基于改进K-means算法的电网运行断面相似性匹配研究

为简化电网工作票制定过程中复杂的方案校验工作,降低对电网调度人员工作经验的依赖,提出利用断面特征提取进行电网历史运行断面相似性匹配的方法。首先根据系统运行特点和数据存储格式,采用决策树模型提取、筛选特征变量;然后基于改进半监督K-means算法对历史运行断面进行初步相似性聚类,获取有效样本,降低数据规模;最后利用相似性匹配指标体系在聚类结果中为系统当前运行断面匹配到最有参考和利用价值的历史运行断面及其对应决策信息。仿真算例表明,所提方法可以很好地完成运行断面的相似性匹配工作。     

基于Tri-training-SSAE半监督学习算法的电力系统暂态稳定评估

基于机器学习的暂态稳定评估方法主要采用监督学习方法,为了解决监督学习方法所需的有标签样本难以获取的问题,提出基于三体训练-稀疏堆叠自动编码器(Tri-training-SSAE)半监督学习算法的电力系统暂态稳定评估方法。构建基于堆叠稀疏自动编码器的暂态稳定评估模型;在传统的三体训练过程中加入伪标签样本置信度判断,以减小噪声数据对模型训练的影响;以堆叠稀疏自动编码器为基分类器构建三体训练-稀疏堆叠自动编码器模型,利用大量的无标签样本提高模型的泛化能力。通过IEEE 39节点系统与华东某省级电网进行分析验证,结果表明,所提方法在有标签样本数较少时具有更高的评估准确度。     

一种基于SAE-RF算法的配电变压器故障诊断方法

为有效解决配电变压器故障诊断中面临的数据特征人工提取、机器学习调参困难等问题,提出了一种基于堆栈自编码器(SAE)和随机森林(RF)组合的配电变压器故障诊断方法.建立SAE配电变压器故障特征自动挖掘模型,利用大量的无标签数据对SAE模型中的每一个自编码器进行逐层无监督训练,通过贝叶斯优化算法自动选择模型的最优参数;通过有标签数据对模型参数进行有监督细调,挖掘出能够代表各种故障本质属性的特征量;创建一个RF分类器对故障类型进行辨识,调参过程同样实现参数的自动寻优.试验结果表明,所提方法对配电变压器故障诊断准确率达到96.67％,显著优于单独使用SAE和RF的分类结果.     

基于标签传播算法的电网主动解列断面快速定位方法

传统的失步解列控制无法适应多变的运行方式和复杂的失稳模式,实现数据驱动的电网主动解列断面快速定位具有重要意义。为此,结合复杂网络社团检测理论和电气距离,提出一种基于标签传播算法的主动解列断面快速定位方法。基于等值两机系统联络断面电气距离对振荡中心位置有主要影响的机理,依据支路导纳建立图数据的相似性权重矩阵。根据同调机群在线辨识的分群结果标注同步发电机节点的类别标签。使用基于调和函数的标签传播算法对未标注节点进行半监督节点分类,不同类节点之间的边即所定位的解列断面。通过IEEE118节点系统算例和东北电网实际系统的仿真分析,验证了所提方法的可行性和有效性。该方法的计算速度非常快,具有较好的工程实用价值。     

堆叠自动编码器与S变换相结合的电缆早期故障识别方法

将深度学习概念应用到电缆早期故障识别中,提出结合S变换与堆叠自动编码器(SAE)的电缆早期故障识别方法。通过对故障相电流进行S变换,将获得的S变换模时频矩阵分为低、中和高频段。求取对应频段的能量熵和奇异熵等特征量,并组成特征向量后,将时频域特征向量作为SAE网络的输入,经过预训练和参数微调,得到最优训练参数。利用构建好的网络从输入数据中挖掘有用信息,从大量扰动中识别电缆早期故障。仿真结果表明,与传统模式识别方法相比,所提方法的精度更高。     

