基于Seq2Seq技术的电力系统暂态稳定评估方法

电力系统暂态稳定的评估识别有助于电网运营商制定系统扰动和故障后的纠正控制措施。引入深度学习思想,提出了一种基于Seq2Seq技术的电力系统暂态稳定评估方法。首先,梳理电力系统暂态稳定评估指标;然后以GRU为神经元,引入注意力机制,建立暂态稳定评估模型。算例验证表明：所提方法能够深入学习到样本数据中的时序性依赖特征,有效抓取特征细节,从而显著提升评估准确率。     

基于Seq2Seq技术的输电线路故障类型识别方法

基于Seq2Seq技术构建了用于输电线路故障类型识别的深度学习模型,通过设置仿真算例验证了所提方法的有效性。首先,利用MATLAB/Simulink生成输电线路故障数据集;然后,基于Seq2Seq技术构建适用于故障数据时序型特征的深度学习模型;最后,以IEEE118节点系统为例对所提方法进行验证。仿真结果表明:所提方法能够适应输电线路故障的时序型特点,故障类型辨识准确率为100%。与其他故障类型识别方法相比,所提方法仅基于海量数据,不考虑电力系统具体结构,具有显著的优越性。     

基于Seq2seq模型的多特征短期母线负荷预测

母线负荷短期预测对电力系统调度运行及电力现货交易市场具有重要意义，由于母线负荷受到复杂多因素的影响，单独采用母线负荷历史数据进行预测不能取得很好的效果。为提升多因素影响下母线负荷预测的准确率，本文结合特征工程和深度学习法，对母线负荷的影响因素进行斯皮尔曼相关性分析，设计时间连续性周期编码；对Seq2seq模型的编码器和解码器设置不同的特征组进行消融实验；将实验结果与采用离散小波变换分解提取特征的方法进行对比，结果表明，本文提出的特征工程结合深度学习Seq2seq框架的母线负荷短期预测效果更佳。     

计及空间相关性的轻量级风电功率预测方法

针对风电功率预测数据高维灾难以及云计算的通信依赖问题,提出一种风电功率的属地边端轻量级预测方法。采用KNN算法计算风机间的距离量化空间相关性,并引入轮廓系数自适应地确定近邻数k以降低冗余特征维度,从而确定输入目标预测风机的邻近风机数据;基于Seq2Seq结构的GRU-MLP网络完成各台风机的风电功率预测。实验结果表明,在预测准确率近似的条件下所提方法相较于常规网络复杂度小、效率更高,可为风电场功率预测任务从云端向边缘迁移提供技术方案。     

基于深度学习的智能型负荷预测方法的研究

基于深度学习框架,提出了一种精确高效的智能型负荷预测方法。首先,梳理了影响负荷预测精度的因素;然后,引入核范数聚类算法对负荷样本进行聚类处理;最后,基于GRU神经元搭建Seq2Seq技术框架。以某区域实际的历史负荷数据为基础,对所提方法进行了验证。实验表明,所提的智能型负荷预测方法考虑了多种影响负荷变化的因素,适应性强,能够显著地提升负荷预测的准确率。     

基于麻雀搜索优化的Attention-GRU短期负荷预测方法

针对短期电力负荷预测目前存在的难点与问题,提出了一种基于麻雀搜索优化的注意力门控循环单元预测方法.首先,应用注意力机制对输入序列进行权重分配;然后,输入门控循环单元组合网络对内部特征进行学习,并输出预测时间负荷值;最后,使用麻雀搜索算法对网络超参数进行组合优化,以验证集损失最小为目标函数获取最优化网络结构超参数.该方法...     

