深度学习算法在电力设备故障识别中的运用研究

<正>电力设备是电力系统的重要组成部分,也是支撑电力生产的关键设备。电力设备的稳定运行,不仅有利于提高电力的生产效率与质量,也能有效保证电力能源的稳定传输和供应。一旦电力设备发生故障,除了降低电能供应的稳定性、安全性,还会影响局部电力网络运行,增加电力事故的发生几率,威胁人们的生命财产安全。利用深度学习算法在处理图像、文本数据等方面的优势,建立深度学习网络,为其匹配与待处理图像特征相似的典型案例,再结合电力设备运行状态及以往检修数据,可为电力设备的故障识别及电网巡检工作提供便利,     

电力系统供电能力的提升

随着钢铁企业产品结构升级、生产模式变化以及环保要求等内外部因素的影响,企业用电负荷不断增加,在不投入大量资金进行新增设备和设备改造的前提下,针对如何解决新增负荷供电、提升电力系统的可靠、稳定运行等问题,邯钢公司进行了有益地探索和尝试。本文主要探讨电力系统供电能力的提升方案及措施。通过对挖掘电力系统主体设备潜能、合理改善电力系统运行参数、多维度调控电力系统功率因数以及科学实施电力系统消缺等方面进行技术攻关,解决了新增负荷供电、电力系统可靠稳定运行等问题,成功推动了电力系统先进调荷、调控技术的实施,实现了电能综合利用的稳步改善。     

模拟电力市场负荷预测计算机管理系统

通辽供电公司电力市场负荷预测计算机管理系统是针对通辽供电公司负荷预测工作的特点而开发的计算机管理软件,该系统依据序列“历史喻含未来”的思想采用了国际流行的自回归滑动平均数学模型建立了预测模型,以3、5、10为周 电量预测,预防机制,应用在电力生产调度管理负荷预测工作中,实现电量的采集、汇总、负荷预测、负荷考核管理工作,文中介绍了该系统的运行环境,各项功能及特点。     

模拟电力市场负荷预测计算机管理系统

通辽供电公司电力市场负荷预测计算机管理系统是针对通辽供电公司负荷预测工作的特点而开发的计算机管理软件 ,该系统依据序列“历史喻含未来”的思想采用了国际流行的自回归滑动平均数学模型建立了预测模型、以 3、5、10为周期的电量预测、预报机制 ,应用在电力生产调度管理负荷预测实际工作中 ,实现电量的采集、汇总、负荷预测、负荷考核等管理工作 .文中介绍了该系统的运行环境、各项功能及特点     

电力需量控制系统的研究及应用

根据钢铁企业的用电特点,自上而下采用3层控制模式对企业的电力需量进行优化控制:优化调度层通过建立企业负荷预测体系和应用基于在线滚动优化的趋势分析技术,有效提高需量控制点趋势分析的准确性,为制定正确的趋势控制策略和下发合理的需量控制目标值提供技术保证;监控层配置电力需量优化控制装置,接收主站的需量控制目标值,并根据所辖区域控制对象的实际运行状态,采用动态规划的方法对负荷调整量进行优化计算;常规控制层的电力需量执行装置采集控制对象的工艺数据,接收监控层下发的控制命令,实现对控制对象的闭环控制。该电力需量控制系统能够合理调节企业冲击负荷,减少用电的月最大需量,降低用电成本。     

工业场景下基于深度学习的时序预测方法及应用

为了系统性地归纳工业场景下时序预测方法及应用,首先介绍了统计学习、集成学习、深度学习三类时序预测算法,并围绕工业数据分析与决策问题,重点分析了循环神经网络、卷积神经网络、编码?解码器模型三类深度学习模型的优缺点及适用的工业应用场景。为了清晰全面地评估模型性能,介绍了面向点预测、序列预测问题的统计指标和误差计算方法。同时,整理了经典的公开工业数据集,以便研究者快速评估算法性能。并以过程工业中的采矿、冶金为例,介绍了时序预测方法在真实工业场景下的应用和效果。最后,总结了工业领域中应用深度学习技术所面临的低稳健性和弱可解释性等问题,并探讨了工业场景下时序预测方法研究的未来发展方向。      

计及环境效益的电力系统概率经济调度

该模型在计及分布式发电的环境效益下,以风电场为例,考虑其出力的随机性,并事先预测负荷中断的概率,但风电的风速及有功出力均为随机,其特性与负荷相近,因此近似当作负荷处理.调度的经济性主要是考虑系统的期望运行耗费,包括负荷中断所对所对应的损失、机组再调整的耗费;以及火电机组的环境补偿成本.使得经济调度更符合现代电力市场的要求.     

调压型无功自动补偿装置在电力系统中的应用

在企业中,由于大量的电力负荷是感性负荷,因此企业的自然功率因数比较低,这样不但降低了发电机的输出功率以及变电、输电设施的供电能力,而且使网络电力损耗增加,线路的电压降增大,使得用电设备的运行条件恶化。为此需对无功功率进行自动补偿以提高功率因数,防止无功倒送,从而节约电能,提高运行质量。     

宝钢热轧2050水处理电力系统经济运行策略研究

介绍了宝钢热轧2050水处理电力系统,并结合该系统的特点和实际生产运行工况,推导了通过优化调整电力系统相关设备的运行方式,实现电力系统的经济运行的策略.该策略主要包含以下三个方面内容:减少低负荷运行变压器数量,从而减少系统中变压器空载损耗;在一定的系统负载下,依据推导的负荷分配公式,可有效降低系统中变压器的总体负载损耗...     

