基于PSO-PNN的燃煤电站SCR脱硝系统数据预处理算法研究

燃煤电站SCR脱硝系统中测量传感器处于高湿度、高温度、高压力和大量粉尘污染的环境中,传感器自身故障、信号干扰以及通信受阻等一系列问题的影响,导致测量数据出现大量异常值和缺失值。以燃煤电站SCR脱硝系统为例,分析了燃煤电站现场历史数据的特点,阐述了燃煤电站热工过程历史数据异常值及其检测方法,提出了PSO-PNN异常值检测方法,其能够较快地获取到最优平滑因子参数,降低异常值检测的误判率,并通过实际电站SCR脱硝系统的历史运行数据验证了所提异常值检测方法的有效性。     

功率因数角偏差导致的线路无功量测异常及其检测方法EI北大核心CSCD

互感器测量误差等因素会导致同步相量测量装置(phasor measurement unit,PMU)幅值、功率因数角量测产生偏差,进而导致有功、无功测量异常,但对于无功测量异常的检测方法鲜见报道。该文在分析功率因数角偏差可能造成无功量测异常原因的基础上,结合与相角无关的线路无功损耗估计,提出一种无功损耗量测值异常的检测方法。首先,介绍对称双回线无功测量不一致的现象;其次,分析PMU无功量测偏差的来源,结合灵敏度分析,解释了功率因数角偏差对无功测量影响远大于有功,可能造成无功测量异常原因;再次,推导与相角无关的、基于PMU幅值量测和线路参数的线路无功损耗基准估计表达式,并分析量测误差和线路参数偏差对其的影响;进一步,提出一种无功损耗量测异常在线检测方法,该方法也可用于线路单端无功量测异常检测。同时,该方法不需要预先校准或精度较高的参考互感器,可实现在线检测。仿真和实测算例验证了所提方法的有效性和实用性。     

基于电力网络监测数据的大数据安全分析平台关键技术研究

针对大数据环境下,电力网络监测数据流量大、变化快,电网通信异常链路判断可靠性差,序列异常检测结果失真的问题,本文提出了一种基于电力网络监测数据的大数据安全分析平台关键技术研究。通过电力网络通信异常链路判断方法设计,多维熵序列异常检测方法设计对平台关键技术进行分析,采用多维熵序列异常检测方法对异常链路上采集的网络流量数据的分布特征进行度量,获得电力网络流量监测数据在各个维度上的熵值序列,利用支持向量机对网络流量数据各个维度上的熵值序列进行分类,完成基于电力网络监测数据的大数据安全分析平台技术的总体设计。对其进行仿真实验,实验结果表明,所提方法对于大规模电网数据安全分析具有较高的加速比,在帮助电力网络分析人员感知电力网络异常、发现恶意攻击等方面有较大的优势。     

基于深层玻尔兹曼机的风电场异常风速值自适应检测预处理方法

为提高现有风电场数据采集系统的准确性和可利用性,提出了深层玻尔兹曼机(DBM)、经验模态分解(EMD)和隐马尔科夫(HMM)组合算法处理运行数据含有少量异常风速值的自适应检测方法。针对风速序列的随机多变性,采用DBM预测方法挖掘异常风速值的潜在特征,得到反映风速值异常情况的残差序列;进一步提高检测精度和降低系统误差的干扰,采用EMD方法捕获残差序列中粗大误差的特征;借助HMM算法的双重随机过程自适应地并剔除检测异常风速点,避免了传统阈值检测方法难以准确识别异常值的问题;最后,为了得到完整的风速序列,对检测出的异常点运用加权双向ARMA算法修正数据。RBF预测结果验证表明,经预处理后风速质量得到了提高,所提方法与传统小波异常值检测方法相比具有更精确的辨识能力,进一步提高了短期风速的预测精度。     

自适应带通滤波器分序算法的幅相检测方法

针对电网异常时,很多现有方法不能有效地检测出电网幅值和相位,为有效地检测电网异常时电网电压的幅值和相位,提出了基于自适应带通滤波器的分序算法,用该分序算法提取电网正序基波电压,正序基波电压被变换到旋转坐标系中后,分析了正序基波电压的幅值和电网相位之间的关系,据此建立了幅相检测系统的数学模型和控制模型,用根轨迹法分析了幅相检测系统的稳定性和稳定裕度。为了有效提高了相位检测精度和缩短系统的暂态过程,在控制结构中,把电网正序电压的q轴分量直接前馈。仿真和实验结果表明,提出检测方法能有效地检测电压异常时电网的幅值和相位,并且检测系统的暂态过程缩短到0.01 s以内。     

基于神经批采样的轮胎X光图像异常检测研究

轮胎缺陷检测对轮胎定级有重要参考意义，研究高性能的轮胎异常检测方法尤为重要。本文以强化学习算法为基础，提出一个以损失值异常变化作为判断异常特征的图像自动分类算法。该方法首先通过大量的正向样本输入来降低数据在经过梯度更新之后的损失值，从而与少量异常样本输入时的损失值形成明显差异，再引入神经批采样器，放大异常样本与正向样本之间的损失轮廓差异并为空间变分编码器提供训练批次，然后将训练结果作为异常分类器的输入，最后完成异常检测的分类与定位工作，经过对比研究发现本文提出的异常检测算法在轮胎缺陷样本集上性能明显优于其他传统图像异常检测方法。     

