网拓扑结构辨识方法

低压配电网中正确的拓扑关系是至关重要的。低压配电网实际拓扑结构因运维需要变动频繁且巨大,配电网信息系统中的数据更新不及时、流通性低以及质量差等不能正确反映低压配电网的实际拓扑结构,有必要进行拓扑辨识。知识图谱技术可以清晰地反映出数据间的现有关系,推理挖掘出隐藏知识,适用于低压配电网的拓扑辨识。因此应用知识图谱技术于拓扑辨识中,首先分析知识图谱构建方法,运用知识图谱技术,对多个低压配电网信息系统中的数据进行整合,推理出缺失数据,挖掘出各数据之间的关系。然后构建出低压配电网拓扑结构的知识图谱。最后结合《低压配电网基建工程典型设计规范》以及语义分词技术,对低压配电网信息系统中的户变关系进行辨识。算例实验效果良好,表明所提出的辨识方法具有理论价值和实际应用价值。     

基于注意力机制-卷积神经网络的配电网单相接地故障选线方法

针对配电网发生单相接地故障的电气量特征难以提取,故障选线准确性与鲁棒性难以保证,给电网安全稳定运行带来巨大隐患问题,提出一种基于注意力(attention)机制-卷积神经网络(convolutional neural networks, CNN)的配电网单相接地故障选线方法。首先,采用S变换将故障各线路时序零序电流数据转化为CNN可识别的二维输入矩阵;其次,在传统CNN分类算法进行故障选线的基础上引入注意力机制,建立了基于Attention-CNN的故障选线新模型;最后,通过仿真数据与工程实际数据验证模型的选线结果,并将所提Attention-CNN模型与同类CNN优化方法在不同干扰条件下的性能进行对比。结果表明,所提Attention-CNN模型能够大幅提高选线效率,减少迭代次数,实现更高效、准确的故障选线,具有较强的实际应用价值。     

面向暂态电压稳定评估的卷积神经网络输入特征构建方法

以卷积神经网络(CNN)为代表的深度学习算法在电力系统暂态电压稳定评估中开始得到应用,但其输入特征的构建方法及合理性验证未得到充分的研究。面对交直流系统暂态电压稳定评估,提出了一种适用于CNN的输入特征构建方法。首先,基于双阶段分区来降低输入特征的维度和冗余度,即先依据系统拓扑关系和地理位置约束给出初始分区结果,再以节点的暂态电压特征相似性进行聚类,得到降低维度和冗余度后的最佳分区方案;然后,在分区结果的基础上,考察影响交直流系统暂态电压稳定的关键因素,构建兼顾稳态特征量和多维度故障信息的输入特征;最后,将所构建的输入特征应用于CNN暂态电压评估模型,并采用实际电网数据进行验证。仿真结果表明,所提方法较传统特征选择方法具有更高的准确性。     

基于GAF与卷积神经网络的配电网故障选线新方法

消弧线圈接地配电网的暂态零序电流特征和选线结果呈现复杂的非线性关系,传统选线方法不适用于弱故障特征提取。为提高配电网的故障选线准确性,提出了一种基于格拉米角场GAF(Gramian angular field)与卷积神经网络CNN(convolutional neural network)的故障选线新方法。首先对不同工况下的零序电流进行GAF变换,利用变换后的GASF(Gramian angular summation field)和GADF(Gramian angular difference field)特征图样本集训练CNN,用于判定待测馈线是否故障。为提高选线方法的普适性,除了10 kV辐射状配电网样本库,另外建立了包含3种完全不同拓扑模型样本的混合库。最后,所提方法在辐射状模型库和混合库都得到了验证,判定结果证实了该方法的有效性和准确性。     

基于改进卷积神经网络的非侵入负荷辨识方法研究

非侵入式负荷监测作为客户侧泛在电力物联网重要技术之一,不仅有助于电力公司加强负荷管理,还可以引导用户合理安排负荷的使用,为实现以家庭电力用户为主体的需求侧响应和满足居民用户对精准精益用电服务需求提供了重要的技术支持。对非侵入式负荷监测中低频采样信号分辨率低,负荷特征易重叠,以及卷积神经网络不能有效辨识具有相似波形特征负荷的问题,提出了融合暂态电流波形和时域特征的改进方法,将暂态电流值均方根融合到电流波形图像以提升相似波形特征负荷的辨识正确率。通过实测数据和负荷识别参考数据集(REDD)测试,验证了所提方法的可行性和有效性。     

