基于多重分形谱及支持向量机的水电机组轴系故障识别

针对水电机组轴系振动故障诊断,提出多重分形谱和支持向量机相结合的故障分类识别方法。该方法首先利用多重分形谱算法提取振动信号的特征数据,然后将该特征数据作为支持向量机的输入向量来实现故障的分类识别。实验数据表明,该方法能比较准确地识别轴系常见故障,为水电机组轴系故障智能识别提供了一种新的思路。     

一种新的电压暂降事故源识别方法研究

电压暂降发生频率高、影响范围广、造成危害大。针对电力监测系统中带有事故源信息的电压暂降监测数据非常有限且不易获得的问题,提出了一种基于半监督支持向量机的电压暂降源识别方法。分析了各种电压暂降事故源,利用短时傅里叶变换(STFT)对电压暂降信号进行时频分析,提取出各类暂降特性参数,运用半监督支持向量机对其进行训练与识别,实现在少量带事故源标签电压暂降监测数据下电压暂降源的可靠识别。算例结果显示,在少量标签数据下半监督支持向量机比传统支持向量机具有更高的暂降源识别精度。     

基于混合蜂群算法特征参数同步优化支持向量机的水电机组轴心轨迹识别方法研究

在水电机组轴心轨迹识别研究中,为解决传统支持向量机方法中特征参数无法自适应选择而导致分类性能不高、计算时间过长等问题,提出混合人工蜜蜂群算法特征参数同步优化支持向量机（HABC-SVM）的轴心轨迹识别方法。将人工蜜蜂群算法引入到支持向量机识别优化模型的求解中,对人工蜜蜂群从搜索策略、蜜源编码、更新策略等方面进行了改进。通过仿真试验获取水电机组的四类典型轴心轨迹样本,对轴心轨迹中提取的19种特征参数和支持向量机参数进行了同步优化,将改进HABC算法与PSO-SVM算法和GA-SVM算法进行了对比。研究结果表     

基于改进灰狼算法与最小二乘支持向量机耦合的电力变压器故障诊断方法

电力变压器运行故障的准确诊断有利于提高变电设备状态检修和电网安全运行水平，为实现故障的准确分类，文章以油中溶解的5种典型气体作为故障诊断的特征量，提出一种基于改进灰狼算法与最小二乘支持向量机耦合的电力变压器故障诊断方法。该方法通过改进灰狼算法寻求最小二乘支持向量机中的最优惩罚系数C和核函数参数g，用以提高故障诊断的准确率。首先阐明最小二乘支持向量机和灰狼算法的改进点并将二者耦合，将其代入413组电力变压器的油中溶解气体检测数据来诊断故障类型，与其他诊断方法进行对比；其次研究惩罚系数C和核函数参数g对电力变压器故障类型识别准确率的影响规律；最后借助训练后的改进灰狼算法与最小二乘支持向量机耦合方法，通过两台不同电压等级的变压器故障实例分析，验证了故障诊断方法的有效性。研究结果表明：相较于单一使用最小二乘支持向量机和传统灰狼算法与最小二乘支持向量机耦合，改进灰狼算法与最小二乘支持向量机耦合方法对电力变压器故障诊断的准确率分别提高了14%和7%。此外，惩罚系数C和核函数参数g对电力变压器故障类型识别准确率的影响呈现非线性规律，凸显了通过智能算法找到最优解的便捷性、必要性、有效性。     

基于改进KNN算法的新能源发电单元运行状态识别

目前识别发电单元运行状态的研究较少,数据来源以数据采集与监控系统为主,采集速度较慢。为此,提出了一种基于发电单元机端电气量数据并融合改进k近邻(KNN)算法的新能源发电单元状态识别方法,直接采集机端电气量数据用于快速判断发电单元状态。提出KNN算法的改进策略,克服了传统KNN算法准确度低、识别速度慢的缺点。利用电力系统分析综合程序获取用于状态识别的发电单元机端电气量数据,利用改进策略对数据进行预处理,并对比传统KNN算法、逐条使用改进策略的KNN算法对新能源发电单元状态识别的耗时与准确度。结果表明所提算法较传统算法的识别准确度和速度明显提升,能满足稳定控制过程中对新能源发电单元的状态感知需求。     

基于LOF+SVM的异常用电用户分阶段识别方法

准确的电力异常用户识别方法能为供电企业锁定存在窃电行为或其他违规行为的电力用户提供参考。大多数基于机器学习的异常识别模型采用了无监督算法，但模型的准确度还较低。针对上述问题，提出一种结合无监督的局部离群因子（LOF）算法与有监督的支持向量机（SVM）算法的两阶段异常用电用户识别方法。基于分析异常电能表区别于正常电能表的电流电压表现，构建异常识别模型的输入特征；采用无监督的LOF算法进行采样，筛选出可疑样本交给人工进行标记，然后利用标记样本训练有监督的SVM模型；在之后的检测工作中，直接将LOF算法筛选出可疑样本交给SVM模型进行识别。实例结果表明，该方法对电力异常用户的识别准确度高，对供电企业的窃电稽查工作具有指导意义。     

