基于多维时间序列的光伏逆变器异常检测方法

光伏逆变器的异常检测对于提高发电效率和逆变器使用寿命尤为重要。由于光伏设备数据具有复杂的时间依赖性和不确定性,因此难以选择一个适用于时间序列数据的通用模型,对光伏设备数据进行异常检测,并且缺乏对现有方法的比较分析和对实际光伏设备的有效验证。因此,提出了一种基于长短期深度自编码高斯混合模型(LSTM-DAGMM);首先,通过滑动窗口的方式将原始数据生成统计性特征作为模型的输入;然后,采用自编码器将生成的低维特征和重构误差端到端的输入到GMM;最后,通过能量密度概率判断异常。通过实际光伏设备数据实验表明,该模型能够有效地检测设备的异常状态并作出预警,具有良好的泛化能力。     

基于时间序列提取和维诺图的电力数据异常检测方法

电力网络中信息系统与物理系统的深度融合,导致现代电力系统易受异常数据的影响。现有的电力数据异常检测方法未能充分挖掘数据特征,存在计算复杂、灵活性差、精度较低等缺点。提出一种基于时间序列提取和维诺图的异常数据检测方法,利用重要点分段的时间序列提取方法,将高维数据进行降维处理,并将其映射到二维平面上,构造维诺图分区,进而检测出异常数据。该方法可降低数据维度和算法复杂度,能根据序列特征灵活设定异常阈值,实现异常数据的准确检测,仿真实验证明所提方法的有效性。     

基于大数据分析的输变电设备状态数据异常检测方法

传统的阈值判定方法难以准确检测输变电设备的状态异常,该文提出一种基于时间序列分析和无监督学习等大数据分析的异常检测方法,从数据演化过程、数据关联的全新角度实现异常检测。通过时间序列模型和自适应神经网络对历史数据潜在的特征进行挖掘,并将数据对时间的动态变化规律用转移概率序列表示。针对多维的监测数据,运用无监督聚类方法简化各参量之间的相关关系,从而避免参量间相关性难以确定的问题。提出异常检测体系,并使之适用于输变电设备状态监测数据流,实现数据流中异常的快速检出。最后结合运行实例验证了提出方法的有效性,表明本方法能快速检测出设备的异常运行状态。     

基于波动特性的风电出力时间序列建模方法研究

掌握风力发电的随机、波动与间歇特性,并在此基础上构建风电出力时间序列模型对于电力系统规划与运行具有重要意义。提出了一种构造未来风电出力场景的新方法。研究了风电波动过程特性,在极值点处将历史风电出力时间序列划分为波动,采用自组织映射(self-organization map,SOM)神经网络将波动聚类为大波动、中波动、小波动和低出力波动。波动变化规律可用高斯函数来定量表达。基于风电波动过程特性阐述了建模方法,将月份按波动出力特性进行分类,分别统计波动类间转移概率和类内统计参数的概率分布,按月序贯抽样风电波动类别与各统计参数,计算并模拟得到风电出力时间序列。对中国某省部分风电场进行了仿真模拟,统计特征参数的对比分析结果验证了上述方法的有效性。     

基于时间序列模型的售电量预测方法

采用基于时间序列模型的售电量预测方法,将各项影响因素有机结合,应用回归方程、季节因素分析等理论方法,研究售电量变化在社会发展过程中的规律,并进行阶段性预测,预测准确率保持在98%以上,取得了显著效果。     

基于时间序列对油纸绝缘局部放电模式识别的研究

文中制作了5种典型的油纸绝缘局部放电模型,从局部放电的测量结果中提取出局部放电幅值的时间序列,对放电脉冲幅值的时间序列进行预处理,运用自回归模型对预处理的序列进行拟合,并将拟合所得的模型系数作为局部放电模式识别的特征向量,运用BP神经网络对这5种放电模型进行模式识别。笔者运用不同阶的自回归模型对局部放电脉冲幅值序列进行拟合,并在各阶的情况下分别对局部放电进行模式识别。结果表明,在运用4阶或6阶滞后模型对局部放电进行拟合时,能获得较高的正判率,均达到了80%以上。     

