小样本条件下永磁同步电机深度迁移学习性能预测方法

使用深度学习算法建立代理模型可实现电工装备性能的快速预测与分析,但其训练过程需大量样本。而现代电工装备的标签样本稀缺,导致模型预测精度低,制约了算法的工程应用。考虑到历史任务中积累的标签样本充足,且此类样本与目标任务的样本间存在相关的知识信息,建立了一种深度迁移学习性能预测方法,将历史电机样本中积累的性能预测知识迁移应用于目标电机性能分析中。首先使用目标域无标签样本对深度置信网络（DBN）进行逐层无监督训练,然后借助源域有标签样本建立参数共享的预训练网络,最后通过少量目标域有标签样本进行适配层训练和全网络微调的方法实现模型迁移。通过结构差异程度不同的Prius电机进行案例验证,结果表明,所提方法能够在满足一定预测精度的情况下,使用较少的标签样本完成目标电机的性能预测任务,为现代电工装备的性能分析与优化提供了新的思路和实践方法。     

计及电源结构时空特性的电能替代评价

现有需求侧管理节能评价方法无法量化由终端设备用能种类改变产生的节能效果,传统电能替代评价方法无法计及基于电力网络潮流的真实电源结构对评估结果的影响。建立了一种计及电力网络、电源结构和用户用电方式的电能替代节能减排评价模型,提出和推导了计及清洁能源消纳的电力能耗系数和电力煤耗系数,用于表征电力系统能耗水平,并从用能全过程的角度量化广义节能下的电能替代项目节能量和减排量。算例分析了电力能耗和煤耗系数的时空特性,建立典型场景数据库,以电动汽车为代表说明通过需求响应和储能优化电能替代项目的运行对评估指标具有积极影响。     

基于主动迁移学习的电力系统暂态稳定自适应评估

基于深度学习的暂态稳定评估模型通常需要大量的有标注样本用于离线训练。一旦电网的运行方式和拓扑结构发生较大变化,预训练模型的性能将劣化甚至失效,使得在线评估时存在一定的空窗期。为了解决这一问题,以深度置信网络（DBN）为研究载体,将深度学习、迁移学习和主动学习相结合,提出一种基于DBN模型的主动迁移学习方法。首先,训练DBN来挖掘输入特征和暂态稳定评估结果间的映射关系,得到更好的暂态稳定评估效果。其次,当拓扑结构和运行方式发生较大变化时,通过短期仿真生成大量的无标注样本,利用主动学习来筛选少量最富有信息的样本,并通过长期仿真对这部分样本进行标注,显著减少了样本的生成时间。最后,计算源域和目标域数据分布的最大均值差异,选择不同的迁移路径,在确保迁移效果的前提下进一步缩短了迁移时间。采用新英格兰10机39节点系统、NPCC 48机140节点系统和中国华中电网进行了仿真,结果验证了所提方法具有高精度、快速性和鲁棒性,有效缩短了深度学习模型在线应用时的空窗期。     

基于神经网络的状态估计方法研究

智能电网建设的快速推进,导致状态估计算法所处理的数据量急剧增加。串行状态估计算法求解速度慢,无法满足电力系统实时分析的要求;而并行状态估计方法需要大规模计算集群的支持,会占据大量的硬件资源并产生高能耗。为解决上述问题,提出一种基于神经网络的状态估计方法。该方法以离线方式搭建并训练神经网络。在状态估计的实际计算中,以神经网络的前向计算代替传统算法中的迭代最小二乘拟合,从而大幅减少状态估计算法的执行时间。由于神经网络的前向计算所需时间很短,即使处理大规模电网,提出的方法仍可在单机平台上运行,从而避免使用大规模计算集群所需的能耗。同时,神经网络自身的高容错性还能有效地修正量测数据中的误差。实验结果表明,与串行方法相比,所提方法计算速度提升了约205倍。     

基于WDCNN-SVM深度迁移学习的燃气轮机转子故障诊断方法

针对在使用深度学习对燃气轮机转子故障诊断过程中,因振动信号样本中正常运行数据多、故障数据少而使得模型故障诊断准确率低的问题,提出了一种采用深度迁移学习对燃气轮机转子进行故障诊断的方法。首先,使用典型行业样本数据集预训练第一层宽卷积核深度卷积神经网络（WDCNN）模型,给予模型初始的权重。其次,在源域中,使用某型燃气轮机试车获得的大量正常运行样本更新WDCNN模型的权重;在目标域中,利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征,然后使用支持向量机（support vector machines, SVM）进行分类识别,从而达到燃气轮机故障识别的目的。试车数据实验结果表明,该方法能够实现96%的识别准确率,验证了将轴承数据集预训练的深度学习模型迁移到燃气轮机转子领域进行故障诊断的可行性。     