基于堆叠自动编码器的汽轮发电机多指标故障诊断模型

大型发电机的故障诊断对电网安全和经济运行具有重大影响,但由于实际操作中的故障数据较少,且预警指标单一无法满足汽轮发电机故障诊断的要求。因此,提出一种基于堆叠自动编码器的汽轮发电机多指标早期故障预警与诊断模型。首先,根据多种相关性方法对数据进行降维处理,采用堆叠自动编码器来学习降维后数据之间的深层映射关系,并提取出重构误差;在此基础上,建立包括参数与测点温度的静态阈值,重构误差的自适应动态阈值,温度波动差值的动态阈值和电流及有功功率上升速率阈值的多指标综合故障预警与诊断模型;然后建立故障征兆–参数关联合集,将超过阈值的数据结合实际值与预测值的残差值,完成故障的具体诊断。最后,以京能集团河北涿州电厂以及山西某热电厂350MW汽轮发电机实际数据为例,验证所提出的基于堆叠自动编码器的汽轮发电机多指标故障诊断模型的有效性,算例分析表明,所提出的基于堆叠自动编码器的汽轮发电机多指标故障诊断模型能够提前2～10h预警故障并诊断出故障类型,为汽轮发电机安全稳定运行提供保障。     

基于关联分析及堆栈自编码器的气象敏感负荷功率估算方法

气象敏感负荷的逐年增长是夏季电网负荷不断攀升的重要原因,准确估算此类负荷功率对电网运行调度、估计地区需求侧响应能力均有益处。提出了改进典型相关分析方法,建立了负荷-气象非线性关联模型,基于此可计算历史负荷数据中的气象敏感负荷功率。建立了基于堆栈自编码器(SAE)的气象敏感负荷功率估算模型,利用SAE的无监督学习提取日负荷曲线的降维特征,利用关联模型的计算结果作为有标签样本训练估算模型的全连接层,从而由日负荷曲线直接获得气象敏感负荷功率曲线。基于实际电网数据的算例结果验证了所提方法的有效性。     

基于栈式自动编码的图像哈希算法

随着网络图像的快速发展,在大型图像检索系统中哈希算法成为近似最近邻查询算法的研究重点。本文提出一种基于深度模型的哈希算法—深度哈希。通过深度卷积神经网络提取的图像高维全局特征,用栈式自动编码器对特征进行无监督学习得到二进制哈希编码,利用图像标签语义相似性对栈式自动编码器的参数进行微调,最后用汉明距离来计算图像的相似性。本文提出的深度哈希在图像检索中取得了较好的结果。     

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。     

基于深度学习的暂态稳定评估与严重度分级

提出一种安全域概念下的堆叠降噪自动编码器和支持向量机集成模型相结合的暂态稳定评估方法。将故障前的潮流量作为输入,利用堆叠降噪自动编码器对输入量进行多层抽象表达,使用提取的各层特征训练支持向量机;建立支持向量机集成分类模型进行暂态稳定评估,对评估结果进行可信度分析,将输入空间划分为稳定区、边界区和失稳区;利用效用理论结合所提出的暂态稳定裕度指标对运行方式进行严重度分级。算例结果表明,所提暂态稳定评估方法具有更高的评估准确率和一定的泛化能力;所提严重度分级方法能够直观表现不同运行方式的危险程度。     

基于栈式混合编码器的水质传感器数据融合算法

由于浅层神经网络网络结构和训练方式的限制,网络学习能力和泛化能力在大样本条件下没有深度学习网络强,为此,提出了一种基于栈式混合编码器的水质传感器数据融合算法。该算法通过堆叠自动编码器和稀疏自动编码器形成深度学习网络模型,实现对样本数据的特征挖掘和稀疏表示。经过大规模样本训练后的网络模型能够拟合复杂非线性函数,对低质量的样本数据有一定的泛化能力,并提高预测分类的精度。仿真结果证明,提出的算法取得了更高的评价分类准确率。     

基于稀疏自动编码器深度神经网络的电能质量扰动分类方法

针对智能电网日益突出的电能质量扰动问题,提出了一种基于稀疏自动编码器(SAE)深度神经网络的电能质量扰动分类方法。利用SAE对电能质量扰动原始数据进行无监督特征学习,自动提取数据特征的稀疏特征表达;通过堆栈式稀疏自动编码器(SSAE)进行逐层学习,获得电能质量扰动数据的深层次特征;将其连接到softmax分类器进行微调训练,并输出电能质量扰动事件分类结果。利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的抗噪声能力。仿真结果表明,所提方法能够准确地识别包含2种复合扰动在内的9种电能质量扰动信号,并且具有很好的鲁棒性。     

基于SAE-ELM的电动汽车充电站负荷预测模型

电动汽车(electric vehicle,EV)用户充电行为在时间和空间上的随机性增加了EV充电站负荷预测的难度,为此以提高负荷预测的准确度为目的,通过改进深度学习中的栈式自编码器提出栈式自编码器-极限学习机(SAE-ELM)的混合模型,并深入研究EV与电网的交互模式;综合考虑影响充电站负荷量的关键因素,如历史负荷、环境、日类型等,对某地充电站进行短期负荷预测并验证;最后与SAE-BP、ELM算法做对比实验,实验结果表明SAE-ELM对充电站的短期负荷预测更加有效准确,更有利于电网稳定运行。     

