针对区域配网变压器(简称“配变”)数量多,大量新型负荷、分布式光伏等接入,配变电压随机性波动增强,台区用户电压质量面临挑战。为更好地对区域配变电压进行越限特征分析及预测,提出了基于关联特征筛选的双层聚类区域配变电压预测方法...针对区域配网变压器(简称“配变”)数量多,大量新型负荷、分布式光伏等接入,配变电压随机性波动增强,台区用户电压质量面临挑战。为更好地对区域配变电压进行越限特征分析及预测,提出了基于关联特征筛选的双层聚类区域配变电压预测方法。首先,将区域配变的越限天数作为第一层聚类特征,获得电压性质正常以及越上限的配变。其次,针对电压越限配变提出结合Pearson相关系数和欧氏距离(Euclidean distance)的最优度量矩阵,提取原有数据的内含信息,作为K均值聚类(K-means)的输入,实现对区域配变双层聚类。在此基础上,选取该集群中代表配变表征该类配变,利用卷积双向长短期记忆网络-注意力机制(convolutional neural network-bidirectional long and short-term memory-attention,CNN-BiLSTM-Attention)模型对配变电压进行预测,该模型能够提取输入数据的双向信息特征,并对重要特征加权,从多时间尺度上获得双向特征信息用于预测。最后,在上海市某区域配变验证了该方法的有效性。展开更多
文摘针对区域配网变压器(简称“配变”)数量多,大量新型负荷、分布式光伏等接入,配变电压随机性波动增强,台区用户电压质量面临挑战。为更好地对区域配变电压进行越限特征分析及预测,提出了基于关联特征筛选的双层聚类区域配变电压预测方法。首先,将区域配变的越限天数作为第一层聚类特征,获得电压性质正常以及越上限的配变。其次,针对电压越限配变提出结合Pearson相关系数和欧氏距离(Euclidean distance)的最优度量矩阵,提取原有数据的内含信息,作为K均值聚类(K-means)的输入,实现对区域配变双层聚类。在此基础上,选取该集群中代表配变表征该类配变,利用卷积双向长短期记忆网络-注意力机制(convolutional neural network-bidirectional long and short-term memory-attention,CNN-BiLSTM-Attention)模型对配变电压进行预测,该模型能够提取输入数据的双向信息特征,并对重要特征加权,从多时间尺度上获得双向特征信息用于预测。最后,在上海市某区域配变验证了该方法的有效性。
