基于核主成分分析和深度置信网络的暂态稳定评估

针对电力系统暂态稳定评估实时性较差以及错误率较高的问题,提出了一种核主成分分析结合深度置信网络的暂态稳定评估方法。首先,构造了一组反映电力系统暂态稳定的特征向量;然后,基于核主成分分析法对特征向量集进行特征提取,降维特征向量维数以及过滤冗余特征,将降维后的特征向量传输至深度置信网络;最后,进行训练分析,训练过程包括预训练和微调,优化网络参数,提升深度置信网络评估精度。新英格兰10机39节点系统仿真结果表明,该方法可以有效降低输入数据的维数,去除冗余特征,降低暂态稳定性评估的错误率和测试时间,能准确、快速地判断电力系统的稳态状态。     

基于智能图像分析的变电设备状态识别技术研究∗

从变电站监控系统的应用概况出发,提出了一种基于深度学习技术的变电站视频监控隐患排查方法,通过训练深度学习网络模型以实现对监控视频中安全隐患的智能识别,具体包含视频质量检测、违章行为识别、安全风险识别、变电站设备故障识别、隔离开关设备状态识别等.另外,通过构建安全隐患数据集并进行实验初步验证了该方法的可行性,为智能图像识别技术在电力系统的应用提供参考.     

基于GA-ADAM优化的BPNN配电网潮流计算

潮流计算是电力系统运行与控制的基础。为解决配电网可再生能源渗透率不断增加带来的负荷点电压波动的不确定性,以及传统电力系统潮流数据收集能力不足导致潮流计算不准确等问题。本文提出了一种基于数据驱动的潮流分析模型,构建了一种基于BPNN结合GA-ADAM优化算法模型来分析随机性下配电网的潮流计算方法。首先,引入潮流初值信息、拓扑结构特征以及功率因数指标构建训练集,通过对回归模型的训练,充分挖掘节点电压与功率之间的映射关系。其次,使用GA-ADAM算法优化模型初值和权重参数。最后,基于IEEE-33节点配电网模型进行验证,本文模型潮流计算的最大误差3.93×10^-3,平均绝对误差1.46×10^-3,均方根误差1.81×10^-3,优化后的BPNN潮流计算电压误差值降低37.66%。实际算例仿真结果表明,与其他方法比较,本文构建的模型各误差指标小、准确度高,提高了潮流计算的效率和准确性。     

融合多类型深度迁移学习的电力系统暂态稳定自适应评估

针对不同类型人工智能网络应用于电力系统暂态稳定评估时精度和泛化能力不稳定、运行方式或拓扑结构发生较大变化时评估精度下降、重新训练新模型费时费力等问题,提出一种融合多类型深度迁移学习模型（tmDLM）的自适应评估方法,该方法融合了深度置信网络、卷积神经网络以及长短期记忆网络3种不同的深度学习模型。将训练好的各类深度学习模型作为源域模型,当运行方式或拓扑结构发生较大变化时,采用少量目标域样本集微调预训练模型,使其快速跟踪系统当前的运行状态,并得到tmDLM。新英格兰10机39节点系统和华中电网的仿真结果表明：所提方法可以充分发挥各类深度学习方法的优势,具有良好的泛化能力;六分类模型能够在判稳的同时进行稳定裕度/失稳程度等级的评估;经过迁移后的深度学习模型具有良好的评估精度和时效性,大幅缩短了模型更新时间,实现了电力系统暂态稳定的自适应评估。     