基于滑窗算法和序列翻译模型的非侵入式负荷跨域分解

非侵入式负荷分解作为实现电网与家庭用户能量监测的关键技术,能够量化能耗,为合理分配能源提供数据支撑。虽然目前已有算法在同数据集中功率分解准确率上有了很大的提高,但模型泛化性差且跨数据集间分解准确率低。为此,文中提出了一种基于滑窗方法的序列翻译优化模型,并运用迁移学习实现算法的跨数据集分解。该模型以滑动窗口的方式读取主电源有功功率的时间序列,采用基于LSTM编解码的序列到点模型预训练,经迁移学习获得训练模型,实现在不同数据集中的负荷分解。算例结果表明提出的深度学习模型在不同的数据集间训练测试均有较高的分解性能和准确率,提高了算法的泛化能力。     

基于改进S变换估计电能质量信号的噪声水平

提出了基于改进S变换估计电能质量信号噪声水平的方法。该方法根据能量聚集度的概念确定了改进S变换的时频分辨率。同时定义了与白噪声改进S变换功率谱相关的统计量,利用其分布特性检测电能质量信号能量在改进S变换时频面的分布区域,并采用迭代算法消除电能质量信号能量对噪声估计的影响,根据改进S变换时频面只含噪声区域的功率谱实现了对噪声方差的估计。仿真结果表明,当采样率达到一定程度时,采用该方法估计噪声方差有很高的可信度。     

增量学习直推式支持向量机及其在旋转机械状态判别中的应用

直推式支持向量机(support vector machine, SVM)是基于已知样本建立对特定的未知样本进行有效识别的理论框架,与归纳式支持向量机相比,前者更经济、分类效果更佳。然而,直推式支持向量机的致命缺点是需要占用大量的训练时间,为此,提出了基于增量学习的支推式支持向量机训练算法,即把当前迭代训练得到的支持向量样本与新赋予类别标签的部分测试样本作为训练样本集参与下一次的迭代训目的是通过减少训练样本的数量以节约训练时间。同时,为确保算法的收敛性及分类准确率,在训练过程中引入了成对标注及错误回溯处理。实际的状态判别结果证明了该方法的有效性。     

基于深度迁移学习的时变拓扑下电力系统状态估计

针对电力系统拓扑实时变化导致数据驱动状态估计器不可用的情况,提出一种基于深度迁移学习的数据驱动状态估计方法.将原拓扑海量历史数据训练得到的模型作为基础模型,当新拓扑实时量测数据更新时,加载和保存基础模型中特征提取层的权重和参数,只需要微调模型的全连接层,即可获得适应于新拓扑的神经网络,提高了数据驱动状态估计模型的自适应性和泛化性能.通过对IEEE标准系统和中国某实际省网的算例测试,并将其估计结果与加权最小二乘法和加权最小绝对值法进行比较.结果表明,在考虑拓扑时变性的情况下,该算法与上述2种物理算法相比具有更优的估计性能和估计效率.     

基于设备运行状态检测与能量回归同步评估的居民非介入式负荷辨识算法研究

非侵入负荷辨识技术能够高效低成本地获得用户分项电能并支撑多种业务,基于分项电器能量回归的神经网络为负荷辨识技术提供了重要支撑。文中针对神经网络进行能量分解时在设备关停处的噪声识别污染及基于能量阈值法评估设备运行状态的局限性,提出了基于设备能量分解与运行状态分类的硬参数共享多任务学习模型,并根据能量回归与状态识别对输入序列全局与区域信息的敏感度差异,提出基于多感受野融合的时间卷积网络,实验结果表明文中所提算法模型在辨识效果上取得了提升,并在洗衣机、洗碗机等小功率波动设备上相较传统网络减少了50%的平均能量绝对误差。     

基于长短期记忆的电-气耦合综合能源系统贝叶斯状态估计

伴随着中国国家能源革命战略与电力体制改革的发展,综合能源系统作为综合各能源属性的新型能源发展形态逐步兴起,最大限度提升了能源利用效率.然而,综合能源系统存在量测数据冗余度低、量测设备的量测误差较大以及电网与气网量测设备的数据采集单位时间标尺不统一的问题,对电-气耦合的综合能源系统状态估计问题提出严峻挑战.考虑到数据驱动方法具有高度的可移植性与对不同信息提炼归纳的能力,建立了一种基于长短期记忆的电-气耦合综合能源系统贝叶斯状态估计模型.采用贝叶斯学习获取量测量的概率统计特征,利用蒙特卡洛采样生成完备量测数据,通过电-气耦合综合能源系统潮流检验所生成数据的合理性,从而得到长短期记忆深度学习网络的训练样本集合.采用均方根误差的评判标准对长短期记忆深度学习网络进行训练,有效提升了电-气耦合综合能源系统状态估计的精度.与经典模型驱动的状态估计方法比较,算例仿真验证了所提数据驱动状态估计方法的有效性与鲁棒性.     

