基于深度学习的机翼蒙皮载荷计算方法

针对传统的载荷标定方程计算机翼蒙皮载荷精度低的问题,提出了一种基于深度学习的机翼蒙皮载荷计算新方法。考虑真实机翼蒙皮受力复杂,首先建立了机翼蒙皮试验件模型,使用Ansys仿真软件对试验件进行有限元分析,获得应变与载荷仿真数据,并对仿真数据进行数据清洗与预处理;其次,构建深度神经网络模型,将应变与载荷作为神经网络模型的输入与输出值,采用Adam算法优化提出的载荷计算模型;最后,在测试集上对载荷值进行预测,使用平均相对误差与绝对值差作为评价指标。实验结果显示,基于深度学习的载荷计算方法在小载荷数据上平均绝对误差为0.081 N,在正常载荷数据上的平均相对误差为0.063 8%;与传统载荷计算方法比较,本文提出的新方法计算的载荷精度明显优于传统方法。     

基于深度强化学习的多能流楼宇低碳调度方法

建筑减排已成为中国达到“双碳”目标的重要途径,智慧楼宇作为多能流网络耦合的综合能源主体,面临碳排放量较多、多能流网络耦合程度高、负荷用能行为动态特性明显等问题。针对这一问题,提出基于深度强化学习的多能流楼宇低碳调度方法。首先,根据智慧楼宇的实际碳排放量,建立了一种奖惩阶梯型碳排放权交易机制。其次,面向碳市场和多能流耦合网络,以最小化运行成本为目标函数,建立多能流低碳楼宇调度模型,并将该调度问题转换为马尔可夫决策过程。然后,利用Rainbow算法进行优化调度问题的求解。最后,通过仿真分析验证了优化调度模型的可行性及有效性。     

基于深度学习GRU网络的配电网理论线损计算方法

由于实际应用中对理论线损的精度要求不高,且传统计算方法所需电气参数较多,计算过程繁琐.因此,文中提出了一种基于深度学习门控循环单元(Gated Recurrent Unit,GRU)网络的配电网理论线损计算方法.为综合考虑主客观因素,将互信息理论和层次分析法相结合,进而确定所选电气参数对理论线损的影响权重;按照权重的大...     

基于模糊C-均值聚类的时序概率潮流快速计算方法

为衡量光伏出力与负荷的时序变化特性对电力系统运行状态的影响,基于模糊C-均值聚类算法提出一种时序概率潮流快速计算方法.将一天分为24个时段,采用自适应扩散核密度估计法分别建立光伏出力与负荷的概率密度分布模型,提高概率模型局部适应性,并通过Copula理论描述二者之间的相关关系;利用模糊C-均值聚类法划分光伏出力与负荷场...     

基于SOCP的综合能源系统日前调度概率最优能量流

随着能源危机的加重,再电气化成为破解能源发展难题的必然选择。根据电气互联综合能源系统作为再电气化的一种新思路,提出利用二阶锥规划求解综合能源系统日前优化调度概率最优能量流的方法。首先,利用电力系统、天然气系统和能源集线器构建综合能源系统日前调度概率模型;然后,将综合能源系统日前调度概率模型放缩为凸模型;接着,采用点估计法求解综合能源系统日前调度概率最优能量流;最后,利用典型算例在MATLAB上的YALMIP平台验证此算法的正确性与有效性。     

基于组合深度学习的光伏功率日前概率预测模型

为准确量化复杂场景下光伏预测功率的不确定性,提出了一种基于时序卷积网络-注意力机制-长短期记忆网络组合的光伏功率短期概率预测方法。首先,基于多种相关性分析方法选出与光伏功率强相关的气象因素;然后,基于时序卷积网络的特征提取能力和长短期记忆网络的时序特征建模能力,并结合注意力机制和分位数回归,建立组合深度学习预测模型;最后,采用核密度估计方法生成连续概率密度函数。以实际集中式和分布式光伏电站为案例进行分析,结果表明：与长短期记忆网络、时序卷积网络、时序卷积网络-注意力机制和时序卷积网络-长短期记忆网络相比,所提方法在确保最优预测区间的同时,可以提升概率密度预测的性能。     

