计及输电线路舞动预测的电网短期风险评估

为了准备评估覆冰舞动环境下电网的短期运行风险,保障输电线路的正常运维,提出了一种计及输电线路舞动预测的电网短期风险评估方法。定量地抓住决定事故风险程度的两个因素:故障可能性指标和后果严重度指标,从整体层面把握舞动对电网短期运行风险的影响。其中可能性指标通过BP神经网络预测舞动概率值和通过频次法划分的舞动分区图综合计算得到,后果严重度指标根据输电线路故障断开后的支路过载和母线电压越限指标计算得到。以河南电网的历史舞动数据进行算例分析,结果表明所提方法能有效评估电网的短期运行风险评估,舞动预警和电网风险评估结果可以为电网调度和线路运维人员提供决策支撑,及早调整运行方式或者进行防舞作业,降低舞动对电网安全运行的影响。     

基于GA-BP神经网络算法的输电线路舞动预警方法

针对传统BP神经网络初始权值和阈值随机产生、易陷于局部最优化、收敛速度慢以及隐含层的神经元数量不易确定等问题,采用遗传算法对BP神经网络的初始权值和阈值空间进行遗传优化,获取最优权值矩阵和阈值矩阵,并由此进行误差反向前馈神经网络的训练学习,同时采用试错法,结合相关公式,缩小隐含层神经元数量范围,寻找最优神经元数量,建立GA-BP神经网络模型,对输电线路舞动的发生进行预警。通过对相关地区输电线路舞动历史数据进行了算例分析,对比其他机器学习算法的预测结果准确性,结果表明：改进的GA-BP神经网络能更准确有效地预测输电线路舞动的发生情况;为防止大规模舞动灾害提供有力了保障,进一步提高了电网抵御自然灾害的能力。     

基于风险系数的输电线路覆冰舞动预警方法

近年来输电线路舞动事故频发,严重威胁着电网的安全运行。为了达到提前预警、及早防范的目的,降低输电线路舞动对电网安全运行的影响,提出了基于风险系数的输电线路覆冰舞动预警方法。文中通过关联历史舞动样本和气象数据,分析了影响舞动的气象条件,在此基础上提出涵盖风速、舞动持续时间等参量的风险系数以表征输电线路舞动风险,根据实际生产需求划分出不同的输电线路舞动风险等级并建立覆冰舞动预警模型。采用河南电网历史气象资料进行了验证,证明了模型的有效性。     

基于神经网络的架空输电线路覆冰增长预测方法研究

架空输电线路的覆冰会对电网的安全运行造成严重的威胁。针对架空输电线路的覆冰问题,提出了一种基于BP神经网络的覆冰增长预测方法。该方法利用目前架空输电线路已有的监测信息以及覆冰历史信息,对导线在不同外部条件下的覆冰厚度增长进行预测。根据实际运行架空输电线路的监测数据进行仿真,结果表明该方法使用简单,适用于实际输电线路运维工作中。     

基于灰色投影优化随机森林算法的输电线路舞动预警方法

为实现对输电线路舞动的准确预警,多种预警模型被建立。其中对于预警模型的研究点多集中于参数的最优选取,而尚未开展针对训练样本的聚类改进,特别是地形参量存在难以客观衡量的问题,容易导致预测精度不佳抑或模型存在适应性问题。为此,提出了一种基于灰色投影优化随机森林算法的舞动预警模型。通过加权灰色关联投影法来优化选取与待预测样本关联度较高的样本作为训练样本集,以此来改进随机森林模型对低关联度数据的拟合能力。此外,模型还通过多维度参量即导线分裂数、直径、档距等内部参量以及风速、风向角、湿度等外部参量作为输入特征量来提高预警的准确性。利用历史舞动数据对模型进行检验,结果显示该模型的预警结果相较于传统随机森林算法和BP神经网络具有明显优势。通过该方法,可为输电线路舞动预警提供一种新的解决路线。     

基于小波分析和遗传BP神经网络的配电网线路绝缘预警研究

配电网中的大部分接地故障是由绝缘劣化引起的,对暂时性单相接地故障数据进行处理和分类,有助于提高对配电网故障状况和线路绝缘的诊断能力,为此提出了配电网线路绝缘预警。采用了小波分析法对暂时性接地故障数据进行分析处理,提取相应的特征量;利用遗传优化反向传播(back propagation,BP)神经网络在预测方面的优越性,对绝缘劣化值(线路设备距离绝缘完全损坏的天数)进行预测;通过实例验证,表明了小波分析和遗传BP神经网络结合的可行性。将预测得出的绝缘劣化值与设定的阈值进行对比,说明了遗传BP神经网络在配电网线路绝缘预警方面的准确性。这种方法可以有效判断绝缘的劣化程度并及时预警,保障供电的连续性和可靠性。     

