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。     

基于深度学习的智能录波器配置数据自动化映射方法

智能变电站配置描述文件中包含大量智能二次设备数据输出接口地址的配置数据集,将这些数据集映射至智能录波器各信息组是保证录波器精准采集设备运行数据的基础性步骤,当前主流映射方法是依照输出接口描述文本人工映射对应的配置数据,二次设备数目繁多时映射工作量大,而描述文本一定程度的不规范性给数据集自动化映射提出了难题。针对这一问题,本文提出了基于深度学习框架—动态卷积神经网络构造的智能录波器配置数据的自动化映射方法;首先利用文本表征模型word2vec对数据集描述文本的稀疏文本向量进行词组语义及关联关系的表征;随后构造动态卷积神经网络并输入文本向量,基于其多层次抽象化学习典型样本特征的特点进行语义规律挖掘与文本分类映射,据此结果实现接口地址配置数据的自动化映射。实际算例表明,基于动态卷积神经网络模型的文本分类方法语义分析能力强,分类精度高,有效提升了智能录波器配置数据自动化映射的准确率。     

基于广义深度学习的含DG配网故障诊断方法

针对传统故障定位方法难以满足含分布式电源配电网的问题,提出一种基于广义深度学习的故障定位方法。利用广义深度学习在逼近能力和容错性方面的优势,挖掘响应数据与故障位置之间的映射关系,建立含分布式电源配电网故障定位的模型。IEEE34节点仿真结果表明,该方法可有效实现含分布式电源配电网的故障定位,准确率高,速度快,且在信息畸变或缺失时容错性好。     

基于深度置信网络的电力系统暂态稳定评估方法

为进一步提高电力系统暂态稳定评估(transient stability assessment,TSA)的准确率,将"深度学习"方法引入电力系统暂态稳定评估,提出一种基于深度置信网络(deep belief networks,DBN)的TSA方法。构建一组能够反映系统暂态稳定特性的32维原始特征作为DBN模型的输入量,稳定结果作为输出量,利用深层架构对稳定结果与系统特征之间的映射关系进行训练。采用一种先使用无标注样本进行贪心无监督学习,后使用有标注样本进行监督学习的方法训练DBN模型的参数。训练后的模型能充分利用深层架构的特征提取优势,并能够利用大量无标注数据提高模型的泛化能力。新英格兰10机39节点系统上的仿真结果表明所提方法比常用的暂态稳定评估方法准确率更高,且能够在仅少量训练样本和含有无关特征的情况下获得优越的评估性能。     

基于轻量化神经网络及模型压缩的变压器油色谱故障诊断方法

针对深度学习不能直接读取一维数据的问题，提出了基于连续小波变换的数据维度转换方法，将一维故障样本转换为二维特征图像，使其满足故障诊断方法的数据输入需求。针对现有深度学习模型参数多以及结构复杂的特点，提出了基于轻量化神经网络及模型压缩的方法，通过卷积层与批量归一化层（batch normalization,BN）融合与减少深度学习模型参数的位宽，实现了模型的压缩。基于变压器油色谱数据开展的数值分析实验和性能评估表明，该方法在几乎不损失模型精度的前提下实现了深度学习模型的压缩和故障识别效率的提升，并能有效部署于边缘计算平台。     

基于堆叠去相关自编码器和支持向量机的窃电检测

已有窃电检测模型的准确率尚无法满足应用需求,是因其均将建模重点放在了分类算法的选择或改进上,而相对地忽视了特征提取过程。因此,提出一种基于深度学习的特征提取方法,即堆叠去相关自编码器。得益于深层结构和高度非线性,其能够从用户用电数据中提取到高度抽象和简明的特征。随后支持向量机将这些特征映射到指示是否窃电的标签。基于真实数据的算例测试,验证了所提窃电检测模型具有较高的检出率和较低的虚警率,同时也验证了堆叠去相关自编码器能够提取到有效的特征。     

基于模糊信息粒化的电力系统中光伏出力预测模型分析

针对传统点预测模型出现的不稳定性问题,提出基于模糊信息粒化的电力系统中光伏出力预测模型。首先运用W. Pedrycz的模糊粒化方法,确定其基本思想,并对数据预测的序列进行模糊信息粒化处理;其次采用最小二乘支持向量机法,通过非线性映射构建最佳的线性回归函数;最后根据非线性惯性权值对自适应粒子群算法参数进行优化,并构建基于模糊信息粒化和最小二乘支持向量机的光伏出力预测功率波动模型。为进一步提升模型稳定性,使用EEMD将光伏数据分解成多个等同的子序列,对波动性较强序列的识别分组粒化,以获得精准预测值。实验结果表明,所提模型能够解决部分随机性与波动性问题,提高整体稳定性,且百分比误差率较小,可广泛应用在现实生活中。     

