考虑分布式光伏的低压台区线损异常辨识方法

低压配电网线损异常的辨识一直以来都非常困难,分布式光伏大量接入配电网,改变了配电网的潮流分布,更加大了低压配电网线损异常的辨识难度。提出了一种针对分布式光伏接入台区线损异常的辨识方法。首先对分布式光伏接入台区开展光伏出力等因素与线损率的灰色关联度计算,找寻光伏相关因素与线损率关联性。其次根据关联性的强弱选择合适的指标进行k-means聚类,并依据聚类结果进行离群点检测,判断台区是否有线损异常的可能性。最后通过对离群点所在簇进行时间离散度分析,得出台区的异常系数,根据异常系数进行线损异常判断。通过对含分布式光伏的典型台区进行验证分析,结果表明：该方法能够有效辨识分布式光伏接入台区的线损是否异常。     

基于数据分析的台区线损率异常判断方法

随着电网的快速发展,地区电网台区个数和用户数量正不断增加,针对台区线损率异常判断困难的问题,提出一种基于数据分析的台区线损率异常判断方法.该方法通过给出一种改进的K-means聚类算法对台区历史数据进行聚类分析,分析出台区线损率的标准形态,最后在台区线损标准形态基础上实现对台区线损率异常的自动判断.仿真结果表明,所提方法在聚类精准性等方面具有更好的性能,可实现台区线损异常的自动判断.     

基于聚类算法的低压台区线损分析方法研究

针对低压台区损耗在电网总损耗中所占比重比较大的现状,提出一种基于聚类算法的低压台区线损分析方法。介绍线损分析流程,根据台区日均线损率、线损率变异系数、三相不平衡、功率因数异常等4个维度特征值构建线损分析模型,并通过实际算例验证了该方法的可行性。     

基于K-Medoids聚类的分布式光伏台区线损异常感知算法

为保证分布式光伏台区稳定运行,精准有效地划分台区线损数据,提出基于K-Medoids聚类的分布式光伏线损异常感知算法,精准判断分布式台区线损异常程度。采用局部异常因子（LOF）算法判断分布式光伏台区数据局部异常程度,并筛选和去除受孤立点影响产生的异常线损数据。采取K-Medoids聚类方法聚类分析筛选后的分布式光伏台区数据,将异常线损率区间结合异常线损数据的聚类中心和欧式距离,完成台区线损异常感知。并创新性地引入粒度计算优化K-Medoids聚类算法聚类中心,提升异常数据感知效果。试验结果表明,所提算法可有效避免孤立点对异常感知效果的影响,精准有效地感知分布式光伏台区线损异常,并清晰划分台区线损数据类别。     

基于数据挖掘的新型低压窃电识别方法

针对现今反窃电技术往往采用单一算法分析,导致反窃电效果差强人意的现状,文中提出一种针对低压用户窃电的识别方法.剥离台区线损当中的技术线损部分,采用K-means聚类算法对处理过的线损数据进行分析,识别出线损率异常波动或持续偏高的台区,并根据聚类结果定义时间离散度来衡量窃电疑似度.分析异常台区下的用户,通过相关性分析研究...     

基于孤立森林算法的配电网线损异常判定

线损异常分析在低压配电网的发展规划中具有重要意义。现阶段线损的异常判定多采用阈值分析法,在时效性和准确性上存在很大的局限性。随着智能电网的推广,提出了一种基于孤立森林离群点检测算法的线损异常判定方案。首先采用k-means算法将低压台区按照不同的负载工况进行聚类,而后采用孤立森林算法计算台区数据的异常分数,最后对获取的异常分数进行阈值分析,得到最终的线损异常数据。在IEEE标准配电网络上进行仿真分析,并用电网实际台区的运行数据进行验证。结果表明,所提异常判定算法具有较高的准确性。这种基于数据挖掘技术的异常分析方法在线损精细化管理中将发挥越来越大的作用。     

基于用电信息采集数据的低压台区异常线损诊断新方法

低压配电网台区的线损分析对发现和解决异常线损问题,减小用电损失以及用户的精细化管理具有重要意义。文章基于全事件用电信息采集系统采集的真实台区数据,提出了一种新的低压台区线损诊断方法。该方法利用电网诊断规则对所采集的原始数据进行质量分析,并通过对台区线损特征地提取和分类,建立了基于电压信息的二分K-Means聚类诊断算法和基于电量信息的全局搜索诊断算法,实现了对台户异常用户的快速定位及台区线损异常的治理。通过剔除异常电表和实际检验表明,该方法具有较高的准确性和一定的实用性。     