基于梯度算法的低压台区线损异常实时检测方法

针对传统线损异常检测方法缺乏规范的体系、智能化程度较低,为电网台区带来一定风险的问题,提出基于梯度算法的低压台区线损异常实时检测方法。利用数据挖掘算法挖掘低压台区线损异常数据,作为检测方法的数据支持,通过预处理线损异常数据恢复缺失值,引入梯度算法得到用于识别线损状态的梯度计算公式作为检测依据,建立一个低压台区线损异常实时检测模型。实例应用结果表明,该方法可准确识别低压台区线损异常原因,且具有96.6%的异常检测查全率。     

改进Bayesian后验比的异常风速值检测方法

风电场运行数据中含有异常风速值,为了优化风电数据的质量,提出了组合预测与Bayesian后验比的异常值检测方法。为了降低预测误差,先对风速序列建立Adaboost-BP网络和EMD-LV-SVM的组合预测模型,利用预测值与测量值的偏差得到含有粗大误差的残差序列;为了提高检测方法的可靠性,采用Bayesian后验比的检验方法识别残差序列中粗大误差,从而确定异常风速值的位置,并利用ARIMA方法修正异常风速值。RBF预测结果表明,所提方法能准确识别异常值,从而提高了风电场短期风速预测精度。     

基于MCD稳健统计分析的变压器油色谱异常值检测及分布特性

由于人为因素以及现场干扰的影响,变压器油色谱在线监测数据在测量和传输中会不可避免地出现偏误,导致异常数据值,使得经典统计方法的结果出现偏差甚至错误。为了解决上述问题,基于稳健统计理论,根据油色谱监测数据异常值的特点,提出了油色谱H2、CO和总烃3类特征气体异常值的最小协方差行列式MCD稳健多元检测方法。利用迭代和Mahalanobis距离的思想构造一个稳健的协方差估计量,并进行异常值检测,然后再将异常数据和正常数据分类处理。针对H2、CO和总烃这3类特征气体的实例统计分析表明,异常值剔除后可有效减少这3种气体的测量值对经典统计方法的干扰,使得油色谱数据的统计规律更加明显。通过对异常值区间的跟踪评估,还可更加明显地反映变压器运行状态的变化。     

基于时空联合聚类方法的输变电设备状态异常检测

鉴于传统的输变电设备状态异常检测方法较少考虑到状态数据的空间信息,提出一种基于时空联合聚类方法的设备状态异常检测方法,该方法综合利用大量设备状态、气象环境等历史数据,在实现异常检测的同时将结果形象化。其具体做法为：通过移动时窗将状态数据时间序列划分为多个子序列,并将子序列与空间位置坐标相结合以构成时空联合数据;使用c均值模糊聚类方法对每个时窗中的时空联合数据进行聚类分析,并基于历史状态数据对每一类赋予异常度值,根据异常度值的大小判断该类数据是否异常;通过在每个时窗的类之间建立模糊关系实现异常状态沿连续时间段传播过程的形象化。最后结合实例验证了提出方法的有效性。     

基于集合论估计的电网状态辨识 (四)离群点识别

首先从相容性的角度,对离群点的性质进行分析,提出不相容离群点和相容离群点的概念,并指出可能的离群点集合应包含不相容离群点和相容离群点两类离群点。进一步,提出状态辨识中离群点识别的两步法,即先识别出所有可能的不相容离群点集合,而后对可能的相容离群点进行筛分。对于不相容离群点,结合电力系统多层多级的网架结构,提出分层分级的不相容离群点搜索算法,使得搜索过程局部化,从而减小搜索空间,提高搜索效率。对于相容离群点,提出基于灵敏度的识别方法,可有效识别对解集影响最大的相容离群点,避免搜索起作用测点带来的组合爆炸问题。     

基于人工神经网络的电力负荷坏数据辨识与调整

电力负荷坏数据辨识应充分考虑负荷曲线本身的特征。先用Kohonen网对日负荷曲线进行聚类,产生各类的特征曲线;然后用特征曲线及由此产生的含有坏数据的曲线形成的样本集对BP网进行训练,利用BP网的泛化能力,使之具备对本类曲线进行坏数据精确定位的能力;最后利用特征曲线进行坏数据的调整。该方法能够做到离线训练,在线辨识,实例分析取得了良好的效果。     

一种自适应线性预报的数据检择方法

为剔除动态测量过程中实时观测数据中出现的野值,以提高后续处理精度,在充分分析实时观测数据特性和野值特征的基础上,提出了一种自适应门限的五点线性预报数据检择方法。经仿真数据和实测数据检测,并与α-β预报和固定门限方法进行比较,所提出的方法不但大大降低了检择虚警率,而且使成片野值检择正确率提高30%以上。证明提出的方法无论在可靠性上还是有效性上都优于原有方法,具有较强的工程稳定性,能有效剔除孤立野值和连续成片野值。     

