基于概率预测的用电采集终端电量异常在线实时识别方法

电力市场环境下用电信息采集系统采集的用电量成为市场结算的重要依据。实时识别用电采集终端上送的异常电量,不但可以提升数据质量,也可以为发现采集终端的故障、识别异常用电行为提供参考。针对现有异常数据识别方法识别性能和实时性不高的问题,提出基于概率预测的电量异常在线实时识别方法。首先,在分析电量异常类型和特点的基础上,提出离线训练概率预测模型、在线实时识别异常数据的检测方法。其次,提出了基于状态空间模型的结构化用电量模型对用户用电规律进行建模,并采用变分贝叶斯推断训练模型,以实现用电量的概率分布预测。最后,利用预测标准分数衡量电量实测数据与电量概率预测结果之间的差异,从而实现异常数据的在线识别。采用实际电量数据进行验证,并与其他方法进行对比,验证了该方法的实用性和有效性。     

基于FPGA加速的行为识别算法研究

为提高行为识别算法的实时性,适用于资源有限的嵌入式设备,提出了一种行为识别算法硬件加速方法,并在FPGA平台实现。传统的基于可穿戴传感器的行为识别算法需要严格标记的数据进行训练分类,但传感器序列的标注过程消耗大量的人力和计算资源,针对该问题,在传统的卷积神经网络模型中引入注意力机制,用于基于弱标签数据的行为识别。算法中的卷积、池化和注意力机制等计算模块使用高层次综合设计。针对模型的运算特性,通过流水线约束、多像素多通道并行计算和数据定点化等方法,提升运算速度。在Ultra96_V2平台上使用弱标签数据集进行实验,实验结果表明：所设计的行为识别系统识别准确率达到了90%的同时,计算速度达到25.89frams/s,相较于ARM_A53处理器实现了54.15倍的加速效果。系统的平均功耗为2.204W,功耗效率为11.75 frames/J,满足了低功耗、低延时设计要求。     

基于GIS技术的输电线路隐患缺陷识别方法

常规的输电线路隐患缺陷识别方法使用二维AI识别技术训练输电线路隐患缺陷样本数据,易受数据迭代作 用影响,导致识别性能较差,因此基于GIS技术设计了一种全新的输电线路隐患缺陷识别方法.利用GIS技术构建了 有效的输电线路缺陷可视化识别模型,再利用数字图像处理技术设计了输电线路隐患缺陷智能识别算法,从而完成了 输电线路隐患缺陷识别.实验结果表明,设计的输电线路隐患缺陷GIS识别方法的识别AP 性能指标较高.     

基于KPCA+LR的电力现货市场发电企业串谋行为分析

在省间电力现货市场建设初期,市场近似于寡头垄断市场,发电企业之间的串谋问题严重影响市场公平,为构建高效的电力市场,保障市场的安全稳定,有必要对市场进行监管。该文首先从五个维度构建串谋行为识别指标集合,并针对高维数据进行降维处理,构建了基于KPCA+LR(Kernel Principal Component Analysis Logistic Regression)的电力现货市场发电企业串谋行为识别模型。最后,对国内某省间电力现货市场交易数据进行分析,结果表明该模型准确率达到95%,验证了所构建模型的有效性。     

基于PSO改进的BP神经网络数据手套手势识别

针对5DT数据手套手势识别这一问题,提出BP神经网络和PSO算法相结合的识别方法。首先利用特征提取和归一化方法建立通用手势模板,并基于此模板采用BP神经网络进行训练学习,同时通过PSO算法修正BP神经网络的权值和阈值,将训练完毕的神经网络用于实际操作过程中的手势识别。该方法既保留了BP算法结构简单、易于实现的优点,同时避免了不同操作者复杂的标定过程。仿真和实验结果表明,所提出的控制方法有效的缩短了学习时间,并且提高了识别过程的实时性和精确性。     