基于QWDAE和HWMHGRU融合的电力系统短期负荷预测模型

为提升电力系统短期负荷预测精度，提出量子加权降噪自编码器和高速通道多层级门控循环单元神经网络融合的短期负荷预测模型。首先利用量子信息处理机制，采用量子加权神经元构建量子加权降噪自编码器，挖掘负荷序列中的有效信息作为输入特征；然后提出具有两级门控结构和高速通道结构的高速通道多层级门控循环单元，构成量子加权降噪自编码器和高速通道多层级门控循环单元融合的短期负荷预测模型。仿真结果表明，所提模型具有较好的预测精度和预测稳定性。     

基于数据驱动的用户用能行为分析方法

随着综合能源系统的快速发展,为了满足综合能源系统联合规划的需要,亟需对综合能源系统中用户用能行为进行分析建模。基于数据驱动思想,引入了深度学习方法,提出了一种用于用户用能行为分析的方法。首先,对影响用户用能行为的数据类型、结构进行分析;然后,引入Seq2Seq技术,以GRU为神经元构建深度学习模型;最后,通过算例对所提方法的有效性进行验证。算例研究表明:所提的方法能够以海量历史数据为基础,准确预测出用户的用能行为情况。     

基于注意力机制的CNN-BIGRU短期电价预测

针对短期电价预测的复杂性和精确度较差的问题,本文提出一种基于注意力机制的卷积神经网络和双向门控循环单元网络的短期电价预测模型。该模型将历史电价数据经过数据预处理后作为输入,首先利用卷积神经网络提取历史电价序列中的特征;其次,将提取的特征向量构造成时间序列输入到双向门控循环单元网络,充分挖掘特征内部的变化规律进行训练;然后,引入注意力机制来突出重要信息的影响并赋予权重,利用注意力机制对双向门控循环单元网络每个时间步的输出进行加权求和;最后,在全连接层通过激活函数计算输出最终预测值。通过实例验证了本文所提模型的准确性。     

基于MTL-GRU-Attention的综合能源系统多元负荷预测

针对综合能源系统多元负荷预测问题，提出一种基于多任务学习、门控循环单元和注意力机制的多元负荷预测方法。首先，运用门控循环单元建立多任务学习的共享层，充分挖掘冷、热、电负荷之间的耦合特征；然后，利用贝叶斯优化算法实现门控循环单元最优超参数的自适应选择；最后，使用注意力机制实现子任务对共享层中重要特征的差异化提取，以增强关键信息的影响。以亚利桑那州立大学坦佩校区的实测负荷数据作为算例，结果表明所提模型具有更高的预测精度。     

基于CNN-GRU组合神经网络的变压器短期故障预测方法

为挖掘变压器运行状态参量间的关联关系,量化外部环境对变压器运行状态的影响,提出了一种基于卷积神经网络和门控循环单元组合神经网络的变压器短期故障预测方法。首先,通过关联规则挖掘变压器状态参量间的相关性,结合变权思想进行综合状态评估,引入指数函数建立表征变压器运行状态的故障率模型,并将其作为预测状态参量。其次,考虑外部环境对变压器运行状态的影响,分别从日期因素、气象因素和生产工艺因素构建变压器故障预测特征集。然后,利用卷积神经网络在高维空间提取特征集与故障率间的特征向量,将结果输入门控循环单元进行优化训练,从而预测变压器故障率的发展趋势。最后,通过某海上平台变压器的故障预测趋势分析,验证了所提方法的可行性与有效性。该方法与长短期记忆模型、GRU模型、CNN-LSTM模型和支持向量机模型相比,具有更高的预测精度与更高的预测效率。     

基于传递熵和小波神经网络的电子式电压互感器误差预测

电子式电压互感器目前的主要问题是长期运行后的准确度退化问题。现行的方法有定期离线校验和在线校验,前者不利于及时发现互感器的误差变化,后者需要标准器并网运行,无法大规模应用。基于这一现象,文中提出了基于传递熵和小波神经网络的电子式电压互感器误差预测方法。先根据传递熵分别选取比差和角差的主要影响因素,然后将筛选所得的因素作为输入量,建立小波神经网络的误差预测模型,并对其仿真测试。实验表明,对比差的预测误差低于5%,对角差的预测误差低于10%,文章方法能够实现较长时间的互感器状态监测。     

基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法

准确预测风电功率可以提高电网运行的安全性和可靠性.为进一步提高短期风电功率预测精度,针对目前单一模型难以获得最优预测结果的问题,提出一种CNN-LSTM&GRU多模型组合短期风电功率预测方法.首先,利用卷积神经网络(convolutional neural network,CNN)提取数据局部特征,并结合长短期记忆(l...     