基于深度学习的含不确定性N-1安全校核方法

N-1安全校核是保证系统安全的重要分析工具。为应对日益增长的不确定性对电力系统运行的影响,N-1安全校核除计及支路开断外还需考虑新能源波动等不确定性场景,这导致N-1安全校核面临新的计算挑战。对此,从特征向量构造及学习策略设计两方面入手,提出基于深度学习技术的N-1快速校核方法。该方法构造表征电力系统源荷变化及拓扑结构变化的特征向量,由此建立直流潮流的深度神经网络模型来挖掘直流潮流方程输入输出间的复杂特征。其次,考虑N-1安全校核的潮流分布存在孤立点,从数据预处理、激活函数设计等方面入手设计一套适用于N-1安全校核的深度学习策略。训练后的深度神经网络能够适用于新的不确定性场景(如N-1拓扑变化和新能源波动等),并且通过矩阵计算可直接映射出所有场景下的潮流结果,加快N-1安全校核速度。最后,采用接入新能源的IEEE 30节点和IEEE 118节点系统进行仿真计算,验证了所提方法的有效性。     

基于深度残差网络的电力系统潮流计算

为更简单、快速地进行潮流计算，提出了一种基于深度残差网络的多节点电力系统潮流算法。首先，应用仿真软件Power World Simulator中的一个典型电网实例采集样本；然后，在TensorFlow平台搭建基于深度残差网络的多节点电力系统潮流计算模型；最后，根据模型预测结果完成对方法的分析。结果表明：与传统潮流算法及基于人工神经网络的潮流算法相比，所提方法在快速性、收敛性及精度方面具有极大的优越性。     

基于卷积神经网络的N-2线路开断潮流快速计算

交流潮流(AC)算法需迭代求解,难以满足实际电力系统在线安全校核的需求。文中基于卷积神经网络,提出一种电力系统线路开断潮流的快速计算方法。离线训练阶段,从线路开断前后工况与拓扑的变化中提取特征作为输入信号(原始特征图),经大量算例训练后,卷积神经网络构建了原始特征图与线路开断后潮流结果的非线性映射关系。在线应用时,直接生成原始特征图,并基于离线训练的卷积神经网络计算测试集的潮流结果。经4个IEEE典型系统的N-2潮流仿真验证,文中方法具有良好的泛化能力。相比传统交流算法,文中方法将速度提高了接近80倍;相比传统人工神经网络模型,文中方法将精度提高近了1个数量级。     

基于拓扑解析与深度学习融合的低压集抄系统故障诊断方法

针对低压集抄系统故障形式多样复杂、当前运维水平难以满足日益上升的用户需求的问题,提出了一种融合拓扑解析及深度学习的低压集抄系统故障诊断方法。从规划和运行两个阶段出发,分析变压器-集中器、集中器-电能表关联关系,对低压集抄系统拓扑结构进行解析。结合确定的物理拓扑及信息流动路径,基于深度学习理论,通过对涌现故障事件离线学习自动建立基于深度置信网络的故障诊断模型。根据在线获取的系统关键运行特征,建立系统故障断面特征向量,通过训练好的系统诊断模型获得最终诊断结果。算例结果表明,本文方法能有效准确地实现低压集抄系统故障诊断,能有效应对故障特征信息遗漏和错误的情况。     

基于谱图论和图卷积神经网络的直流电网节点电压估计研究

深度学习在电力系统领域应用已非常广泛,潮流计算是电力系统重要的基础性任务之一,传统算法依赖于迭代求解,不适用于快速估计场合。直流电网的潮流求解实质上是节点电压求解问题,为此,提出了一种基于谱图论和图卷积神经网络(graph convolution neural network,GCN)的直流电网电压估计模型。通过网络拓扑拉普拉斯矩阵的特征向量实现时域直流电网到谱域直流电网的空间正交变换,从而完成时域电气量信息与网络结构信息之间的数据融合,并配合图卷积网络实现对数据特征的有效提取,进而完成从初始谱域电气量到稳态时域电气量之间的映射。仿真结果表明,所提模型能够较好地实现从初始电气量到稳态节点电压的映射,具有较高的电压估计准确度。     

面向电力系统潮流仿真的语音交互研究

以深度学习为代表的人工智能技术不断发展,正逐步渗透并融入电力系统等传统领域.为增强潮流仿真中人机交互的智能化程度,减少仿真技术人员在输入数据、计算分析等过程中的重复劳动,本文从语音识别理论和工程应用相结合的角度开展研究,提出了一种在潮流仿真中嵌入语音识别技术的方法.首先,对现有潮流仿真软件融入语音识别技术的可行性进行了探讨;其次,利用基于开源的电力系统分析工具Pandapower,设计了潮流仿真的语音识别流程,提出了相应的实现方法;最后,在建立的语音识别系统上,对1个仿真算例进行了测试.测试结果表明,本文提出在潮流仿真中嵌入语音识别技术的方法,能有效地实现潮流数据的语音编辑以及潮流计算的语音控制等功能.     