基于BP神经网络的输电线路雷击故障预测

雷击故障是输电线路故障的主要原因,需要对输电线路雷击故障进行预警以减少其造成的损失。传统雷区预报方法在预报准确性与雷区识别精度之间存在矛盾,难以进一步提高雷击故障预测的准确性。考虑到电力系统运行中积累了大量雷电和雷击故障的历史数据,本文建立了基于BP神经网络的输电线路雷击故障预测方法。首先在历史雷击故障统计分析的基础上,筛选出输入特征;然后分别应用粒子群算法和LM算法确定网络初始权值并进行网络训练;最后基于实际雷电数据和电网雷击故障数据对本文模型进行验证,仿真结果表明,本文方法能够预测80%的雷击故障,可为实际电网的雷击故障防御提供参考。#$NL关键词：雷击; 输电线路故障; 故障预警; BP神经网络#$NL中图分类号：请作者自查     

基于视频监测的输电线路舞动信息提取与频谱分析

输电线路舞动在线监测和特征提取是舞动灾害预警的关键。针对采用分裂导线的(超/特)高压输电线路,提出了一种舞动信息提取与舞动分析的新方法。从视频中捕获每帧图像,选择分裂导线间隔棒为特征物进行边缘检测;通过自动搜索定位各帧图像中间隔棒轮廓位置,计算得到间隔棒中心坐标,以及间隔棒X、Y方向瞬时位移与偏移(距离)的时间序列;最后利用频谱分析得到导线舞动的主频和幅值,探测到主频为0.403 Hz的明显周期信号,舞动幅值相对误差5%。结果表明,该方法能够有效分析导线舞动的特征和规律,可为输电线舞动灾害预警提供参考依据。     

基于灰色聚类分析的输电线路舞动分级预警方案

输电线路舞动灾害会造成严重的电网安全事故和经济损失。为了对舞动事故的发生进行预警,提出了一种基于灰色聚类分析的输电线路舞动分级预警方案。根据舞动发生的主要原因,从气象因素、风的激励和线路结构因素三个方面建立影响输电线路舞动的指标体系,并采用层次分析法计算指标权重。采用灰色聚类分析进行舞动分级预警方案设计,由白化权函数和指标权重值计算综合聚类系数,并根据其最大值判断舞动状态。对算例的计算结果与实际舞动状态吻合程度较高。本文的预警方案可以为舞动灾害的防治提供借鉴和参考。     

基于区块链技术的电网灾害预警决策系统

为了进行电网自然灾害风险预警,减少自然灾害对电网的影响,研究了基于区块链(block chain,BC)技术的电网灾害预警决策系统。首先,根据电网与自然灾害之间的耦合作用关系,挖掘电网智能设备采集数据及自然气象等信息资源,搭建了区块链支持的电网灾害预警决策系统的总体架构。然后,以电网冰灾为例,根据气象预报和微地形等信息,利用模型预测控制(model prediction control,MPC)算法修正了电网输电线路覆冰模型,建立了由线路覆冰过重、舞动以及绝缘子闪络引发的线路故障概率模型。最后,通过MPC算法求解输电线路覆冰预警模型,实现了线路故障预警。以某市西北部和中部几条220kV线路为例进行覆冰预测分析,验证了提出的基于区块链的电网灾害预警决策系统对覆冰厚度进行预测的可行性和有效性。     

基于自适应樽海鞘算法优化BP的风光互补并网发电功率预测

为解决风光互补并网发电功率预测问题,针对前馈(BP)神经网络容易陷入局部最优而导致预测精度降低的问题,提出了一种自适应樽海鞘算法(ASSA)优化BP神经网络的风光互补并网发电功率预测模型。首先,在标准的樽海鞘算法(SSA)中引入动态权重策略和变异算子构建ASSA。其次,引入BP神经网络算法,构建BP神经网络的风光互补并网发电功率预测模型。最后,通过ASSA算法优化BP神经网络的权值和阈值,提出ASSA-BP的风光互补并网发电功率预测模型。仿真结果表明,利用ASSA-BP模型预测发电功率数据的相对误差小于BP模型预测数据的相对误差。ASSA-BP和SSA-BP的模型平均绝对误差数值更小,ASSA-BP模型的平均绝对误差最小,ASSA-BP模型的预测稳定性最强。该预测模型较传统风光互补并网发电功率预测方法有更高的精确度。     

