智能电网环境下电力数据挖掘研究

摘要

为了保障电力系统的安全运行、资源优化配置和电力用户响应需求，智能电网已成为当前的研究热点。智能电网从发电侧到用电侧进行全方位的实时采集、传输和存储，形成了电力供给、用户需求、设备状态等海量数据。电力海量数据中蕴含着用户用能、用户需求行为、设备故障发生发展等演变规律，如何利用数据挖掘和数据分析发现其中的规律是智能电网研究的关键问题。
　　电气设备的故障会严重威胁电网的安全运行，选择变压器和高压断路器，研究智能化故障诊断技术。采用人工智能技术对特征样本进行自动分析和学习，有效地提高电气设备故障诊断的准确性与可靠性，同时促进电网诊断的智能化。
　　用户负荷管理可以保障电网运行的平稳性和经济性。商业负荷是电网负荷的重要组成部分，商业楼宇拥有大量室内电器，并且是楼宇型分布式能源的主要安装对象。采用数据分析技术，建立负荷区间预测模型，研究商业负荷调度策略与需求响应技术，推动电力资源的智能配置。本文的具体工作如下:
　　为解决IEC三比值法在变压器故障诊断的局限性问题，本文提出一种基于SVM多分类概率输出与证据理论的变压器故障诊断方法。SVM多分类概率输出可将硬判决转化为软判决，为证据融合提供客观的基本概率分配函数，证据理论的证据融合将多种判据结果归纳为统一的结论。油中溶解气体的实例分析结果证明该方法具有较高的可靠性、普适性和识别率。
　　当前高压断路器的故障诊断方法少有未知故障辨识和模型分类边界动态响应的研究，本文结合粒子群算法(PSO)、支持向量域(SVDD)和核模糊聚类算法(KFCM)，提出一种基于P-SVDD和P-KFCM的高压断路器自适应故障诊断方法。P-SVDD对样本进行异常识别;P-KFCM判断故障类型，克服对初始参数的依赖;P-KFCM联立改进划分系数聚类有效性分析学习新故障。本文采用线圈电流样本进行故障模拟实验，通过与常用算法的比较证明本文方法的有效性。
　　当前短期负荷预测方法多数属于点预测范畴，缺乏对预测负荷波动范围的描述，同时对居民、商业、工业的负荷预测研究相对偏少。本文提出的基于相似日和核密度估计的日前商业负荷区间预测，为区域电网的负荷调度、需求响应策略提供决策依据。基于商业负荷特征的分析，相似日单元将负荷点预测过程分解为相互独立的日平均负荷预测与标幺曲线搜索。核密度估计单元将各时间节点的预测值集组成负荷预测区间，核密度估计凭借其函数形式自由和不依赖样本分布，更能反映商业负荷变化的随机性和波动性。选择北卡罗莱纳州立大学实例分析，仿真结果表明该算法具有普适性、强鲁棒性等优点。
　　当前商业负荷月度用电方案的经济性优化研究偏少，本文在分布式能源和楼宇用户终端的基础上，提出一种计及即插即用型需求响应(P&P-DR)算法的商业楼宇月度负荷经济调度方法。基于月度负荷运行分析，月度负荷经济调度策略由日负荷峰值最小化模式、日用量电费最小化模式及兼顾日负荷峰值和日用量电费最优的模式组成，并据此构建一种外层-内层嵌套优化算法。外层选择优先满足约束条件并计算出可行解的日优化模式;内层结合光伏、能储等分布式能源和P&P-DR算法优化商业负荷的可行解。P&P-DR算法凭借惩罚函数决定转移负荷的操作，无需考虑楼宇的可控负荷配置，凭借其互通性和易实施性，可适用于任何商业楼宇。实验仿真以北卡罗莱纳州立大学为例（其电价模式来自Duke Energy公司的商业楼宇TOU机制），实验结果表明该算法的可行性和有效性。