基于生成对抗和双重语义感知的配电网量测数据缺失重构

传统的数据缺失重构技术大多依赖数理统计方法和先验知识结合机理分析构建数学模型,但是配电网量测数据具有高维、时变、非线性特征,复杂度高、表征难度大,难以保证高精度重构。文中提出一种利用无监督生成对抗训练方式自主提取数据特征并结合双重语义感知重构约束实现数据缺失重构的方法。其中,基于二维卷积的重构模型和量测数据二维灰度图像化训练增强了模型泛化能力和稳定性。该方法无需先验知识的分布假设与显式物理建模,在保证数据特征提取最大化的同时,有效提高了重构数据的精确性。最后,利用实测数据验证了该方法在重构缺失数据上的有效性。     

基于改进粒子群优化算法的配电网络重构

提出了一种求解配电网络重构的改进粒子群优化（PSO）算法。结合配电网络的特点改进了PSO算法粒子位置的更新规则，提高了迭代过程中有效解的产生概率；并结合禁忌（Tabu）搜索的记忆功能和藐视准则，克服了PSO算法的早熟问题。算，其结果与最优解吻合，证实了算法的有效性，并与较，表明了算法具有更好的搜索效率。最后对3个典型IEEE测试系统进行优化计Tabu搜索算法和遗传算法的计算结果相比     

基于二进制粒子群算法的配电网重构

分析了配电网运行的特点,将配电网中分段开关和联络开关作为基变量,将网络闭合环路作为分组限制条件,用粒子的变量表示开关的闭合状态,以降低系统的有功损耗为目的,采用二进制粒子群算法进行了配电网的重构,经过算例分析,表明该算法是有效的。     

配电网重构的混合粒子群算法

通过将二进制粒子群算法和离散粒子群算法相结合,提出一种混合粒子群算法,求解配电网重构问题。在求解过程中,通过对配网支路进行分组,简化了网络,编码时每一支路组用1维表示,不仅显著降低了维数,缩短了编码长度,更有效降低了无效粒子的产生概率。在搜索过程中,根据该文总结的配电网重构的必要条件,有规律地将粒子进化,进一步提高了搜索效率。在优化过程中将每一次迭代由2步完成：第1步根据二进制粒子群算法中的sigmoid()函数值,利用轮盘赌的方法优化选择断开的支路组;第2步利用提出的离散粒子群算法优化选择在第1步中被选中断开的支路组的内部断开支路。最后对一个典型的69节点算例和一个实际算例进行仿真,结果显示,该方法不仅能快速收敛,而且稳定性好。     

基于Spark和粒子群算法的分布式配电网重构方法

当前配电网结构日趋复杂且有分布式电源大量接入,现有人工智能算法进行配电网优化重构后会出现大量数据,导致算法搜索空间暴增、处理效率下降。为提高传统粒子群算法的处理效率,提出了一种粒子群优化算法,以配电网故障后重构的网损最小为目标函数,建立配电网故障后重构模型。充分利用分布式集群计算资源,通过Spark框架对优化粒子群算法并行化操作,以提升算法的处理效率。     

基于改进量子粒子群算法的配电网络优化重构

为了更好地利用分布式电源(DG),需要调整配电网开关状态优化网络结构。基于此,旨在利用一种智能算法对含DG的配电网进行优化重构。以网损最小为目标函数,建立配电网重构模型,并给出重构需要满足的约束条件;按照DG接入配电网的接口类型将其分为PQ型、PV型、PI型和PQ(V)型四种类型,选择前推回代法对含DG的配电网进行潮流计算;通过分析二进制粒子群算法(BPSO)与量子粒子群算法(QPSO),提出了一种改进的量子粒子群算法—加权的二进制量子粒子群算法(WBQPSO)。以IEEE33节点配电系统为例,采用二进制编码方式,通过仿真结果可以发现WBQPSO通过对粒子的平均最好位置加权处理,改善种群多样性,提高收敛速度,可以得到更好的网络重构的优化结果。     

基于改进生成对抗网络的台区采集数据修复

低压配电网台区位于输配电系统的末端,是开展配电系统管控的基础环节。受不可抗力的影响,台区终端采集数据普遍存在缺失值,整体数据质量较差,进而影响信息的正确性和决策分析的准确度。传统的数据修复方法忽略了台区数据的周期性和时序性,修复精度较低。该文提出一种基于生成对抗网络(generativeadversarialnetwork,GAN)的配电网台区缺失采集数据修复模型,改进了GAN网络的结构,为判别器额外设计了提示机制,使其能够尽可能地利用未缺失信息,潜在地拟合原始数据的分布特征。所提出的方法不需要利用完整的数据集进行训练,整体运行在无监督的环境下,更适用于复杂的生产实际,实验结果表明,所提方法能够高精度地对台区缺失数据进行修复。     

