时序分解

随着低压配电网的改造升级，台区户变关系变化频繁，为解决时有发生的用户台区挂错现象，提出一种利用改进的基于密度的点排序识别聚类结构（ordering points to identify the clustering structure, OPTICS）的台区户变关系识别和相别识别方法。首先，对配网电压序列的相关性进行定性分析，提出利用电压时序序列作为分析识别的数据基础；其次，采用改进的自适应分段聚合近似（adaptive piecewise aggregate approximation, APAA）对电压序列进行降维处理，提取能够反映电压特征的低维向量；然后利用改进的OPTICS算法对所提取的特征向量进行聚类分析，识别台区的户变关系和相别关系；最后，基于实际的台区数据进行算例分析，验证了所提方法的准确性。

针对风电场规划中风速的高随机性问题，提出了一种基于小样本空时融合压缩残差网络点预测(spatio-temporal integration and compression deep residual, STiCDRS)模型。该模型旨在深入挖掘风速序列中的空间和时间特征，以提升点预测精度。首先，采用空时融合压缩残差网络点预测模型得到点预测结果。然后，在此基础上采用新颖的空时融合压缩残差网络区间(STiCDRS-Gaussian process regression, STiCDRS-GPR)预测模型得到风速的区间预测结果，进而得到更为可靠的风速概率预测结果。该模型采用贝叶斯优化方法进行超参数选择，确保超参数的高效自动化调优。最后，使用内蒙古地区风电场的风速数据集，将STiCDRS模型与传统经典模型的预测结果进行对比。实验结果表明，相较于其他模型，所提STiCDRS-GPR模型在风速预测中具有更高的点预测精度、适宜的预测区间以及可靠的概率预测结果，充分展示了其在风速预测领域的良好应用潜力。