基于企业经营决策的发电商最优竞价策略

在电力市场环境下，发电商的策略性投标行为关系到电价风险、市场稳定、市场力滥用行为及发电商自身利润等诸多问题。文中在对发电机组成本／需求的微观经济分析基础上，建立了机组面对需求曲线的公式及求解方法，提出了机组市场价格控制区的新概念。基于经济学中企业经营决策的最大利润原理，阐述了“边际发电成本等于边际发电收入”的机组最优竞价准则，提出了拥有不同市场力的发电商最优竞价策略及算法。     

基于聚类改进S变换与直接支持向量机的电能质量扰动识别

针对电能质量扰动信号的识别问题,提出基于聚类改进S变换与直接支持向量机(SVM)的电能质量扰动识别方法。提出聚类改进S变换方法,该方法结合电能质量扰动信号的特点,可同时对基频的时域分辨率及高频的频域分辨率进行最优化处理,保证特征提取的准确性;将直接支持向量机作为分类器,与最小二乘支持向量机相比,其求解简单,计算复杂度较低,训练与测试速度快,泛化能力较高,并且避免不能保证全局最优解的缺点;将聚类改进S变换与直接支持向量机相结合,应用于单一扰动及混合扰动的识别分类工作。仿真实验验证了所提方法的有效性。     

基于1-DISVM的无刷直流电动机故障识别方法

提出一种基于改进无监督学习支持向量机(1-DISVM)的无刷直流电动机故障识别方法.通过对无刷直流电动机正常以及驱动电路开关管断路、定子绕组端部断路、Hall传感器断线三种故障状态的仿真模拟,对仿真过程中得到的母线电流采样数据进行FFT频谱分析,作为输入特征向量用于支持向量机分类器的训练和故障识别.将改进无监督学习支持向量机用于无刷直流电动机的故障识别,并与无监督学习支持向量机(1-SVM)的故障识别结果进行比较,结果表明基于改进无监督学习支持向量机的无刷直流电动机故障识别方法具有更高的准确率.     

基于改进SVM的电力用户异常用电行为检测方法研究

针对现有异常用电行为检测方法提取特征单一、检测精度不高等问题,提出了一种将改进蚁狮优化算法和改进支持向量机相结合用于检测电力用户异常用电行为。采用决策树优化支持向量机转换为多级分类器,通过改进蚁狮优化算法优化支持向量机参数提高训练速度。通过试验对多种异常用电行为进行分析,验证了所提方法的优越性。结果表明,与传统的异常数据检测方法相比,该方法具有更高的检测精度和更低的训练时间。     

基于预测模型的发电厂异常数据辨识方法

发电统计数据是我国实施电力监管的重要依据,其中的发电厂用电率作为反映电厂生产效能、论证节能降耗情况的关键指标,验证其上报数据的真实性和准确性十分重要。为此,提出一种基于预测模型的发电厂异常数据辨识方法。该方法首先利用Adaboost改进非线性有源自回归模型(NARX)神经网络构建发电厂用电率预测模型,通过不断引入上报值以动态的方式对当前时刻发电厂用电率进行预测。当发电厂用电率时间序列出现突变时,残差时间序列会出现明显的增大或减小,进而利用孤立森林算法得到各残差向量组的异常分值从而辨识出异常点。最后,利用该方法对注入了虚假数据的实际发电数据进行辨识,验证了所提方法的有效性。     

基于VMD-ISSA-KELM的短期光伏发电功率预测

针对光伏发电功率存在随机性和波动性较强、预测精度较低的问题,提出了一种基于变分模态分解(variationalmodedecomposition, VMD)和改进松鼠觅食算法优化核极限学习机(improvedsquirrelsearchalgorithm optimization kernel extreme learning machine, ISSA-KELM)的预测模型。首先,利用高斯混合模型(Gaussian mixture model, GMM)将光伏发电功率数据进行聚类,得到不同天气类型下的相似日样本。其次,利用VMD对原始光伏发电功率序列进行平稳化处理,得到若干个规律性较强的子序列。然后,对不同子序列构建KELM预测模型,并使用ISSA优化KELM的核参数和正则化系数。最后,将不同子序列的预测值进行重构,得到最终预测结果。结合实际算例,结果表明：所提出的VMD-ISSA-KELM模型在不同天气条件下均能得到满意的预测精度,且明显优于其他模型,验证了其有效性和优越性。     

基于改进的SVM的电能质量复合扰动分类

本文利用支持向量机对电能质量复合扰动进行分类,解决其多重分类问题,为了提高其整体分类的准确率,对支持向量机中的核函数进行了改进。考虑到特征向量在核函数中心位置的聚集程度会影响支持向量的数目,本文在核函数中引进一个径向宽度因子和一个幅值调节因子,从而解决传统核函数存在的问题,减少支持向量数目,降低计算复杂度。将改进后的算法应用到电能质量复合扰动分类中,验证所提方法对于电能质量复合扰动分类不仅具有可行性,并且有较高的分类准确率。从仿真实验结果可以看出,改进的方法对常见的7种单一电能质量扰动信号和5种电能质量复合扰动信号能够进行分类,相对原算法提高了分类准确率。     

