基于改进深度信念网络模型的中长期径流预测

为提高流域中长期径流预测效果,提出径流综合指数构建、因子筛选和改进深度信念网络模型相结合的预测方法。首先研究不同水文站点（细粒度）月平均径流的一致性,构造流域径流综合指数（粗粒度）,在较宏观层面研究流域水情丰枯变化;接着采用基于信息熵的因子筛选方法,获得影响流域水情丰枯变化的关键因子集,形成深度学习的输入;然后利用改进的深度信念网络（IDBN）模型进行预测。以雅砻江流域为例,将所建模型与多元线性回归、自回归移动平均、反向传播（BP）神经网络、支持向量机和传统深度信念网络等预测模型进行对比分析。结果表明：所提方法具有较好的实用性,且IDBN模型具有更好的预测速度和精度。研究结果可为流域中长期径流变化趋势预测提供参考。     

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。     

基于PCA和RVM的电网供电可靠性预测模型研究

供电可靠性是评价电力系统供电能力的一个重要指标。根据电网运行的实际特点,采用相关向量机方法以电网供应能力和电网面临的自然灾害等因素作为模型的输入变量,以影响供电可靠性的电网故障停电时间作为模型的输出量,训练并建立电网可靠性预测模型。在模型的建立过程中,通过对相关向量机网络训练样本集进行主成分分析来改进样本的输入因子数,减少网络的输入数,简化网络结构,提高网络的精度。通过实例验证了该算法的有效性和适应性,为今后的供电可靠性预测提供一种新的方法。     

基于VMD-ARIMA-DBN的短期电力负荷预测

针对短期电力负荷预测精度不足的问题,提出一种基于变分模态分解、深度信念网络、差分自回归移动平均模型的组合预测模型。首先选取电力负荷影响较大的相关参数,采用变分模态分解将负荷数据分解为低频和高频两种分量;然后利用差分自回归移动平均模型和深度信念网络分别对低频和高频两种分量进行预测,为克服深度信念网络参数随机化的缺陷,采用粒子群优化算法优化模型以进一步提高精度;最后组合各模型结果得到最终预测值。实验结果表明,该组合模型较其他模型具有更好的预测性能。     

基于深度信念网络的循环流化床SO2排放浓度预测

我国火电机组超低排放要求二氧化硫排放时,其质量浓度小于35 mg/m³,精准预测SO₂排放浓度并加以控制对于火电机组环保运行具有重要意义。针对循环流化床SO₂排放浓度预测问题,引入深度机器学习方法建立了基于深度信念网络的SO₂排放浓度预测模型。首先,通过机理分析确定影响SO₂排放浓度的操作变量,并作为模型输入;其次,利用DBN网络提取模型输入的深度特征,以ELM作为回归器建立预测模型;最后,将DBN-ELM模型与目前常用的3种SO₂排放浓度预测模型进行了对比,结果表明,该模型均方根误差、平均绝对误差分别为175.3 mg/m³、117.6 mg/m³,预测精度远高于其他3种对比模型,在实际工程中更具有应用价值。     

基于小波分解和深度信念网络的短期风速预测

针对浅层学习模型对风速预测存在较大误差的缺陷,提出一种基于小波变换和深度信念网络(wavelet based deep belief netw ork,WDBN)的风速预测模型。首先利用小波变换将原始风速序列分解成不同的频率序列;然后针对各频率序列,根据逐层训练法则设计深度信念网络模型;最后采用小波反变换对不同频率序列重构,得出最终的风速预测结果。选用某风电场2013年1月和7月的数据对WDBN模型的风速预测进行仿真分析,并与自回归滑动平均法、反向传播神经网络法、Morlet小波神经网络法的预测结果进行对比,结果表明WDBN模型可以更好地学习风速所具有的非线性和非平稳特征,具有较高的预测精度。     

基于深度信念网络的电力变压器故障分类建模

基于深度信念网络,构建了深度信念网络分类器模型,分析并用典型数据集对其分类性能进行测试。在此基础上结合电力变压器油中溶解气体分析数据,提出了基于深度信念网络分类器的变压器故障分类新方法,它使用油中溶解气体分析结果作为故障分类属性。对所提出的方法进行了测试,测试结果表明该方法适用于变压器故障分类,具有较强的从样本中提取特征的能力和容错特性,性能优于BP神经网络和支持向量机的方法。     

考虑训练样本分布不均衡的超短期风电功率概率预测

提出一种考虑训练样本分布不均衡的超短期风电概率预测方法。首先构建深度信念混合密度网络,通过深度信念网络独特的预训练和微调机制提取输入变量的隐特征,利用Beta混合概率分布的有界性准确表征风电预测功率的概率分布,实现隐特征与预测功率概率分布参数之间的非线性映射;然后引入训练样本分布平滑策略,其中特征分布平滑技术用于校准输入特征,标签分布平滑技术用于对各样本误差赋予差异化权重,从输入和输出两方面改善训练样本分布不均衡现象对预测结果的不利影响。实际算例结果表明,与常见风电功率概率预测模型相比,所提模型在点预测和概率预测方面均能获得较高的预测精度,尤其能有效提高低密度样本区域的预测精度。     

