综合RapidMiner与改进粒子群极限学习机算法的变压器故障诊断

针对三比值法用于变压器故障诊断缺编码以及各种人工智能方法抗干扰能力不足等问题,提出了综合RapidMiner与改进粒子群极限学习机算法RM-MPSO-ELM的变压器故障诊断方法。该方法利用RapidMiner工具,结合变压器样本数据,挑选出与故障类型最相关的输入变量,并针对极限学习机算法参数选择困难的问题,利用改进粒子群优化算法进行了参数优化。最后,使用极限学习机算法对变压器的潜在故障进行识别,并将之与IEC三比值法、支持向量机方法以及不同组合的极限学习机算法的诊断性能进行了比较。结果表明,本文所提方法具有更高的诊断精度。     

综合数据清洗及无监督学习技术的电力设备状态评估

针对传统的阈值异常监测方法难以快速、准确地检测出输变电设备的异常,且会出现误报现象,提出了一种综合数据清洗与无监督学习技术的电力设备状态监测方法,首先运用一种数据清洗方法对原始数据进行预处理,去除了其中存在的噪音点、缺失值等,在不影响结果的前提下最大程度的简化了数据,避免了误报,提高了在线监测的效率;然后结合一种基于无监督学习的数据挖掘方法,利用自回归模型,提出了契合度的指标;最后与历史正常运行时间序列进行欧氏距离的分析。实例应用结果表明,所提方法能更加及时监测到设备异常,且准确性得到了提高,较传统阈值方法更具优越性。     

基于灰色关联分析与随机森林回归模型的短期负荷预测

针对人工神经网络和支持向量机存在的泛化误差大、具有局部最优以及参数选取困难等缺点,将随机森林回归模型引入电力系统短期负荷预测,提出了一种基于相似日与随机森林回归模型的短期负荷预测方法。利用灰色关联分析法计算原始训练样本与预测日各影响因素间的关联系数,选取相似度较高的历史样本构成相似日样本集,对随机森林回归模型进行训练。将预测日的特征向量输入训练好的模型中,取所有回归树输出结果的平均值作为最终的负荷预测结果。实际算例表明,与常规支持向量机法和常规随机森林回归法相比,该组合方法可以有效地提高短期负荷预测的精度。     

考虑多参数不确定性的微电网优化运行

针对微电网中多种不确定性因素的影响,提出一种基于云理论的随机框架进行处理,通过使用云滴模拟多不确定性问题,将不确定性的模糊性和随机性的定性分析转化为定量分析。针对1 d中不同时段微电网不确定性因素的变化情况,建立考虑经济性与可靠性的微电网优化调度模型,利用磷虾群算法对模型进行求解,并提出一种基于列维飞行的修正方法以提高算法的局部搜索能力。最后以17节点微电网仿真系统为例进行仿真计算,验证了所提方法的有效性和优越性。