基于特征降维与分块的输电网概率最优潮流深度学习方法

概率最优潮流需要对非线性最优潮流问题进行重复求解,计算量较大,从而限制了其应用。提出一种基于特征降维、分块和深度神经网络辅助预测的最优潮流两阶段求解方法。在第一阶段,提出基于深度神经网络的最优潮流部分关键决策变量的优先辨识策略,以解决深度学习中因特征维度过高而导致的数值湮没问题,进而以最优潮流的结果特征为导向,基于关联性分析和聚类分析挖掘最优潮流输入与输出特征的关联性匹配度,并构建样本数据的分块特征库,以降低学习难度。在第二阶段,利用深度神经网络完成部分关键决策变量的分块映射,基于潮流模型恢复剩余状态变量,并对计算结果不收敛、不满足约束的情况进行修正,以恢复可行性。根据最优潮流两阶段求解方法构建概率最优潮流求解方法。仿真结果表明所提方法在最优潮流、概率最优潮流的求解速度和求解精度上均有较好的表现。     

基于边缘计算与深度学习的输电设备异物检测方法

在输电设备上经常会出现各种异物,如鸟巢、塑料袋,如果不能及时发现并清理将会对输电系统造成很大的安全隐患。因此,及时对输电设备是否有异物进行检测非常必要。针对该问题,提出了一种基于边缘计算和深度学习的异物检测方法。该方法与现有利用无人机拍摄传回云端服务器计算方法不同,通过将检测计算下沉到边缘设备,使用Mobilenet加上优化后SSD的目标检测方法在边缘设备直接处理计算,将检测出异物的图像发回云端。该方法在CPU上的运行速度是基于VGG（目视图像生成器）的SSD方法的5倍左右,是Faster-RCNN的58倍左右;在模型大小上是基于VGG的SSD方法的2/9左右,是Faster-RCNN的2/49左右,精确度为89%;与直接将数据传回云端服务器再进行处理的方式相比,数据传输量减少约90%。该方法不仅满足实时性,还具有可靠的效果,基于该方法的系统已经得到实际部署。     

多能源网络稳态能量流分析与计算方法

适用于不同能源形式通用的数学描述和统一的能量流计算方法是多能源网络规划运行的理论基础.文中在构建多能源网络三维拓扑结构图的基础上,提出能量传递的统一描述,借用热力学中强度量和广延量的概念构建多能源网络中支路的能量传递方程.以最常见的圆柱形传递管道为例,推导交直流电能传递、不可压缩黏性流体、可压缩气体,以及热传导、流体传热的支路能量传递过程,并建立描述节点广延量守恒的网络方程.通过采用牛顿-拉夫逊法分别对独立能源子网和多能源网络的稳态能量流进行求解,算例验证了所提方法及模型的可行性.     

基于深度强化学习的混合动力汽车能量管理策略

针对混合动力汽车能量管理策略在线运行时对工况适应性差的问题,提出一种具有深度强化学习能力的能量管理策略设计方法。该方法基于深度确定性策略梯度算法来确定发动机功率最佳变化率,进而建立车载能源功率分配策略。所建立的控制策略包含离线交互学习与在线更新学习双层逻辑框架,根据车辆运行特性对控制参数进行动态更新,以提高在线运行时车辆的节能效果。为了验证所提出的控制策略,以沈阳实车测试数据对算法有效性进行分析,并与粒子群优化算法的控制效果进行对比。结果表明,所提出的深度强化学习能量管理策略可以实现优于粒子群优化策略的节能效果,尤其当车辆行驶特性发生突然变化时,深度强化学习控制策略具备更强的适应性。     

冷热电联供微网能量流的解耦计算方法

针对目前冷热电联供微网能量流计算中对多能量输出端的能源站描述不够详细、冷/热网与电网之间的耦合关系简单以及采用统一计算方法导致模型复杂度高、计算时间较长的问题,提出了一种冷热电联供微网能量流的解耦计算方法。对能源站内部进行了较详细的建模,并考虑燃气发电机与制冷制热设备间的能量耦合关系,以及供冷供热网中循环水泵的耗电特性。根据冷热电联供微网仅在能源站和负荷存在着耦合环节而中间的供冷网、供热网和供电网相互独立的特点,将其解耦成供冷网能量流计算、供热网能量流计算、供电网潮流计算和能源站内部能量流计算四部分,并根据供冷/热网的放射性结构特点采用前推回代法进行计算,以降低模型的计算复杂度,并提高计算速度。以某个园区冷热电联供微网作为算例,计算结果验证了所提出方法的正确有效性。     