基于梯度算法的低压台区线损异常实时检测方法

针对传统线损异常检测方法缺乏规范的体系、智能化程度较低,为电网台区带来一定风险的问题,提出基于梯度算法的低压台区线损异常实时检测方法。利用数据挖掘算法挖掘低压台区线损异常数据,作为检测方法的数据支持,通过预处理线损异常数据恢复缺失值,引入梯度算法得到用于识别线损状态的梯度计算公式作为检测依据,建立一个低压台区线损异常实时检测模型。实例应用结果表明,该方法可准确识别低压台区线损异常原因,且具有96.6%的异常检测查全率。     

基于对抗生成网络与BP神经网络的低压台区线损率预测

线损电量产生于发电、输电、配电及用电等环节,线损电量占供电量的百分比称为线损率。针对线损率预测问题,提出了一种基于对抗生成网络与BP神经网络的低压台区线损率预测模型。选取某市低压台区线损数据作为实验数据集,经数据预处理后,通过K-Means++算法将低压台区分类,对不同类别的低压台区分别训练对抗生成网络来增加不同类别的样本数据,利用不同类别样本数据分别训练BP神经网络搭建低压台区线损预测模型。实验结果表明,与传统BP神经网络模型相比,该预测模型具有更加准确的效果,通过对抗网络增加样本数据可以有效改善低压台区线损数据量偏小的问题。     

基于改进K-Means聚类和BP神经网络的台区线损率计算方法

配电网线损管理中面临的主要问题有表计配置不齐备、运行数据不易收集、元件和节点数过多。这些问题导致线损率计算工作十分繁杂。提出了一种基于改进K-Means聚类算法和Levenberg-Marquardt(LM)算法优化的BP神经网络模型快速计算低压台区线损率的方法,并通过编程加以实现。根据样本的电气特征参数,提出了改进K-Means聚类算法,将台区样本分类,解决了台区线损率数值分散的问题。在此基础上,采用LM算法优化的BP神经网络模型对样本数据按类进行训练,利用BP神经网络拟合样本线损率与电气特征参数之间的关系,得到其变化规律。以某地区601个台区样本数据为例进行仿真计算,验证了所提方法的准确性。结果表明,与标准BP神经网络模型相比,LM算法优化的BP神经网络模型具有快速收敛、高精度等优点。     

基于行业实用系数的台区线损率标杆值计算方法

台区线损受负荷率影响较大,针对目前台区线损分类管理未考虑到不同行业负荷随投运年限变化的问题,提出一种基于行业实用系数的台区线损率标杆值计算方法。基于台区线损理论计算模型及模型简化因素,建立涵盖规划、运行、管理3个维度的影响因子体系;引入密度聚类的思想优化模糊C均值算法的初始聚类中心,以提高台区分类运行的迭代速度;构建基于行业实用系数的台区线损率标杆值计算模型,以实用系数曲线趋势项计算下一年的合理线损率标杆值。最后,以某东部地区1 862个低压台区为实例进行有效性验证,结果表明所提方法能增强供电企业差异化管理线损的能力。     

基于 KNN与LOF算法的台区线损异常检测∗

台区线损率是供电企业的一项重要经济指标,影响企业的综合成本.为了促进电网高效发展,需要对输配电过程中的线损异常进行智能管控.针对目前台区线损异常存在的判定问题,提出了基于KNN和LOF算法的台区线损异常检测方法,并通过试验进行验证,所提出的方法具有良好的检测性能.该方法不仅可提高供电企业对台区线损异常判断与监测治理的效率,更有助于构建智能化的电网环境.     

基于数据挖掘技术的台区合理线损预测模型研究

台区合理线损预测是实现台区线损精益化管理的前提。通过对国内外台区线损管理的研究现状以及相关数据挖掘技术的分析研究,提出基于聚类分析和线性回归的合理线损预测方法与算法流程。利用K均值聚类(K-means)将台区线损数据按照台区特征进行分类,对每一个数据类分别进行线性回归,利用线性回归模型进行线损率预测与误差分析。通过实际的用电数据,具体分析了模型输出结果,论证了所提方法的适用性、快速性、便捷性。     

低压台区的同期线损管理及降损策略

近年来随着国民社会经济的快速进步,我国电力企业的生存和发展面临着严峻的困难和挑战,因此提出低压台区的同期线损管理及降损策略.对低压台区的同期线损进行管理,计算同期线损率,进一步管理低压台区电量数据,对线损异常台区进行治理.提出低压台区的降损策略,合理调整运行电压,对配电变压器实行经济运行,对低压台区进行无功补偿优化.低压台区的同期线损管理及降损策略实验表明,低压台区的同期线损率得到了降低,在低压台区的同期线损管理策略应用中,低站区覆盖率和采集成功率均达到１００％,使低压台区的同期线损管理更为方便快 捷,数据记录更加准确.     

