基于量测量替换与标准化残差检测的不良数据辨识

针对多不良数据辨识中存在的残差污染和残差淹没问题,提出一种多不良数据辨识方法,在应用P-Q分解法的基础上,首先选取部分量测进行状态估计,接着用剩余量测逐一替换参与估计计算的量测,并根据替换后各量测标准化残差的大小得到可疑数据,其间量测量的替换可以打破发生残差淹没的平衡,使得由于发生残差淹没而导致标准化残差合格的不良数据凸显出来,之后又通过状态估计对可疑数据进行校核,恢复受到残差污染的量测为正常量测,最终将不良数据辨识出来.此外,还给出替换和减少一维量测后计算标准化残差的简化方法,以提高计算速度.最后以某地区220 kV电网为背景进行算例分析,表明该方法的有效性和可行性.     

基于增广状态估计的混合不良数据诊断与参数辨识

电网同时存在遥测坏数据和参数错误时,由于坏数据会影响参数辨识结果,全网参数辨识和估计方法很难保证结果的准确性。文中提出一种基于增广状态估计的混合不良数据诊断与参数辨识方法,先通过残差平衡度判断不良数据是遥测坏数据还是错误参数,将遥测坏数据直接剔除;然后,通过分区方法将多个潜在的不良参数尽可能分开在不同的局部区域,以减弱不良数据之间的相互影响;最后,采用分区增广状态估计方法修正不良参数。算例结果表明,该方法能有效区分坏数据和错误参数,且分区参数辨识能避免不良数据之间相互影响,从而提高了可疑参数辨识的精度。     

基于自适应融合数据的线路参数辨识

电网频率的变化会导致利用DFT算法计算PMU数据时相角差出现误差,进而影响线路参数辨识精度.因此,提出一种基于加权最小二乘(AFD-WLS)的自适应融合数据辨识线路参数的方法,通过结合峭度因子的互补集合经验模态分解(CEEMD)自适应选取故障录波数据中的高频分量从而实现不同位置故障录波数据和PMU数据的同步;该方法利用...     

基于GSA的电力系统不良数据辨识算法

随着数字化技术在电力系统中的广泛应用及对电力系统运行可靠性要求的不断提高,不良数据的辨识显得越来越重要。目前广泛应用的状态估计法,存在残差污染等缺点。论文研究了建立在神经网络和聚类分析基础上的GSA不良数据辨识算法,该算法运用神经网络完成对测量数据的预处理,然后由GSA算法对聚类分析后的结果进行判断,完成不良数据的辨识。论文借助M atlab及C语言对GSA算法进行了仿真,通过一个具体的网络不良数据辨识将此算法与状态估计算法进行了比较,验证了该算法的有效性及实用性,有效地避免了不良数据的漏检、误检。     

基于GSA的电力系统不良数据辨识算法

随着数字化技术在电力系统中的广泛应用及对电力系统运行可靠性要求的不断提高,不良数据的辨识显得越来越重要.目前广泛应用的状态估计法,存在残差污染等缺点.论文研究了建立在神经网络和聚类分析基础上的GSA不良数据辨识算法,该算法运用神经网络完成对测量数据的预处理,然后由GSA算法对聚类分析后的结果进行判断,完成不良数据的辨识.论文借助Matlab及C语言对GSA算法进行了仿真,通过一个具体的网络不良数据辨识将此算法与状态估计算法进行了比较,验证了该算法的有效性及实用性,有效地避免了不良数据的漏检、误检.     

基于航迹关联和证据理论的数据融合方法研究

入侵检测技术从20世纪80年代开始就被世人所研究,而多传感器数据融合研究更早其多年,但多传感器数据融合理论与技术应用到入侵检测系统中仍是目前的研究热点。本文通过对航迹关联和证据理论的深入研究,并结合多传感器数据融合理论与技术,应用到入侵检测系统,通过理论证明和试验验证,该入侵检测系统具有较低的不确定性,进而提高系统的信任度。     

基于数据融合模型的励磁系统参数辨识算法

确认真实可靠的发电机励磁系统参数对电力系统安全稳定分析具有重要意义.基于人工网络融合法,提出了一种基于数据融合模型的辨识算法实现对励磁系统的参数辨识.首先,使用灰狼算法、粒子群算法和遗传算法分别对励磁系统进行参数辨识.然后,利用人工神经网络算法对三种方法的辨识结果进行合成决策.最后,数据融合模型输出合成辨识值.仿真结果...     