基于高斯混合模型的光伏发电出力中高比例异常数据检测方法研究

光伏发电出力中的高比例异常数据具有相互重叠、多高斯分布的特点,如何精确地剔除光伏发电出力中的高比例异常数据是实现光伏功率精确预测的关键问题.文章分析了光伏发电出力中高比例异常数据的特点,并研究了一种基于高斯混合模型的光伏发电出力高比例异常数据检测方法.建立了高斯混合模型的算法模型,使用期望极大算法(Expectation Maximization,EM)对高斯混合模型的参数进行估计,使用算法模型对光伏发电出力中的高比例异常数据进行检测和剔除.实际算例分析和对比实验表明,文章的方法可以对多分类的高比例异常数据进行精确地检测,较传统的异常数据检测方法更加适用于光伏发电出力的高比例异常数据检测.     

自适应抗野值Kalman滤波

针对Kalman滤波中存在量测野值的特点,依据滤波基本理论,提出了残差变化率概念.将残差变化率引入到野值判定标准中,根据量测值变化率的大小自动调整判断阀值,给出了判别野值的检验方法.由于采用了测量与估计的动态信息,使得野值的判定更为准确,并采用替代的方法对单个或连续野值加以修正,保证了Kalman滤波精确度与数据的连续性.仿真结果表明,当量测值出现较大变化时,这种方法能有效提高系统对野值的检测准确度和滤波精确度.     

基于密度分簇的长周期监测数据异常识别方法

针对水工结构长周期监测数据野值识别中存在分布假设难以满足、野值点数量受限和野值难以有效量化的问题,提出了以改进局部异常系数算法为基础的密度分簇局部异常识别方法。该方法将长周期监测数据集分为极端簇、野值簇和正常簇,在每个簇中以不同方式赋予异常可能性,得到了综合考虑自变量和效应量的异常可能性时序图,实现了水工结构长周期监测数据野值识别与量化分析。核心算法预先不使用任何分布假设,改进了局部异常系数算法可达距离的定义,扩大了高异常系数与低异常系数的差值,使得野值与其他数据点更易区分。依托实际调水工程长周期监测数据,考虑实测数据集中野值数量和位置均未知的情况,根据异常可能性计算可信程度作为回归分析模型的权重,模型预测结果与未加权重的模型相比得到了较大提高,验证了所提出方法的有效性。     

基于异常值分析的变压器在线监测方法

从变压器在线监测数据中异常值产生的机理出发，提出了一种利用在线观测值中异常点的发生时间和类型进行报警的变压器在线监测方法。实例表明，这种方法可用于运行条件存在较大差异，难以用统一的标准值来判别状态的设备，存在较高的实用价值。     

采用稳健统计与B样条函数处理频率扰动记录单元异常数据

北美电网监测系统(FNET)是在配网侧实时采集电网频率的广域测量系统。由于硬件故障或网络中断,频率扰动记录单元(FDRs)采集的数据不可避免地包含尖峰或缺失数据段等异常数据,在剔除尖峰同时常用的一维中值滤波,弱化频率波动的细节信息无法弥补缺失数据段。针对此一问题,提出了融合稳健统计和B样条函数的频率异常数据处理方法,它通过设定阈值辨识尖峰值,采用B样条基函数的线性组合重构原始频率序列,引入曲线粗糙度控制B样条基函数学习过程中存在的过拟合问题。该方法仅在局部范围内处理频率异常数据,能最大限度地保留频率波动信息,且计算简洁,能实现任意阶B样条函数的构造及学习,易于推广到其他时间序列的数据预处理。     

Distributed Student's t filtering algorithm for heavy‐tailed noises

In this paper, a distributed Student's t filtering algorithm to deal with heavy‐tailed noises is developed. In the traditional Kalman filter, the distribution of the signal is assumed. However, in reality, outliers in the signal are often encountered for which the assumption of Gaussian distribution is no longer valid. The Student's t distribution can describe noises in the presence of outliers. As a result, the weight on each data point within the filter adapts to the data quality so that the filter becomes insensitive to the outliers. We first derive the distributed filtering algorithm from the centralized Student's t filter, which is able to handle heavy‐tailed noises such as outliers and then analyze properties of the proposed method. It is shown that the proposed algorithm provides the same accuracy as the centralized Student's t filtering with no performance loss. Furthermore, the distributed Student's t filtering with feedback is developed, which is in accordance with centralized filtering, and the local error covariance is reduced as expected. Two numerical examples support the theoretical results and illustrate the validity of the proposed method.     

地震事件实时检测中野值的辨识与替代

对地震事件做出快速而准确的判定是地震预警的关键技术,然而背景噪声中的干扰信号可能导致地震事件的误判.结合STA/LTA方法的特点,提出一种基于短时间窗的野值辨识与替代方法.该方法具有野值辨识准确,替代值能够较好保持信号原有的变化趋势的特点.经仿真分析和地震事件波形检验,该方法能有效消除脉冲干扰,对短时连续干扰也有一定弱...