配电线路接点温度远程监测与预测系统

为了能够远程实时地监测配电线路中的T型接点、接续点温度,并且掌握接点温度未来的变化趋势,保障配电网安全运行,设计了一种配电线路接点温度远程监测与预测系统。该系统按感知层、网络层、平台层与应用层的顺序,由下而上逐层进行设计与开发。终端节点部署在线路接点处,以非接触式红外测温的方法获取温度数据,并通过LoRa技术将温度数据传输至汇聚节点,汇聚节点汇总下属所有终端节点的温度数据后通过4G网络上传至阿里云端,上位机从阿里云中获取温度数据并建立差分自回归移动平均模型(ARIMA)来预测接点温度的变化趋势,同时手机APP端同步显示接点温度的监测数据。测试结果表明,系统可以实现远程监测接点温度,ARIMA模型可较为精准的预测未来的温度值,提高了测温效率,具有较强的实用性。     

基于Transformer深度学习网络的主动配电网多元源荷灾损辨识方法

近年来不断增多的强台风天气给沿海及部分内陆地区配电网带来了愈发严重的损失,造成大规模重要负荷长时间失电,提高含多元源荷的主动配电网恢复能力成为亟待解决的问题。针对现有配电网负荷损失评估方法在强台风弱通信条件下无法准确获取节点信息而造成灾损分析精度不高的问题,提出一种基于Transformer深度学习网络的主动配电网多元源荷灾损辨识方法,充分利用深度学习网络去模型化的特点并发挥其在灾损预测精度方面的优势。考虑地面粗糙程度和高度,结合弱通信条件下的台风灾害气象数据,构建主动配电网所处地理环境的风速、降雨强度等气象信息修正模型;在此基础上考虑强台风致灾机理和主动配电网拓扑结构,利用Transformer深度学习方法构建配电网灾损辨识模型,实现强台风弱通信条件下的主动配电网多元源荷灾损辨识精度提升。通过对改进的IEEE 33节点主动配电网算例进行仿真测试,对损失负荷、损坏节点数等特征量进行计算,验证了所提主动配电网多元源荷灾损辨识方法能够满足台风多发配电网灾损评估精度。