基于GA改进LSTM-BP神经网络的智慧楼宇用能行为预测方法

针对大部分预测方法难以适用于多源异构数据的处理,且存在能源类型考虑不全面等问题,提出了基于GA改进LSTM-BP神经网络的智慧楼宇用能行为预测方法.该方法通过K-means聚类算法分析用能行为并减少用能数据规模,利用遗传算法优化长短时记忆网络(LSTM)结合反向传播神经网络(BP)的预测模型,实现对智慧楼宇的能耗预测.基于TensorFlow深度学习框架进行实验分析,结果表明所提方法在12 h及120 h内预测结果的MAE值分别为1.79 J和2.11 J,预测效果稳定并优于其他对比方法,故具有一定的应用前景.     

超声-特高频联合分析方法在现场GIS局放检测中的应用

该文根据GIS内部局部放电产生不同信号的传播特性,分别利用超声波传感器接收产生的声波信号,利用特高频传感器接收产生的电磁波信号。同时通过检测仪器实时采集数据结果,提取信号波形,并对多种信号进行联合比较分析,对检测到的信号进行区分,排除外界干扰,分辨是否为GIS内部的真实局部放电信号。结果表明,基于超声和特高频的局部放电联合分析方法,能够提高GIS内部局部放电辨别的准确性和有效性。     

电力系统变电一次设备状态检修策略的探讨

变电设备一次检修通过科学的检测数据进行综合决策,状态检修以判断变电设备运行状况为目的,辅助检修人员对将要发生的故障进行判断,保证整体电力系统稳定地运行。变电一次设备的优劣直接影响电力系统的稳定运行,相较于传统的检修方式,变电设备一次检修技术有明显的技术优势以及财力、物力节约优势,可以降低传统检修的种种缺陷,实现延长设备寿命,将检修的成本降低。该文旨对电力系统变电一次设备状态检修策略进行探讨。     

单簇悬浮信号在现场UHF测试中的干扰分析

在现场局放UHF测试过程中发现,现场存在单簇悬浮信号的干扰。为分析该单簇信号的放电特征及产生原因,利用现场试验平台,结合超声和SF6气体组分检测等手段,并利用示波器采集原始信号及频段分析法进行分析。试验结果表明:该现场单簇信号为单簇悬浮放电干扰信号,由现场感应电的作用产生。对传感器金属外壳进行充分屏蔽,适当提高现场测试时采用的频段,能避免因感应电带来的单簇悬浮信号的干扰,为现场测试UHF提供一定依据。     

基于改进递归网络的智慧楼宇负荷预测方法

针对智慧楼宇负荷类型复杂且多变导致的负荷预测精度低等问题,提出了一种基于改进递归网络的智慧楼宇负荷预测方法.该方法在深度神经网络多隐层结构的基础上增设了关联层,使深度递归神经网络(DRNN)模型具有动态特性,并利用改进粒子群优化算法对模型权值空间进行优化,进而实现楼宇负荷的准确预测.基于不同类型楼宇的实验结果表明,所提方法的预测误差约在±0.3 MW的范围内波动,其均方根差与平均绝对百分比误差分别为0.27 MW和1.05%,且预测误差均小于其他对比方法.     

基于卷积神经网络的线路损耗智能评估方法研究

针对传统线路损耗评估准确率，导致电缆线路损耗增加的问题，基于卷积神经网络CNN,提出一种关于电缆线路损耗的智能评估方法，并计及电能质量问题，构建一个智能评估模型CPQ-CNN。该模型以电缆线路的电压、电缆和电能质量指标作为CNN的输入向量；进行CNN特征提取和处理后，最终输出电缆线路损耗评估值。仿真结果表明，相较于Un-CPQ-CNN模型，本模型的RMSE和MAE分别降低了22.58%和34.51%,对比于ELM模型、SVR模型和赋权法模型，本模型的RMSE和MAE分别下降了39.05%、40.84%、77.48%和49.42%、44.52%、81.51%。综合分析可知，本模型对电缆线路损耗的智能评估值与真实值间的误差最小，评估准确率更高，可在电缆线路损耗评估中进行应用。