并行多模型融合的混合神经网络超短期负荷预测

针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRU-NN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。     

AFDCNN方法及其在齿轮故障定量诊断中的应用

传统的浅层故障诊断方法需要根据先验知识人为选取故障特征和设计分类器,基于深度学习理论的深度卷积神经网络(deep convolutional neural network,DCNN)能够完成对故障特征的自适应提取与健康状况的智能诊断,但是作为一种大数据处理工具,DCNN无法适应于小样本数据的故障诊断。在Fisher准则深度卷积神经网络识别算法(fisher-based deep convolutional neural network,FDCNN)的基础上提出了一种自适应Fisher准则的深度卷积神经网络(adaptive fisher-based deep convolutional neural network,AFDCNN)方法。在DCNN的基础上引入类内和类间约束的能量函数模型并采用优化算法得到最优能量函数模型参数,能够直接从原始时域信号中自动提取故障特征,实现智能诊断。对齿轮故障实验信号的分析结果表明,所提出的方法可以有效地实现小样本下的齿轮故障智能定量诊断。     

基于深度神经网络的电力调度语音识别研究及应用

为进一步提高智能电网调度语音识别的准确率,本文将深度学习技术引入了电力调度语音识别领域,提出了基于深度神经网络(deep neural network,DNN)的电力调度语音识别技术。针对电力调度专用术语以及某区域电网习惯调度用语,建立了电力调度语音识别基础语料库。通过应用深度神经网络-隐马尔可夫模型(deep neural network-hidden markov model,DNN-HMM)进行声学模型训练,并对电力调度语音材料制作,语音模型训练过程、端点检测、与D5000系统交互以及语音转文字的整套流程进行了论述。实践结果表明,采用DNN-HMM的电力调度语音识别性能要显著优于传统语音识别框架,即高斯混合-隐马尔可夫模型(gaussian mixture model-hidden markov model,GMM-HMM),采用所提方法进行电力调度语音识别准确率达94.63%。基于所提方法开发的电力调度语音识别系统在某区域电网调控中心的应用实例表明了所提方法的可行性与优良性。     

基于深度迁移学习理论含风电光伏系统的地区电网网损率计算

针对含风电光伏电力系统网损率计算的问题,提出一种基于深度迁移学习(transfer-deep boltzmann network-deep neural network,TDBN-DNN)的网损率计算模型。首先将训练好的深度学习模型作为源模型,并冻结深度置信网络(deep boltzmann network,DBN)特征提取层。然后定义了最大均值差异贡献数ri,迁移出与待计算数据分布更接近的样本数据,微调深层神经网络(deep neural network,DNN),得到基于TDBN-DNN的网损率计算模型。最后以中国北方某地区实际电网为算例进行验证,仿真结果表明,该DBN-DNN深度学习计算方法较传统浅层结构的BP(back propagation)神经网络计算方法拥有更好的非线性拟合能力。此外,经过迁移学习后得到的深度迁移学习TDBN-DNN模型拥有更高的计算精度与更好的时效性,而且该模型具有一定的数据容错性。     

基于CEEMD-GRU模型的短期电力负荷预测方法

针对电力负荷序列不平稳、随机性强,直接输入模型会导致拟合效果差、预测精度低等问题,本文提出了一种基于添加互补白噪声的互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)以及门控循环单元神经网络(gated recurrent unit neural network, GRU)融合的预测方法。首先,针对传统经验模态分解(empirical mode decomposition, EMD)分解方法处理干扰信号大的序列时,存在的模态混叠问题,提出了CEEMD分解方法,加入互补白噪声,将原始序列分解成不同尺度的子序列,随后使用GRU神经网络,并优化网络超参数,从而获得最好的预测结果。通过实验证明,该方法重构误差小,预测效果好。     