基于多种群遗传算法改进FCM的无功/电压控制分区

为充分考虑网架结构和各无功源的共同作用,提出一种新的电气距离计算方法。依据各节点间无功电压摄动变化关系和节点关联矩阵将系统各节点映射到一个n维空间中,在节点间构建一种新的电气距离。针对一般无功／电压控制分区方法不稳定的问题,提出多种群遗传算法改进模糊C均值聚类的无功／电压控制分区算法,然后将其分别运用于IEEE 30和118节点算例,并把分区结果与文献结论进行分析和比较,验证了该算法的准确性和有效性。     

深度学习在电机故障诊断中的研究现状综述

深度学习模型在特征提取与模型拟合方面凸显优势,模型基于多层神经网络的层次结构,可以自动学习表达数据本质与隐含规律的特征,同时克服传统学习方法手工设计特征算子的局限性,显示其优势。因此,将深度学习应用于电机故障诊断领域有一定意义。为此,详细介绍了几种典型模型的原理及在故障诊断领域的研究现状,指出了深度学习存在的问题与未来发展趋势。     

基于T-S模糊神经网络的覆冰厚度预测模型

针对极端气象条件,提出一种基于Takagi-Sugeno模糊神经网络的覆冰厚度预测模型.该模型首先基于时间序列对覆冰气象因子进行拟合,通过此模糊神经网络预测电力覆冰厚度.经算例分析比较,表明该模型具有较好的学习、映射、泛化能力.     

采用最优MVs决策模型的电站锅炉燃烧优化

基于锅炉燃烧模型的非线性寻优和基于历史运行工况的数据挖掘是两种常见的锅炉燃烧优化技术,且各有利弊。前者可得到全局最优解,但算法复杂度较高;后者计算较为简易,但只能实现局部最优。结合两种方案的优点,提出基于离线非线性寻优所得最优知识库,采用模糊关联规则挖掘算法,建立最优操作变量(manipulated variables,MVs)决策模型,实现高效、稳定的锅炉燃烧优化。关联规则挖掘中,提出基于k-均值聚类的语言变量非均等模糊分割,以提高所得规则库的可信度;并基于改进的支持度和置信度概念实现规则库的精简。仿真结果表明,基于该文最优MVs决策模型的锅炉燃烧优化结果与全局寻优结果接近,且算法复杂度低、稳定性高,适合于在线实时优化与自适应更新。     

模糊神经网络在电力系统边际电价预测中的应用

文章针对短期电力系统边际电价预测研究和应用中存在的用多元回归等传统方法建模困难、用ANN方法学习速度慢和易陷入局部极小点等问题,利用模糊神经网络具有接受和处理模糊数据、自适应地以任意精度逼近映射函数、不要求明确的数学描述等优点,建立了基于模糊神经网络的系统边际电价预测模型.通过具体实例测算及现场运用,证明了该方法为提高电力市场中边际电价预测精度、制定和实施科学合理的发电企业报价策略提供了可靠的支持.     

基于变论域模糊PID控制的同步发电机励磁研究

同步发电机励磁系统是一个时变、非线性、强干扰、模型十分复杂的系统,应用传统的控制方法往往难于达到满意的控制效果。变论域自适应模糊控制具有对模型无准确要求、响应快速、精度高、鲁棒性好、适应性强等优点。将变论域自适应模糊控制器应用于同步发电机的励磁调节与控制中,首先详细地论述了控制器的结构设计、伸缩因子的选择方法,然后给出了具体的控制算法;最后给出的仿真结果表明该控制算法在同步发电机励磁控制中切实可行,效果令人满意。     

基于智能阀门定位器控制策略的研究与开发

由于使用常规PID控制策略或模糊控制策略控制阀门定位器的方法存在达到稳态时间长和抗干扰能力差等问题,现提出基于灰色预测的模糊一PID控制方法。运用灰色预测对模型更为准确的预测功能,结合模糊控制和PID控制的优点,经过仿真,该方法具有很强的快速响应能力和抗干扰能力。在实践中也证明了该智能阀门定位器的优越性。     