Optimal VAR control for real power loss minimization using differential evolution algorithm

Differential evolution algorithm (DEA) is an efficient and powerful population-based stochastic search technique for solving optimization problems over continuous space, which has been proved to be a promising evolutionary algorithm for solving the ORPD problem and many engineering problems. However, the success of DEA in solving a specific problem crucially depends on appropriately choosing trial vector generation strategies (mutation strategies) and their associated control parameter values. This paper presents a differential evolution technique with various trial vector generation strategies based on optimal reactive power dispatch for real power loss minimization in power system. The proposed methodology determines control variable settings such as generator terminal voltages, tap positions and the number of shunts compensator to be switched, for real power loss minimization in the transmission systems. The DE method has been examined and tested on the IEEE 14-bus, 30-bus and the equivalent Algerian electric 114-bus power system. The obtained results are compared with two other methods, namely, interior point method (IPM), Particle Swarm Optimization (PSO) and other methods in the literature. The comparison study demonstrates the potential of the proposed approach and shows its effectiveness and robustness to solve the ORPD problem.     

基于WD-CS-SVM的超短期风电功率组合预测

为了提高风电场输出功率的预测精度,应用小波分析(WD)和布谷鸟优化支持向量机(CS-SVM)算法对风电功率进行超短期预测,对比于通过预测风速间接求得的风电功率更加直接且准确。首先,利用WD与重构,将风电功率模型分解成近似序列和细节序列,然后利用CS-SVM算法对每个序列进行预测,得到每个序列的预测结果,最后把各个序列的预测结果叠加,形成风电功率的最终预测值。算例计算结果表明,预测结果具有较高的精度,与SVM以及其他方法优化的SVM预测结果相比,文中使用的方法预测结果更加准确,具有较强的优越性和实用性。     

基于CNN和LightGBM的新型风电功率预测模型

考虑到风力发电具有波动和不确定的特点,难以预测,文章提出了基于卷积神经网络和LightGBM算法相结合的新型风电功率预测模型.通过分析风电场与相邻风电场原始数据的时序特征,构建出新的特征集;应用卷积神经网络(CNN)从输入数据中提取信息,基于数据间的对比结果调整相应参数;为了提高预测结果的准确性和鲁棒性,将LightGBM分类算法加入模型中.对比所提模型与支持向量机以及单一的LightGBM和CNN模型仿真结果,证明所提模型具有更好的精度和相率.     

负荷功率模型的最优特征选择研究

负荷功率呈现时空多样的变化特性,其影响因素众多,构建负荷功率模型的关键之一是确定模型的输入特征量。文中着重研究短期负荷功率模型的特征选择,旨在从历史负荷、气象、日期等众多特征中选出最优特征集。首先,采用最大信息系数、基于支持向量机的递归特征消除法和随机森林3种不同特征选择方法分别对输入特征集进行选择;然后,根据对比分析结果提出基于遗传算法的最优特征集搜索策略,选定XGBoost预测模型的误差指标作为适应性函数进行迭代优化搜索;最终,确定负荷功率模型的最优特征输入集。采用某地区220 kV变电站母线负荷数据进行算例分析,对比各方法所选特征集作为功率模型输入得到的负荷预测效果,验证了文中方法的有效性和准确性。     

Forecasting dissolved gases content in power transformer oil based on support vector machine with genetic algorithm

Forecasting of dissolved gases content in power transformer oil is very significant to detect incipient failures of transformer early and ensure hassle free operation of entire power system. Forecasting of dissolved gases content in power transformer oil is a complicated problem due to its nonlinearity and the small quantity of training data. Support vector machine (SVM) has been successfully employed to solve regression problem of nonlinearity and small sample. However, SVM has rarely been applied to forecast dissolved gases content in power transformer oil. In this study, support vector machine with genetic algorithm (SVMG) is proposed to forecast dissolved gases content in power transformer oil, among which genetic algorithm (GA) is used to determine free parameters of support vector machine. The experimental data from several electric power companies in China is used to illustrate the performance of proposed SVMG model. The experimental results indicate that the proposed SVMG model can achieve greater forecasting accuracy than grey model (GM) under the circumstances of small sample. Consequently, the SVMG model is a proper alternative for forecasting dissolved gases content in power transformer oil.     

电能现货拍卖交易中企业间默契合谋行为分析

对电力市场改革中发电企业的竞价行为进行了分析,认为发电企业间竞争疲弱、默契合谋行 为产生的原因是:发电企业、电网企业和监管部门之间有关交易行为和股权结构的信息不对称。文 中分别计算了该发电行业名义性和实质性集中度指标HHI,结合相关企业间交互参股的经验考 察,得出了有意义的结论:该发电行业名义上处于弱寡头竞争市场,实质上处于发电投资公司实质 性控股的强寡头竞争市场。为了保证电力市场交易的竞争性和有效率,在短期无法改变发电企业 间股权结构的前提下,文中给出了治理发电企业间默契合谋行为的3条微调交易规则的对策:一是 改变市场现货结算方式;二是改变发电企业申报电价和出力的方式;三是改变现货成交电量的构成 方式。