融合知识库和深度学习的电网监控告警事件智能识别

电网监控告警信息是监控人员进行监控事件识别的重要数据基础。针对当前人为处理海量监控告警信息效率低的现状和电网智能技术深化应用的需求,提出一种融合知识库和深度学习的电网监控告警事件自主识别方法。基于自然语言处理技术中的Word2vec模型对监控告警信息进行向量化建模,基于卷积神经网络建立监控告警事件识别模型,通过算例对比验证所建模型的有效性和实用性。提出融合知识库与所建模型的应用方法,实现电网监控告警事件的智能感知和可靠识别。     

基于调控一体化的地区电网智能监控与辅助决策系统

调控一体化要求调控人员必须在短时间内对各种告警信息进行分析、处理和控制,为了优化告警信息和处理策略,提出一种用面向对象的模块化设计方法,具有可扩展性强、响应速度快等特点的告警系统。系统通过基于规则、模型和推理的专家库系统,采用自适应故障解搜索算法,从智能告警分析、告警辅助决策、在线和离线故障分析3个方面为安全高效调度提供技术保障。     

基于人工神经网络与有限状态机的变电站告警处理系统

结合人工神经网络(Artificial Neural Network,ANN)和有限状态机(Finite State Machine,FSM),对变电站告警信息进行处理。首先构建ANN权矩阵模型和学习算法,通过对历史数据库的学习获取各种事故和异常状态的逻辑推理和知识表达;进一步地,设计FSM模型实现信号的排查和告警过程记录;最后形成告警原因分析和结果处理的综合分析结果。通过实际电网案例对所提算法进行验证,结果证明该方法对于电力系统通用故障告警判断具有快速、容错和学习能力强等特点,对应用于大规模电力系统的在线故障诊断问题的解决具有重要意义。     

闭环逻辑综合关联告警系统的设计与应用

为解决电网调度系统中传统告警信息的组织及展示方式造成调度员无法及时获取重要告警信息、迅速排除故障的问题,研究了基于闭环逻辑的综合关联告警策略,设计了综合关联告警系统,并应用于包头地区电网调控一体化系统中,通过综合关联告警分析结果自动修正告警源的告警产生机制,采用限值修正及进行告警分类分级过滤等方式,达到减少告警量、突出重要告警信息的目的,为调度员快速查找事故原因提供了辅助决策支持。     

湖南电网调度综合智能分析与告警策略

<正>综合智能分析与告警是智能电网调度技术支持系统中的重要应用。综合智能分析与告警具备在线综合处理、显示与推理分析功能,支持汇集和分析各类告警信息,对大量告警信息进行分类管理,对不同需求形成不同的告警显示方案,并能从相关电网故障信息中分析出诸如故障类型、设备、位置等准确信息,利用形象直观的方式提供全面综合的告警提示。随着湖南电网的不断发展,电网规模快速扩大,电网安全运行对实时故障告警提出了更高的要求。在电网发     

基于混合神经网络与有限状态机的区域电网智能告警处理方法研究

结合混合神经网络(hybrid neural network,HNN)和有限状态机(finite state machine,FSM),开展变电站告警信息处理。首先,为降低HNN模型构建的复杂度,通过纵向上模块化处理、横向上信号归并的信号处理方法简化告警序列。其次,构建HNN权矩阵模型和学习算法,通过对数据样本进行训练和测试,获取线路、母线和变压器三类设备事故和设备异常的逻辑推理及知识表达。然后,开展故障集的关联性分析,构建FSM模型实现信号的排查和告警过程记录,从而形成告警的原因分析和结果处理。最后,通过实际区域电网案例对本算法进行验证,结果证明该方法对于电力系统通用故障告警判断具有快速、容错和学习能力强等特点,对应用于大规模电力系统的在线故障诊断问题的解决具有重要意义。     

电网调度控制系统告警信息的优化处理

自调控一体化运行模式实行以来,电网调度控制系统接收的告警信息量越来越大,告警信息处理不当,会严重影响监控人员对电网故障判断的及时性和准确性。基于国网银川供电公司电网调度控制系统,首先介绍了告警信息的产生与分类,然后分析了告警信息处理方面存在的3个问题,最后提出了告警信息压缩处理、告警信息加延时处理、开发告警信息智能巡检工具等优化措施。经实践验证,该措施有效可行,可实现告警信息的优化处理效果。     

