基于多元大数据融合的智能电能表可靠性评估模型

智能电表是电能计量体系的基础单元,广泛部署于用户侧。针对其量大而难以维护的问题,建立了基于多源大数据融合分析的智能电表可靠性评估模型。为了充分发掘智能电表设计、检修和运行数据中的有用信息,对多源大数据进行融合整理,得到了影响智能电表寿命的协变量数据和智能电表生存标签。基于生存分析理论建立智能电表生命周期CoxPH模型,并采用深度神经网络表征强非线性关联参数,形成智能电表的可靠性评估模型。基于某城市实际智能电表运维数据,对所建模型的有效性进行了验证。测试结果表明,所建模型可以基于智能电表的实时运行状态实现可靠性评估,为智能电表运维工作提供辅助决策。     

基于时空图卷积网络的电力系统暂态稳定评估

快速准确的电力系统暂态稳定分析对电力系统安全稳定运行有着重要意义。现代电力系统设备元件日趋复杂多样导致系统非线性日益增强,作为电力系统暂态稳定分析传统方法的时域仿真法过于耗时。针对此问题,提出了一种基于时空图卷积网络模型的暂态稳定分析方法,将短时仿真与神经网络预测相结合,减少暂态稳定分析所需时间,可用于多种仿真分析场景。该方法将暂态稳定分析建模为样本空间映射问题,利用数据驱动方法训练神经网络模型,建立从暂态过程电网空间结构与时序潮流数据到暂态稳定的映射。模型通过同时提取暂态过程故障前、故障中、故障后的电网空间结构特征和时序潮流特征来实现对系统暂态稳定的快速准确判断。与传统暂态稳定分析方法相比,所提出的方法仅需进行短时间仿真分析,提高了分析效率。与其他机器学习模型相比,时空图卷积网络模型同时挖掘电力系统暂态过程的空间特征和时间特征,引入了更多与稳定性相关的先验知识,具有更优的特征挖掘能力和分析性能。基于新英格兰39节点系统的测试结果验证了所提方法的可行性、有效性和优越性。     

基于生成对抗网络的暂态稳定预防控制

针对电力系统暂态稳定预防控制在线计算的复杂性,提出一种基于生成对抗网络的暂态稳定预防控制方法。通过将暂态稳定预防控制建模为样本空间映射问题,该方法利用数据驱动方法训练生成模型,建立从暂态失稳运行空间到暂态稳定运行空间的映射。模型通过调整电网中发电机的有功出力,提高电网的暂态稳定裕度,使电网运行点满足暂态稳定校核的要求。与传统优化建模方法相比,所提方法通过神经网络的前馈推断求解控制策略,无需迭代求解,极大地提高了求解效率。基于新英格兰39节点系统的测试结果验证了所提方法的可行性和有效性。