基于极限学习机的居民用电行为分类分析方法

针对大数据背景下智能用户用电行为分类问题,提出一种基于极限学习机(ELM)算法的用户用电行为分类方法。首先,在前期用户行为的特征优选策略的基础上,采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行分类分析。然后,将特征优选集作为输入,通过比较不同隐含层激活函数和隐含层节点个数下训练集和测试集的正确率,优选出适用于用户用电行为分析的ELM算法的输入参数。最后,以国内和国外用户用电数据为数据源,进行算例仿真实验,通过与反向传播(BP)神经网络的对比分析表明,所提出的基于ELM算法的用户用电行为分析方法提高了检测的正确率并且降低了算法运行时间,能够更好地掌握用户用电负荷状态,实现配电网的削峰填谷。     

基于双特征融合与自适应提升机制的图像动作识别算法

针对复杂环境中动作识别易受到光照变化、目标旋转,遮挡等导致目标位置不精确,目标漂移以及识别错误等问题,提出了一种基于双特征融合与自适应提升的动作识别算法。首先,基于时空上下文(spatio-temporal context,STC)机制,通过时空上下文关系与视觉系统特性来提取图像序列特征,降低光照变化、遮挡对行为动作的影响;同时,利用卷积神经网络(convolution neural network,CNN)来处理图像序列,分别获得STC特征与CNN特征;其次,引入主成分分析算子,定义双特征融合规则,对获得STC特征与CNN特征进行组合,形成一种更准确、完整的特征表示;然后,通过得到的新特征,利用自适应提升算法(adaptive boosting algorithm,ABA)进行分类训练,完成对行为动作决策判断。在Weizmann、Hollywood数据集上测试表明,相对于当前常用的动作识别方法,所提算法对各种行为动作具有更高的识别精度与鲁棒性,更能适应复杂背景和动作变化。所提算法具有较高的人体动作识别精度,在视频监测、人机交互等领域具有一定的应用价值。     

智能电网用断路器智能操作算法及在DSP上的定点仿真

简要介绍了断路器智能操作对信号处理的要求,给出了断路器动作需要满足的强实时性条件。对额定电流采用改进的快速傅里叶变换进行算法仿真,减少了计算量。对短路电流采用递推最小二乘校正算法进行仿真,使迭代法可以在DSP上实现,缩短了其消耗的采样数据窗口,且其实时性仍可达到系统的要求。基于Simulink软件对系统从正常工作状态过渡到短路工作状态的过程建立仿真模型,生成了分别包含2种状态的全电流信号;然后基于MATLAB软件,先对短路电流的软件识别算法进行了仿真,再结合改进快速傅里叶变换、递推最小二乘校正算法对全电流信号进行了仿真,仿真结果证明算法可满足智能操作的强实时性要求。     

基于XGBoost算法的智能电网信息攻击识别模型

智能电网在遭受信息攻击后,如何根据量测数据的变化规律,准确识别电力系统遭受的攻击类型是提高电网安全防御的有效手段,本文提出一种基于Extreme Gradient Boosting (XGBoost)算法的智能电网信息攻击识别模型。首先,基于kmeans-smote设计电力数据过采样方法,对量测数据进行平衡处理,解决攻击事件样本的不平衡问题。然后,提出最大相关-最小冗余(MRMR)特征选择方法,提取信息攻击事件最优表征特征子集,降低数据维度并提升信息攻击的识别效率。最后,设计XGBoost分类器,对3种攻击状态和正常状态进行分类识别,采用准确率、召回率等指标评估模型的识别性能。经仿真实验验证,本文提出的信息攻击识别模型显著提升了智能电网信息攻击的识别精度,且具有较好的泛化性。     

基于BP-AdaBoost的电压暂降源识别方法

电压暂降源的准确识别对治理电压暂降问题和改善电能质量至关重要。提出了一种基于BPAdaBoost网络的电压暂降源识别方法。通过直接提取原始波形的时域特征和经S变换后的时频域特征,构建识别特征向量。针对单一分类器的分类精度和过拟合等不足,采用AdaBoost算法进行集成优化为强分类器。选取BP神经网络作为基础分类器,通过大量数据训练得出最强网络参数,得到BP-AdaBoost暂降源识别模型。应用仿真数据和实测数据验证了所提暂降源识别模型的有效性,证明所提方法识别精度高,具有工业应用前景。     