江西电网在线故障智能告警应用实现

当电网设备发生故障时,调度值班运行人员陷入繁多的告警信息中,无法快速判断事故原因,影响事故处理的速度。结合江西省调D5000系统在线故障智能告警功能建设,介绍了江西电网在线故障智能告警功能、数据来源和故障告警综合展示情况,提出了故障告警存在的问题及改进措施。应用的实现为调度运行人员提供全面、直观的技术支持,避免了故障时告警信息繁多且不直观对调度运行的影响,提高了调度工作效率。     

面向用户式智能告警系统的实现

电网调度自动化水平的提高导致调度自动化系统信息量越来越多,为准确及时获取电网运行关键信息,发现和处理电网运行隐患,迫切需要对告警信息进行智能化推理分析,并提高智能告警的实用化水平。本文结合地区电网智能告警系统实用化建设,综合调度自动化系统中各种类型信息,研究讨论告警信息分类方法、智能推理规则,提出了通过告警对象关联告警类型、告警类型定义告警规则的智能告警实现方法,证明智能告警系统在电网运行监视方面良好的应用前景。     

基于CNN模型的高分辨率遥感图像目标识别

遥感图像目标识别作为当前遥感图像应用领域中的主要研究内容,具有重要的理论意义和广泛的应用价值。近年来,深度学习成为机器学习领域的一个新兴研究方向,卷积神经网络(convolutional neural networks,CNN)是一种得到广泛研究与应用的深度学习模型。提出一种基于CNN模型的光学遥感图像目标识别方法,在传统LeNet-5网络结构的基础上,引入ReLU激活函数代替传统的Sigmoid函数和tanh函数,使用卷积展开技术将卷积运算转换为矩阵乘法,并对网络结构进行调整优化,提高目标识别的准确性和效率。利用Quick Bird上的0.6 m分辨率的遥感图像进行验证,实验结果表明,基于改进的CNN模型的方法可以取得较高的目标识别准确率和效率。     

基于深度学习的电网调控文本知识抽取方法

电力系统的发展对电力系统知识的使用提出新的要求,为了实现非结构化电网调控文本知识的自动抽取,文中提出了基于注意力的双向长短期记忆网络和条件随机场的深度学习模型。深度学习模型从调度规程等文本数据中抽取电网运行规则和电网事故处理流程。实验结果表明,提出的模型的语料精度、召回率和F1分数分别为91.00%,89.98%和90.49%,结果略优于另外3种模型。在训练集和测试集上分别进行F1评估,识别精度差异很小,说明模型学习中没有发生过拟合现象,提出的深度学习模型具备良好的泛化能力。     

电网故障处置预案文本中的命名实体识别研究

电网故障处置预案是电网故障处置的重要参考,对电网故障处置预案文本中各类电力设备、名称编号等细粒度的关键实体信息进行抽取,是实现计算机学习理解预案内容并进一步支撑故障处置智能化的重要基础。文中提出一种基于深度学习的电网故障处置预案文本命名实体识别技术,首先采用字向量表征预案文本,然后将注意力机制以及双向长短期记忆网络相结合,有所侧重地提取实体词深层字符特征,最后采用条件随机场求解最优序列化的标注。算例表明:文中所提预案文本命名实体识别模型不依赖人工特征,能够自动高效地提取文本特征,准确识别预案文本中细粒度的实体词,满足预案文本中关键实体信息精确定位和识别的要求。     

基于数据增强和深度学习的水电站告警事件诊断

针对水电告警事件传统诊断方法存在效率低下、准确率不足等缺陷，设计了一种融合先验知识的数据增强方法和基于双向简单循环单元网络的层级注意力深度学习框架。针对水电告警规则不完善的问题，采用隐含狄利克雷分布-序列推理增强模型构建告警信号与告警特征间的映射机制；结合该水电告警先验知识提出改进隐含狄利克雷分布方法增强样本数据，最终由层级注意力模型学习样本特征并输出诊断结果。测试算例为某水电集控中心的实际告警数据，测试结果表明，所提方法可在低资源训练环境下实现快速和高准确率的水电告警事件诊断。     

地区电网在线安全稳定预警与辅助决策系统

通过对目前电网在线动态安全分析领域的研制背景分析,提出了地区电网安全稳定实时预警系统的可行性,详细介绍了系统的主要功能、关键技术和性能指标。地区电网安全稳定实时预警系统从SCADA/EMS实时获取在线数据,利用分布式并行计算平台快速找出各类安全隐患,给出综合智能告警信息,展示给调度员,可方便地实现地区电网与省级电网不同调度控制中心的信息集成。通过在洛阳电网的研发和实施验证了该系统不仅可以大幅度提高本地区电网的实时安全预警能力,还能够及时发现本地电网模型和数据中的错误与异常信息,自动报警并给出详细信息,大大提高了系统模型的准确性,是未来地区电网调度运行必不可少的工具。     

