变压器故障诊断用油中溶解气体征兆优选方法

基于油中溶解气体(dissolved gas analysis, DGA)构造的故障征兆作为变压器故障诊断的重要先验信息,其质量直接影响诊断效果。目前,基于DGA气体的故障征兆数量繁多,但种类相对单一且诊断效果有限,为实现更高准确率的变压器故障诊断,该文提出云征兆方法以丰富现有比值征兆集。为适应高维云征兆的云变换,设计自组织云概念提取神经网络(self-organized cloud concept extraction, SOCCE)进行云概念的提取,以深度挖掘多DGA气体间的关联信息,提高智能算法的诊断能力。最后,通过先排序后寻优的征兆优选策略遴选出最优的DGA混合征兆集。通过IEC TC10故障数据库下的对比诊断可知,该文优选的混合新征兆能够实现92.4%的诊断准确率,相较于传统征兆诊断准确率提升了13.2%～30.8%,且在现场应用和多诊断模型中均表现出较强的泛化能力和推广能力。     

基于纵向联邦学习的微电网群协同优化运行与策略进化

针对分属不同利益主体的微电网构成的微电网群在隐私保护下的协同优化运行问题,提出了一种基于联邦学习的多主体微电网群协同优化运行与策略进化方法。首先,各个微电网在本地训练自身的等值封装模型并上传至云端。然后,云端汇集各微电网的等值封装模型,进行场景推演和全局策略搜索,并下发策略至各微电网。最后,各微电网通过分布式联合训练纵向联邦神经网络学习新策略,实现在隐私保护下的微电网群协同优化运行与策略进化。不同规模微电网群协同运行的仿真结果表明,该方法实现了多主体微电网群在隐私保护下的协同优化运行,相较于独立运行、非合作博弈以及多智能体深度强化学习方法,提升了微电网群整体的经济效益,并保证了各参与方利益的合理分配。     

面向隐私保护基于联邦强化学习的分布式电源协同优化策略

针对分布式电源优化调度面临的隐私保护和实时决策问题,提出了基于联邦强化学习的多智能体分布式协同优化策略。首先,构建了基于联邦强化学习的配电网分布式协同优化框架,利用联邦学习避免在多智能体深度强化学习过程中泄露隐私数据。在此框架下,提出了多智能体约束策略优化方法,利用离线训练缩短在线决策时间,支持智能体实时分布式决策。同时,该方法为智能体构建了考虑潮流方程等约束条件的可行域,允许智能体在训练过程中自由探索,提高了收敛速度,并确保实时调度策略满足电力系统安全运行约束。最后,通过算例进行仿真验证,结果表明离线训练时各智能体仅利用局部信息即可实现全局优化,并保证了实时决策和调度策略的安全性。     

小型固态变压器状态监测及单管开路故障诊断数字孪生方法

固态变压器作为能源路由器的重要实现形式,在交直流配电网、微电网的能量分配与控制等方面具有广阔应用前景。为提高固态变压器运行稳定性,克服固态变压器“多器件”状态监测及“多开关”开路故障定位难题,利用数字孪生的高保真性与互操作性,提出小型固态变压器状态监测及单管开路故障诊断数字孪生方法。该方法利用电磁暂态程序构建可运行开路故障工况的数字孪生体;结合实物系统采集数据,利用量子遗传算法实现数字孪生体关键器件参数同步及状态监测;对比数字孪生体与实物系统的电气量,提出单管开路故障诊断算法,实现开关器件晶体管、反并联二极管开路故障精准定位。算例仿真结果表明,所提出方法可实现器件精准状态监测及快速开路故障诊断。     

基于CatBoost算法的光伏阵列故障诊断方法

针对基于传统机器学习算法的光伏阵列故障诊断方法需要大量训练集的问题,提出了基于CatBoost算法的故障诊断方法,实现小规模训练集下不同程度故障的准确诊断。建立了光伏组件等效电路模型,考虑短路、开路、老化、局部阴影下不同程度的光伏阵列故障,分析包含旁路二极管和阻塞二极管的光伏阵列的伏安特性曲线变化特性,构建反映不同故障特性的特征量,作为光伏阵列故障诊断方法的输入向量。使用CatBoost算法对小规模训练集进行训练,建立基于CatBoost算法的故障诊断模型。为验证所提方法的效果,分别进行了仿真和实验分析。将所提方法与传统神经网络算法、其他决策树算法进行对比,验证了所提方法在小规模训练集下的准确性与稳定性。     

