基于LS-SVM的电力电子电路故障预测方法

针对现有电力电子电路故障预测技术的不足,提出将电路特征性能参数和最小二乘支持向量机(least squares support vector machine,LS-SVM)预测算法结合,对电力电子电路进行故障预测.以Buck电路为例,选择电路输出电压作为监测信号,提取输出电压平均值及纹波值作为电路特征性能参数,并利用L...     

基于PSO NGM模型的电子电路故障预测

针对现有电力电子电路故障预测技术的不足,提出了粒子群非齐次灰色（PSO NGM）预测模型对电力电子电路进行故障预测的方法。所提出的PSO NGM预测模型能够对故障特征参数的发展趋势进行预测,进而判断设备剩余使用寿命。通过对Buck Boost电路纹波电压未来趋势进行预测实验,证明该PSO NGM模型对电路特征参数预测相对误差很小,能够跟踪故障特征性能参数的变化趋势,有效实现电力电子电路故障预测。     

基于 DaLSTM 组合模型的电动舵机故障诊断方法

为了实现电动舵机工作过程中多种故障的一体化诊断,提出了一种基于双阶段注意力的长短期记忆网络(DaLSTM)组 合模型的故障诊断方法。 首先,将电动舵机的多源传感器信号作为输入,采用基于输入注意力和时间注意力的长短期记忆网络 (LSTM)自适应提取原始多源传感器数据中的相关特征,并通过 DaLSTM 组合模型实现多源传感器的时间序列预测。 其次,在 故障诊断时间窗口内,以不同工作状态下 DaLSTM 组合模型预测值与采样值的差值最小为决策函数诊断电动舵机的故障类型。 最后,利用公开的美国国家航空航天局(National Aeronautics and Space Administration, NASA)数据集进行时间序列预测和故障 诊断实验,对故障类别的平均识别率达到了 98. 76%,证明了该方法的有效性。     

基于孪生网络和长短时记忆网络结合的配电网短期负荷预测

保证数据驱动型配电网短期负荷预测精准的关键是选取合适的相似日数据集和构建合理的日负荷预测模型.文中研究了一种基于孪生网络(SN)和长短时记忆(LSTM)网络相结合的配电网短期负荷预测模型.基于配电网负荷相似日的影响因素具有多样化、强随机性的特点,利用SN两个输入权重共享的特点对历史负荷数据进行分析,进而对待测日的特征进行分类,以完成相似日数据选取.此外,利用灰狼优化算法全局搜索能力强、收敛速度快等特点,对基于LSTM网络的配电网短期负荷预测模型进行参数优化.最后,以某一个区域配电网的实际数据为例,验证上述预测方法的准确性与鲁棒性,与LSTM网络、基于粒子群优化的LSTM网络、支持向量机等方法对比可知,所提方法具有较高的准确度和计算效率.     

同步发电机定子故障预警模型

为了研究同步发电机的定子故障特征规律,预测故障发生及发展演化趋势,提出了基于深度置信网络(Deep Belief Network,DBN)的同步电机定子故障预测模型。以限制玻尔兹曼机为基本单元搭建深度置信网络,输入样本为SCADA系统采集的定子正常状态下的各项监测数据,将重构误差(Reconstructionerror,Re)作为故障预测指标,利用逐层迭代更新后保留下来的网络参数反映定子健康状态下各物理量之间的特征关系。分别采用指数加权移动平均值(Exponentially Weighted Moving Average,EWMA)原理和自适应原理确定故障阈值,以区分故障和正常状态下Re趋势图差异的形式实现故障监测和预警。DBN网络搭配阈值设定形成了完整的同步发电机定子故障预测模型,该模型经实际故障案例验证可以完成预警早期故障发生的功能,分析残差趋势图可以对故障位置和类型进行初步判断,具有较好的故障预测能力和功能扩展能力。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于相关性分析和长短时记忆网络的稳态电压质量指标预测

随着电力网络规模日益增大,多种负荷接入配电网带来诸多稳态电能质量问题。对配电台区电压质量监测数据进行预测,有助于掌握电能质量水平变化趋势,对电能质量预警和治理具有重要意义。为了有效分析稳态指标数据变化规律并提高电能质量水平,文章提出一种基于长短时记忆(long short-term memory,LSTM)网络的稳态电压质量指标预测方法,挖掘并利用不同时序数据的关联关系,优化稳态指标预测效果。首先,分析有功功率与电压质量指标的关联性,通过时序相关性匹配用户有功功率数据和实际稳态指标的时间序列特征;其次,用LSTM网络对筛选出的用户有功功率序列和稳态电压质量监测数据之间的关联关系进行建模;最后,利用LSTM模型对福建电网某个区域内稳态电压质量数据进行预测。通过实测数据验证,结合特定用户用电行为因素构建的预测模型,在用户日用电行为相对恒定和发生变化两种情况下,均能够提升稳态电压质量指标短期预测精度,且后者场景下长期预测效果更为显著。     

