基于正则自编码器及Optuna寻优的异常用电数据清洗研究

为有效解决用电信息采集系统中电量数据丢失问题,提出基于正则自编码器的缺失数据填补方法。首先,根据正则自编码器学习到的特征重构电量数据,实现缺失数据的修复。然后,通过对损失函数增加L21范数及正交约束实现正则化,提升模型的泛化能力,并采用Optuna实现超参数的自动寻优。最后,实际数据集的测试结果表明：与其他自编码器相比,正则自编码器能够较为准确地补齐缺失数据。     

基于Thompson tau-四分位和多点插值的风电功率异常数据处理

针对传统风电机组风速-功率异常运行数据处理清洗时间长、模型复杂的问题,提出一种基于Thompson tau-四分位法和多点插值的异常数据处理算法。首先,对切入风速与切出风速间等于或小于零的异常功率数据点予以剔除,通过划分风速区间,采用Thompson tau-四分位法对异常运行数据进行分段精细化清洗,降低异常点辨识的模型复杂度;然后,通过四点插值细分算法对清洗后的异常数据进行重构,获得完整的风速-功率有效数据;最后,以风电机组实际风速-功率数据为算例进行对比分析。结果表明所述方法实现简单、效率更高,尤其在临近风电场数据缺失、异常、不可用情况下,所提出的重构方法能有效提高重构数据质量,且重构效果更优。     

考虑时间序列关联的变压器在线监测数据清洗EI北大核心CSCD

针对变压器设备大数据状态评估过程中存在数据缺失以及异常数据等问题,提出了一种基于关联规则分析和神经网络的数据清洗策略。首先通过关联规则挖掘,建立了衡量状态监测量间关联程度的数学模型,找出具有强关联性的时间序列。然后利用基于密度的聚类算法检测出序列中的缺失值以及异常点,提出了考虑序列关联性的清洗流程和规则,有效区分可清洗的传感器数据异常和设备状态异常。针对可清洗的数据点,利用小波神经网络模型进行缺失数据预测和错误数据修正,并动态修正小波神经网络参数和组合预测,提高了网络的清洗效率和准确率。以实际变压器设备在线监测数据为例进行测试,测试结果表明序列数据的关联性分析和小波神经网络相结合,能够有效提高变压器在线监测数据清洗的准确度。     

基于时间序列分析的输变电设备状态大数据清洗方法

数据清洗是输变电设备状态评估数据预处理的一个关键步骤,有助于提高数据质量和数据利用率。文中将设备状态信息等效成各状态量的时间序列,提出了一种基于时间序列分析的双循环迭代检验法。首先,将时间序列中的异常数据进行了分类,并将缺失值归纳为其中一类异常值。然后,分析了不同类别异常值对时间序列模型的影响,并阐述了迭代检验法的实现步骤。最后,利用所述方法对南网某变压器和线路的监测数据进行了数据清洗,结果表明该方法能识别并修正数据中的噪声点,填补缺失值,满足数据清洗要求。     

基于Focal损失SSDAE的变压器故障诊断方法

研究变压器的故障诊断对电力系统安全稳定运行具有重大现实意义。以油中溶解气体特征为输入的传统变压器故障诊断方法在处理样本不平衡数据时具有较大的局限性。针对这一问题,文中提出一种基于Focal损失栈式稀疏降噪自编码器（SSDAE）的变压器故障诊断方法。该方法通过类别权重确定超参数,并在原始输入中加入高斯白噪声,有利于自编码器充分提取有效特征,进而得到有效的深度特征提取模型;采用Focal损失函数对模型进行优化,并利用Softmax分类器输出诊断结果。案例分析结果表明,与传统三比值法、反向传播神经网络（BPNN）和支持向量机（SVM）法等变压器故障诊断方法相比,文中方法可进一步提升诊断准确率。     

基于大数据分析的风机轴承故障预警

将大数据分析应用到风机轴承故障预警中,使用栈式自动编码器（SAE）为基本结构,通过逐层提取风机轴承监视控制与数据采集系统（SCADA）数据深层特征,将散乱的SCADA大数据转化成能够深度刻画风机轴承运行状态的内在特征。利用预训练、微调的方法并结合误差反向传播算法（BP）构建SAE故障预警模型,通过SAE模型对大数据处理得到反映风机轴承运行状态的重构误差平均值,以均值漂移聚类算法动态地计算出风机轴承稳定运行状态重构误差基准值为预警的标准。最后利用某风电场机组的SCADA数据进行工程实例仿真分析,验证了基于大数据分析用于风机轴承故障预警的可行性。     