基于ISSA-CNN-GRU模型的电动汽车充电负荷预测方法

电动汽车用户充电行为的随机性,给电动汽车充电站充电负荷的短期预测带来极大挑战。针对在多因素影响下电动汽车充电站充电负荷短期预测精度低的问题,提出一种基于改进麻雀搜索算法-卷积神经网络-门控循环神经网络(improved sparrow search algorithm-convolutional neural network-gated recurrent unit neural network, ISSA- CNN-GRU)模型的电动汽车充电站充电负荷短期预测方法。首先,构建包含气温、日期类型、节假日3种充电负荷显著影响因素与历史充电负荷的输入特征矩阵。然后,融合CNN在特征提取、数据降维和GRU神经网络在时间序列预测上的优势,搭建CNN-GRU混合神经网络模型,使用基于混合策略的ISSA算法优化混合神经网络模型的超参数。最后,在优化后的CNN-GRU模型中输入特征矩阵实现充电站充电负荷的短期预测。以美国ANN-DATA公开数据集中充电站的历史负荷数据作为实际算例,与随机森林、CNN、GRU神经网络、CNN-GRU模型以及分别用贝叶斯优化、粒子群优化、标准麻雀优化算法进行超参数调优的CNN-GRU模型相比,实验结果表明所提方法具有更好的预测效果。     

电力系统自然频率特性系数区间预测方法

电力系统自然频率特性系数β是整定区域互联电网自动发电控制(automatic generation control, AGC)策略中频率偏差系数B的重要依据。理想情况下,系数B的整定原则是使其恰好等于β系数,从而使系统AGC调节量能准确跟踪系统功率偏差。然而,电力系统β系数具有非线性与时变性,现有B系数整定方法难以有效追踪其变化。对此,提出了基于深度神经网络(deep neural network, DNN)与Bootstrap的自然频率特性系数区间预测方法。该方法利用DNN强大的非线性特征提取能力建立系统功率扰动、备用容量、机组启停方式与β系数间的映射关系,实现β系数的预测,并结合 Bootstrap方法得到β系数预测结果的置信区间,可为系统B系数的整定提供有力支撑。算例仿真结果验证了所提方法的准确性与鲁棒性。     

基于AGC的日发电计划在线调整、执行与评估策略

提出了利用AGC动态调整并执行日发电计划的策略,给出了实时评估算法作为辅助决策依据.该策略可在机组跟踪日发电计划的同时,根据电网实际负荷与预测偏差,按照节能调度优先级顺序实时调整机组出力,提高了全网AGC调整容量、速率和精度.在河南电网的应用表明,该策略能保证日发电计划的有效执行,为节能调度实施提供了有力的技术手段,并有效提高了电网运行的安全性和省际联络线控制效果.     

基于LSTM的交流接触器剩余寿命预测

交流接触器在各种低压控制线路中应用极为频繁,因此对其进行剩余寿命预测可以大幅提高电力控制系统的运行稳定性。针对目前交流接触器剩余寿命预测没有充分利用其退化过程前后状态之间联系的问题,提出了一种基于长短期记忆神经网络(long short-term memory,LSTM)的交流接触器剩余寿命预测方法。首先,通过交流接触器全寿命试验平台获取其整个生命周期的退化数据,从中提取出能够反映其运行状态的特征参数;其次,采用灰色关联分析(grey relation analysis,GRA)法和皮尔逊相关系数(Pearson correlation coefficient, PCC)法剔除多维参量的冗余信息,进行特征选择,并将其结果作为预测模型的输入样本;最后进行LSTM预测模型训练。试验结果表明,相比传统循环神经网络(recurrent neural network,RNN),基于LSTM的剩余寿命预测模型能够充分利用全寿命周期时序序列数据的前后关联信息,对交流接触器剩余寿命预测有更高的准确性。     

省级电网AGC控制策略研究

区域电网互联主要任务是：保持电网频率质量,改善机组调控性能,从而发挥大电网运行的优越性。立足于省级电网调度控制,介绍了国内AGC发展和控制现状。以重庆电网为例详细探讨了目前省级电网AGC控制方案中的不足,从三个方面提出改进策略。将全网机组分三大类：日前计划机组、超短期负荷预测机组和联络线AGC机组。在调度中应用15 min超短期负荷预测技术,并在各种机组间采用协调控制方案。经现场运行验证,有效提高了重庆电网AGC调节品质。     

省级电网AGC控制策略研究

区域电网互联主要任务是:保持电网频率质量,改善机组调控性能,从而发挥大电网运行的优越性.立足于省级电网调度控制,介绍了国内AGC发展和控制现状.以重庆电网为例详细探讨了目前省级电网AGC控制方案中的不足,从三个方面提出改进策略.将全网机组分三大类:日前计划机组、超短期负荷预测机组和联络线AGC机组.在调度中应用15 min超短期负荷预测技术,并在各种机组间采用协调控制方案.经现场运行验证,有效提高了重庆电网AGC调节品质.     