基于内阻预测的阀控铅酸蓄电池故障预警方法

阀控铅酸(VRLA)蓄电池的故障影响电源的供电可靠性,而内阻是反映蓄电池运行状态的重要参数。提出基于蓄电池预测内阻及其变化率的故障预警方法,分析电池内阻变化原因,量化蓄电池内阻的影响因素,采用长短时法神经网络(LSTM),以充放电状态、电压、电流、温度作为输入量,构建蓄电池内阻预测模型,并根据电池内阻预测值及其变化率预判电池故障原因,发出蓄电池预警信号。试验结果验证了所提电池内阻预测模型误差在3%以内,基于电池内阻预测模型的蓄电池故障预警方法有利于蓄电池安全稳定运行。     

基于GA-ELM算法的燃料电池性能预测模型

为减少燃料电池堆耐久性能试验物料成本,提升耐久性能预测效率,利用燃料电池堆稳态耐久性试验数据,基于遗传算法(GA)-极限学习机(ELM)算法结合神经网络与遗传算法,搭建燃料电池稳态耐久性能预测模型。该模型为双输入[时间和电流(或电流密度)]单输出(电压)。利用试验数据对建立的模型进行训练与验证,发现该模型具有较高的预测精度。将GA-ELM模型与长短记忆网络(LSTM)模型对比,在预测精度(误差2%左右)相当的情况下,GA-ELM模型计算时间仅为LSTM模型的1/5。搭建的预测模型具有较好的通用性、较高的稳定性和精度。     

基于LSTM的航空发电机整流电路诊断技术

整流电路是航空发电机的重要组成部分,存在故障频发且维修困难等问题。为对电励磁双凸极发电机(DSEG)的整流电路进行故障诊断,研究了一种基于长短时记忆(LSTM)网络的故障诊断方法。首先,采集多种故障模式下发电机的三相电枢电流信号。其次,利用不同的信号处理方法处理故障信号以获取故障特征信息。然后,将获得的故障特征数据分为训练和测试样本输入LSTM网络进行故障分类。最后,计算并分析诊断结果。仿真与试验结果表明所提方法具有良好的故障诊断效果。     

基于MHHO-BP算法的DC-DC电路软故障诊断

针对DC-DC电路软故障诊断中特征提取困难和分类准确率低的问题,提出了一种基于多策略改进哈里斯优化算法-反向传播MHHO-BP)神经网络的故障诊断方法。该方法通过VMD对故障信号进行处理,提取其时域和频域特征作为故障向量,采用MHHO算法优化BP神经网络的权值和阈值,建立DC-DC电路的VMD-MHHO-BP软故障诊断模型。实验结果表明,对于DC-DC电路软故障,该方法相较于鲸鱼优化算法(WOA)和蝴蝶优化算法(BOA)优化BP神经网络,其诊断效果好,准确率高。     

基于SDS-SSA-LSTM的变压器油中溶解气体浓度预测

油中溶解气体浓度预测对变压器早期故障检测至关重要。为了提高预测精度,本文提出了奇异谱分析(SSA)结合长短期记忆网络(LSTM)的预测模型。首先针对传统序列分解做法中的数据泄露问题,提出一种基于SSA逐步分解的采样策略,然后基于该策略将特征复杂的原始油中溶解气体浓度序列分解为特征相对单一的趋势分量与波动分量,最后利用LSTM网络对各个分量分别进行单步和多步预测。累加各分量的预测值,得到原气体浓度的预测结果。算例表明,相较于单一LSTM,本文所提模型在实验天数内整体的预测精度更高。     

基于LSTM网络的同步电机励磁绕组匝间短路故障预警

构建了一种LSTM故障预警模型对同步发电机励磁绕组匝间短路早期故障进行预警。以发电机组正常情况下的数据训练LSTM网络,求得正常情况下因变量(励磁电流,定子振动)与自变量(定子三相电压,定子三相电流,励磁电压,有功功率,无功功率)之间的函数关系。将2个输出量进行数据融合,计算正常情况下的总偏移距离,定义预警阈值,当总偏移距离大于预警阈值时判定为故障。实验证明,该模型可以实现励磁绕组匝间短路早期故障的预警。     

基于LSTM与XGBoost组合模型的超短期电力负荷预测

为进一步提高电力负荷预测精度,提出了基于LSTM(longshorttermmemorynetwork, LSTM)和XGBoost(eXtremegradientboosting)的组合预测模型。针对电力负荷数据,首先建立了LSTM预测模型和XGBoost预测模型,然后使用误差倒数法将LSTM与XGBoost组合起来进行预测。采用2016年电工数学建模竞赛的电力负荷数据进行算例分析,结果表明所构建的LSTM和XGBoost组合预测模型的MAPE (mean absolute percentage error)为0.57%,明显低于单一预测模型。将上述方法与GRU (gated recurrent unit)和XGBoost两者组合的预测模型相比较,结果表明所提出的方法具有更高的超短期电力负荷预测精度。     

