深度神经网络在配电网公变短期负荷预测中的应用研究

精准的负荷预测关系着电力系统安全、经济和可靠运行,短期负荷预测一直是电力系统的重要研究方向之一。结合深度学习理论,基于MXNet深度学习框架,采用深度神经网络算法预测配电网公变短期负荷,考虑负荷自身历史运行状态、气象因素、变压器属性、电力用户特征等多重因素影响,对传统电力负荷预测进行了创新和探索,并通过在某省的实际应用效果表明,基于MXNet框架的深度神经网络模型训练效率良好。基于深度神经网络的短期负荷预测模型有很强的泛化能力与通用性,为不同地区、不同类型的公变建立个性化的预测模型提供了可行方法。模型部署于阿里云大数据平台,基于阿里云大数据实现了配电网公变日负荷的实时预测。     

配电站点定位导航系统的设计与实现

正1存在的问题在电力系统中,系统运行的稳定性极其重要。如果系统的稳定性被破坏,可能会导致系统的瓦解和大范围停电等事故,给社会带来巨大损失。配电设备作为电力系统的重要基础,它的稳定运行,直接决定了电力系统的稳定性。传统的配电设备巡检采用的是人工作业方式,缺乏信息化管理,存在较多弊端,其主要问题如下:(1)配电室、开闭所地理分布分散,部分配电室部署在比较偏僻的位置,还有一些配电