基于拓扑相似性分析的配电网网架可靠性评估

为了实现配电网供电可靠性的快速准确评估,引入拓扑结构相似性的概念,提出基于拓扑相似性分析的配电网网架可靠性评估方法。通过将奇异值序列作为相似度指标求解目标,研究了电网拓扑的相似性与配电网供电可靠性的数学定量关系。首先,给出了配电网拓扑的矩阵表示、相似度指标及其确定方法,并分析了矩阵的压缩和重构,确保邻接矩阵所保持的拓扑结构特性;然后,提出一种基于拓扑相似性的供电可靠性评估新算法,该算法基于拓扑结构数据库,通过均方根法对相似度进行判定,并对可靠性指标进行修正,同时给出供电可靠性快速评估计算流程;最后,利用IEEE33节点配电网拓扑结构进行算例分析,研究结果表明:所提方法相比同类其他几种算法,在保证较高计算精度的前提下,计算效率可提高超过7倍。论文研究对于提高配电网供电可靠性评估的研究具有一定的参考和指导意义。     

基于卷积神经网络特征迁移策略的变压器智能保护方法

基于人工智能的多特征融合是提高变压器保护可靠性的有效手段,但在实际应用中面临着泛化能力不足的问题.为解决基于人工智能的变压器保护泛化能力不足问题,该文在研究等效磁化曲线(励磁支路电压–差动电流)图像的基础上,提出卷积神经网络(convolutional neural network,CNN)的特征迁移策略.一般地,电力...     

基于改进 ANP 的配电网综合评估方法及应用

现有配电网评估方法存在评估内容单一、整体性差,而且基于层次分析法的配电网评估在计算指标权重过程中忽略指标间相互影响的因素,从而降低了指标权重的可信度。通过对配电网的发展特性进行分析,建立一套完整的配电网综合评估指标体系。同时在指标权重的计算过程中采用了网络层次分析（ ANP）法,并通过DEMATEL方法对其进行改进,使得所得权重更加准确地反映评价指标互相影响的网络关系。最终通过实例验证了该方法的有效性,能够识别当前配电网的发展瓶颈,对于配电网未来的发展具有指导意义。     

基于变分模态分解与空洞卷积神经网络的配电网故障选线方法

小电流接地系统发生单相接地故障时,零序电流故障特征微弱且繁杂多变,传统选线方法可靠性有待提高。提出了一种基于变分模态分解（variational mode decomposition, VMD）与空洞卷积神经网络的配电网故障选线方法。首先,分析配电网健全线路和故障线路的电气特征,采用零序电流作为故障特征信号,为选线模型的输入量提供理论依据;其次,通过变分模态分解把零序电流序列分成不同频率的固有模态函数,提高故障信号特征的平稳性和差异性;然后,采用空洞卷积神经网络作为选线网络,以增大卷积操作感受野的方式增强模型的自适应分类能力;最后,在MATLAB/Simulink中构建10 kV配电网进行算例分析,结果表明,该方法在不同故障场景条件下均有较高的选线效果,验证了所提方法的鲁棒性与准确性。     

一种配电网拓扑结构辨识方法的探讨

针对配电网实时量测有限,并且开关、刀闸设备缺乏实时遥信的情况,提出了一种配电网拓扑结构辨识方法——最优匹配回路功率法。该方法基于最优匹配回路功率,寻找出了若干种有可能的配电网拓扑结构,利用相同的量测值在不同的拓扑结构下分别进行状态估计,选择与量测匹配度最好的拓扑结构作为当前的可信拓扑结构。这样,将网络拓扑辨识问题转换成了以量测匹配度好为目标的网络重构问题。算例表明,该方法可行有效。     

一种基于拓扑结构变化的主动配电网自适应保护方法

随着逆变型分布式电源大量接入配电网,配电网运行方式灵活多变,保护方案的设计与保护装置的动作范围受拓扑变化的影响。在此背景下并结合工程实际,提出一种基于拓扑结构变化的主动配电网自适应保护方法。通过多点量测信息感知配电网的运行状态,利用电压量和电流量之间的相关性,对拓扑结构的变化进行识别。然后,根据拓扑结构的变化,形成新的关联矩阵,自适应调整系统的保护方案与参数。最后,通过仿真验证了所提出的方法有效性。