基于深度神经网络的电力系统快速状态估计

随着现代电力系统的迅猛发展,电网结构和运行方式日益复杂,对状态估计的实时性和准确性也提出了更高的要求.为此,该文提出一种基于深度神经网络的电力系统快速状态估计,通过相关性分析筛选出该状态估计模型的输入量测集,进一步利用海量历史数据建立基于深度神经网络的状态估计模型.当电力系统的实时量测更新时,将强相关量测输入已建立的状...     

基于主动迁移学习的电力系统拓扑自适应暂态稳定评估

在基于深度学习的数据驱动型电力系统暂态稳定评估技术中,需要解决的一个关键应用挑战是对系统拓扑结构变化和电网扩展的适用性问题。该文首先提出一种考虑电气属性的互注意力图池化方法,基于注意力机制,按照电网节点的属性和距离执行差异化的特征综合,提升图深度学习特征聚合对拓扑结构变化的适用性。在此基础上,提出一种基于主动迁移学习的暂态稳定评估方案,在电网结构大幅变化或扩展时可以利用少量新系统标注样本完成模型的学习。提出梯度加权距离评价样本相似性,从原系统中获取新系统样本伪标签以实现新系统模型的初始训练。设计考虑不确定性和多样性的主动采样策略从新系统中持续挑选高价值样本进行标注,大幅减少样本标注成本。在IEEE 39、300节点系统上的测试结果验证了该文方案的优越性。     

基于SHGM估计方法的电力系统状态估计

电力系统状态估计作为一种应用软件，在整个能量管理系统（EMS）中起着非常重要的作用，但是经典的估计方法在处理不良的异点时显得无能为力。为了解决这一问题，文中在简要分析映射统计概念及原理的基础上，用先辨识杠杆点的方法来进行估计，从而避免受到在这些点的不良数据的影响。仿真试验结果表明，该方法较一般的WLS状态估计方法在处理不良数据以及收敛性等方面具有更好的效果，并且它的算法是对较简单的基于WLS算法的修改，所以很容易实现。     

基于神经网络的电力系统状态估计

本文以Tank和Hopfield神经网络为基础，建立了一种由主从网络构成的电力系统状态估计神经网络模型。理论分析和实例模拟结果表明：该网络是稳定的，该方法是可行有效的。     

基于集合论估计的电网状态辨识(五)拓扑错误识别

电网的拓扑模型是感知电网状态的基础,错误的拓扑模型将导致状态辨识的结果严重偏离真实的运行状态,因此拓扑错误的辨识非常关键。目前已有拓扑错误辨识的方法在应用于大规模系统和同时辨识不良数据和拓扑错误等方面存在不足。文中基于最少拓扑错误准则,建立了拓扑错误识别的混合整数规划模型,其中测量方程以线性约束和锥约束的形式给出,并采用混合整数不等式来解耦整数变量和连续变量。该模型可高效求解,且可有效识别支路拓扑错误和厂站拓扑错误。     

基于广义状态估计的拓扑错误快速识别方法

为提高开关拓扑识别的速度,简化识别过程中的计算量,提出一种快速识别站内开关拓扑错误的方法。该方法对广义状态估计模型中的约束方程进行重新描述,根据约束方程的特点将全局状态向量解耦,解耦后的状态向量分为独立向量与依赖向量;采用独立状态向量表示量测方程,并据此分析了量测雅可比矩阵结构,进而简化了迭代方程,降低了矩阵的维数,在目标函数不变的情况下,将全局求解分为两步完成;通过量测残差识别模拟量不良数据,通过仅对残差较大的可疑厂站计算的拉格朗日乘子识别开关元件状态的错误。最后,以山东某地区110 kV站为例验证了所提模型与方法的有效性,根据试验结果得出所提方法计算迭代矩阵维数更低,所占内存更少,计算速度更快。     