考虑时间序列关联的变压器在线监测数据清洗

针对变压器设备大数据状态评估过程中存在数据缺失以及异常数据等问题,提出了一种基于关联规则分析和神经网络的数据清洗策略。首先通过关联规则挖掘,建立了衡量状态监测量间关联程度的数学模型,找出具有强关联性的时间序列。然后利用基于密度的聚类算法检测出序列中的缺失值以及异常点,提出了考虑序列关联性的清洗流程和规则,有效区分可清洗的传感器数据异常和设备状态异常。针对可清洗的数据点,利用小波神经网络模型进行缺失数据预测和错误数据修正,并动态修正小波神经网络参数和组合预测,提高了网络的清洗效率和准确率。以实际变压器设备在线监测数据为例进行测试,测试结果表明序列数据的关联性分析和小波神经网络相结合,能够有效提高变压器在线监测数据清洗的准确度。     

风电场输出功率异常数据识别与重构方法研究

电力大数据是电力发展的重要资源,数据来源于电力生产和电能使用的各个环节。风电运行数据是电力大数据的重要组成部分,随着风电穿透功率的增大,风电数据的采集、处理、分析对风电场运行、控制与并网研究有重要意义。然而,从风电场收集到的大量数据中通常包含异常数据点,这样的异常点给风电功率波动特性、风电功率预测等方面研究带来负面影响。分析了风电场历史运行数据中存在的异常数据的主要来源,并针对该实际问题,采用基于四分位算法的数学模型对异常数据进行识别。在数据缺失的情况下,以可用历史数据为基础,采用基于临近风电场出力模式性的方法和多点三次样条插值方法重构出完整的时间序列。算例分析给出了两种重构方法的重构效果以及各自的适应性,结果表明采用所提出的方法能够有效识别、剔除异常数据并重构缺失数据,对不同风电场有较强的通用性,具有一定的工程实用价值。     

基于深度学习的电网短期负荷预测方法研究

深度模型通过学习一种深层非线性网络结构以实现复杂函数逼近,具有很强的自适应感知能力。本文为了提高电力负荷预测精度,提出一种基于栈式自编码神经网络的深度学习预测方法。该方法结合自编码器和逻辑回归分类器构建一个多输入单输出预测模型,并将重构后的历史负荷、气象信息等数据输入到预测模型中,用栈式自编码器逐层学习并提取深层特征,最后在网络顶层连接逻辑回归模型进行短期负荷预测。实例分析表明,所提预测模型能够有效刻画日负荷变化规律,泛化能力较强,其预测精度达到96.2%,比支持向量回归和模糊神经网络两种浅层学习模型更高。     

风电场风功率异常数据识别与清洗研究综述

风电场中风机停机、传感器故障等会造成风功率数据中包含有大量异常值，影响到风电场状态监测、功率预测等工作的正常开展。针对风电场风功率异常数据识别与清洗技术开展了综述研究。首先，概述了风力发电运行大数据现状，分析了风电机组与风电场的风功率数据的分布特征，并对比了两者的不同；然后，分析了基于统计、机器学习和图像处理的各类异常数据识别方法的优缺点，结合基于物理特性、统计学和机器学习等数据重构技术，讨论了实现数据清洗的方法及其优劣；再次，概述了风电场异常数据识别与清洗技术在状态监测和功率预测等领域的应用情况；最后，对风电场异常数据识别与清洗技术存在的挑战和发展趋势进行了展望。     

基于GMDH算法的配电网线损数据预处理研究

针对当前配电网线损计算的特点及数据存在缺失、异常等情况,基于数据分组处理算法(GMDH)建立了配电网线损缺失数据的预处理模型,实现对线损缺失数据的预处理。模型基于最邻近算法确定因变量和自变量缺失值的上下限,并进行随机插补,建立所有变量的数据分组处理模型,寻找最优复杂度模型,计算缺失值并进行迭代循环。算例结果表明,模型计算结果误差小、运算速度快,对缺失的线损数据能进行有效的动态更新,提升了数据质量,优化线损计算分析结果。     

基于改进降噪自编码器的风机轴承故障诊断方法

滚动轴承是风电机组中故障最为频繁的部件之一,准确有效的轴承故障诊断方法有助于保障风电机组安全稳定运行。针对轴承振动信号特征微弱、难以诊断的问题,提出了一种基于改进降噪自编码器的风电机组轴承故障检测方法。首先引入了一维信号的图像化预处理,将原始的时域信号转化为二维特征灰度图。然后利用卷积神经网络在图像特征提取上的强大优势,构建了堆叠降噪自编码器与卷积神经网络的集成模型,去除了传统卷积神经网络中的池化层,进一步提升提取特征的鲁棒性和泛化性。整体诊断流程由数据驱动,减少了对于经验的依赖。最后的实验结果表明,该方法能够精确诊断不同类型的轴承故障。此外,通过与其他方法的对比实验进一步验证了该方法在故障诊断方面的优越性。     

