为简化电网工作票制定过程中复杂的方案校验工作,降低对电网调度人员工作经验的依赖,同时又能从电网时空信息之中挖掘剩余价值,实现数据资产的保值增值,进而促进电网管理向着自动化、智能化方向发展,本文提出基于电网时空信息的电网历史运行断面相似性匹配的方法。期望以运行断面的具体数据为支点,以电网运行断面相似性匹配为途径,获取历史信息的更大价值,从而以此实现电网运行方式的智能决策,为电力系统运维的智能化管理提供帮助。电网运行断面是电力系统的时间断面,它代表了某一时刻电网在空间上的整体运行状态,包括这一时刻电网运行的线路潮流、节点电压、负荷量、发电量和设备状态等各项数据信息。本文首先通过已有的研究和管理经验,构建了能够全面表征电网运行断面信息的特征量库和统计量库,以此完成海量样本数据的降维工作,并在此基础上建立了历史运行断面相似性匹配指标体系,使得各运行断面与系统当前运行断面的相似程度得以用数值的方式直观表现出来,从而为运行断面的相似性排序并进一步确定更有价值的运行断面提供了理论基础。考虑到现有机器学习算法仍然侧重于对样本数据的聚类和分类研究,并不能很好地完成相似性匹配任务。本文首先针对传统半监督K-means算法做出改进,包括对初始聚类中心和聚类个数的确定提出一系列优化措施,使其更加适用于本文所提运行断面相似性匹配工作。然后以改进半监督K-means算法完成了对电网历史运行断面的初步筛选,通过聚类极大减少了样本个数。最后利用所提相似性匹配指标体系,对聚类后目标类中的样本进行了评价和排序,从而最终确定了最具参考和利用价值的历史运行断面。当前深度学习仍主要应用于图片和语音识别等领域,在电力系统中的应用较少,所以本文参考和学习了图像识别的技术和方法,根据算法需要将运行断面数据整理成特定格式,构造了监督学习所需训练样本,使得每一训练样本尽可能的将该运行断面的潮流、负荷、节点电压和网架结构等信息全部包含在内,最大程度上减少了关键特征的缺失,确保达到最高的匹配精度。最后利用有标签的样本数据,进行监督学习,训练优化深度卷积神经网络各项参数。通过数据驱动的方式,从原始数据中提取由低层到高层、由具体到抽象的特征。训练后的模型能够充分利用深层构架挖掘样本数据与相似性结果之间的潜在映射关系,最终得到了较高的匹配准确率。