基于深度学习的电力工控流量应用层报文异常检测

准确可靠的电力工控流量异常检测方法是识别网络攻击和实现主动防御的关键手段,对于保证电网的安全稳定运行具有重要意义。文中针对现有电力工控流量异常检测方法存在的检测深度不足、攻击分类少、未知异常识别能力弱等问题,提出了一种基于飞蛾扑火优化(MFO)算法和一维卷积神经网络(1D-CNN)的电力工控流量应用层报文异常检测方法。首先,在深度协议解析的基础上对流量数据的应用层报文进行多维度特征提取;其次,利用随机森林算法计算特征重要度,剔除冗余特征;然后,训练所搭建的1D-CNN报文异常检测模型,并结合MFO算法进行超参数调优,提升模型性能;最后,利用Softmax分类器输出报文的异常检测结果。仿真结果验证了所提方法的有效性。     

电力电子化配电网的柔性度

为衡量智能软开关(SOP)等电力电子装置带给配电网的柔性,提出了电力电子化配电网柔性度的概念。首先,提出了柔性度的概念,即采用柔性电力电子装置后配电网所具备的双向连续的柔性潮流控制能力的相对量度。进而,提出了柔性度的具体定义和计算方法,以配电网柔性区占整个配电网的比例来定义,并计及了柔性潮流控制量的大小。然后,采用典型接线模式和IEEE RBTS-Bus4扩展算例以SOP柔性化改造为例进行验证。通过算例分析了SOP对柔性度的影响规律：柔性区由SOP位置、台数和端口数决定,柔性潮流控制量由馈线接入的SOP容量决定。在此基础上总结得到了SOP的配置原则。最后,定义了单位柔性造价,提出了基于柔性度的配电网柔性化改造的经济评价方法,并结合算例展示了柔性度在SOP规划和分布式发电消纳中的应用。     

基于改进的方向性加权模糊Petri网配电网故障诊断

为提高配电网保护动作信息丢失时故障诊断的准确率及容错性,提出了基于改进的方向性加权模糊Petri网配电网故障诊断方法。首先,考虑故障发生时近后备保护对可疑故障元件故障诊断的影响,对可疑故障元件的各个故障蔓延方向进行建模;其次,在专家经验的基础上采用随机数对模型输入权值进行随机赋值;最后,在保护动作信息丢失时,跟踪改变可疑故障元件保护未动作的可信度取值,并分析该故障诊断方法的适应性与容错性。仿真结果表明,所提基于改进的方向性加权模糊Petri网配电网故障诊断模型在信息不完备或者保护及断路器拒动时,均具有较高的故障诊断准确率。     

基于深度强化学习的5G基站储能调度策略

为提高5G基站闲置储能的利用率,设计了一种5G基站储能参与电网调度的多基站储能系统,采用参与电网需求响应和低储高放的协同调度机制,建立了考虑过充过放惩罚和调度成本等多因素的多基站储能系统经济模型。以经济效益最大化为目标,提出了一种基于深度强化学习的5G基站储能充放电行为调控方法。该方法使用深度确定性策略梯度对系统环境信息进行学习,并对5G基站储能进行分组以降低学习维度。仿真结果表明,该方法能够保证5G基站储能单元后续可调容量,有效控制基站储能荷电状态变化范围,并最大化基站储能参与电网调度所得收益。     

基于Elman神经网络的油浸式电力变压器故障诊断

油浸式电力变压器的运行状态直接影响到电力系统的安全与稳定,对其进行故障诊断具有重要的现实意义。依据Elman神经网络具有动态处理数据及对历史数据敏感的能力,提出了将它用于油浸式电力变压器的故障诊断新方法,并给出了其具体的实现,同时对故障诊断的结果,将Elman网络与BP网络进行了比较。检测结果表明,Elman网络具有区别油浸式电力变压器不同故障类型的能力。     