基于SHGM估计方法的电力系统状态估计

电力系统状态估计作为一种应用软件，在整个能量[管理系统（EMS）中起着非常重要的作用，但是经典的估计方法在处理不良的异点时显得无能为力，为了解决这一问题，文中在简要分析映射统计概念及原理的基础上，用先辨识杠杆点的方法来进行估计，从而避免受到在这些点的不良数据的影响，仿真试验结果表明，该方法较一般的WLS状态估计方法在处理不良数据以及收敛性等方面具有更好的效果，并且它的算法是对较简单的基于WLS算法的修改，所以很容易实现。     

基于深度迁移学习的天气图像识别

当对天气图像等场景复杂和特征不明显的图像进行识别时,往往存在识别率不高和特征冗余等问题。基于此,本文提出了一种基于深度迁移学习的图像分类算法。该算法利用ImageNet数据集的模型参数构建ResNeXt、Xception以及SENet 3种网络模型提取图像特征,采用领域自适应的判别联合分布自适应算法来相似化特征向量,完成高质量的特征表示,并以其结果为准则融合模型特征,将融合特征经过多层感知机训练以实现高准确率识别的图像分类。实验结果表明,该算法的性能优于传统的单一网络模型,进一步提升了图像分类准确率的上限。     

考虑拓扑变化的电力系统暂态稳定评估

针对电力系统拓扑频繁变化导致暂态稳定评估（TSA）困难的问题,提出一种新颖的基于深度学习的TSA方案。基于深度森林（DF）构建暂态稳定评估模型,创新性地提出考虑主动学习技术和分级策略的DF更新方案。该方案从样本生成和模型训练两方面最大限度节省更新时间,并在电力系统拓扑变化后快速更新DF模型,有较强实用性。最后,在新英格兰39节点系统中对所提TSA方案进行验证,结果表明该方案对拓扑频繁变化的电力系统有更强的适应性与鲁棒性。     

基于权函数的电力系统状态估计算法

提出基于权函数的电力系统状态估计算法,该方法较好地综合了加权最小二乘法（ＷＩ－Ｓ）和加权最小绝对值（ＷＬＡＶ）两种估计方法的优点,仅需对应用广泛的ＷＬＳ软件作很少的修改即可实现该算法。在求解迭代过程中,以残差变化最作为加速因子,修正权函数,减少了迭代次数,加快了算法的计算速度,用ＩＥＥＥ３０和ＩＥＥＥ１１８节点系统验证了此方法的优越性。     

基于转移潮流的状态估计模型

传统的状态估计把量测方程作为约束条件,以量测残差的加权平方和或加权绝对值之和最小等为目标函数进行估计,因而不能直接辨识出拓扑错误.为了同时辨识拓扑错误和不良数据,文中把转移潮流方程增广为状态估计的约束条件,在目标函数中同时计及转移潮流的残差和量测残差,对已有的加权最小绝对值状态估计进行了改进,提出了可以同时辨识支路拓扑错误和不良数据的状态估计模型.文中给出了某省实际电网的计算实例.     

基于最小二乘估计融合的分布式电力系统动态状态估计

随着电力系统规模不断扩大,分布式状态估计是解决集中式状态估计计算维数过高和量测大数据处理难等问题的可行策略之一。文中以容积卡尔曼滤波算法作为区域本地估计算法,在协调中心侧采用最小二乘估计融合技术协调估计区间边界状态。根据边界状态协调估计值,各区域通过带等式约束的卡尔曼滤波算法进一步修正区域内部状态的本地估计值。算例仿真表明,所提方法估计精度与集中式估计相当,相比集中式估计具有更好的实时性,且所需数据通信量少,易于实现。     

基于主从分裂法的交直流混合状态估计

直流输电技术的快速发展迫切要求提出实用的交直流混合状态估计方法。该文将交流系统看成主系统，将直流系统看成从系统，提出了交直流混合状态估计的一种新方法，即主从分裂法。该方法自然地将整个电力网络的状态估计问题分解成交流估计和直流估计两个子问题，通过主从分裂迭代，可获得严格的全局状态估计解。其中，交流系统和直流系统可以采用不同的状态估计算法，只需对调度中心现有状态估计软件进行少量修改，即可实现交直流混合状态估计。理论分析和数值试验结果均表明了新方法的实用性、正确性和良好的收敛性。     