基于长短期记忆神经网络的配电网负荷预测方法研究

高渗透率分布式光伏接入配电网后,将削减配电网负荷。由于光伏出力与配电网负荷均具有强随机性,且与温度、太阳辐照等相关气象因素耦合特性不同,导致配电网净负荷随机性提高、预测难度增加。为满足强波动性配电网净负荷短时预测需要,提出基于长短期记忆(long short term memory,LSTM)神经网络短期预测模型构建新方法。采用LSTM分别构建小时前配电网负荷预测模型和短期光伏出力预测模型,并分别使用交叉验证方法优化各个LSTM预测器结构超参数;最后,以两者预测结果相减,获得配电网净负荷。实测数据实验表明,相较于支持向量回归(SVR)等方法,采用LSTM的新方法能够自适应挖掘历史负荷、光伏出力特征与预测对象间的相关性,避免了复杂的特征选择环节,且预测精度优于SVR预测方法。     

基于变压器特性数据聚类的电力负荷分布式预测

针对大量变压器数据的冗余性与非结构化、半结构化、结构化特性,提出一种基于变压器特性数据聚类的长短期记忆(long short term memory,LSTM)网络模型预测方法。首先,采用核主成分分析(kernel principal component analysis,KPCA)方法对高维非线性的变压器特性数据进行降维;然后,采用K-means算法划分不同变压器预测类型,提取各分类中心变压器负荷曲线,通过LSTM网络训练特征样本训练基,构建负荷预测模型;最后,采用灰色关联度算法对同一类型的变压器进行关联度评价,并将最高与最低关联度的变压器负荷数据输入特征样本训练基,验证模型的有效性。将所提出的K-means-LSTM网络模型与基于自适应矩估计的LSTM(adaptive moment estimation-LSTM,ADAM-LSTM)网络模型的短期负荷预测结果进行对比分析,结果表明K-means-LSTM网络模型在运行时间上具有显著优势。     

基于随差遗忘长短期记忆的风电功率实时预测

由于标准长短期记忆(long short-term memory, LSTM)遗忘门更新方式不能实时反映预测误差对模型预测的修正作用,提出随差遗忘长短期记忆(Error Following Forget Gate-based LSTM, EFFG-based LSTM)的风电功率实时预测模型。用上一时刻的风电功率预测值与实际值的误差来更新遗忘门,从而降低上一时刻预测误差对此时风电功率预测精度的影响,提升风电功率滚动预测精度,并采用某实际风电场的历史风电功率数据和数值预报气象数据进行了验证,结果表明:基于EFFG-based LSTM网络风电功率实时预测模型预测值的均方根误差小于3%,满足系统调度相关要求;准确率、合格率达到90%以上,比基于支持向量机和标准LSTM模型具有更高的预测精度。     

基于滑动时窗K-Means聚类的CVT早期故障诊断

电容式电压互感器设备故障的产生给电网设备监测工作造成了严重影响。本文提出了一种基于滑动时窗K-Means聚类早期辨识CVT是否发生内部电容单元击穿故障的检测方法。根据CVT内部电容单元击穿会导致二次侧电压变化,在时域上将CVT二次侧电压数据基于滑动时窗分解为若干段,对分段内数据K-Means聚类处理,通过两类类质心数据差值与阈值比较的结果确定CVT是否发生内部电容击穿故障。算例结果表明本方法对于诊断CVT内部电容单元是否被击穿有一定效果,相比于传统的物理检测手段,效率及灵敏度更高。经过进一步的完善后可适用于智能电网系统。     

基于Attention-LSTM的光伏超短期功率预测模型

超短期光伏发电功率预测有利于电网的调度管理,提高电力系统运行效率及经济性.针对传统长短时记忆(LSTM)神经网络在处理长序列输入时易忽略重要时序信息的缺陷,文章提出了一种结合注意力机制(Attention)与LSTM网络的功率预测模型.采用皮尔森相关系数法(Pearson)分析了实验的历史数据集,剔除无关变量,对数据集进行了降维处理,简化了预测模型结构.在此基础上将Attention机制与LSTM网络相结合作为预测模型.At-tention机制通过对LSTM的输入特征赋予了不同的权重,使得预测模型对长时间序列输入的处理更为有效.以某地光伏电站实测数据对文中所提模型进行训练和对比验证,所提出的预测模型能够更充分地利用历史数据,对长时间输入序列中的关键信息部分更为敏感,预测精度更高.     

基于改进LSTM的电力设备状态融合预测模型

针对电力大数据存在数据随机缺失进而降低长短期记忆模型（Long Short-term Memory, LSTM）预测准确率的问题,本文提出了一种基于改进LSTM的电力设备状态融合预测模型。该模型首先对状态数据进行缺值检测和平稳分析,根据历史数据利用差分整合移动平均自回归模型（Autoregressive Integrated Moving Average model, ARIMA）对缺失的数值进行预测,并将预测的数值补充至相应的缺失位置;然后将新的完整数据输入到ARIAM模型和改进LSTM模型中以获取两种预测值;最后根据改进LSTM模型的学习准确率和ARIAM模型的拟合度对预测值进行权重分配,并在此基础上进行状态趋势融合预测。为了验证本文模型的普适性和预估准确性,选择电力负荷数据开展实验,结果表明：基于改进LSTM的电力设备状态融合预测模型在数据完整情况下的预测准确率比ARIAM和LSTM分别提高了52%和25% ,在数据缺失情况下的预测准确率分别提高了44%和57%。