负荷密度法在电力系统负荷预测方面的应用研究

在对电力系统电长期、中期、短期（超短期）负荷预测基本方法的特点和适用条件范围进行分析后。详细介绍了负荷密度法在城市电网中短期负荷预测中的优势。最后结合一中型城市城市电网2008—2010年的电力负荷实际特征数据。对该城市电网2011—2017年7年内的近期电力负荷数据进行了预测，并与该地区国民经济发展所需电力增长速率相比，证明了负荷密度法所预测的电力负荷数据的准确性，再次验证了负荷密度法在电力负荷预测中的可行性、可靠性和精确性。     

莱钢能源管理系统的设计与应用

莱钢能源管理系统关键设备包括网络设备、服务器、数据采集站及各类客户端等,通过数据采集子环网、数据采集主干网和管理网进行连接,设计了数据采集层、支撑层、应用层、发布层等四层功能框架,主要采用能源预测、调度优化、无人值守、数据融合、工作流驱动等技术。该系统投用后,实现了能源实时监控、基础能源管理、能源预测与优化调度等功能,提高了煤气回收利用率和自发电量,全年自发电量增加约0.5亿kW·h,可产生经济效益约3 700万元。     

钢铁企业副产煤气预测及优化调度

针对钢铁企业副产煤气系统产消量频繁波动,不平衡现象比较严重,供需之间的平衡程度对钢铁企业的生产成本、能源消耗情况影响较大,并且钢铁企业中工序、设备繁多,每道工序都涉及多种能源介质的问题,利用HP滤波、支持向量机分类（SVC）、最小二乘支持向量机(LSSVM)和Elman神经网络的特性建立了SVC-HP-ENN-LSSVM模型,并根据用能设备的能源利用特点和预测结果对副产煤气进行优化调度。模型应用表明：所建预测模型对煤气系统的预测平均相对误差小于4%,满足工业生产需要。根据预测结果进行的优化调度解决了煤气系统的不平衡问题,应用于钢铁企业典型工况,主工序可降低10%左右能耗,应用其自备电厂（一年按照330天计算）,可多产蒸汽约104148 t,节能约9998208 kg标煤。     

莱钢电力系统降损节能措施

结合莱钢电力系统实际,从合理选配变压器、选用节能型用电设备、合理调整功率分布、经济运行、电网改造等方面论述了降低损耗的技术措施;从建立降损指标制度和考核办法,加强计量统计管理、加强用电监察力度等方面探讨了降低电网损耗的管理措施。通过技术节能降损和管理降损,使6kV及以上系统的总线损率由2003年6.45%降至2006年的1.86%。     

钢铁企业能源中心的现状与发展趋势

钢铁企业能源中心在概念上包含管理思想、信息系统、管理系统三个层次,现已进入到全面建设阶段,并形成了新厂能源中心、老厂能源中心、生产与能源综合管控三种模式。当前能源中心建设的关键技术是安全保障、无人值守、能量流网络、数据融合、预测调度等技术,而未来能源中心建设应重点研究基于工作流驱动的标准化管理,物质流、能量流、排放流信息的融合,多介质协调调度模型,以及基于地理信息系统（GIS）的信息综合集成技术,充分挖掘能源中心的系统节能潜力。     

基于深度学习的带钢精轧过程自由宽展预测

为提高带钢精轧过程宽度的控制精度,以实际生产数据为驱动,建立深度学习网络模型,对自由宽展进行预测。采用拉伊达准则对实际生产数据进行清洗,对清洗后的数据进行相关性分析,并提取相关系数大于给定阈值的特征。基于预处理后的特征数据,对深度学习网络进行训练,建立自由宽展预测模型。针对测试实例,分别采用该模型与传统数学模型进行预测,并从均方误差、最大偏差以及误差分布等多个方面进行对比分析。结果表明,所建立的深度学习预测模型,具有更高的预测精度和更好的性能指标。     

基于数据驱动的高炉煤气复合预测模型

对钢铁企业高炉煤气系统科学准确的预测,可以为煤气的合理调度提供依据,对企业提高能源利用效率、减少煤气放散和环境污染有着非常重要的意义。针对钢铁企业高炉煤气系统设备工况复杂、煤气量波动频繁、难以准确预测的问题,依据小波分析方法、BP神经网络、最小二乘支持向量机的性质建立了基于数据驱动的高炉煤气的复合预测模型。该模型综合考虑高炉煤气系统生产计划和检修计划,对高炉煤气系统的产耗用户在不同工况下分别建立训练数据集,利用多组模型参数预测高炉煤气产生量、消耗量和缓冲量。利用某大型钢铁企业实际数据进行测试,该模型能够结合设备的实际生产工况变化,实现煤气的准确预测。结果表明,该模型平均绝对百分比误差小于4.95%,对变工况煤气系统有较好的预测效果。     

基于集成神经网络的剩余寿命预测

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题,提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征,以及产生更多的训练样本,采用滑动窗口对数据进行处理,同时采用卡尔曼滤波对数据进行降噪处理,将数据标准化以及设置RUL标签。与人工提取特征不同,利用一维CNN对数据进行特征提取,并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测,并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性,以及相比于其他机器学习或者深度学习模型的优越性,实验表明所提模型在RUL预测方面更加准确。      

Adjusting the Load Graph by Coordinating Major Power Consumers

Under the current energy strategy, the Russian Ministry of Power is increasing the role of consumers in regulating the load on the power system at peak hours, by measures such as peak pricing. Analysis of the steel industry indicates rising competition on account of China’s enormous production capacity. Improvements in energy efficiency now confer competitive advantage. Methods are proposed for coordinating the operation of arc furnaces and ladle—furnace units so as to reduce the maximum load. The economic benefits of this approach are analyzed.