结合深度强化学习与领域知识的电力系统拓扑结构优化

对拓扑结构进行优化可提高电力系统运行灵活性,然而线路开断与变电站母线分裂等系统级的离散决策变量维度极高。该拓扑结构优化问题难以由传统混合整数优化方法求解。针对该问题,提出了一种结合异步优势Actor-Critic(A3C)深度强化学习与电力系统领域知识的运行优化方法,将在线优化的计算负担转移至离线智能体训练阶段。该方法通过同时考虑拓扑结构与发电出力调整的动作空间设计系统运行控制智能体,以最小化约束越限为训练奖励,通过强制约束校验缩减搜索空间并提高强化学习效率,从而实现电力系统运行拓扑结构优化的快速计算,提高电力系统运行的安全性。仿真测试验证了所提方法的有效性。     

一种双线性抗差状态估计方法

传统状态估计方法一般需要求解某个非线性非凸优化问题,并用基于梯度的方法予以求解,因而存在难以保证获得全局最优解、可能收敛困难等问题。文中基于国外学者提出的精确线性化量测方程构建了一种双线性抗差状态估计方法。该方法仅需求解一个线性加权最小绝对值估计问题(等价为线性规划问题)、一个非线性变换以及一个线性加权最小二乘估计问题(二次规划问题),从数学上可保证获得全局最优解,并不存在收敛性问题。最后,通过仿真算例验证了所提方法的有效性。     

基于深度学习的锂离子电池SOC和SOH联合估算

锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。     

计及统一潮流控制器的电力系统状态估计算法

在统一潮流控制器(UPFC)模型的基础上,提出了计及UPFC的电力系统状态估计算法。该算法根据给定的运行方式确定UPFC的控制约束条件,通过拉格朗日乘子将UPFC的控制约束条件计入状态估计目标函数,从而将含有UPFC的状态估计问题转化为带等式约束的最优化问题。该算法不仅可以完整地计及UPFC对电力系统的影响,而且可在不必改动原有状态估计模块的基础上,很容易地加入等式约束的修正模块。算例表明,提出的算法是有效可行的。     

基于深度学习的电力作业人员行为识别技术

目前的电力现场安全监控主要通过人员对监控视频进行全程监测,但采用人工检测的方法不仅浪费时间,而且容易出现漏报的情况,使工作人员的人身安全无法得到保障。为实现对作业现场人员行为的智能识别,提出了一种基于OpenPose的电力作业人员的危险行为识别技术。该方法提取视频流图像中电力作业人员骨骼关键点信息,利用深度神经网络实现多人场景下电力作业人员的人体行为姿态感知,实时对施工人员的违规行为进行检测识别,并发出警告。所提方法实现了对电力现场作业人员行为的准确、实时安全监控,保障了现场作业人员的人身安全和电力作业的顺利进行,具有一定的鲁棒性与泛化能力。     

基于异步迭代模式的电力系统分布式状态估计方法

互联电网安全运行所要求的一体化建模与计算对分布式状态估计提出了新的要求,为了给后续的基于异步迭代模式的分布式能量管理系统高级应用提供一个较为精确的基态计算模型,也为解决传统两层式状态估计中出现的边界失配量较大的问题,提出了一种基于异步迭代模式的分布式状态估计方法。该方法基于等值网等值量测修正思想,通过构建关于边界状态量的不动点迭代格式,实现基本的分布式状态估计方法;通过在异步迭代过程中,强制外网等值量测数据为非坏数据,再经协调计算,借用外网量测信息解决了内网靠近边界区域的不良数据难以辨识的问题。以IEEE 118节点系统为标准算例进行测试,测试结果验证了所提方法的有效性。