基于长短期记忆网络的继电保护测试故障诊断研究

为提高智能变电站继电保护测试效率,解决数字式继电保护试验装置无法对整个测试过程中出现的故障自动进行诊断的问题,提出基于长短期记忆(Long Short-Term Memory,LSTM)网络的继电保护测试故障诊断方法.梳理了故障断面特征信息和故障类别,建立了多故障诊断模型,构建了故障诊断流程.以典型220 kV继电保护...     

基于长短期记忆网络的售电量预测模型研究

售电量预测对优化供电结构以及了解经济走势具有重要意义,然而,传统售电量预测方法难以从售电量及其影响因素的数据中自动抽取到较好的数据特征。为此,文中提出一种基于长短期记忆网络的售电量预测模型,该模型通过分析售电量数据及其影响因素的相关性,提出一种行业聚类方法,该方法根据不同行业的数据特征对相似的行业进行聚类,并根据聚类结果训练长短期记忆网络模型。文中模型能够学习售电量数据以及相关影响因素的数据特征和内在关联关系。实验结果表明,文中所提出的预测模型比经典的预测模型具有更高的准确度。     

基于深度门控长短时记忆网络的继电保护装置寿命预测

为了保证继电保护设备可靠性以及电力系统安全、稳定运行,建立了基于深度门控长短时记忆网络的继电保护设备寿命预测模型,针对继电保护设备特征量的时间序列特性,采用相对熵对特征量权重进行分析,得到了各个特征的赋权结果,提出了各个特征量的预测结果加权求和计算综合特征的方法,构建了设备寿命预测和评估框架。结果表明：剔除专家E₄的评分后,专家E₃的评分熵值最大,其值为1.42,对应的评分合理性为76%,该模型具有较好的泛化能力和逼近能力,利用模型预测得到的综合特征量能够准确评估继电保护设备未来发展状态。     

基于改进长短期记忆网络的电力负荷预测研究

针对用户用能分析中电力负荷预测模型的变量冗余和收敛困难问题,提出一种基于改进长短期记忆网络(long short-term memory, LSTM)的短期负荷预测模型。首先利用FP-tree对复杂的负荷数据和气象数据进行分析,筛选负荷强关联因素,构建出训练数据集;其次建立LSTM负荷预测模型,并使用关联性分析得到的强关联因素训练负荷预测模型;最后,选取美国Homestead地区的历史数据进行仿真分析。通过对比遗传算法优化反向传递神经网络算法和鲁棒性损失函数的人工神经网络型的预测结果,预测模型的精度和稳定性满足要求,在实际中具有一定的应用价值。     

基于LSTM长短期记忆网络的超短期风速预测

大风天气容易导致高速列车发生脱轨、翻车等事故,因此对于风速的超短期预测对于高铁安全行驶具有重要的意义。提出一种基于长短期记忆(LSTM)网络的预测模型,对WindLog风速传感器采集得到的每分钟最大风速数据进行分组预处理,设置合理的步长参数,建立双层LSTM网络结构,采用北京市海淀区的风速数据进行训练,并对超前1、5、10 min的风速进行超前预测,超前1 min的预测值平均误差为0.467 m/s,正确率达100%;超前5 min的预测值平均误差为0.543 m/s,正确率达99.6%;超前10 min的预测值平均误差为0.627 m/s,正确率达98.8%。实验结果表明,该预测模型具有较好的适应性和较高的预测精度。     

基于改进长短期记忆网络的电力系统暂态稳定评估方法研究

现代电力系统海量量测数据为电力系统暂态稳定评估提供可靠的数据基础,与此同时,数据信息挖掘成为研究焦点,暂态稳定分析中不平衡故障样本以及多特征电气量时间序列数据中所蕴藏的信息仍有待深入挖掘。为此,该文提出一种结合注意力机制的长短期记忆网络(long short term memory network with attention,LSTMA)方法,用以深入挖掘暂态稳定评估样本中所蕴藏的信息。在离线训练环节,以长短期记忆网络为基础分类器,引入Attention注意力机制引导模型学习样本中关键特征,并对损失函数进行改进,以此强化对不平衡样本的学习能力;在线应用环节,在目标域小样本条件下采用迁移学习方法更新成型的离线LSTMA模型,并对比不同迁移学习策略对模型性能影响,经过迁移学习建立的新运行点下的改进LSTMA模型评估精度有效提高,训练时间大幅减少,所得出的迁移学习策略确定方法有利于实际应用环节快速决策。研究在IEEE39节点和IEEE300节点系统上进行实验,验证了所提方法的有效性。     

