基于改进集成聚类和BP神经网络的电压偏差预测

电能质量问题日益严重,其中电压偏差的危害最为明显。本文提出一种基于改进集成聚类和BP神经网络的电压偏差预测方法。针对单一聚类算法的不足,将AP聚类算法与经典K-means聚类算法结合,形成改进集成聚类算法,实现两类算法的优势互补,该算法包括PCA降维、AP聚类、K-means聚类三步。选择与待预测点相似相近的样本数据集,采用改进集成聚类算法对数据集中的气象数据进行聚类,提取训练样本,最后采用BP神经网络算法建立预测模型。结果表明,该方法预测结果平均相对误差为2.987%,优于传统BP神经网络预测模型以及结合PCA降维的BP神经网络预测模型。     

利用卷积神经网络支持向量回归机的地区负荷聚类集成预测

为提高地区负荷预测的运算效率和预测精度,提出了一种基于卷积神经网络支持向量回归机的地区负荷聚类集成预测方法。首先,通过聚类模型对地区内大量用户的真实负荷数据进行分组并分析了不同聚类模型的效果。其次,使用得到的聚类分组标签将用户数据分组集成并构建训练数据。然后,基于改进的卷积神经网络构建了卷积神经网络支持向量回归机模型。最后,分组进行负荷预测并将预测结果求和得到地区最终预测月负荷,并与卷积神经网络模型、长短期记忆神经网络模型、决策树模型、支持向量回归机模型进行对比。文中使用扬中市高新区的负荷数据作为算例进行分析,结果表明文中所提方法相较于现有算法具有更高的负荷预测精度和运算效率。     

基于KPCA和KFCM集成的汽轮机故障诊断

为了提高汽轮机故障诊断的正确率和鲁棒性,提出一种基于核主元分析(KPCA)和模糊核聚类(KFCM)集成的汽轮机故障诊断方法.该方法针对汽轮机故障数据高维非线性的特点,采用核主元分析方法对故障数据进行特征提取,提高了神经网络的学习效率和精确度.然后由训练样本集相互独立地训练出多个神经网络,对其编号并按顺序将网络输出构成输出矩阵,再采用模糊核聚类算法对输出矩阵进行分析并对所有个体网络归类,计算所有类别中每个网络在独立验证样本集上的泛化误差,最后分别选取每个类别中泛化误差最小的个体网络作为这一类的代表进行相对多数投票法集成.实验结果表明,即使在学习样本较少的情况下,该方法也能取得较好的故障诊断效果.     

一种基于径向基神经网络的短期风电功率直接预测方法

提出了一种基于RBF神经网络的未来24 h风电功率直接预测方法。为克服传统聚类算法局部寻优的缺陷,基于模糊C-均值聚类算法,提出了一种将遗传算法、模拟退火算法和模式识别技术相结合的模糊聚类算法。基于某风电场的实测数据,采用所提出的模糊聚类算法和几种常用方法分别确定径向基函数的中心,并采用最小二乘法解决权值学习问题。预测结果表明了基于RBF神经网络的风电功率预测方法能够有效提高预测精度,且证明了所提出的模糊聚类算法的优越性。     

基于互信息算法的选择性神经网络集成在大脑胶质瘤诊断中的应用

本文利用基于互信息算法的选择性神经网络集成技术从大脑胶质瘤病例中获取在大脑胶质瘤良恶性程度的诊断知识,并与利用基于遗传算法的选择性神经网络集成算法,支持向量机,单个神经网络和提取规则技术的结果作了比较。结果显示,利用基于互信息算法的选择性神经网络集成技术得到的结果是优于其他结果的。     

针对时间序列数据挖掘的双加权聚类集成

静态数据的聚类方法已得到了较为深入的研究,然而现实生活中越来越多的应用涉及到时间序列的聚类分析。但此类数据具有复杂的动态特性、高维度和海量性等特点,使得传统的算法无法获得较为理想的聚类结果。本项目将针对时间序列数据挖掘的实际需要,利用集成学习的最新研究成果,深入研究基于生成模型和特征表示的时间序列数据挖掘技术,并提出了两种时间序列聚类集成模型,以解决以下主要问题:(1)通过提出新的聚类集成模型,解决时间序列聚类算法中的初始化敏感。(2)通过引入双加权机制,使得聚类集成学习的可靠性及性能得到进一步的提高。(3)在时间序列聚类分析中能够有效地捕捉类簇的本征结构,能自动识别类数。(4)提高聚类集成模型的延展性,能根据不同特点的时间序列数据,选择不同的模型设置和多特征表示。综上所述本课题将在集成学习算法的框架下,对时间序列数据聚类分析提出较为前沿的理论研究,其研究成果必将具有较高的理论和实用价值。     