基于机器学习的配电网异常缺失数据动态清洗方法

针对传统配电网数据清洗过程中异常数据判断阈值需要人为设定、缺失数据填补效率不佳的局限性,提出基于机器学习的配电网异常缺失数据一体化动态清洗方法。首先,基于局部异常因子检测算法和高斯混合模型,提出一种异常数据动态检测改进算法,实现配电网异常数据阈值的准确自动选择。其次,基于随机森林算法与最小二乘回归法,提出一种配电网缺失数据动态填补算法。根据缺失数据时间长度自适应优化填补算法,在保证数据填补精度的同时降低计算时间。在此基础上,通过异常数据检测和缺失数据填补共同构建一体化动态清洗架构。采用湖南某地区配电网数据进行实例验证,结果表明所提方法可实现异常辨识阈值准确自动选择,有效检测配电网异常数据,并且实现缺失数据填补精度与速度的平衡,具有较好的工程应用价值。     

基于IEC 61850的微网能量管理系统数据通信模型及其验证

将IEC 61850系列标准应用于微网能量管理系统,可以规范、统一微网能量管理系统中的通信标准,解决不同厂商制造的设备间的互操作问题。文中将微网通信体系分为三层,详细设计了各层的体系结构及对应的IEC 61850服务器和IEC 61850客户端。根据IEC 61850标准建模规范和实时数据在能量管理系统中的应用特点,提出了面向分布式电源整体系统或负荷单元系统来建立微网底层设备的信息模型,并以风力发电单元为例介绍了建模过程。针对所建立的数据模型设计了4个实验,从不同的角度对微网各层通信体系结构下的信息交互进行了实际测试。测试结果验证了所建立信息体系和微网IEC 61850模型的有效性,同时为数据交换模式的优化提供了基础,为微网的设备集成、运行分析及智能控制提供了有效的技术手段。     

基于IEC 61970标准的风光储建模方案

IEC 61970系列标准定义了公共信息模型(CIM)的基本包集,提供了能量管理系统(EMS)信息的数据结构和逻辑视图。在对IEC 61970系列标准中CIM研究的基础上,遵循CIM的语义和扩展规范,对原有CIM进行扩展,建立风力发电系统、光伏发电系统、储能系统的CIM扩展模型,并将其应用到包含风光储的电网能量管理系统设计中,为进一步开发能量管理系统高级应用程序提供统一的接口。     

山火灾害对电网故障率的时空影响

根据山火造成电力设备故障的途径和机理,建立输电线在山火灾害下的故障率修正模型,提出按电网故障率的时空分布预警防御算法。将山火信息与地理环境及气象信息相结合,预测山火的蔓延行为;动态评估线路闪络概率,预报输电线故障率的时空分布。使风险越大的潜在故障得到越高的关注度,提高电网停电防御系统对山火灾害的预警能力。     

基于最近电压稳定临界点的发电机无功备用优化方法

目前发电机的无功备用优化方法均基于固定的负荷增长方式,而当考虑负荷、新能源出力预测误差之后,这种优化方法无法有效评估最危险负荷增长方式下的无功备用水平。针对这一问题,文中提出基于最近电压稳定临界点的发电机无功备用优化非线性二层规划模型,上层问题在给定基态节点注入功率的情况下,将求取最近电压稳定临界点及对应的最危险负荷增长方式化为极限曲面二次近似和连续潮流校正的两层迭代格式,而下层模型则求解该最危险负荷增长方式下的无功备用问题,并将修正的基态节点注入功率返回上层模型。为证明该模型的有效性,首先在若干假设的前提下证明了最优解的存在性和充分必要条件,进一步分析表明所提方法可考虑节点负荷增长方式的不确定性,有效提升最危险负荷增长方式下系统的无功备用水平,提高系统的电压稳定裕度,保障系统的安全运行。     

基于5G及IEC61850的韧性配网故障信息智能传输技术研究

现有城市配电网,尤其是在负荷密集区域,具有大量的10 kV开关站。但是现有配电网系统缺乏对10 kV开关站设备的有效监管能力,严重阻碍城市韧性配电网的建设。为此,提出了基于5G及IEC61850的韧性配网故障信息智能传输技术方案。该方案通过基于态势感知的保护设备自动发现识别技术自动识别感知开关站内网络变化。通过基于IEC61850通信的二次设备自动配置接入技术自动发现并配置保护装置。通过基于IEC61850的面向对象的立体数据模型到扁平化数据模型的免配置转换技术快速准确地实现电网保护故障信息主站与子站之间的信息转换与共享。通过基于5G网络的高速实时业务传输技术实现信息的高速、实时、可靠传输。搭建系统测试环境对该技术方案进行测试并在试点站进行试运行。结果表明该技术方案能够按需及时获取设备实时运行状态和重要动作信息,实现了对10 kV开关站的有效监管。