基于模拟退火——二进制粒子群优化算法的配电网重构

提出了将模拟退火算法与二进制粒子群算法相结合的用于配电网重构的优化算法。该算法既发挥了粒子群算法收敛速度快的特点,又因为引入的模拟退火算法具有的较强的跳出局部最优解能力,因此有效地避免了粒子群算法易陷入局部极值点的缺点,提高了进化后期算法的收敛速度和精度,并应用IEEE16节点系统的算例,验证了模拟退火-二进制粒子群混合算法在配电网重构中的可行性和有效性。     

基于自注意力生成对抗网络的电力设备在线监测缺失数据填补

电力设备的在线监测系统常出现不同程度的数据缺失,而传统的缺失数据填补模型精度较低。因此提出一种基于自注意力生成对抗网络(self-attention generative adversarial networks,SA-GAN)的电力设备在线监测缺失数据填补模型。首先搭建基于自注意力机制的时间序列填补模型,并对权重融合模块进行改进,然后将时间序列填补模型作为生成器,构造对应的判别器与损失函数,提出了具有自注意力机制的生成对抗网络SA-GAN,对电力设备在线监测数据进行缺失填补。最后通过实际工程中的电力变压器、高压电缆在线监测数据对模型进行训练与测试,验证了模型的有效性。结果表明,通过局部遮掩对110 kV变压器在线监测数据进行自然缺失模拟并通过各类缺失填补模型进行补全时,SA-GAN模型的平均绝对误差(mean absolute error,MAE)最高为0.11,均方根误差(root mean square error,RMSE)最高为0.17,较其他模型分别至少降低19.10%、14.07%,验证了SA-GAN模型的有效性;对9.51%自然缺失率下的220 kV高压电缆在线监测数据...     

基于相关性分析和生成对抗网络的电网缺失数据填补方法

城市电网新型电力系统中多元资源增多，数据采集难度加大，导致数据随机缺失率升高，难以满足精细化分析决策需求。为了解决新型电力系统中配网量测数据在采集与传输过程中频发的缺失问题，本文提出了一种基于波动互相关分析算法（FCCA）和改进型生成对抗网络（GAN）的电网缺失数据填补方法。首先，融合FCCA提出强相关性电网数据多维特征提取方法；其次，基于核主成分分析（KPCA）对多维特征数据集进行降维处理；最后设计改进型GAN结构，融合电网数据多维特征对低维向量进行重构，实现缺失数据填补。算例采用真实电网数据进行算法验证，并在某城市电网试运行，结果表明所提方法比传统数据填补方法具有更高填补精度。所以，在新型电力系统中量测数据连续缺失和缺失量较大的情况下，融合强相关性特征进行数据填补，对提升量测数据的完整性和可用性有明显优势。     

基于改进生成式对抗网络的电气数据升频重建方法

高频电气数据是提高电网态势感知准确度、监测水平和辅助服务质量等的数据基础之一,但是,传统重建算法难以实现高精度的数据重建.因此,文中利用改进生成式对抗网络将低频电气数据重建为高频.通过将时序数据转化为电气图像,实现神经网络方法对电气图像特征的高效提取.利用基于深层残差网络的生成器和改进的残差块结构,提高生成器的特征学习...     

基于改进生成式对抗网络的电网异常数据辨识方法

基于数据驱动的电网异常数据辨识方法已成为电网安全领域研究的重点,由于实际电力发电统计数据中异常数据样本数极少,给通过数据挖掘方法辨识异常数据情况带来了极大困难。文章提出了一种基于Wasserstein生成式对抗网络(Wasserstein generative adversarial networks, WGAN)和孤立森林算法(isolation forest,iForest)的发电统计异常数据辨识方法。首先,利用WGAN交替训练生成器和判别器学习发电统计数据的分布特性并生成样本,用生成异常样本对原始异常样本进行增强,根据异常数据辨识精度确定异常样本的扩充比例;然后,在扩充后得到的平衡数据集上利用孤立森林算法实现异常数据辨识;最后,通过扩充样本前后模型的准确率、查全率以及查准率来比较模型异常数据的辨识效果。算例结果表明,文章提出的异常样本增强方法能够有效地改善辨识模型对于多数类的分类偏好问题,提升整体辨识精度。     

结合量子粒子群算法的光伏多峰最大功率点跟踪改进方法

光伏阵列在局部阴影时的P-U曲线呈现多峰特性,需要设计光伏多峰最大功率点跟踪方法,以实现光伏发电最大功率输出,提高光伏发电效率。相比粒子群优化算法,量子粒子群优化算法具有收敛速度更快和全局收敛性等优势。提出了一种基于量子粒子群优化算法的光伏多峰最大功率点跟踪改进方法。该方法采用量子粒子群优化算法实现最大功率点的全局搜索;根据光伏阵列在局部阴影时P-U曲线上功率极值点的分布特点初始化种群中的粒子总数及其电压;并根据量子粒子群优化算法收敛时粒子自身最优位置的特点,提出了更适合光伏多峰最大功率点跟踪的收敛判据。仿真测试表明,提出的改进方法能够快速有效地实现光伏多峰最大功率点跟踪,收敛速度更快,避免了不收敛的问题,且具有应对光照情况变化的能力,提高了局部阴影时光伏发电的效率。     