基于PSO-MLP神经网络的遥信插件质量识别方法研究

为了提高继电保护装置遥信插件的出厂质量,解决产品检验自动化的问题,提出了一种基于PSO优化多层感知器(Multi-LayerPerceptron,MLP)神经网络的遥信插件质量识别方法。首先,建立了继电保护装置遥信插件自动化硬件测试平台。然后,改进了PSO优化算法,调整了惯性权重?的滑动特性,使其根据粒子间距实时调整步进。最后,在SPSS中使用k-s检验对原始起动电压数据进行正态性检验,得到了具有正态性样本的频率分布及其拟合曲线,提取特征训练集,并对神经网络进行训练和测试。实验结果表明,该方法能够有效且准确地对遥信插件进行质量识别,实现了产品检验和质量识别的自动化及智能化。PSO-MLP神经网络训练时间短,收敛速度快,质量识别准确度高,约为97%,且泛化能力强。     

基于ELM-SVM模型与电能计量大数据的窃电识别技术研究

窃电现象破坏社会供用电秩序,严重时更会阻碍新型配电系统建设的发展。为了更精确地识别窃电行为,提出了一种基于极限学习机（ELM）与支持向量机（SVM）相结合的窃电智能识别模型。利用电能计量大数据,分析窃电用户数据状态指标,构建窃电指标评价体系;利用指标评价体系训练窃电智能识别模型,进而以ELM-SVM预测模型来识别窃电用户。该方法有效集合了ELM算法与SVM算法的优点,算例表明,识别模型的识别准确率可达97.8%,说明ELM-SVM结合方法是可行的,实现了对用户窃电行为的高精度、高效性预测识别。     

一种基于Spark和聚类分析的辨识电力系统不良数据新方法

随着电力系统智能化建设的不断深入和推进,电力系统数据呈现海量化、高维化的趋势。针对电力系统中的不良数据将导致电力系统状态估计结果的准确性降低,而传统聚类算法处理海量高维数据时单机计算资源不足,近年来较流行的MapReduce框架不能有效处理频繁迭代计算等问题,提出一种基于Spark的并行K-means算法辨识不良数据的新方法。以某一节点电力负荷数据为研究对象,运用基于Spark的并行K-means聚类算法提取出日负荷特征曲线,分别对输电网状态估计中的不良数据进行检测和辨识。选用EUNITE提供的真实电力负荷数据进行实验,结果表明此方法能有效提高状态估计结果的准确性,与基于MapReduce框架的方法相比,具有更好的加速比、扩展性,能更好地处理电力系统的海量数据。     

基于FDTW算法的故障录波数据智能比对方法

针对智能变电站保护装置故障录波文件无通道标识信息、难以与同源通道故障录波器录波文件相互对应的问题，提出一种基于快速动态时间规整(fast dynamic time warping, FDTW)算法的故障录波数据智能比对方法。首先，对各厂站提取的故障录波数据进行异常检测，确保故障录波文件中数据的质量。其次，利用拉格朗日插值法进行采样频率转换，解决保护装置与故障录波器采样频率不一致的问题。然后，利用欧氏距离对同源录波文件数据进行波形一致性对齐，以实现时钟同步。最后，使用FDTW算法对无通道标识信息的故障录波数据进行智能比对。算例分析表明，该方法能够对故障录波数据进行一致性处理，可以快速准确地计算待匹配录波波形的相似度，实现同源通道的录波数据匹配，具备较强的稳定性和实时性。     

基于IBPSO的非侵入式多负荷投切行为辨识方法

对多负荷投切行为的有效辨识,为了解用户用电行为,制定节能计划,实现智能用电提供了有力支撑。首先,为解决多种负荷投切行为的辨识问题,提出改进的二进制粒子群优化算法（Improved Binary Particle Swarm Optimization, IBPSO）,并在IBPSO的适应度函数中引入距离测度法。其次,针对目前对单一负荷特征进行辨识的精度并不理想的问题,本文融合电流谐波和有功功率作为负荷投切行为的特征。最后,对多负荷投切时的电流和功率信息进行大量的仿真试验。仿真结果表明,所提算法对多负荷投切行为的辨识在收敛速度和精度上都有所提高。     