基于时间序列分析的输变电设备状态大数据清洗方法

数据清洗是输变电设备状态评估数据预处理的一个关键步骤,有助于提高数据质量和数据利用率。文中将设备状态信息等效成各状态量的时间序列,提出了一种基于时间序列分析的双循环迭代检验法。首先,将时间序列中的异常数据进行了分类,并将缺失值归纳为其中一类异常值。然后,分析了不同类别异常值对时间序列模型的影响,并阐述了迭代检验法的实现步骤。最后,利用所述方法对南网某变压器和线路的监测数据进行了数据清洗,结果表明该方法能识别并修正数据中的噪声点,填补缺失值,满足数据清洗要求。     

基于小波和过程神经网络的时序聚类分析

针对时序背景下的聚类问题,提出一种基于小波和改进自组织过程神经网络的时序聚类方法,首先应用小波变换对原时序数据进行小波分解,在保留相关聚类特征的原则下,对信号进行重构;然后将重构信号拟合为时变函数作为过程神经网络的输入,应用改进的竞争算法训练自组织过程神经网络,利用过程神经网络输入为时变函数的特点,将经过小波处理后的时...     

基于数据挖掘和主成分分析的电力设备状态评价

电力设备运行的健康状态直接影响着电力系统的安全稳定。基于数据挖掘技术,利用主成分分析方法对反映电力设备状态的海量数据进行了深入分析,形成了融合电力设备状态关键参量信息的主成分体系。基于该主成分体系,建立了电力设备运行状态的综合评价模型,实现了电力设备健康状态的动态评估和异常状态的快速检出。文中以变压器绝缘状态评估为例,证明了文中提出的方法可以弥补传统的状态评估方法的不足,具有一定的可靠性和实用性。     

基于粗糙集-混沌时间序列Elman神经网络的短期用电量预测

Elman神经网络由于其具有无限逼近和适应时变特性的能力被广泛用于动态数据预测。短期的用电量存在多种不确定影响因素,为了将所有影响因素考虑其中,引入混沌时间序列的重构相空间技术。由于神经网络在非线性函数中对于峰值预测偏差较大,粗糙集理论可以对其做出修正。因此,引入混沌时间序列理论和粗糙集理论改进Elman神经网络并进行建模。模型应用嵌入维度和延迟时间重构相空间恢复原来系统的动力学形态,将处理好的数据代入Elman神经网络进行用电量预测。最后引入粗糙集修正误差较大的峰值点,提高预测精度。收集了Heriot-Watt大学某宿舍楼30天的用电量数据,以5 min为计数频率共8 640个计数点作为数据集进行预测仿真。预测结果与Elman神经网络和混沌时间序列Elman神经网络进行对比,验证了该模型在短时间预测的有效性。     

基于自适应神经网络的有源电力滤波器谐波电流提取方法

对有源电力滤波器(APF)谐波检测方法进行研究,将自适应神经网络(ADNN)的信号处理技术应用于三相非线性负载的谐波电流检测中,提出了一种基于ADNN检测方法。该方法的主要特点是不仅能检测谐波电流中的基波成分,也能检测出其中不同的高次谐波分量的幅值和相位。通过搭建一个基于DSP三相并联APF的实验系统来证实该方法的有效性,并与传统的傅里叶变换法和d-q算法相比较,验证其具有更快的动态响应。最后,通过分别对感性负载和容性负载进行阶跃变化操作试验检验所提出的ADNN检测法的APF谐波补偿特性,并获得了优良的补偿性能。     

基于反馈神经网络的电压暂降特征量实时检测方法

动态电压恢复器(DVR)主要用于补偿电压暂降,而实现电压暂降特征量快速、准确地检测是电压暂降补偿的前提.本文提出了一种基于反馈型神经网络的电压暂降快速、实时检测方法,探讨了该方法的建模问题和仿真技术.该方法利用反馈神经网络实现了在误差最小条件下的电压暂降检测,检测精度高、响应速度快、实时性好,为实现快速、准确电压暂降检测提供了一种新方法.仿真结果证明了该方法的有效性和优良性能.     

