基于Mean-shift聚类和孪生网络的非侵入式负荷辨识方法

为了面向智能电表负荷辨识技术的推广应用,提出一种基于Mean-shift聚类和孪生网络的非侵入式负荷聚类辨识方法,该方法针对所检测到的负荷事件,提取有功-无功等电量特征,并将其按运行时刻和运行时长进行细分,获得负荷事件在时间特征上的分布,并作为辅助特征。其次,对时间特征采用Mean-shift进行聚类,得到具有相同时间特征的负荷类别,并采用孪生网络与负荷特征数据库匹配识别,最终实现负荷辨识。最后,通过实际家庭用户的负荷数据测试,实验证明了所提方法能够有效辨识用户家庭内部的负荷类别,从而为智能电表负荷辨识推广奠定基础。     

基于随机矩阵的海量智能电能表异常个体定位方法

智能电表是电力计量计费的核心装置,关系业主、电网等多方经济利益,具有数量庞大、运行环境复杂等特点。为有效精准发现海量智能电表的异常个体,提出了一种基于随机矩阵的海量智能电表异常个体定位方法。首先,提出了智能电表健康状态的多个参数表征方法,包括比差、角差、温度、湿度、震动等非电气量参数和一次电压、磁场等电气参数。其次,为了更加准确全面地对智能电表的状态进行评估,将智能电表的实时数据、仿真数据和历史运行数据等作为数据源,选取智能电表健康状态时的参数构建高维随机矩阵进行分析,实现了智能电表异常个体的定位。最后,采用南网新一代智能电表实际数据验证了文章所提方法的有效性,以期为我国智能电表在线运检提供借鉴。     

基于深度信念网络与数据聚合模型的智能电表数据异常检测方法

针对智能电网中广泛应用的智能电表(smart meters,SM)可能在测量和监视电能消耗的过程中遭受的多种网络攻击的问题,提出了一种新的异常模式检测框架,以防止智能电表的能源欺诈。所提方法首先基于智能电表向智能配变终端发送用户的用电特征数据,采用分布式数据模型对数据进行聚合,以更好地解决用户隐私保护问题;然后利用深度信念网络(deep belief network,DBN)将得到的数据与期望数据进行对比,以更好地获取数据特征,并对训练结果进行自上而下的特征优化;最后,通过智能配变终端将集群中的智能电表从1到N进行标记,并将执行数据经过深度信念网络提取特征传送至电表数据计量管理系统(meter data management system,MDMS),检查并更换故障或受损的智能电表,以获得更精确的非专业技术损失检测分析。实验结果表明,所提方法相对于传统智能电表数据异常检测具有更高的检测率和适用性。     

插电式电动车有序充电调度控制算法研究

主要研究基于电动车参与的电网有序用电调度控制优化问题.首先,通过智能电表采集某地区历史电荷信息,并通过该信息对该地区未来24 h用电负荷进行动态预测.然后,基于当前实时居民用电负荷情况和已提交的充电订单信息,提出了一种智能有序充电调度控制算法,即根据订单信息对电动车进行有序编排,并在考虑居民实时用电负荷情况下,如果出现实时负荷超出变压器承受最大负荷的冲突,则需要考虑对充电编排做动态更新.所提出的基于智能电表有序充电系统在保证变压器稳定运行前提下,提高了充电效率,优化了谷峰差,从而实现了削峰填谷.最后,仿真结果验证了所提出算法的有效性.