面向电力智能巡检的多机器人系统协同路径规划算法

针对在复杂电力智能巡检任务与环境下,多机器人路径规划算法计算量大、实时性差的问题,提出了面向电力智能巡检的多机器人系统协同路径规划算法。首先结合实际情况,提出了2种不同群体规模下的多机器人系统交通规则法;接着,在所提交通规则法的基础上融入单机器人路径规划算法,提出了多机器人系统协同路径规划算法,且通过加权改进提升其运行效率;最后,通过仿真实验表明了所提2种交通规则以及协同路径规划算法在多机器人系统上应用的可行性和有效性。     

峰谷分时电价下的用户响应行为研究

在基于消费者心理学原理建立的峰谷分时电价下用户响应模型的基础上,根据峰谷分时电价制定过程需要,准确把握用户响应特性的需求,基于加权最小二乘法建立了用户响应度曲线的参数辨识模型;提出了用户真实响应度曲线的获取是一个利用历史数据反复修正的过程,并解决了分段线性的响应度曲线的拐点处理问题;然后针对峰谷电价不同实施情况的用户,制定了峰谷分时电价下用户响应行为的实时仿真流程,并用实例说明了上述模型的有效性和优越性     

基于非线性自回归神经网络和随机森林算法的核电汽轮机组出力优化

针对国内某核电站夏季工况出力不足的问题,提出一种基于非线性自回归神经网络和随机森林算法优化核电汽轮机组出力的方法。非线性自回归神经网络能实现季节性时间序列的准确预测;随机森林算法对异常值不敏感、具有较强的泛化能力,被广泛应用于分类和回归问题。文中应用非线性自回归神经网络建立海水温度时间序列预测模型,应用随机森林算法建立海水温度和电功率设定值对高压调节阀开度和热功率的影响关系的回归模型,将2个模型相结合,获得未来24h的电功率设定值优化曲线,机组运行人员可根据该优化曲线调整机组出力。通过该核电站的历史运行数据,验证了该方法的有效性,采用电功率设定值优化曲线设定机组出力,将在保证机组运行参数不超限的情况下,有效提升机组的夏季出力,提升机组经济性。     

基于改进OCSVM的智能变电站数据流异常检测方法研究

目前智能变电站的数据流异常检测对准确性和实时性要求较高,采用简单阈值的检测方法已无法满足要求。针对这一问题,基于智能变电站体系架构,提出了一种将改进的密度聚类算法和改进的单类支持向量机算法相结合用于智能变电站异常数据流检测的方法。使用k-dist图优化密度聚类算法对正常数据流样本进行聚类,形成样本簇。使用改进的粒子群算法优化单类支持向量机算法建立相应的检测模型,对异常数据流进行检测。通过仿真与传统检测方法进行对比分析,验证了所提方法的有效性。结果表明,与传统OCSVM方法相比,所提异常检测方法将常规数据流样本拆分为多个OCSVM模型,可以更紧密地包裹正常样本,检测效果较为理想,检测准确率高于99%,可以满足异常数据检测对准确性和实时性的要求。     

基于聚类分析的配电台区拓扑识别方法

拓扑识别是配电台区的技术热点之一,拓扑关系是电网普遍需求。在不额外增加拓扑识别硬件的条件下,利用台区同期电能数据进行拓扑识别,是有别于专用拓扑装置的另一种方法。研究了基于基尔霍夫定律的智能装置父子关系的特征条件和数学组合算法,并研究了基于聚类分析的拓扑识别算法,实现了从台区总出线开关到用户电能表的拓扑识别过程。提出了智能装置拓扑关系的主要数据结构和拓扑数据表单。基于聚类分析的机器学习方法和组合优化算法的拓扑识别技术,对于配电台区的运行和维护具有实用价值,对于配电数据孪生应用具有参考作用。