基于并联CNN-LSTM的弱受端直流输电系统故障诊断

现有的故障诊断手段面对复杂电网时,难以精确提取故障特征,急需适应性强、识别率高的故障诊断方法。鉴于此,提出一种基于压缩感知与并联卷积神经网络(CNN)和长短期记忆网络(LSTM)结合的电网故障诊断方法。搭建永富直流输电系统模型采集原始故障数据,原始故障数据应用压缩感知原理进行压缩采样,获得压缩域故障信号,以提高网络的计算效率。然后搭建了麻雀搜索算法（SSA）优化的并联CNN-LSTM深度学习模型。通过SSA确定并联CNN-LSTM的网络结构及参数,利用并联CNN-LSTM深度学习模型直接在故障的压缩域挖掘故障波形特征和时序特征,并对故障进行识别。仿真结果表明该模型相较于传统方法具有更高的故障诊断精度。     

基于深度学习和多模型融合的局部放电模式识别方法

局部放电与电力设备的绝缘状态息息相关,准确识别局部放电类型对于保障电网运行具有重要意义。文中提出一种基于深度学习和多模型融合的局部放电模式识别方法。首先,设计并搭建开关柜内4类典型局部放电缺陷模型,采集局部放电相位分布(phase resolved partial discharge,PRPD)图谱并建立样本集;其次,搭建基于迁移学习的深度残差网络,对局部放电缺陷进行识别;最后,利用Sugeno模糊积分将深度残差网络(deep residual net￣work,DRN)模型与传统识别模型进行融合。实验结果表明：迁移学习模型相比于无迁移学习模型有着更好的更新能力和泛化性能;融合模型与单一模型相比具有更高的识别准确率。所提方法能够准确识别局部放电缺陷类型,对于电力设备的运维检修具有一定的参考价值。     

基于卷积神经网络多判据融合的井下电网故障选线方法

针对矿井电网消弧线圈接地系统单相接地故障选线方法准确率和可靠性不高的问题,提出基于卷积神经网络多判据融合的选线方法。主要分析了深度学习模型——卷积神经网络的结构与原理,通过快速傅里叶变换和小波变换从故障信息中提取5次谐波分量、小波分析模极大值、衰减直流分量和高频暂态分量作为原始输入数据,并利用改进LeNet-5模型强大的学习能力和泛化能力对其进行融合。基于Matlab软件搭建井下电网仿真模型,结果表明该方法准确性高、可靠性强。     

电网信息系统运行状态的风险预警技术研究

电网信息系统在持续工作条件下,运行状态的风险频次较高,文中提出一种基于信息聚类融合处理的电网信息系统运行状态的风险预警技术,构建电网信息系统运行状态风险评估的信息提取模型,对采集的电网信息系统运行状态评估数据进行统计聚类分析,结合模糊自适应C聚类算法进行电网信息系统运行状态评估和状态属性分类,提取反映电网信息系统运行状态风险特征的频谱参量,采用信息反馈调节技术实现风险预警评估。仿真结果表明,采用该方法进行电网信息系统运行状态的风险预警的可靠度较高,风险预警的准确率较高且误报率较低,实时准确性较好,保障电网信息系统的稳定运行。     

基于深度学习的含统一潮流控制器的电力系统快速安全校正

随着新一代柔性交流输电装置如统一潮流控制器（UPFC）在现代电力系统中的逐步推广和应用,对电网安全校正策略的制定提出了更高的要求。基于物理模型的传统电网安全校正方法在实时性方面具有一定的局限性,而数据驱动方法将大量的复杂计算前移到离线阶段,具有快速在线计算性能。因此,针对含UPFC的电力系统提出了一种基于深度学习的快速安全校正方法。首先,基于深度学习建立了节点调整状态识别模型,利用深度神经网络（DNN）的分类和学习能力,优先确定存在调整可能性的节点范围,避免物理模型优化类方法迭代无解问题。然后,针对缩减后的寻优空间进一步采用优化法实现系统安全校正计算,快速确定系统各节点调整量。基于中国南京西环网UPFC示范工程的应用效果表明,所提快速安全校正策略能够发挥DNN的学习能力,进而提高系统安全校正的效率和实用性。