基于时序-支持向量机的风电场发电功率预测

准确的风电场风电功率预测可以有效地减轻风电场对电力系统的不利影响,同时提高风电在电力市场中的竞争力。基于时间序列法和支持向量机法, 对风电功率预测进行研究,提出预测风电功率的时序-支持向量机预测方法。该方法用时间序列法建模,选取影响风电功率最大的参数作为支持向量机预测模型的输入变量;为提高预测精度,提出基于时间点运动轨迹演化的方法选取与预测时刻功率相似的样本作为模型的训练样本。实例验证结果表明,该方法有效地提高了风电功率预测精度。     

关联分析在电力负荷灰色神经网络预测中的应用

针对电力负荷预测序列存在随机增长特性和非线性波动性,灰色神经网络模型能够有效地反映序列增长特性和对非线性关系进行拟合.引入灰色关联度作为确定组合预测权重的依据,以序列整体拟合优化为目标,从而找到能够代表序列内在变化规律性的组合权重,使总体预测精度得到提高.     

基于改进级联神经网络自适应电网谐波检测

为克服电网谐波检测快速性与稳定性矛盾,基于神经网络自适应原理提出了一种级联神经网络自适应电网谐波检测的改进系统。改进级联系统初级运用大步长常规LMS(Least Mean Square)自适应神经网络单元提高检测跟随性能,次级通过嵌入均值滤波环节平滑权值波动的策略构造新的自适应神经网络单元,保证次级神经网络单元具有良好的电网谐波检测稳态精度。运用传递函数Z域变换分析嵌入均值滤波环节的电网谐波检测自适应神经网络单元的稳定性能,运算推导新的级联次级神经网络自适应单元的步长约束条件,保证改进系统既能够有效地提高电网谐波检测的跟随性能同时又可以提高检测的稳态精度。仿真实验表明改进的级联神经网络自适应系统能有效提高电网谐波检测动态性与精确性。     

基于广义基尼指数和脉冲神经网络的航空交流 串联电弧故障检测

航空电缆在振动作用下很容易产生电连接器松动、线束断裂等情况,从而引起交流电弧故障。针对交流串联电弧故 障时频域特征不明显而引起的故障检测问题,提出了一种基于广义基尼指数(generalized Gini indices,GGI)和脉冲神经网络 (spiking neural network,SNN)的电弧故障检测方法。首先,提出用广义基尼指数对试验数据电流波形进行分析;其次判断正 常周期和故障周期下的数值差距,然后与时域特征指标裕度、峭度、脉冲因子相比,所提指数对电流波形周期故障判断更准 确;最后,将广义基尼指数转变成特征值,代入到积分泄漏发放(leaky integrate-and-fire,LIF)模型进行训练,进一步提高方法 的普适性。试验结果表明,该方法能够快速有效地检测航空交流串联电弧故障。     

基于神经网络的汽包水位传感器故障检测

汽包水位传感器信号的故障检测在热电厂生产过程中非常重要,通过分析主给水流量和主蒸汽流量的输出信号,建立预测水位输出的数学模型,提出了一种基于神经网络的汽包水位传感器故障检测方法,该方法首先建立神经网络结构;然后使用大量学习样本训练网络,确定权值和阈值;最后,进行系统仿真试验,比较仿真模型的输出与真实系统的输出,试验表明,用该方法进行汽包水位传感器的故障检测,效果令人满意。     

基于蚁群算法的神经网络配电网故障选线方法

为了克服基于神经网络的故障选线方法收敛速度慢、易于陷入局部极小点的缺点,提出了蚁群算法和神经网络相结合的故障选线方法。利用ATP-EMTP做单相接地仿真试验,得到各线路的零序电流信号,通过小波变换和傅里叶变换提取其中的故障特征作为神经网络的输入。利用蚁群算法对神经网络进行训练,完成训练的神经网络模型即可实现故障选线。仿真结果表明,该方法训练速度快、误判率低。     

结合受限玻尔兹曼机的递归神经网络电力系统短期负荷预测

短期负荷预测的重要性随着电力企业的发展不断提高。传统的负荷预测虽然已经发展相对成熟,但现阶段对负荷预测的准确性要求逐渐提高。为满足发展需要,则要对现有的方法进行改进或建立新的预测方法。通过分析负荷预测数据周期性及周期内的特征,结合递归神经网络在分析时间序列数据的独特优势和受限玻尔兹曼机的强大的无监督学习能力,对结合受限玻尔兹曼机的递归神经网络的工作原理及训练过程进行了阐述。利用该网络进行了电力负荷数据预测实验验证并与其他神经网络进行了比较性实验。结果表明,所提出的神经网络较其他网络在电力短期负荷预测实验中有更高的准确性。