论文部分内容阅读
本文结合配网用户侧态势感知技术,从感知提取、理解辨识和预测评估三方面出发,充分利用这些配网用户侧的AMI(advancing metering infrastructure,AMI)数据,提出了一种基于数据驱动和机器学习的配网用户侧态势感知方法,从低压用户用电异常评估、零电量用户筛选、专变运行健康状况分析以及低压用户短期负荷预测四个方面进行配网用户侧态势感知技术研究。结合态势感知中的感知提取和理解辨识技术,提出了一种基于CRITIC(CRiteria Importance Though Intercrieria Correlation)法和雷达图法的低压用户用电异常评估算法。首先,从AMI数据中提取出表征低压用户用电异常特征的指标;然后,采用CRITIC法和雷达图法分别确定用户用电异常特征指标的权重和异常特征值;随后,结合低压用户用电异常特征值,再次采用CRITIC法和雷达图法确定低压用户用电异常评价结果;最后,通过对浙江省部分低压用户的实际排查,证明了该算法的有效性。结合态势感知中的感知提取和理解辨识技术,提出了一种基于决策树和数据驱动的零电量用户筛选算法。首先,采用决策树确定零电量用户异常类型;然后,对决策树无法辨别的用户类型,提取适用于零电量用户筛选的关键因子,采用CRITIC法确定关键因子的权重,并采用雷达图法对零电量用户的进行筛选。最后,通过对浙江省某供电所管辖下的零电量用户进行现场排查校验,结果表明本文方法较为准确。结合态势感知中的感知提取和预测评估技术,提出了一种基于BIRCH(Balanced Iterative Reducing and Clustering Using Hierarchies)聚类和高斯云模型的专变运行健康状况分析方法。该算法主要分为离线和在线两个部分。离线部分基于历史数据提取专变运行特征,并采用BIRCH聚类和高斯云模型形成专变运行状况标准云分布图。在线部分基于实时运行数据提取专变运行特征,采用BIRCH聚类和高斯云模型形成专变运行实时云分布图,确定专变运行状况的标准云分布和实时云分布之间的距离,进行专变健康状况评分。通过专变异常样本库验证,证明了本文算法较为准确。结合态势感知中的感知提取和预测评估技术,提出了基于深度置信神经网络(Deep Belief Network,DBN)的低压用户短期负荷预测方法。首先,对低压用户负荷数据进行归一化处理,构建低压用户短期负荷预测的训练样本集和测试样本集;然后,利用训练样本集和测试样本集对DBN模型进行训练和调整,得到训练后的DBN网络;最后,输入用户的短期负荷历史数据进行负荷预测。通过实际负荷数据验证,本文的短期负荷预测算法准确率较高。综上所述,本文采用数据驱动和机器学习方法,结合态势感知中的感知提取、理解辨识和预测评估技术,为配网侧用户提供安全保障服务和节能服务。