频响法在线监测变压器绕组变形的传递函数构建及其灵敏度分析

离线频响法的传递函数难以应用于运行中变压器的绕组变形检测,因而构建了适用于在线监测的传递函数,并对比分析了其反映变形缺陷的能力。基于多端口电路网络理论,分别构造了适用于中性点接地和中性点不接地的带电运行变压器的3种传递函数;参考实际180 MVA/220k V变压器绕组参数,建立了三相双绕组变压器多导体传输线模型,计算了鼓包和位移变形时各传递函数的频响曲线及其8种特征参数。对比结果表明：在线传递函数的相关系数和欧氏距离的数值、随变形量变化的线性度、对变形量的灵敏度与离线传递函数基本一致;各传递函数特征参数的线性度达到0.8以上,对鼓包变形的灵敏度大约是位移变形的40%。所构造的传递函数不仅适用于带电检测,而且性能与离线传递函数基本一致。     

基于概率神经网络的电力变压器故障诊断

提出了一种基于概率神经网络的变压器故障诊断方法,并用遗传算法优化概率神经网络的平滑因子,从而提高概率神经网络诊断的正确率.结果表明,实际的油色谱数据验证了此变压器故障诊断方法的可行性和正确性.     

基于概率神经网络的电力变压器故障诊断

提出了一种基于概率神经网络的变压器故障诊断方法,并用遗传算法优化概率神经网络的平滑因子,从而提高概率神经网络诊断的正确率。结果表明,实际的油色谱数据验证了此变压器故障诊断方法的可行性和正确性。     

基于油气分析的电力变压器故障诊断

提出了基于油气分析的故障诊断模型,并用实例证实了其可行性.     

基于粗糙集理论的电力变压器绝缘故障诊断

提出了一种基于粗糙集理论的电力变压器绝缘故障诊断新方法 ,它能够根据不完整征兆信息对电力变压器故障进行诊断。该方法不但可直接从完备的故障征兆样本集中导出正确的诊断结论 ,而且还能从不完备的故障征兆样本集中导出满意的诊断结论 ,它揭示了故障征兆信息的冗余性。实例诊断结果证实了该方法的有效性     

基于粗糙集理论的电力变压器绝缘故障诊断

提出了一种基于粗糙集理论的电力变压器绝缘故障诊断新方法,它能够根据不完整征兆信息对电力变压器故障进行诊断.该方法不但可直接从完备的故障征兆样本集中导出正确的诊断结论,而且还能从不完备的故障征兆样本集中导出满意的诊断结论,它揭示了故障征兆信息的冗余性.实例诊断结果证实了该方法的有效性.     

基于组合决策树的油浸式电力变压器故障诊断

提出了一种利用属于模式识别范畴的决策树C4.5法进行变压器故障诊断的方法。由于C4．5方法可方便地处理连续特征模式且有从样本学习判定规则的功能，因此应用中显示了该方法对于变压器故障诊断的适用性。在讨论变压器故障空间的基础上，针对已积累的故障变压器的大量油中溶解气体等数据，考察了各类故障的特征偏置，并在此基础上构造出组合决策树诊断模型，实现了变压器故障由粗到细的逐级划分，有利于提高诊断的准确性。实例表明该模型的有效性。     

基于多任务学习卷积网络的非侵入式负荷监测方法

随着居民用户对设备耗能管理需求的增长,低硬件成本的非侵入式负荷监测技术具有巨大的工程应用价值。目前,负荷监测深度网络存在输出假阳性功率片段问题,造成对电器开关运行状态的误判,影响负荷分解精度。为此,提出一种基于多任务学习的非侵入式负荷监测方法。首先,建立基于多分支卷积网络及改进后处理的负荷监测推理框架,在负荷功率分解网络主分支的基础上,设立开关状态判定分支网络,引入电器开关序列监督信息,通过多任务聚合损失函数调整网络训练时梯度反向传播过程,降低了运行状态误判率。然后,采用加权均值滤波对网络输出的开关状态评估值和功率输出值进行后处理,进一步降低负荷分解误差。最后,在UK-DALE数据集上开展对比实验,实验结果表明所提方法能够较好地分离出包含复杂功率特性的电器负荷,验证了方法的有效性。     

基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络.该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性.