混凝土坝施工文档实体知识智能挖掘方法

混凝土坝施工信息多以文档文本的形式呈现,其体量大、分布广、内在关系复杂,人工操作难以准确、高效地提取信息知识内容,理清错综复杂的施工信息关系。在自然语言处理技术中,命名实体是文本信息知识的载体,实现精确快速的实体识别是施工知识挖掘的重要前提。本文提出一种融合深度学习与关联规则技术的混凝土坝施工文档知识智能识别及挖掘分析方法。该方法耦合双向长短期记忆神经网络（bi-directional long-short term memory,Bi-LSTM）与条件随机场（conditional random field,CRF）,定义混凝土坝施工实体类型,构建命名实体识别模型,形成混凝土坝施工实体知识集合;在此基础上,考虑施工文本表达规律及实体类型,预定义实体之间关系,确定施工实体组合形式,形成实体关联规则提取技术;以实体关联规则提取技术为导向,改进Apriori算法计算频繁项集,获得实体间的强关联规则。该方法应用于实际混凝土坝施工监理周报中,经过计算得到命名实体识别的精确率为86.42%,验证了该方法的准确性。利用改进Apriori算法分析实体间的关联规则,证明了改进算法的优势,有助于提升混凝土坝施工文档知识分析的智能化与精细化水平。     

基于逆向云的电能质量扰动综合评估方法

充分考虑扰动分类等级边界值具有的随机性和模糊性,结合云模型的不确定推理特性与物元分析理论的优点,提出了一种基于逆向云发生器的电能质量扰动综合评估模型。通过逆向云发生器建立电能质量扰动综合评估的标准模型,在此基础上通过实时的数据分析,对现有模型进行实时修正,使得扰动综合评估模型具有更强的实时性。针对电能质量扰动综合评估的特点,将层次分析法、灰色聚类评估法相结合得到扰动综合评估中各项指标的权重值使得扰动综合评估结果可信度更高。对金属厂的中频炉和牵引变电站的试验分析验证了该模型的优越性和有效性。     

有源电力滤波器控制方法综述

谐波问题日益严重,有源电力滤波器(APF)是补偿电力系统谐波及无功功率的重要装置,其控制方法对其性能有很大的影响。因此,提出了许多有源电力滤波器的控制方法。简要介绍了单周控制、滞环电流控制、空间矢量调制、无差拍控制、滑模控制、重复控制、预测控制、模糊控制、自适应控制、迭代自学习控制、无源性控制、人工神经网络控制在APF中的应用,进行对比分析,指出它们各自的优缺点及一些改进的方案,并展望了未来控制方法的发展方向。     

电力系统短期负荷预测的混合模型神经元网络方法

提出了一种将线性模型方法和神经元网络方法相结合的负荷预测方法－－混合模型神经元网络方法。该方法将一部分线性变化的负荷分量用线性模型描述,其它发量用神经元网络建立,国而同时具有线性模型的优点和神经元网络的优点。交过一方法用于江苏省连云港市超前２４小时负荷预测,取得了比单纯的神经元网络模型高的预测精度。     

基于稀疏差异深度信念网络的绝缘子故障识别算法

针对深度信念网络(DBN)的识别准确率比较低的问题,引入了基于模糊隶属函数的差异理论,提出了一种基于稀疏差异的深度信念网络图像分类新方法,简称D-DBN方法,并将其应用在了绝缘子故障识别中。差异理论有扩大低灰度区域,缩小高灰度区域的优点,更符合人眼的视觉特性。首先将图像的灰度特征矩阵转换成差异表示矩阵,并对其进行均值化、归一化和稀疏化,然后利用DBN网络对得到的差异特征进行训练,学习数据更本质的特征,从而达到提高识别性能的目的。在MNIST和SVHN库上对不同样本规模和不同网络结构进行实验,识别结果证明,与传统DBN和其它改进方法相比,本文算法取得了最好的识别效果。最后,将DDBN方法应用到绝缘子故障识别中。     

并联混合型有源滤波器的分频控制方法研究

混合型有源滤波器(HAPF)由于结构与单独使用的有源滤波器(APF)存在一定的差异，因此普通APF的控制算法在HAPF上并不一定适用。该文由常用的并联型HAPF的结构特点分析出发，从容量和幅频特性2个方面探讨HAPF控制中进行有效分频的必要性，根据HAPF对控制方法的要求，文章提出一种基于广义积分的模糊自整定PI控制方法，即通过广义积分实施对周期量的分频积分，同时由模糊算法进行比例和积分系数的在线调整，从而有效实现对HAPF的分频控制。仿真实验表明，该控制方法实现相对简单，计算量较小，在响应时间和控制精度上都具有一定优势，能够满足高压、大容量的混合型有源滤波系统的要求。 关键词：；；；