基于ANFIS的变压器寿命预测和状态评估

变压器寿命和运行状态准确的评估对其检修策略的制定有着重要的指导意义。为了实现对变压器寿命和状态进行客观的、科学的评估,文中提出了基于自适应模糊神经网络(ANFIS)的多特征诊断参数的变压器寿命预测和状态评估方法。提取影响变压器寿命的特征参数,通过自适应模糊神经网络对这些特征参数进行学习,利用反向传播算法解决权重的自适应动态调整,构建变压器的寿命预测模型;在其基础上结合油中溶解气体建立一种变压器综合健康状态评估模型。通过实验数据研究论证,该模型能够准确有效地诊断变压器寿命和状态,同时相比传统方法有更高的预测精度和评估精度,是一种新的有效的变压器状态评估方法。     

基于循环神经网络的PEMFC寿命预测

在长短期记忆(LSTM)循环神经网络(RNN)的基础上,通过减少控制门的数量,引入门控循环单元(GRU)RNN。利用质子交换膜燃料电池(PEMFC)在动态循环工况下的耐久性测试数据,训练、验证RNN模型,并对PEMFC的剩余使用寿命进行预测。基于GRU所得的预测结果,能准确跟随实际电压值的变化,在计算速度和准确度方面优于LSTM。在电流密度为0.71 A/cm2时,预测结果的均方误差可达0.0035。     

Performance Degradation Prediction of Proton Exchange Membrane Fuel Cell Based on CEEMDAN-KPCA and DA-GRU Networks

In order to improve the performance degradation prediction accuracy of proton exchange membrane fuel cell (PEMFC), a fusion prediction method (CKDG) based on adaptive noise complete ensemble empirical mode decomposition (CEEMDAN), kernel principal component analysis (KPCA) and dual attention mechanism gated recurrent unit neural network (DA-GRU) was proposed. CEEMDAN and KPCA were used to extract the input feature data sequence, reduce the influence of random factors, and capture essential feature components to reduce the model complexity. The DA-GRU network helps to learn the feature mapping relationship of data in long time series and predict the changing trend of performance degradation data more accurately. The actual aging experimental data verify the performance of the CKDG method. The results show that under the steady-state condition of 20% training data prediction, the CKDA method can reduce the root mean square error (RMSE) by 52.7% and 34.6%, respectively, compared with the traditional LSTM and GRU neural networks. Compared with the simple DA-GRU network, RMSE is reduced by 15%, and the degree of over-fitting is reduced, which has higher accuracy. It also shows excellent prediction performance under the dynamic condition data set and has good universality.     

基于LSTM网络的变压器油中溶解气体浓度预测

电力变压器作为电力系统中传输和变换电能的主要设备,其安全稳定性运行在电网中起着重要的作用。对变压器油中溶解气体浓度变化的趋势进行预测,可为其运行状态评估提供重要依据,鉴于此提出了一种基于长短期记忆网络(LSTM)的变压器油中溶解气体浓度预测模型。该模型克服了传统神经网络在序列预测方面存在的"梯度消散"问题,利用油中溶解气体的序列数据对长短期记忆网络进行训练,得到最优的预测模型参数。以变压器油中溶解的7种特征气体浓度为输入,以待预测气体的浓度为输出。通过算例分析表明,相比于传统的机器学习预测方法支持向量机(support vector machine, SVM)与反向传播神经网络(back propagation neural network,BPNN),本文所提的LSTM预测模型更能准确地预测油中溶解气体的浓度。