-
题名中低压配电网三相线损异常智能识别方法
- 1
-
-
作者
潘炜
张涛
张卓
-
机构
广东工业大学自动化学院
广东电网有限责任公司广州供电局
-
出处
《沈阳工业大学学报》
北大核心
2025年第6期721-728,共8页
-
基金
广东省科技计划项目(202030050001)
南方电网公司科技项目(080032KK52200002)。
-
文摘
[目的]在电力系统的运行与管理中,中低压配电网作为连接电源与用户的关键环节,其运行效率和稳定性直接关系到整个电力系统的安全性与可靠性。三相线损作为衡量配电网运行效率的重要指标,不仅反映了电能传输过程中的能量损耗,还直接关系到电网的电压质量、电力消耗以及设备的安全运行。然而,配电网的三相线损数据具有复杂的分布特性,呈现多峰、非对称等特征,在动态变化过程中,难以准确捕捉数据的内在模式和结构,从而降低了异常识别的准确性。为此,本文提出一种中低压配电网三相线损异常智能识别方法。[方法]配电网三相线损数据在采集过程中易受电磁干扰、设备误差等多重因素的影响,导致数据中夹杂着大量噪声和异常值。这些噪声不仅降低了数据的信噪比,还会掩盖数据的真实特征,进而影响后续分析的准确性。由此,采用径向基函数(RBF)神经网络对采集到的三相线损数据进行特征提取,通过对输入数据的非线性映射,有效抑制噪声的干扰,提高数据的信噪比。对预处理后的数据进行归一化处理,可进一步提高数据采集的完整性和准确性。基于回路电流的方法,将配电网中的电路分解成多个独立的回路,并在每个回路中计算电压和电流的实部值和虚部值。通过对这些值在时间和相位上的变化特性进行详细分析,可以深入理解电路的运行状态,并准确识别出潜在的异常模式。根据三相分支电路上的电压和电流的实部值和虚部值结果,构建高斯混合分布模型。该模型利用多个高斯分布描述三相线损数据的复杂分布特性,更准确地捕捉数据的内在模式和结构。再利用极大期望值方法拟合归一化后的线损率,构造一个由多个高斯混合分布模型构成的混合型高斯模型,计算维本征矢量的似然概率函数,并根据预设的概率阈值判断数据是否异常。若似然概率低于阈值,判定为异常;否则,判定为正常。[结果]由实验结果可以看出,本文方法可以准确辨识三相线路损耗节点,降低误判、漏判的危险。[结论]本文方法可以及时发现和处理配电网中的故障,对提高电力系统的运行效率和可靠性具有重要意义。
-
关键词
中低压配电网
三相线损
高斯混合分布函数
异常识别
回流电路法
噪声干扰
虚部值
线损率
-
Keywords
medium and low-voltage distribution network
three-phase line loss
Gaussian mixture distribution function
abnormal detection
reflux circuit method
noise interference
imaginary part value
line loss rate
-
分类号
TM711
[电气工程—电力系统及自动化]
-