基于LSTM循环神经网络的汽轮机转子表面应力预测模型

汽轮机转子启动过程中的寿命管理与评估问题非常关注转子表面应力,而应用有限元计算应力时间代价较大,循环神经网络(recurrent neural network,RNN)可快速准确地计算预测汽轮机启动过程中转子表面应力,大大提高在线评估效率。然而传统RNN神经网络存在梯度消失或爆炸以及无法解决长时依赖的问题,影响其实际应用。针对该问题,建立了基于长短期记忆(longshort-termmemory,LSTM)循环神经网络的汽轮机转子表面应力预测模型。在超参数的多组实验中,发现时间步长为3、dropout比例为0.2、隐藏层单元数为6时预测精度达到最佳,验证了预测模型的合理性。通过预测模型与有限元计算模型的耗时对比,发现预测模型耗时大大缩短,验证了预测模型的高效性。对预测模型的普适性分析表明:预测模型可拓展应用于类似时序序列问题的预测中。     

AGC主站改进有效协助水电机组避振运行

针对电网自动发电控制(AGC)中水电机组调节的振动区问题,利用全厂控制方式下基于遥测信息的调度主站动态建模方法,并结合电厂及电网实际进行了技术改造和工程实践。改造后,在省调主站AGC下发指令时考虑了机组振动区的影响,避免了调节指令无法避开振动区而不被执行和机组频繁往复穿越振动区情况的发生,不仅提高了电厂和电网运行的安全稳定性,还显著提升了区域调节的性能指标。     

适用于电力系统中长期动态仿真的风电机组有功控制模型

随着风电大规模接入电网,调度部门对其有功控制及参与系统调频、调峰提出了更高的要求。针对目前仿真中风电不具备进行分钟级动态过程研究的模型,只能定性分析参与自动发电控制(automatic generation control,AGC)调节等有功控制的问题,该文提出了适用于中长期动态仿真的风电机组有功控制模型,并在电力系统全过程仿真程序中予以编程实现。该模型以风速持续波动、调度安排出力、AGC调控指令作为输入,通过调节桨距角控制风机的出力变化。模型可用于模拟风机出力波动及对电网的影响,并对风机参与AGC调控的过程进行动态仿真分析。仿真算例表明,该模型可为研究风电机组配合AGC参与电力系统有功、频率的调整提供有效的仿真手段。     

基于广域量测的机组自动发电控制调节效能评估

基于机组自动发电控制(AGC)响应特点,结合华北电网调度AGC主站的实际情况,提出了基于广域量测信息的机组AGC调节效能精细化评估方法。该方法利用广域量测信息带有数据时标的优势,使用机组指令及机组出力信息辨识AGC调节过程,并定量计算机组调节效果。方法有效解决了数据采集与监控(SCADA)系统的采样对机组快速升降过程描述局限、通信时滞造成的评估计算偏差等问题,实现了利用相量测量单元(PMU)毫秒级采样数据对机组AGC性能进行测算的实用软件研发。该方法及软件已经投入实际运行,计算结果表明,该方法更加准确和实用。     