基于变分模态分解和深度门控网络的径流预测

为提高水库中长期入库径流预测精度,提出变分模态分解、相空间重构和深度门控网络相结合的径流组合预测模型。首先对历史径流数据进行变分模态分解,产生多个模态分量;接着将分解得到的模态分量重构到高维特征空间,形成深度学习的输入;然后利用深度门控网络获取历史径流详细特征并进行预测;最后累加各模态分量的预测值完成重构。以白山水库为例,将所建模型分别与单一预测模型和其他组合预测模型进行对比分析。结果表明：所建模型能有效分解非平稳性的径流序列,充分学习内嵌的水文规律,预测误差最小,且在整个测试集上分布更为合理,拟合优度检验值最高。研究结果可为水库水资源规划管理提供技术依据。     

太原地区10kV供电系统用户供电可靠性分析

分析了１９９５年太原地区供电系统用户供电可靠率ＲＳ－１，研究停电原因，指出配电网络改造工作的紧迫性，提出今后加强管理、进行技术改造等提高供电可靠性的措施     

基于深度信念网络的配变台区跳闸预测

针对配电网公变台区在夏季易出现配变跳闸故障,对供电可靠性造成严重影响等问题,提出一种基于深度信念网络（DBN）的配变台区跳闸预测方法。首先,针对配变跳闸为小概率事件,利用Borderline-SMOTE算法对训练样本进行抽样以处理数据不平衡问题;然后使用新样本训练形成DBN预测模型。由于传统DBN在学习训练过程中易于陷入局部最优,故采用纵横交叉优化算法进行优化;最后,通过算例测试验证了该模型的有效性。     

基于核主成分分析和深度置信网络的暂态稳定评估

针对电力系统暂态稳定评估实时性较差以及错误率较高的问题,提出了一种核主成分分析结合深度置信网络的暂态稳定评估方法。首先,构造了一组反映电力系统暂态稳定的特征向量;然后,基于核主成分分析法对特征向量集进行特征提取,降维特征向量维数以及过滤冗余特征,将降维后的特征向量传输至深度置信网络;最后,进行训练分析,训练过程包括预训练和微调,优化网络参数,提升深度置信网络评估精度。新英格兰10机39节点系统仿真结果表明,该方法可以有效降低输入数据的维数,去除冗余特征,降低暂态稳定性评估的错误率和测试时间,能准确、快速地判断电力系统的稳态状态。     

基于并行深度信念网络的电力负荷预测

针对传统电力负荷预测算法的训练速度慢、预测准确度不高等问题,提出了一种并行的基于深度信念网络的电力负荷预测方法.该方法基于并行计算框架和深度信念网络,对历史电力负荷和天气信息数据进行并行训练并预测负荷值.实验结果表明,该方法预测的电力负荷值与实际值之间的平均误差较低,预测精度高于传统方法,有效减少了算法训练和预测的耗时...     

基于深度可分离卷积的轻量级YOLOv3输电线路鸟巢检测方法

针对输电线路无人机巡检图像鸟巢检测现有方法实时性差及小目标检测能力较弱的问题,提出一种基于深度可分离卷积的轻量级YOLOv3输电线路鸟巢检测方法。首先,使用Mosaic数据增强方法增强数据集并变相提升训练集中小目标的数量;然后,在主干特征提取网络使用深度可分离卷积代替部分标准卷积,提高检测网络的速度,并降低网络参数量从而降低权重文件内存,再使用PANet代替FPN,进一步提升特征融合的能力,增强对小目标的检测能力;最后,使用标签平滑进行训练,解决由于极少量标签错误导致的网络过度自信问题和网络过拟合问题。将某供电局无人机巡检视频剪切成图像制作数据集,使用本文算法与原始YOLOv3算法进行比较,并做消融实验。实验结果表明,本文的算法逐步提升了模型的速度和精度。     

基于改进卷积深度置信网络的轴承故障诊断研究

机械设备故障诊断在工业应用中具有重要的意义。传统的基于振动信号处理与分析的故障诊断方法,依赖于丰富的专业知识和人工经验,难以保证准确的特征提取与故障诊断。利用深度学习方法可以自动学习数据深层次特征的特点,提出一种基于改进卷积深度置信网络的滚动轴承故障定性、定量诊断方法。首先,为了提供较好的浅层输入,将原始振动信号转换至频域信号;其次,在模型训练过程中,引入Adam优化器,加快模型训练,提高模型收敛速度;最后,为了充分发挥模型各层特征表征能力,对模型结构进行优化,提出多层特征融合学习结构,以提高模型的泛化能力。实验结果表明,所提出的改进模型相比于传统的栈式自动编码器、人工神经网络、深度置信网络以及标准卷积深度信念网络,具有更好的诊断精度,有效地实现了轴承故障的定性、定量化诊断。     

