为精准识别台区的线损异常,保证配电网经济、稳定运行,针对台区线损的异常情况,提出一种基于二阶聚类和鲁棒性随机分割森林(robust random cut forest,RRCF)算法的台区线损异常检测方法。首先,运用二阶聚类将台区不同的运行工况进行聚类...为精准识别台区的线损异常,保证配电网经济、稳定运行,针对台区线损的异常情况,提出一种基于二阶聚类和鲁棒性随机分割森林(robust random cut forest,RRCF)算法的台区线损异常检测方法。首先,运用二阶聚类将台区不同的运行工况进行聚类,将相同工况的线损节点归并,然后将各类工况的节点线损数据导入RRCF算法中分析,通过删除和插入样本节点,并对插入节点后评判模型的复杂度进行计算,得到线损异常节点的评分值,进一步找出线损异常的节点。最终,通过有关实例验证所提方法的准确性与有效性。展开更多
文摘为精准识别台区的线损异常,保证配电网经济、稳定运行,针对台区线损的异常情况,提出一种基于二阶聚类和鲁棒性随机分割森林(robust random cut forest,RRCF)算法的台区线损异常检测方法。首先,运用二阶聚类将台区不同的运行工况进行聚类,将相同工况的线损节点归并,然后将各类工况的节点线损数据导入RRCF算法中分析,通过删除和插入样本节点,并对插入节点后评判模型的复杂度进行计算,得到线损异常节点的评分值,进一步找出线损异常的节点。最终,通过有关实例验证所提方法的准确性与有效性。
文摘光伏阵列输出功率随机性、波动性强。如果其发生故障,将严重影响电力系统安全与稳定。针对当前光伏故障诊断的准确率低和收敛速度慢的难题,提出一种基于蝗虫算法-支持向量机(grasshopper optimization algorithm‐support vector machine,GOA‐SVM)模型的光伏阵列故障诊断方法。首先,建立光伏阵列等效电路模型,分析光伏阵列的伏安曲线变化特性;其次,考虑环境影响因素和光伏阵列规模非线性变化,提取反映不同故障特性的特征量,将数据映射到高维空间进行非线性处理;最后,提出蝗虫算法(grasshopper optimization algorithm,GOA)优化非线性支持向量机改进方法,建立GOA‐SVM光伏阵列故障诊断模型,并结合实例进行仿真。研究结果表明:该方法可应用于多种不同规模的光伏阵列模型,且均能实现对光伏阵列故障的有效诊断,其对4×3光伏阵列规模的数据仿真分类准确率可达99.8088%。采用美国国家标准与技术研究院(National Institute of Standards and Technology,NIST)公开数据集进行验证,其故障诊断准确率达到92.3682%。与其他方法相比,该方法的召回率及F1‐Score均有明显提升。