基于深度学习分位数回归模型的充电桩负荷预测

电动汽车的迅速发展将使充电桩负荷对电网造成影响,为此提出了使用深度学习分位数回归的充电桩负荷预测方法。该方法首先根据历史数据采用Adam随机梯度下降法训练出不同分位数条件下的LSTM神经网络参数估计,然后预测未来96 h内各分位数条件下的结果,再用核密度估计做出同一时刻结果的概率密度函数,最终得到负荷概率密度预测。根据实际充电桩负荷结果表明,提出的概率密度预测方法能较为精准地覆盖真实值,相比于BP神经网络分位数回归有着更高的精确度和参考价值。     

基于改进模糊层次综合评判法的输电线路舞动预警

输电线路舞动严重影响电网的安全运行。文中从造成输电线路舞动的影响因素出发,将模糊数学理论运用到输电线路舞动预警研究中,构建基于改进模糊层次综合评判法的输电线路舞动预警模型。文中首先筛选出垂直风速、雨量、相对湿度、气温、导线张力5个主要影响指标,构建预警评判因素集以及Ⅳ级、Ⅲ级、Ⅱ级、Ⅰ级4种评判目标集。然后,将监测数据代入模型计算,根据模糊综合评判结果发布预警信息,为工作人员感知线路风险、做好防灾准备提供指引。最后,开发基于ArcGIS Engine的输电线路舞动预警辅助决策系统,可视化展示预警信息,并选取实际线路数据验证所提方法的有效性,结果表明所提预警方法与技术可为输电线路安全运行提供决策支撑。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

基于深度信念网络的光伏电站短期发电量预测

为了解决现有光伏电站短期发电量预测方法存在的预测模型复杂、预测误差较大、泛化能力较低的问题,提出一种基于深度信念网络的短期发电量预测方法。首先综合考虑影响光伏出力的环境因素和光伏板的运行参数以及光伏电站历史发电量数据,对深度信念网络进行训练和学习。在此基础上,采用重构误差的方法确定深度信念网络隐含层层数。最后针对某光伏电站短期发电量进行预测算例分析,验证了该预测模型能主动选择样本抽象特征、自动确定隐含层层数,对短期发电量预测精度较高。对比前馈反向传播(Back Propagation, BP)神经网络预测模型与长短期记忆网络(Long/Short Term Memory, LSTM)预测模型,结果表明所提方法运算量低、预测精度高,且增加神经网络的深度比改进神经网络神经元对预测效果更有效。     

基于自适应变异蝙蝠优化BP神经网络的短期风电功率预测

风电规模化并网技术的大力发展,进一步增大了对电力系统规划与运行的影响。现今,风电机组出力面临着波动的随机性以及不确定性的技术性问题,为了提高短期风电功率预测的精度,文中提出了一种结合基于群体适应度方差自适应变异的蝙蝠优化算法(AMBA)与BP神经网络算法,就短期风电功率进行精准预测。该模型根据群体适应度方差以及当前最优解的数值来定位当前最优个体的变异概率,并对全局最优个体进行t分布变异,对变异后的蝙蝠个体进行二次寻优。利用AMBA优化BP神经网络中包含的网络参数,进而提高了BP神经网络的预测精度。通过对实例进行分析,将AMBA-BP模型预测效果与其他模型预测结果相对比。结果表明,该模型能有效提高短期风电功率预测精度。     

基于小波与最小资源分配网络的超短期风电功率预测研究

针对风电场实际风速和风电功率序列的波动性、间歇性等特点以及RBF神经网络结构一旦确定隐节点个数就不可变等缺陷,提出了基于小波分析和最小资源分配网络的超短期风电功率预测方法。首先将历史风速和风电功率序列进行小波去噪及多频分解,得到多组高频信号和一组低频信号。然后对各频信号分别建立神经网络预测模型对未来4 h风电功率进行超短期预测。最后将各预测结果通过小波重构得到最终的超短期预测功率。实验结果证明,该方法能有效提高预测精度。     

输电线路导线覆冰AMPSO-BP神经网络预测模型

输电线路覆冰严重危害电网安全运行,因此,有必要开展线路覆冰预测研究。随着人工智能技术的不断发展,其在电网覆冰监测中的优势逐渐凸显。现有的基于覆冰增长物理模型和统计回归模型覆冰预测方法,一定程度上实现了通过微气象等因素预测覆冰增长的效果,但大都针对短期覆冰周期,对数据采集频率有很高的要求,实际工程中实现较为困难。因此文章统计分析了重庆市送变电公司2015—2019年线路观冰数据,得到了西南地区高湿环境下输电线路覆冰特性及规律,并依据覆冰增长物理过程选取了工程可测量气象参数作为覆冰影响因素,提出了一种基于自适应变异粒子群算法(adaptive mutation particle swarm optimization algorithm,AMPSO)优化BP神经网络的人工智能覆冰厚度预测模型,优化了BP神经网络的权值阈值选取,优化后的模型在预测精度上要强于单一BP神经网络与已有研究中提出的小波神经网络,具有良好的工程适用性。