基于PEBS法的暂态能量裕度灵敏度快速计算

提出了一种基于PEBS法暂态稳定分析的能量裕度灵敏度计算方法.该方法以系统故障前稳定平衡点作为暂态势能参考点,沿持续故障轨迹采用数值方法计算暂态势能.在系统持续故障仿真和灵敏度动态方程计算过程中,引入高阶Taylor级数展开技术,可以在保持计算精度的前提下提高计算步长,显著提高计算速度.将到达临界势能点的判据展开以时间为自变量的多项式形式,通过解方程求得到达临界势能点的时间,从而快速确定临界势能点的位置.提出的能量裕度灵敏度分析方法包括两方面:计算故障前机组机械注入功率变化对能量裕度的灵敏度,用于指导预防控制;计算故障切除后的控制措施对稳定裕度的影响,用于指导紧急控制.New England 10机系统算例验证了该方法的有效性.     

基于PEBS法的暂态能量裕度灵敏度快速计算

提出了一种基于PEBS法暂态稳定分析的能量裕度灵敏度计算方法。该方法以系统故障前稳定平衡点作为暂态势能参考点,沿持续故障轨迹采用数值方法计算暂态势能。在系统持续故障仿真和灵敏度动态方程计算过程中,引入高阶Taylor级数展开技术,可以在保持计算精度的前提下提高计算步长,显著提高计算速度。将到达临界势能点的判据展开以时间为自变量的多项式形式,通过解方程求得到达临界势能点的时间,从而快速确定临界势能点的位置。提出的能量裕度灵敏度分析方法包括两方面:计算故障前机组机械注入功率变化对能量裕度的灵敏度,用于指导预防控制;计算故障切除后的控制措施对稳定裕度的影响,用于指导紧急控制。New England 10机系统算例验证了该方法的有效性。     

基于深度学习的电力设备图像识别方法

针对传统方法对电力设备的图像特征分类不明确,导致得到的图像识别效果不佳,难以保证安全运行的问题,提出了基于深度学习的电力设备图像识别方法。该方法首先提取电力设备图像特征分类伪装因素,然后基于深度学习方法构建网络模型定位错误锚点,通过正负训练标记识别目标区域,从而完成对电力设备图像的识别。实验结果表明,以变压器和电线塔杆作为识别设备测试对象,该方法能在30 s内基本完成采集图像的有效识别,可保证电力设备能稳定运行,具有较好的实际应用效果。     

基于数字网系方法的概率最优潮流计算

风电场和光伏电站的大规模接入使得在进行电力系统最优潮流计算时需要考虑风电场和光伏电站出力的随机性。传统的蒙特卡洛法耗时长、占用内存大,文中提出一种利用数字网系(DN)的采样值具有等分布这一特性来改善输入随机变量分布空间覆盖程度的方法,并将该方法用于含风电场和光伏电站的电力系统概率最优潮流计算中。以IEEE 30节点系统对所提方法的准确性与有效性进行了验证,仿真结果表明:DN方法可以较好地估计输出随机变量的概率分布,能有效地处理电力市场中的不确定性问题。将该方法用于IEEE 300节点系统,研究了系统接入不同容量光伏电站对节点电价的影响。同时,还将风电场和光伏混合系统与单独风电场系统进行对比,得到前者的节点电价、网损和支路功率波动更小的结论。     

基于深度强化学习的居民实时自治最优能量管理策略

随着居民分布式资源的普及,如何考虑用户多类型设备的运行特性,满足实时自治能量管理需求以达到用户侧经济性最优成为亟待解决的课题。传统基于模型的最优化方法在模型精准构建和应对多重不确定性等方面存在局限性,为此提出一种无模型的基于深度强化学习的实时自治能量管理优化方法。首先,对用户设备进行分类,采用统一的三元组描述其运行特性,并确定相应的能量管理动作;接着,采用长短期记忆神经网络提取环境状态中多源时序数据的未来走势;进而,基于近端策略优化算法,赋能在多维连续-离散混合的动作空间中高效学习最优能量管理策略,在最小化用电成本的同时提升策略对不确定性的适应性;最后,通过实际情境对比现有方法的优化决策效果,验证所提方法的有效性。