基于知识图谱的台区线损异常分析

电网公司的基本职能之一是提供安全可靠的电能,而线损率是衡量电能质量及电网经济效益的核心标准.能够及时发现并解决台区线损异常是电网公司关注的重点.近年新兴的知识图谱技术能够清楚地描述实体之间的关系,并能将复杂的自然语言转化成脉络清晰的三元组,因此,可将知识图谱技术运用到台区线损异常原因判断中.根据电网信息系统中的电力数据构建出台区线损异常知识图谱,分析各类异常原因特征并构建判断规则,经过推演格算法优化构建出台区线损异常原因判断方法.经实例验证,所提方法在台区线损异常原因判断方面的准确度优于电网方法,并极大地提升了判断速度,具有实用性和高效性,为知识图谱技术在电力行业的应用提供了新思路.     

基于随机森林算法的台区合理线损率估计方法

线损管理是电力公司的重点管理内容之一,低压电网普遍采用分台区的管理手段。供电侧数据缺失和营销抄表日期冲突导致的线损率缺失是电力公司线损系统中台区线损数据存在的主要问题。为此,提出了一种涉及多源数据的基于随机森林算法的台区合理线损率估计方法。从线损系统、生产管理系统和营销系统中提取台区、变压器和用户相关数据,建立台区特征数据库;对台区进行聚类分析,并在此基础上建立决策树分类模型和随机森林估计模型;利用上述模型估计台区线损率。以上海电力公司实际数据为例,计算结果验证了所提方法的可行性;并将所得结果与线性回归模型和回归树模型的估计结果进行比较,表明所提方法性能优越。     

基于相关性度量算法的台区线损异常判断及精准定位

针对台区发生线损异常时关联用户辨识困难的实际问题,提出一种基于相关性度量算法的台区线损异常判断及精准定位方法。首先,通过间隙统计-轮廓系数融合算法确定数据集的最佳聚类数,并在此基础上采用二分K-means++构建台区线损标准库;其次,基于标准库完成台区线损异常辨识,确定异常时间段;再次,计算异常时间段内各用户电量和线损的斯皮尔曼相关性系数(SCC)和欧式-离散弗雷歇距离(E-DFD),并基于SCC和E-DFD构造综合评判指标分析用户关联性;最后,采用TOPSIS算法对综合评判指标值进行排序,实现异常关联用户的精准定位。算例采用某台区真实现场数据进行分析,结果表明文中所提方法在聚类有效性、计算时间以及辨识准确度等方面具有较好的性能和优势。     

沪北供电分公司低压台区理论线损计算

为了真实反映上海市电力公司沪北供电分公司低压台区的线损率，对该公司低压典型台区的线损进行了理论计算。通过对计算结果的分析，确认了表计损耗和三相不平衡对线损的影响较大，而大量零电量用电数据则是台区实际线损率波动较大的原因，为进一步加强低压线损管理提供了理论依据。     

基于ICS-K-means聚类算法和WNN的有源低压台区线损估算方法

针对传统的线损理论计算方法已不适用于含分布式电源的低压台区线损估算的问题,提出一种基于改进布谷鸟搜索K均值（ICS-K-means）聚类算法和小波神经网络（WNN）的有源台区线损估算方法。首先,基于最大互信息系数筛选线损影响因子,建立有源台区线损指标体系;然后,提出改进布谷鸟搜索聚类算法对样本数据集进行聚类,减少对初始聚类中心的依赖;最后,采用小波神经网络对每类聚类数据集进行训练及测试。算例分析验证了所提方法的准确性和有效性。     

基于聚类算法的低压电网分段线损智能识别方法

传统电网线损识别方法未能对线损特征进行提取,导致识别结果不准确,识别用时较长。提出一种基于聚类算法的低压电网分段线损智能识别方法。通过Wpdec小波分解函数对低压电网分段线损数据进行3层小波分解,利用Wprcoef函数对小波系数进行重构,提取低压电网分段线损特征;根据提取到的线损特征变量,设定分段线损异常判定依据,使用K-means算法对所提取的特征向量进行聚类分析,借助聚类结果获取线损特征规则,最终实现基于聚类算法的低压电网分段线损智能识别。经实验结果表明,所提方法不仅能够精准识别低电压分段线损,同时还能够提升识别速率。