基于可靠性显式表达的交直流混合配电网规划方法

为了克服基于启发式优化算法难以得到交直流混合配电网规划模型最优规划方案的缺点,同时在规划时更好地兼顾交直流混合配电网的经济性与可靠性,文中基于改进的配电网可靠性显式表达方法和线性潮流约束,提出了计及可靠性成本的中压交直流混合配电网的混合整数线性规划模型。所提模型以最小化投资建设成本、运营成本、可靠性成本为目标,对配电网中的节点建设类型以及待规划支路进行规划求解。然后,将得到的交直流混合规划方案与交流规划方案和直流规划方案进行了比较。最后,分析了换流器故障率对交直流混合配电网规划结果的影响。     

基于异构基Stacking机制的居民负荷特征图像识别方法

负荷识别技术能将不同电器类型有效区分开,对于用电策略制定、需求响应具有重要意义。针对当前负荷识别技术无法有效实现负荷特征融合以及不同识别器模型结合的问题,提出一种基于异构基Stacking机制的居民用电负荷识别特征图像集成学习方法。该方法通过构建特征图像实现特征融合,利用卷积神经网络充分挖掘特征图像中蕴含的深层次特征,解决传统方法对特征挖掘不够深入的问题。同时引入集成学习Stacking方法将多种异质负荷识别模型结合,综合各种模型的优势,解决传统方法模型单一化的问题。最后使用公开数据集PLAID进行验证并在实验室电器设备上完成工程应用。结果表明,所提方法具有较高的识别准确率和应用价值。     

图数据建模与图表示学习方法及其非侵入式负荷监测问题的应用

非侵入式负荷分解能从家庭总表数据中分解出单个负荷的运行状态,这对用户调节自身用电策略、参与需求侧响应具有重要意义。针对当前负荷分解模型受限于欧式空间下数据的顺序输入,无法准确描述电器不同运行状态之间的时间关联性导致分解准确度不高的问题,提出一种图数据建模与图表示学习的非侵入式负荷分解方法。首先基于图理论将待分解信号转换为包含节点和边的图数据。其次,设计带残差机制的图卷积网络充分挖掘低采样频率下数据包含的属性特征和时间关联性特征,构建负荷分解的图表示学习。然后,针对模型分解结果缺乏精细化修正策略的问题提出改进的后处理方法,进而全面提升模型的综合性能。最后,使用公开数据集AMPds2和REDD进行验证,结果表明该文方法具有较低的分解误差和较强的泛化性能。