摘要：分布式电源不断增多以及充电桩等短时大功率负荷的不断增加给传统架构的配网运行带来了挑战。对此,提出了一种适用于低压配电网络的柔性配网架构,并设计了分层分布式的控制系统,针对单路和双路不同进线工况提出了控制策略,包括储能充放电策略、功率转供策略、并离网切换策略。最后,在基于半实物的实时数字仿真(RTDS)平台上试验验证了控制策略的可行性。

摘要：利用智能机器人开展配电站无人化值守作业需要对云平台系统下发的传统的运维作业操作票进行翻译,将文档内容转换为机器人提前约定的可识别的操作指令。针对这一问题,设计将运维文本转换为机器语言的变换器。变换器对语料进行分词预处理,基于doc2vec进行词句向量化,并结合K-means++算法进行语料聚类,将聚类的结果通过LCS(Longest Common Subsequence)算法以及seq2seq模型处理,最后基于历史语料库构建得到操作规则库及翻译模型。以江苏省某市的操作票运维文本进行实验,结论表明变换器对文本聚类的结果满足实际情况且通过LCS算法可以得到一个通用的匹配规则,使用变换器构建的翻译框架可以将作业指令准确变换为机器人可以识别的语言,进而控制机器人完成配电运维任务。

摘要：针对云架构下配电站智能巡检机器人应用场景,以缩短该场景下云机器人任务流的完成时间为目标,研究建立一种云机器人任务流调度策略。首先,根据任务耗时与虚拟机算力是否相关以及作业任务是否占用云端虛拟机资源,将配电房值守作业任务划分为时间依赖型、计算依赖型以及空载型等三种类型,并对云机器人部分类型工作进行耗时预测。其次,建立云机器人任务流的DAG模型。最后,基于配电站应用场景,设计改进的HEFT静态算法对云机器人的任务流调度进行全局优化。依据配电站具体应用工况,在Cloudsim仿真平台上对算法有效性展开仿真分析与结果验证,并与传统的动态调度方法展开对比研究。

摘要：配电网作为供电环节中的最后一环,其运行水平决定了供电服务质量,因此配电网运行评价是供电单位的重要工作。但配电网运行评价工作受到跨业务数据资源难以融合、评价指标选择难以反映实际配电网运行状况等条件限制,现有评价方法难以实施应用。针对这一问题,提出一种基于多源数据深度融合的配电网运行评价方法,首先对区域配电网进行网格化划分,然后基于地址分级匹配算法对跨业务的多源异构数据进行深度融合。在此基础上,提取并设计配电网运行评价指标体系,构建基于多层权重约束的配电网运行综合评价模型,求解配电网综合评价结果。最后研发配电网运行评价系统,支持配电网各业务系统的多源异构数据的统一接入,实现配电网评价功能的可视化、智能化应用。研究成果配电网运行评价系统已采用某省级电网公司数据中台的相关数据进行配电网运行状态评估试验验证,以实际运行数据验证了所述方法的准确性和适用性。

摘要：现有配电站机器人使用传统方法识别配电柜元器件效率低,而结合深度学习识别会增加机器人的成本,不利于配电站机器人大规模应用,为此本文提出基于云架构的配电元器件智能识别系统。首先利用OpenStack云计算框架搭建配电站云机器人系统架构,创建RVM服务实例集群,彼此资源隔离、按需部署,以ROS节点方式为机器人提供密集计算服务,避免彼此消息交互时的格式转换;创建人机交互实例UIVM,开发统一监控管理网页平台对区域内多机器人进行管理。然后基于配电站云机器人系统架构并以YOLOv5s算法识别配电柜元器件。最后采集配电站数据,搭建云机器人系统识别配电元器件,对系统可行性和有效性展开实验验证。

摘要：无人值守机器人在智能配电房进行巡检、监测采样过程中,需对配电房内的指针式仪表进行自动化识别与判读。对于方型指针式仪表,提出一种基于轮廓特征筛选与直线检测的仪表智能识别方法。在该算法的前处理过程中,针对巡检视角窗口的移动性与多个仪表的分割提出了基于分数体系的算法;在表盘指针识别的图像处理过程中,提出了基于轮廓特征检测与Hough线段识别相结合的方法,并进行聚类估值处理,有效地改进了传统的直线检测方案。利用OpenCV视觉库和C++在计算机中进行算法实现和验证,结果表明,该算法满足精度要求,具有较高的应用价值。

摘要：电力负荷的精确预测为资源的优化调度起到重要作用,然而传统的自动化采集系统难免出现电力数据缺失情况而影响后续的数据分析。在值守作业机器人现场实时监测的辅助下,得以保证数据采集的完整性,提出了一种融合卷积神经网络(ConvolutionalNeuralNetworks,CNN)以及长短期记忆网络(LongShort-Term Memory,LSTM)负荷预测模型。通过训练值守作业机器人采集的历史数据,构建完整网络模型,该网络模型通过CNN网络对输入的数据提取有效序列特征,经过LSTM网络得到负荷预测结果。预测结果与多种算法进行比较,实验表明融合的网络模型具有更高的预测精度。

摘要：电力负荷的精确预测为资源的优化调度起到重要作用,然而传统的自动化采集系统难免出现电力数据缺失情况而影响后续的数据分析。在值守作业机器人现场实时监测的辅助下,得以保证数据采集的完整性,提出了一种融合卷积神经网络(Convolutional Neural Networks,CNN)以及长短期记忆网络(Long Short-Term Memory,LSTM)负荷预测模型。通过训练值守作业机器人采集的历史数据,构建完整网络模型,该网络模型通过CNN网络对输入的数据提取有效序列特征,经过LSTM网络得到负荷预测结果。预测结果与多种算法进行比较,实验表明融合的网络模型具有更高的预测精度。

摘要：针对Shi-Tomasi算法计算量大导致的特征点提取速度慢的问题,利用FAST算法对Shi-Tomasi算法进行加速,提出基于此改进算法的快速图像拼接算法。该算法首先应用FAST算法对整幅图像进行处理,基于筛选点邻域再采用Shi-Tomasi算法获取特征点,接着用NCC法进行特征点匹配,然后用RANSAC法剔除错误匹配并完成图像配准,最后用渐入渐出法进行图像融合。对比实验结果表明,改进算法相对基于ShiTomasi的图像拼接算法速度大幅提升,特征点匹配的正确率有所提高,拼接完成后图像的视觉效果也得到保持。

摘要：最优潮流计算是电网规划、优化运行的重要基础。首先建立了配电网全天有功损耗最小化的最优潮流计算模型;其次结合辐射型配电网潮流特点建立支路潮流约束,并考虑配电网中的可控单元,包括分布式电源和离散、连续无功补偿装置,建立其出力约束,该模型为非凸非线性模型;然后通过二阶锥松弛将该模型转化为包含整数变量的二阶锥规划模型,采用YALMIP建模工具包以及MOSEK商业求解器对所建模型进行求解;最后通过对IEEE 33节点设计算例,验证了所用方法的有效性。