结合降维技术的电力负荷曲线集成聚类算法

电力负荷曲线聚类是配用电大数据挖掘的基础。分析3种典型聚类有效性指标,指出Davies-Bouldin有效性指标更适用于评估负荷曲线的聚类结果。研究基于层次、基于划分、基于密度、基于模型等类型的聚类算法,从聚类效率和聚类质量两方面评价各种算法。层次聚类的质量较高,效率较低;划分聚类的效率较高,质量较低。针对单一聚类算法的不足,研究基于经典聚类算法的集成聚类算法并将其应用于负荷曲线聚类。该算法包括bootstrap重采样、划分聚类、层次聚类3步,对不同规模数据集的聚类结果表明集成算法具有更好的性能,特别适用于大规模数据集聚类。针对电力负荷曲线的特征,研究多种数据集降维算法,在降维后的数据集上进行集成聚类,比较各种降维算法的信息损失和计算效率。研究结果表明,对于大规模电力负荷曲线的聚类问题,结合主成分分析降维的集成聚类算法可以取得最佳效果。     

基于多样性增强集成学习的电池健康状态评估

为了提高多样性、小样本数据条件下电池健康状态的评估精度,基于集成学习理论提出了一种多样性增强的Stacking集成学习回归算法。该算法核心思想是通过基于动态时间规整的K-均值聚类算法构建多样性数据,然后采用Stacking集成学习回归算法学习数据的多样性特征,获得更佳的模型精度,并增强模型对多样性数据的泛化能力。Stacking集成学习回归算法由多个基学习器和一个输出学习器构成,首先通过多个基学习器获得初步结果,然后通过输出学习器对初级结果进行进一步学习获得最终结果。最后采用美国国家宇航局的公开电池数据集验证了算法的有效性。     

进化计算在神经网络中应用

本文介绍国外关于进化计算和人工神经网络结合技术的研究现状,主要包括进化计算用于神经网络优化设计、神经网络输入数据预处理、选择性神经网络集成等方面的内容,其中优化网络设计包括三个层次:权值优化、结构优化和学习规则优化;数据预处理主要用于模式分类中进行特征提取;选择性的网络集成则能很好地提高集成后网络的泛化能力.并对研究过程中出现的主要问题及未来发展趋势进行了讨论.     

基于蜂群算法的选择性神经网络集成的风机齿轮箱轴承故障诊断

齿轮箱故障数据建模相当复杂,其计算量极大甚至是不可行的。提出一种基于蜂群算法的选择性神经网络集成算法来解决此问题。首先选取齿轮箱轴承故障数据训练各学习器,然后给每个学习器赋予权重系数,组成权值向量作为蜜源个体用于蜂群算法寻优,最后根据得到的最优权向量和阈值比较确定需要剔除的学习器。通过多种UCI数据集分析以及实际轴承故障数据集试验,结果表明新算法诊断效率明显高于基于遗传算法的选择性神经网络集成算法,同时这两种算法诊断精度相当,甚至新算法占优。     

配电网容错故障处理关键技术研究

为实现非健全信息条件下的配电网容错故障处理,提出了一种基于贝叶斯分析的方法,利用多相故障信息的相关性进行容错故障定位;针对永久性故障下的架空配电网,将重合闸过程中的故障信息进行融合得出更加准确的故障定位结果;在故障定位与隔离有误的情况下,融合恢复供电过程中的故障信息再次进行故障定位,并对故障处理结果进行修正控制。基于上述原理,提出了一个容错故障处理流程。结合3个实例进行了详细说明,结果表明所提出的方法在故障信息误报或漏报的情况下都具有容错能力,有助于最大限度地恢复健全区域供电。     

基于回路直流电阻测量的输电线路单相接地故障离线故障定位

首先基于线路绝缘电阻测量进行故障检测和诊断——识别故障类型和故障相,然后针对发生率最高的单相接地故障,提出基于回路直流电阻测量的离线故障定位方法。定位前先对线路直流电阻和大地回路电阻进行测量,随后考虑接地电阻影响,分别利用故障相构建两回独立电压方程组,通过求解方程组计算故障距离。基于PSCAD/EMTDC搭建仿真模型进行验证,证明了方法正确性,同时将该方法在现场进行了应用,证明了方法的有效性,对于及时清除新建和大修线路的故障并保证线路的及时投运有重要作用。     

考虑波速变化特性的直流输电线路行波故障测距新算法

提出一种考虑波速变化特性的新型直流行波故障测距算法,有效解决了由于采用固定波速造成的某些故障距离下测距误差过大的问题。首先深入分析了故障行波的变波速特性,得出结论：对于合适分辨率的测距装置,行波波速为故障距离的一元函数。基于这一结论深入分析了变化波速对直流行波故障测距的影响机理,并提出了考虑波速变化特性的新型故障测距算法。在EMTDC环境下进行了仿真分析,相关结果证实了所提算法的有效性。     

Touch fault calculation method on transmission lines stringing on the same tower based on symmetrical coordinate method

In this paper, a touch fault calculation method is proposed based on the symmetric coordinate method. The touch fault in this paper means that a line‐to‐line short circuit fault occurred on parallel transmission lines stringing on a same tower. It is known that the touch fault occurs very rarely such as the galloping phenomena, and it causes an abnormal voltage rise especially on a low‐voltage transmission line. However, a quantitative analysis method of the abnormal voltage has not been proposed. Therefore, a general analysis method of the voltage profile solution for the touch fault is proposed based on the symmetrical coordinate method. The proposed method is able to calculate the precise voltage and current profile solution efficiently by introducing the similar formation for the touch fault solution same as the general fault solution. Demonstrative result to the application in the touch fault calculation is presented in order to verify the practicability of the proposed method.     