基于朴素贝叶斯和D-S证据理论的多时空数据融合

针对泛在电力物联网中分布广泛的传感器以及各类设备采样周期不同的问题,本文提出一种基于朴素贝叶斯和D-S证据理论的多时空数据融合方法。该方法突出的优点是融合了多个时间段、多个不同地点传感器的数据。首先运用朴素贝叶斯分类器得到信度分配,克服了过去采用专家系统进行信度分配的缺点,然后运用D-S证据理论进行融合得到最终系统的状态评价,有效地将多时空数据进行融合。实验结果表明,本文提出的方法相比其他机器学习算法有了明显的改进,能够有效地评估系统的状态。     

基于近邻传播算法的负荷不良数据辨识

状态估计是电力调度系统中一项重要的基础功能,正确的测量数据是保障状态估计结果准确的关键,不良数据的存在会大大降低估计结果的可信度。为提高状态估计的准确度,提出了一种基于近邻传播(Affinity Propagation,AP)算法的负荷不良数据辨识方法。首先介绍了AP算法的相关原理,给出了基于AP算法进行聚类的一般步骤。然后基于相似性和平滑性两个特征,定义了乘积特征值和最小特征值作为分类依据。最后,以某地区的实际负荷采样数据为算例,验证了所提不良数据辨识方法的有效性。     

基于多数据融合的电机故障诊断方法研究

电机作为各类电驱设备的主要动力装置,具有结构简单、控制方便、能效高、无污染等优点.在电机运行过程中,受载荷多变、零部件老化、散热条件差等影响,故障频发,进而降低电驱装置的工作效率和稳定性.此外,电机故障种类繁多,各故障的征兆与表现又极其相似,不同故障产生的原因也错综复杂,这极大地提高了电机故障诊断的难度.传统的电机故障...     

异步电动机信息融合故障诊断模型

结合信息融合的一般模型和层次结构,构建了电动机故障的信息融合诊断模型。该模型涵盖了数据融合的数据层、特征层和决策层三个层次,充分利用电动机三相电流、电压和绕组温度等多种故障信息,基于Park矢量,进行了多层次的融合;采用了基于人工神经网络、小波分析和证据理论等的两级诊断策略,以进一步提高转子断条、气隙偏心、绕组匝间短路等电动机常见故障的诊断准确性和灵敏性。     

基于证据理论的循环流化床锅炉煤质扰动识别

燃烧扰动是循环流化床锅炉常见扰动之一,基于人工判断很难将煤质变化引起的燃烧扰动与其他因素导致的燃烧扰动正确区分.针对以上问题,提出一种基于证据理论的煤质好坏在线识别方法.首先对锅炉燃烧过程进行机理分析,构造了机组负荷/给煤量、热量/给煤量、给水流量/给煤量这3个可以反映当前煤质的证据;然后用典型样本法建立置信函数;最后...     

D-S证据理论在雷达体制识别中的应用

本文在详细阐述了Dempster-Shafer证据理论的基础上,介绍了基于D-S证据理论的雷达体制识别的信息融合算法,识别实例和对比实验表明,这种信息融合识别方法是十分有效的。     

基于D-S证据理论的变压器诊断系统研究

以Dempster—Shafer证据理论为基础,给出了基于神经网络的基本概率分配构造方法和诊断决策规则,提出了一种神经网络初步诊断和证据理论融合决策诊断相结合的集成神经网络故障诊断方法,建立了相应的功能模型。并以变压器故障诊断为例,详细说明了该方法的具体步骤。结果表明,使用D—S证据理论合成法则进行信度合成,诊断结论的可信度明显提高,不确定性明显减小,充分显示了该方法的有效性。     

基于区间证据理论的多源融合广域后备保护

针对传统保护方案在光伏接入系统时存在的可靠性不足问题,该文提出了一种基于区间证据理论的多源融合广域后备保护方案。首先,将光伏输出电流对保护的影响解耦分析,提出了保护方案的基本概率分配函数,将传统保护结果的0,1值转化为描述故障概率的区间值,定量考虑了光伏接入对配网保护的影响。其次,利用改进的区间证据理论对多种保护的判别结果进行融合,得到每条线路的综合故障概率区间,进而识别故障线路。该方法将光伏接入对保护判别的影响定量化,利用了多个保护综合判断,提高了广域后备保护的可靠性。同时,改进的区间证据理论消除了冲突证据的影响,在保护存在数据缺失及错误时仍能可靠识别故障线路。最后仿真验证了该文方法的可靠性。     

基于D-S证据理论的油浸式电力变压器故障诊断

当前对变压器进行故障诊断,主要是利用从分散的传感器收集到的检测信息,但使用单独的传感器采集数据进行判别,由于缺乏对数据的融合分析,易造成诊断中的误判或漏判。提出了一种基于D-S证据理论的油浸式电力变压器故障诊断方法,该方法通过融合数据来处理故障诊断中的不确定度。建立了故障诊断的融合模型,给出了方法的具体实现步骤并应用实例进行计算。结果表明,本方法可以减少诊断中的不确定性,提高故障诊断的准确性。     

基于证据理论的数字化变电站继电保护容错方法

在数字化变电站时代,过程层采样值信息的网络化传输和共享使得利用冗余信息快速识别错误数据成为可能.本文提出了一种对多源互感器数据进行综合分析以辨识错误数据,并防止继电保护装置误动的新方法.在介绍新方法基本原理的基础上,分析了证据的生成法则、融合信息的选取以及算法流程等关键问题,并对算法的有效性和实时性进行了仿真分析.仿真...     

基于数据融合技术的数据采集系统

本文以运行列车为控制对象，介绍了基于数据融合技术的数据采集系统的设计、构成及其应用。