基于深度强化学习的光储充电站储能系统优化运行

优化储能充放电策略有利于提升光储充电站运行经济性,但是现有模型驱动的随机优化方法无法全面考虑储能系统的复杂运行特性以及光伏发电功率、电动汽车充电负荷的不确定性.因此,提出一种基于深度强化学习的光储充电站储能系统全寿命周期优化运行方法.首先对储能运行效率模型和容量衰减模型进行精细化建模.然后考虑电动汽车充电需求、光伏出力和电价的不确定性,在满足电动汽车充电需求和光伏消纳的条件下,以光储充电站收益最大化为目标,建立了基于强化学习的储能优化运行问题.考虑到储能充放电决策动作的连续性,采用双延迟深度确定性策略梯度算法进行求解.采用实际历史数据对模型进行训练,根据当前时段状态对储能充放电策略进行实时优化.最后,对所提方法及模型进行测试,并将所提出的方法与传统模型驱动方法进行对比,结果验证了所提方法及模型的有效性.     

基于细分行业用能结构特征的“十四五”电能替代电量规划

“电能替代”战略的实施,推动了能源发展方式的转变,对中国未来能源高质量发展起到了至关重要的作用。首先对中国终端能源消费及能源供应情况进行分析,梳理了电能替代发展现状,提出了基于行业用能特征的电能替代基准年理论潜力测算模型。其次,耦合规划期政策、技术等因素,提出了“十四五”期间电能替代潜力测算方法。再次,基于潜力测算提出“十四五”期间替代电量规划方法。最后预判电能替代发展趋势。依托该模型方法,预判“十四五”期间国网经营区电能替代潜力超1万亿kW·h,替代规划电量约5000亿kW·h。研究可为政府部门出台相关政策、电网企业科学开展电能替代工作提供支撑。     

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。     

基于Logistic模型的电能替代电量预测

随着电能替代战略的不断推进,电能替代电量规模将不断扩大,对未来电网中长期负荷构成将产生较大影响。现有电网中长期负荷预测方法对电能替代电量的考虑尚不够充分,有必要进行单独的分析预测。文中分析了政策对未来电能替代发展的重要影响作用,并给出了宏观层面电能替代电量的计算方法。在此基础上,基于Logistic模型分别对终端能源消费总量和电能占终端能源消费比例进行预测,在预测过程中充分结合目前已有的相关研究成果,最终获得电能替代电量预测结果。文中模型可作为传统中长期负荷预测方法的补充,用以指导未来电源、电网和相关能源规划。     

基于改进DBSCAN-RNN的电力负荷建模及可调特征提取

针对面向能源消纳的电力负荷实时调控需求,以电热水器为例建立调控模型,提出一种改进DBSCAN-RNN算法的电力负荷可调特征提取与可调潜力挖掘方法。以改进DBSCAN聚类结果作为RNN输入获得一种深度学习新策略,基于改进DBSCAN-RNN进行电器群设定温度与天气温度、电器负荷功率的建模,考虑用户电器使用习惯,输出输入量对电器实际功率的影响因子以及电器可调功率与真实功率对应的状态方程参数。某市电热水器群实际数据结果表明所提方法可正确有效地获取海量电热水器群聚合负荷模型及其可调功率。     

基于强化学习的电动汽车集群实时优化调度策略

针对大规模电动汽车的实时调度存在维度高和随机性强等问题,提出基于强化学习的电动汽车集群实时优化调度策略。首先,以最小化综合成本（机组发电成本和补贴成本）为目标,建立电动汽车集群参与的电网机组经济调度模型。将实时阶段下的该模型构建为一个马尔可夫决策过程,利用基于最大熵的深度强化学习算法对马尔可夫决策过程进行模型训练和求解。此外,融合强化学习不依赖预测信息和运筹优化算法保证物理约束的优势,将电动汽车充电和机组出力分开优化调度。最后,通过算例验证所提策略在降低成本和削峰填谷方面的可行性和有效性。     

考虑坡度工况的FCHEV队列分层优化控制策略研究

在面对坡度工况时，如何开发同时兼顾车辆间协同控制与能耗经济性的控制策略是提高交通效率与发挥车辆节能潜力的关键技术之一。以燃料电池混合动力汽车队列为研究对象，以安全行驶及优化能耗为目标，提出了一种基于改进粒子群优化算法与Q学习的燃料电池混合动力汽车队列分层优化控制策略。该策略中上层控制器在保证满足与前车距离或速度限制等安全约束的前提下，利用改进的粒子群优化算法获取节能速度轨迹，并使用模型预测控制框架实时调整主车速度遵循节能速度轨迹行驶。下层控制器根据上层求解的车速和需求功率等信息建立Q学习控制器，实现燃料电池混合动力汽车动力电池与燃料电池之间的最优能量分配。仿真结果表明，本文所提出的分层控制策略在坡度工况下，表现出良好的跟踪性能和安全性能，且优化结果与动态规划策略相似，表明该策略的能耗经济性及可行性。