母线负荷预测的实用算法

母线负荷预测是制定电网运行方式的基础,其预测的精度将直接影响到后续安全校核的分析结果以及电网输送能力的计算和运行方式的安排。综合考虑母线负荷的特点,根据历史样本数据类型,考虑天气、节假日、企业生产变化、母线负荷的转供等因素,提出一种新的母线负荷预测的实用算法。所提方法基于相似日的模式匹配原则,依照与待预测日模式的相似度的大小确定其间的分配系数权重,进而预测母线负荷。通过MATLAB对一实际电网进行仿真,结果证明了所提方法的精确性和实用性。     

历史数据驱动下基于粗糙集的AVC系统关键参数挖掘方法

自动电压控制(AVC)系统中的参数设置过程繁琐且设置结果无依据,以历史大数据为基础,通过对历史数据的挖掘指导系统关键参数的设置。首先,给出一种基于强化正域的属性综合约简策略对关联属性进行约简;然后,采用基于最优分类的属性变换策略将连续属性离散化,并给出一种基于数据预处理的集合近似匹配策略,用于计算不同曲线间的相似度;最后,提出一种基于粗糙集的AVC系统关键参数辨识框架,对历史大数据进行挖掘。基于真实电网数据进行算例分析,挖掘结果表明所提辨识框架能自动给出合理的参数设置结果;实际应用结果表明,相比于传统方法,基于历史大数据的挖掘结果取得了更好的控制效果。     

基于文本挖掘的电网检修工作票辅助决策方法研究*

电网检修工作票中蕴含大量有价值的信息,通过历史工作票的检索利用可以有效辅助检修工作票的决策,传统检索方法效率低、工作量大,且无法实现历史工作票的全面有效参考。基于此,提出一种基于文本挖掘的电网检修工作票辅助决策方法。分析并归纳传统工作票检索的局限性及工作票文本的特点;结合电力知识对文本进行预处理,根据表述不规范等问题,提出一种包含主词和辅词的改进双层词袋模型;利用余弦相似度实现检修设备关键信息与历史场景间的多变量相似性匹配,将匹配结果进行降序排列。通过挖掘工作票间隐含的内在联系,实现相似、相关联工作票的识别与提取,为调度员制定工作票提供更精确、全面的决策支持,促进电网向智能化方向发展。基于实际电网算例,表明所提方法的可行性与有效性。     

母线负荷预测的实用算法

母线负荷预测是制定电网运行方式的基础,预测的精度将直接影响到后续安全校核的分析结果以及电网输送能力的计算和运行方式的安排。综合考虑母线负荷的特点,根据历史样本数据类型,考虑天气、节假日、企业生产变化、母线负荷的转供等因素,提出一种新的母线负荷预测的实用算法。所提方法基于相似日的模式匹配原则,依照与待预测日模式的相似度大小确定其间的分配系数权重,进而预测母线负荷。通过Matlab对一实际电网进行仿真,结果证明了所提方法的精确性和实用性。     

基于堆叠自编码网络的风电机组发电机状态监测与故障诊断

为实现风力发电机的异常检测分析,提出了一种基于风电机组发电机正常状态下数据采集与监控(SCADA)样本数据的堆叠自编码网络深度学习方法。首先将多个自编码网络连接构成深度堆叠自编码网络,选取发电机SCADA状态变量数据作为网络的训练输入,使网络逐层智能提取数据间的分布式规则,从而构建发电机的堆叠自编码学习模型。依据故障状态下发电机SCADA数据内部动态平衡规则被破坏,利用发电机深度学习网络的输入与重构值计算重构误差,并作为整体状态的观测量。通过采用自适应阈值检测重构误差的状态趋势变化,并作为异常预警判定准则,从而实现对发电机故障的判定。当发电机发生异常时,变量的实际值与对应模型的重构值发生较大偏差,表现为状态变量的残差趋势将会偏离原有的动态稳定状态。因此利用状态变量的残差趋势变化对异常变量进行隔离,判定可能的故障原因达到故障诊断的目的。通过对发电机故障前后记录数据进行仿真分析,结果验证了堆叠自编码网络深度学习方法对发电机状态监测与故障诊断的有效性。