电力电缆故障放电声自动识别与起点标定算法

针对电力电缆故障精确定点方法中存在的依赖人工判断、效率低下的缺点,提出了一种电缆故障放电声波自动识别及波形起点标定算法。通过对电缆故障放电声波进行特征分析,定义了4个概括性特征,对大量故障、非故障波形进行了特征提取并组建了训练、验证样本集;提出了基于AdaBoost-SVM(支持向量机)的故障放电声波识别算法,对所提出的4个特征在放电和噪声信号中的空间分布差异进行了学习;结合离散小波变换和高斯分布规律提出了故障波形起点自动标定算法。实验证明,所提算法在保证准确性的同时,可提升电缆故障精确定点的效率。     

考虑过采样器与分类器参数优化的变压器故障诊断策略

变压器故障样本的不平衡性使得故障诊断分类准确率低,且容易弱化少数类故障样本的分类效果。对此,采用过采样方法实现故障样本的均衡化,并提出一种考虑过采样器与分类器参数优化的变压器故障诊断策略。首先,搭建变压器故障诊断模型的整体结构,阐述故障诊断的实现过程。在此基础上,提出诊断模型中过采样器、分类器、参数优化器3种主要环节的算法实现：针对过采样器,提出一种基于近邻分布特性的改进合成少数过采样算法实现故障样本的均衡化;针对分类器,采用层次式有向无环图支持向量机算法实现故障样本的多标签分类;针对参数优化器,提出一种双层参数优化方法,上层采用层次搜索算法对过采样倍率寻优,下层采用改进哈里斯鹰算法对支持向量机参数寻优。最后,对所提策略进行算例分析,结果表明,所提策略能够合成质量更高的少数类故障样本,实现故障样本的准确分类。     

基于特征选择与TCED的UHVDC输电线路故障判定方法

针对多端特高压直流(UHVDC)输电线路存在的故障范围广、保护动作易误动等问题,提出基于特征选择与暂态电流能量差(TCED)的多端UHVDC输电线路故障区域判定方法。首先,采用离散小波变换对暂态故障电流进行特征分析,并基于皮尔逊积矩相关系数的母小波选择进行故障匹配。然后,利用故障两侧TCED的特性判别故障方向,通过各换流站故障方向信息确定故障区域。最后,建立四端UHVDC输电线路的PSCAD/EMTDC仿真模型,从故障位置、电阻、距离等方面进行论证。仿真结果表明,文中所提方法能有效区分电力系统暂态扰动与直流故障,准确判定线路故障区域,极大提高检测效率及故障区域判定准确率。     

汽轮发电机组振动故障诊断的粗糙集模型

在机械故障诊断中,从包含冗余和不一致信息的数据中获取简单有效的诊断决策规则是一个难题。文中提出了一种基于粗糙集理论的汽轮发电机组振动故障诊断模型。该模型从包含冗余和不一致信息的原始数据出发,利用遗传算法实现了故障征兆属性约简;然后通过给出的值约简算法进一步产生了带有置信度和覆盖度的最大广义决策规则集,建立了用于故障诊断的规则库。在应用该模型进行故障诊断时,用待诊断实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则依据提出的规则进行综合评价,并得出诊断结论。最后给出了该诊断模型的一般结构。     

基于主成分分析的串联电池组故障诊断实用方法

为了保证电动汽车和储能系统的安全运行,电池组的故障诊断研究备受关注。针对目前面向电池组故障诊断方法相对匮乏且实用性不佳的问题,提出了一种基于主成分分析(PCA)的故障诊断实用方法,以准确地区分组内的电池单体故障和连接故障。首先,提出了非硬件冗余的交叉测量拓扑,分别用不同数量的传感器测量电池和连接板;然后,分析组内测量电压的变化特点,引入PCA对故障特征进行提取,为了保证PCA模型适配,提出了PCA实时建模与故障诊断一体化的思路,并基于此设计了完整的故障诊断方案;最后,利用实验对所提方法进行验证,结果表明所提方法能够可靠区分电池单体故障和连接故障,准确检测阈值法无法检测的电池单体故障,且强鲁棒于荷电状态、健康状态和温度差异的影响。现场运行数据也证实了所提方法能够有效避免发生虚警。     

基于状态观测器的三电平逆变器故障检测与识别

针对NPC三电平逆变器单相桥臂半导体器件的开路故障,在建立三电平逆变器状态空间模型的基础上,通过分析各类故障特征提出了相应的故障后逆变器状态空间模型,由此构建状态观测器,并基于此对相应的故障检测与识别算法进行研究,最终通过仿真建模对故障诊断策略的有效性进行了验证。仿真结果表明,基于状态观测器的方法可以快速检测故障发生,并能准确识别故障器件和类型,达到了预期目标。