基于长短期记忆网络的电费回收风险分析方法

新冠疫情在全世界的蔓延,对国内的经济发展造成了较大的影响,供电企业电费回收压力日益增大。针对新冠疫情形势下电费回收风险分析准确性差、催费针对性不强的问题,提出了一种基于长短期记忆网络的电费风险分析方法。首先,建立供电用户分类体系,通过AP聚类,实现对供电用户的分级分类;其次,通过供电用户征信、司法裁判等信息综合对供电用户的信用进行评估;再次,通过长短期记忆网络,结合用户的历史的缴费信息和用户信用进行电费回收分析,预测可能存在的欠费风险。最后,在某地区供电公司进行实例运行,其运行结果验证了所提方法的可行性和有效性。     

基于关联度与自检验长短期记忆网络的风电机组轴承寿命预测模型

为提高风电机组轴承寿命预测的稳定性,提出基于关联度与自检验长短期记忆网络(self-checkinglong short-term memory,Sc-LSTM)的轴承寿命预测模型。首先,采用长短期记忆网络(long short-term memory,LSTM)对风电机组轴承单一运行状态信号进行预测,分析预测误差与运行状态关系,建立风电机组轴承的寿命时长体系。其次,LSTM对轴承全寿命信号进行预测与分析,选择检验指标σ来构建检验层与Sc-LSTM,引入通过率η对预测效果进行评价。采用关联度(indexedrelation,IR)为轴承全寿命信号的状态评价指标,得到轴承的IR运行曲线。最后,利用Sc-LSTM分别对IR运行曲线、风电机组轴承信号进行预测与分析,结果表明：Sc-LSTM与IR的预测模型能有效地提高轴承寿命预测的稳定性,减少大规模预测试验的时间与成本,弥补预测误差对预测效果评价单一的问题,与其他预测方法相比效果更佳,在风电机组轴承寿命预测上具有一定参考价值。     

基于鲸鱼优化-长短期记忆网络模型的机-热老化绝缘纸剩余寿命预测方法

换流变压器作为特/超高压直流输电系统中的关键设备,对变压器用绝缘纸剩余寿命进行有效预测,可为换流变压器的运行维护提供一定的理论依据,鉴于此,提出一种基于鲸鱼优化算法（WOA）和长短期记忆网络（LSTM）的预测方法。首先,结合绝缘纸加速机-热老化实验及试样的机械、电气性能指标和对应裂解产物的糠醛含量,由主成分分析法（PCA）对聚合度、糠醛含量和特征频率下介质损耗因数等表征绝缘纸老化的多特征量进行融合;获得综合评估指标与绝缘纸抗张强度间的量化关系,并依此将绝缘性能优良和严重劣化时对应的抗张强度分别作为正、负理想值;进一步构建贴近度构造退化指标序列并将其作为模型输入。然后,利用鲸鱼优化算法对长短期记忆网络的关键参数进行寻优。最后,构建WOA-LSTM模型对绝缘纸剩余寿命进行预测。研究表明,所提出的WOA-LSTM模型既纳入了可表征绝缘纸老化状态的多个特征量,亦可显著提高剩余寿命的预测精度,为换流变压器绝缘系统安全稳定运行提供有力保障。     

基于长短期记忆网络的电力系统量测缺失数据恢复方法

随着电力系统规模不断增大,电力系统量测数据呈现快速增长趋势.然而海量数据的采集、测量、传输和存储等过程均可能出现数据缺失问题,从而威胁电网安全.针对电力系统量测缺失数据问题,文章提出了一种基于长短期记忆(long short-term memory,LSTM)网络的缺失数据恢复方法.首先,基于LSTM网络具有提取电力系...     