基于深度信念网络的短期负荷预测方法

电力系统信息化的发展及配电网中分布式电源和电动汽车的大量接入,增加了用电模式的复杂性,对负荷预测的精确度和稳定性提出了更高的要求。提出了一种基于深度信念网络的短期负荷预测方法。该方法包括深度信念网络的构建、模型参数的逐层预训练和微调,以及模型的应用等步骤。在模型参数预训练过程中,采用高斯—伯努利受限玻尔兹曼机(GB-RBM)作为堆叠组成深度信念网络的第1个模块,使其能够更有效地处理对负荷有影响的多类型实值输入数据;并采用无监督训练和有监督训练相结合的部分有监督训练算法进行预训练;利用列文伯格—马夸尔特(LM)优化算法微调预训练阶段得到的网络参数,使其更快收敛于最优解。最后,以实际负荷数据进行算例分析,结果表明,在训练样本较大且负荷影响因素复杂的情况下,所提方法具有更高的预测精度。     

基于改进深度置信网络的电力系统暂态稳定评估研究

为了提高深度置信网络的评估性能,提出一种基于稀疏降噪自动编码器和深度置信网络相结合的暂态稳定评估方法。首先,构建一组对系统暂态变化敏感且维数与系统规模无关的原始输入特征;其次,通过稀疏降噪自动编码器的无监督学习过程提取输入特征,用得到的权值和偏置初始化深度置信网络;最后,采用“预训练－微调”2种学习方法训练深度置信网络,获得原始输入特征与系统暂态稳定结果之间的映射关系。与采用随机初始化受限玻尔兹曼机的传统深度置信网络相比,本文提出的改进评估方法在一定程度上克服了由于随机初始化导致评估准确率无法达到最优的弊端。在新英格兰10机39节点系统上的仿真结果表明,该方法比常用的机器学习算法和深度置信网络有更好的评估性能,仿真结果还证明了本文所提方法具有良好的特征提取能力。     

考虑可靠性成本的配电网多阶段扩展规划方法

传统的配电网可靠性评估通过模拟组件中断来量化一组事件对供电可靠性的影响,这种基于模拟的可靠性评估方法使得其纳入到配电网扩展规划中需要采用启发式或元启发式方法求解。为了克服启发式或元启发式方法收敛性和局部最优的缺点,文中提出了考虑可靠性成本的配电网多阶段扩展规划的混合整数线性优化模型。该模型建立了配电网可靠性指标(即系统平均停电持续时间指标、系统平均停电频率指标和系统缺供电量)的显式评估表达式,并将其相关的可靠性成本纳入到配电网多级扩展规划目标函数中,以系统运行约束等为约束条件。在24节点、54节点、86节点和138节点四个算例系统上验证了所提出的方法的有效性和适用性。     

基于BP神经网络的城网供电可靠性预测方法

传统的供电可靠性评估方法是以准确的配电网结构和多年的元件可靠性历史数据为基础的,难以实现城市复杂配电网远期供电可靠性指标的预测。为此文章提出一种基于BP神经网络的城市电网供电可靠性预测方法,首先找出影响供电可靠性指标的几个主要特征量,包括最大负荷、架空线平均长度、线上平均分段开关台数、线上平均联络开关台数、线路平均配变台数和线路平均配变容量,将这些特征量的历史数据作为输入样本对人工神经网络进行训练,利用训练好的网络就可以预测规划目标年的城市电网供电可靠性指标。对某城市电网的应用结果表明该方法是有效的,所采用的BP神经网络具有较好的收敛性。通过对影响供电可靠性的相关因素进行灵敏度分析还可以获得对供电可靠性指标较敏感的相关特征量,供电企业可以据此制定提高可靠性的相关措施。     

含微电网的配电网可靠性最优化

提出了一种含微电网的配电网可靠性最优化模型和算法。目的是在引入微电网后,在不增加投资的条件下,通过改变网络结构来达到可靠性提高的最大化,为规划运行人员提供决策参考。模型以系统平均停电频率指标、系统平均停电持续时间指标、系统平均供电不可用率指标以及系统平均供电量不足指标的加权组合的最小化为目标函数,以系统安全稳定极限以及微电网运行特点为约束条件。设计了基于可靠性的启发式的开关交换算法对模型进行求解。改进了传统的牛顿法,使之适用于含微电网的配电网的重构特点。算例分析表明所建模型在优化网络结构,改善负荷分布以及提高网络整体可靠性等方面具有积极作用。