9F级燃气蒸汽联合循环机组参与电网自动发电控制的思考

介绍了燃气蒸汽联合循环机组的负荷控制特点及自动发电控制（AGC）的控制策略,以及机组在变负荷率下的AGC试验（包括AGC试投、升负荷、降负荷）。还介绍了燃气蒸汽联合循环机组参与电网AGC调节时存在的问题及改进设想。如燃气蒸汽联合循环机组投入AGC后,AGC负荷上限值要根据机组实际运行情况进行不断修正,才能真实反应机组运行的负荷上限。为了避免设置燃机最高可调负荷的盲目性和频繁性,确保大型燃气蒸汽联合循环机组经常处在效率高的“基本负荷”模式下运行发电,建议由省级电力调度交易中心通过RTU装置直接将基本负荷指令送到具体的燃气机组：同时分析燃气蒸汽联合循环机组在各种负荷控制模式下的一次调频特性。     

基于Faster R-CNN的绝缘子识别探索和应用

基于可见光图像的绝缘子识别是电网智能巡检设备识别的最重要的任务之一。电网智能巡检采集的图片存在着有效样本稀缺及场景多样性等问题,极大地限制了深度学习等技术在电网设备智能识别上的应用。本文基于深度学习对轻量级的多来源图像样本数据进行了绝缘子识别的探索和应用。首先,阐述了基于深度学习的目标识别算法发展过程,并着重介绍和对比了区域卷积神经网络(region-convolutional neural network,R-CNN)、快速区域卷积神经网络(fast region-convolutional neural network,Fast R-CNN)和更快区域卷积神经网络(faster region-convolutional neural netw ork,Faster R-CNN) 3种用于目标识别的深度学习模型。然后,通过对来源于不同场景的百量级绝缘子图像进行实验,验证了Faster R-CNN模型在百量级图像中和可用性和鲁棒性。本文的研究和实验为深度学习技术在电网各类设备图像目标识别上的推广和应用探索了一条有效路径。     

基于特征挖掘的indRNN光伏发电功率预测

光伏发电功率有明显的随机性、波动性和间歇性.准确地预测光伏发电功率对电网有序运行和调度有着极其重要的意义.本文提出一种基于特征挖掘的独立循环神经网络光伏发电功率预测模型.首先,探究环境因素与光伏发电功率的关系,并构造相应特征;然后,以构造后特征作为输入,输入到独立循环神经网络模型进行训练和预测;接着,用独立循环神经网络模型与传统循环神经网络和长短期记忆神经网络模型进行对比,独立循环神经网络模型不仅具有更强的记忆能力,更快的训练速度,同时也改善了循环神经网络的梯度弥散或爆炸问题;最后,采用实际光伏电站数据进行验证,验证了特征构造和独立循环神经网络模型的优越性,证明了特征构造后的独立循环神经网络模型预测精度比其他模型方法有显著提高.     

基于样本熵的AGC指令复杂性分析

电网通过"两个细则"考核标准对机组AGC补偿服务方面进行评价,其标准仅从AGC可用率和AGC调节性能指标两方面进行评价并以此为基准来补偿火电机组在调峰、调频方面所做出的贡献,但是其AGC性能指标计算方式仍不能完全体现复杂指令信号对火电机组造成的不利影响以及火电机组为此所付出的代价。采用样本熵方法对AGC指令的复杂性进行分析。在使用样本熵方法对几组不同频率下的典型信号进行复杂性分析,验证此方法有效性和准确性的基础上,对西北电网660 MW超临界机组AGC指令进行复杂性分析。分析的AGC指令同时具有高速率大幅度单向变化、高速率中等幅度正反向变化、高速率小幅度频繁波动等特征。数据分析结果表明:样本熵能较准确地反映AGC指令的复杂性,与现场运行实际情况较为吻合。     

优化动态递归小波神经网络短期负荷预测模型

提出了优化动态递归小波神经网络(dynamic recurrent wavelet neural network,DRWNN)短期负荷预测模型.与常规小波神经网络相比,DRWNN有两个关联层,关联层节点起存储网络内部状态的作用;模型构造过程中增强了网络的前馈与反馈联接,形成多层次的网络递归.采用分布估计算法和遗传算法相融合对DRWNN进行优化,融合实质是在解空间"宏观"和"微观"两个层面进行寻优,可克服DRWNN陷入局部最小,提高DRWNN的泛化能力.对两类不同负荷系统日、周预测仿真测试,验证了模型能有效提高预测精度.