基于正交小波和长短期记忆神经网络的用电负荷预测方法

用电负荷数据的波动性和周期性会影响电力负荷预测的准确性,针对此问题,文中提出了一种基于正交小波长短期记忆神经网络(orthogonal wavelet transform-long short-term memory, OWT-LSTM）的用电负荷预测方法。该方法对用电负荷序列进行正交小波分解,消除负荷数据的波动性,然后利用LSTM及其变种神经网络对正交小波分解后的各尺度负荷序列进行建模训练,通过各序列预测结果进行预测重构,获得最终的负荷预测结果。通过用户用电负荷数据集验证表明,该方法的预测性能优于其他模型,具有较高的预测精确性和稳定性。     

基于长短期记忆网络的PMU不良数据检测方法

同步相量测量单元(Phasor Measurement Units, PMUs)因其同步性、快速性和准确性,已成为复杂电力系统状态感知的最有效工具之一。但是,现场的复杂环境导致PMU数据存在数据丢失、数据损坏、同步异常、噪声影响等质量问题,严重影响其在系统中的各类应用,甚至威胁电网安全稳定运行。提出了一种基于长短期记忆(Long Short-Term Memory,LSTM)网络的PMU不良数据检测方法。首先分析了LSTM在不良数据检测中的优势。然后基于LSTM网络对时间序列选择记忆的特性,构造了一种双层LSTM网络架构,提出了对原始数据的分解重构方法。在此基础上,定义了两种目标函数,以获得不同的误差特征。提出了一种基于决策树的不良数据阈值确定方法,实现了不良数据的有效检测。通过大量仿真与实测数据验证了该方法的可行性和准确性,可提高PMU数据质量,使其更好地应用于电力系统的各个方面。     

基于双向长短期记忆网络的输电线路状态画像与评估

为提高输电线路状态评估的准确率,提出一种先聚类再回归的输电线路状态画像与评估模型。首先,设计自组织神经网络对输电线路原始数据进行降维,自适应地提取若干类代表性特征信息,无需人工提取特征和依据主观经验选择聚类数;然后,将代表性特征数据输入LSTM（长短期记忆）网络中,LSTM网络将前向学习和反向学习相结合,对模型进行双向训练与评估,建立输电线路核心数据与状态的非线性映射关系,提高电网场景下的输电线路状态评估准确率。实验结果表明,所提模型在实际数据集上取得了较好的评估效果,评估准确率高于常用的支持向量机、人工神经网络、稀疏自动编码机等方法。     

基于注意力机制的卷积神经网络-长短期记忆网络的短期风电功率预测

为了提高风电功率的预测精度,针对风电数据间歇性与时序性的特点,提出了一种基于注意力机制的卷积神经网络-长短期记忆(convolutional neural networks-long short-term memory,CNN-LSTM)网络预测模型.首先利用CNN提取风电数据动态变化的多维特征,然后将特征向量构造成时...     

基于双向长短期记忆网络的电力系统暂态稳定评估

为进一步提升电力系统暂态稳定评估的准确率,依据电力系统暂态过程数据的时序特性,建立了一种基于双向长短期记忆(Bi-LSTM)网络的暂态稳定评估模型。该方法通过Bi-LSTM网络建立底层量测数据与电力系统暂态稳定类别之间的非线性映射关系,采用准确率、F1指标和FPR指标综合评估Bi-LSTM网络模型性能的优劣,在此基础上,采用t分布随机近邻嵌入(t-SNE)降维方法和k最近邻(KNN)分类器进一步提升暂态稳定评估的准确率。新英格兰10机39节点系统算例表明:所提模型比传统的机器学习模型和部分深度学习模型拥有更好的评估性能。通过可视化方法和网络预测分数对评估模型进行分析,结果表明Bi-LSTM网络模型具有较强的电力系统暂态过程特征提取能力,适用于电力系统暂态稳定性的评估。进一步研究了底层输入数据的归一化模式和方法对暂态评估模型的影响,结果表明z-score归一化方法要优于min-max归一化方法,采用总维数归一化模式的模型评估性能更好。     

多通道长短期记忆卷积网络的风速预测

为提高风速的预测性能,提出了多通道长短期记忆网络和卷积网络相结合的风速预测方法。预测模型由多个长短期记忆子网络及卷积网络组成。各子网络选择不同长度的历史数据作为输入,分别实现未来风速值的计算,避免了单一网络输入数据长度参数难以确定的问题。卷积网络将各子网络的计算结果进行卷积、最大池化操作,并通过全连接层计算风速序列的预测值。为避免预测误差累积及漂移,利用误差动态补偿方法对预测值进行校正,获得最终的预测结果。多通道长短期记忆卷积网络可用于风速的超短期预测中,仿真实验结果表明,与现有基于深度学习的预测网络相比,该网络能够更好地拟合实际风速序列的变化趋势,表现出更优的预测性能。