基于线损协方差分析的群体性固定比例窃电行为检测方法

当一个配电台区内存在多个固定比例的窃电用户时,台区的非技术线性损耗（NTL）将由这群窃电用户的窃电量共同决定。目前根据NTL相关性强弱排序的检测方法在这一场景下有可能失效。首先,为了解决这一问题,文中发现了台区NTL和固定比例窃电用户表计数据的相关性存在着一种递增现象,并论证了这一现象成立的充分条件。以此为基础提出了基于协方差分析的窃电检测方法。通过标准化处理后的协方差来衡量NTL与用户电量之间的相关性,以求解一个组合优化问题的方式,实现对固定比例窃电用户的搜寻。然后,设计了该方法在实际应用过程中的运行框架和检测方案。最后,基于中国某省电力公司提供的实测数据和窃电模拟实验平台生成的窃电数据验证了所提方法的有效性。     

基于差分进化的波浪能转换装置阵列优化

针对如何有效利用波浪辐射和散射以提升波浪发电系统效率的问题,提出采用差分进化算法对波浪能转换装置阵列进行优化排布。差分进化算法全局搜索能力强并且计算时间少;同时,差分进化算法在精度和收敛速度上没法两全且可能会陷入局部解,为了使优化结果更准确,引入了自适应变异算子的概念对差分进化算法进行改进,改进后的算法收敛速度相对较快而且结果准确度高。结合改进算法,分别针对不同浮子数目的阵列进行优化与对比分析。仿真结果表明,阵列规模越大,浮子之间的互补作用越大,波浪能转换装置的效率越高,这验证了所提阵列优化方案的有效性。     

基于行业特性的路灯用电异常检测方法

数据驱动的用电异常检测一般根据设置的特征指标项,对用户用电行为进行分类或聚类分析来识别用电异常,受不同行业用电行为多样性影响,实际应用中往往存在误报率偏高的问题.在此背景下,利用同类细分行业用户具有类似用电行为规律的特点,提出基于行业性用电特性提炼特征指标项进行用电异常检测的方法.基于路灯专变用户的实际负荷数据,首先分析路灯专变用户的负荷构成和用电行为特性,进而建立能准确刻画路灯专变用户用电行为的特征指标项;其次根据特征指标项的统计特性分析,采用直方图双峰法设置了用电异常路灯用户的判定阈值,识别实际电网中特征指标项超阈值的用电异常路灯专变用户;最后验证所提方法的有效性,并分析总结用电异常路灯专变用户在地域分布上的一般性规律.     

基于行业特性的路灯用电异常检测方法

数据驱动的用电异常检测一般根据设置的特征指标项,对用户用电行为进行分类或聚类分析来识别用电异常,受不同行业用电行为多样性影响,实际应用中往往存在误报率偏高的问题.在此背景下,利用同类细分行业用户具有类似用电行为规律的特点,提出基于行业性用电特性提炼特征指标项进行用电异常检测的方法.基于路灯专变用户的实际负荷数据,首先分析路灯专变用户的负荷构成和用电行为特性,进而建立能准确刻画路灯专变用户用电行为的特征指标项;其次根据特征指标项的统计特性分析,采用直方图双峰法设置了用电异常路灯用户的判定阈值,识别实际电网中特征指标项超阈值的用电异常路灯专变用户;最后验证所提方法的有效性,并分析总结用电异常路灯专变用户在地域分布上的一般性规律.     

新型电力系统下电弧故障诊断技术及发展趋势

确保电力能源安全稳定供应是构建新型电力系统的前提,用电安全领域故障诊断技术需要不断革新和进步,以适应电力系统的新需求。故障电弧无法精准诊断作为制约电气火灾监测预防的主要原因,严重威胁到供用电安全。文中分析了基于不同原理的故障电弧诊断方法,介绍了故障电弧试验检测技术及相关标准,并提出了未来可能的研究方向,最后总结了新型电力系统下电弧故障诊断面临的技术挑战和发展趋势。     

基于经验小波变换复合熵值与特征融合的故障电弧检测

针对电力系统交流配电线路中串联故障电弧易引发电气火灾且检测精度不高的问题，提出一种基于经验小波变换(empirical wavelet transform,EWT)复合熵值与信号特征融合的故障电弧诊断方法。首先搭建故障电弧实验平台，对典型负载实测电流归一化处理，利用经验小波变换进行频谱分割并提取出具有紧支撑的模态分量，根据燃弧前后信息熵熵减分析选取特征分量。为反映时频多域细节复杂度特征，提取时频域特征分量复合熵值与时域敏感特征组成多域高维特征，利用主成分分析(principal component analysis,PCA)选取累积贡献率高于90%的主元实现特征降维融合，最后输入概率神经网络(probabilistic neural network,PNN)验证检测精度。结果表明，融合特征较单域特征检测精度更高，选用负载最低诊断率达98%验证了该方法的有效性。     

基于VMD-LSTM的非侵入式负荷识别方法

非侵入式负荷识别（Non-Intrusive Load Monitoring, NILM）技术仅基于家庭电源总入口处的电流、电压信息，获得室内电器设备的电气信息。提高负荷识别的精度，对于优化能源结构、提高电能利用效率、降低能耗、节约资源具有重要意义。首先应用变分模态分解（Variational Mode Decomposition, VMD）对归一化的电流信号分解为K个IMF分量，再估计各个分量与归一化电流信号的相关系数，挑选相关系数最大的两个分量作为负荷特征，输入训练好的LSTM神经网络进行识别。算例测试结果表明，该方法在公开数据集PLAID上的识别率高达99%，在实验室采集的数据集上的识别率为96.6%，证实了所提出方法对提升负荷识别精度有显著效果。