基于时序生成对抗网络的月度风光发电功率场景分析方法

针对月度风光发电功率模拟面临的变量维度高、时空特征复杂等难题,提出一种基于时序生成对抗网络的月度风光发电功率场景分析方法。采用基于RV系数的聚类技术提取代表性日发电状态,基于Markov链刻画风光日发电状态转移规律;引入缩放点积注意力机制与时序卷积网络,构建时序生成对抗网络,模拟日内风光发电功率的时序性及空间相关性;提出月度风光发电功率场景的随机生成方法。考虑电网中长期分析需求,建立月度风光发电功率场景的优化削减方法。最后,采用我国东北地区6座风电场和6座光伏电站的历史发电功率数据,验证所提方法的有效性和正确性。     

基于改进生成对抗网络的虚假数据注入攻击检测方法

随着新型能源互联网的发展,大规模的传感量测系统为基于数据驱动的虚假数据注入攻击检测方法提供了数据支持,然而攻击样本数据不平衡问题会影响此类方法的性能.提出了基于改进生成对抗网络(generative adversarial network,GAN)和极端随机树的数据重平衡攻击检测模型.首先,为了生成高质量数据,设计GA...     

基于粒子群优化算法的并网光伏发电单元建模

以状态空间平均法为基础,建立了单级式并网发电系统单元的模型,主要包括3个部分:光伏阵列、逆变器及控制器、并网侧LC滤波器和线路等环节的等效阻抗,利用粒子群优化算法分步辨识内环和外环模型参数。首先在d轴内环控制器的参考电流上施加阶跃扰动,辨识内环控制模型的参数;然后简化等效内环控制器模型为一阶惯性环节,辨识其模型参数;最后在光伏阵列最大功率点输出侧的直流电压上施加阶跃扰动,以等效内环控制模型为基础,辨识外环控制模型的参数。在Matlab中分别建立光伏并网发电单元系统的详细模型和所提的传递函数模型,结果验证了所提模型的合理性。     

基于粒子群优化算法的TMPS-HESM联合仿真设计方法

混合励磁同步电机(HESM)是当前研究热点,其设计方法值得讨论。借助ANSYS RMxprt软件和传统磁路法设计电机定子,再通过ANSYS Maxwell软件设计HESM转子并进行电机参数化建模,进一步建立8极48槽TMPS-HESM的Maxwell&Workbench&Optislong联合仿真模型,最后运用粒子群优化(PSO)算法对电机进行全局多目标优化得到Pareto解集,并使用优劣解距离法(TOPSIS)从解集中客观选取最优设计方案。系统地提出了一种基于PSO的切向聚磁型并联结构混合励磁同步电机(TMPS-HESM)联合仿真设计方法。通过相关有限元仿真试验,验证了电机性能符合设计要求。     

基于改进粒子群算法的分布式光伏集群划分与无功优化策略

分布式光伏系统在电网中的应用越来越广泛,光伏波动性强,稳定性差,其大规模接入不仅增加了配电网结构的复杂性,而且使电力系统的调节更加困难,给电网运行带来不利的影响.本文主要研究了含大规模分布式电源配电网的集群划分和无功优化问题.首先应用PSO改进的K-means聚类算法,找出较好的初始聚类中心,然后根据节点间的电气距离,对配电网进行集群划分.以节点的电压偏移总量和线路的有功损耗最小作为目标,采用动态调整粒子群算法对电力系统进行无功优化.最后在Matlab平台上仿真验证了所提集群划分和无功优化方法的有效性.     

基于免疫粒子群优化算法的微网谐波抑制方法

微电网中逆变器等大量电力电子器件的应用,以及各种非线性负荷的投切,使微网中的谐波问题变得复杂。针对微网系统中滤波器参数难以整定导致微网谐波抑制效果受到影响的问题,提出了基于免疫粒子群算法的微网滤波器参数优化方法。建立了包含功率控制模块、下垂控制模块以及电压电流控制模块的基于下垂控制的微网系统模型,并根据微网性能以及滤波器参数设计特点建立了目标函数;对免疫粒子群算法能够避免粒子群算法陷入局部最优、解决早熟收敛等问题进行了介绍;提出了用免疫粒子群算法调用微网仿真系统优化参数的新方法;通过Matlab仿真验证了基于免疫粒子群算法的微网谐波抑制方法的可行性。