基于深度学习的电力设备图像识别方法

针对传统方法对电力设备的图像特征分类不明确,导致得到的图像识别效果不佳,难以保证安全运行的问题,提出了基于深度学习的电力设备图像识别方法。该方法首先提取电力设备图像特征分类伪装因素,然后基于深度学习方法构建网络模型定位错误锚点,通过正负训练标记识别目标区域,从而完成对电力设备图像的识别。实验结果表明,以变压器和电线塔杆作为识别设备测试对象,该方法能在30 s内基本完成采集图像的有效识别,可保证电力设备能稳定运行,具有较好的实际应用效果。     

基于深度迁移学习的输电线路涉鸟故障危害鸟种图像识别

为了实现输电线路涉鸟故障的差异化防治,提出一种基于深度迁移学习的危害鸟种图像识别方法.根据历史涉鸟故障的鸟种信息及输电走廊周边鸟种调查结果,建立88种相关鸟类图像数据集,采用类激活映射进行图像预处理,滤除复杂背景噪声.基于迁移学习的思想,首先利用AlexNet、VGG16、ResNet50、Inception V3这4种深度卷积网络架构建立学习模型,采用ImageNet图像数据集对其进行预训练,通过对微调预训练后的网络结构进行模型迁移,使其匹配鸟种图像识别任务.然后,利用鸟种图像样本集对迁移学习模型进行训练与测试,对比4种网络模型的识别准确率.最后,借鉴Delphi法的思想,建立一种融合多卷积神经网络的涉鸟故障危害鸟种识别模型.算例验证结果表明,该模型对88种危害鸟种的识别准确率可达91.21％,能够有效实现架空输电线路巡检图像中的鸟种识别,进而为涉鸟故障防治提供参考.     

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。     

基于平均一致性的电力系统分布式故障诊断方法∗

针对电力系统线路绝缘层老化等典型故障,提出了一种基于分布式平均一致性的电力系统故障诊断方法. 首先,建立线路绝缘层老化典型故障下电力系统各节点的量测模型;然后,应用最优故障特征向量的分布式表达形式及相应的阈值,同时计算出各节点基于正常运行数据离线训练测量值的均值、方差及加权方差,进一步分析在线运行数据,各节点通过平均一致性算法在线分布式计算最优故障特征向量,并将其与阈值进行比较以判断系统是否发生故障;最后,用计算机仿真对所提方法的有效性和优越性进行了验证.     

基于深度神经网络的数据驱动潮流计算异常误差改进策略

在考虑不确定性的N-1安全校核、可靠性计算等需大规模重复潮流计算的场景中,基于深度神经网络(DNN)的数据驱动方法存在部分潮流变量误差异常的问题,影响潮流越限判别的准确率。对此,首先通过理论推导,分析DNN参数更新过程及数据标准化原理,发现该问题的重要成因之一为:DNN仅根据标准化误差迭代训练模型,未计及潮流变量的真实学习误差及工程实际的精度要求,无法及时针对误差异常的潮流变量调整DNN参数。然后,面向潮流计算提出基于动态学习权重的DNN自适应训练方法。该方法通过每轮迭代中验证集的真实学习误差、越限误判率及误差统计指标,确定各潮流变量的学习权重,有效降低数据驱动潮流计算的异常误差。最后,在IEEE标准算例和Polish 2383节点系统上仿真验证了所提方法的有效性。     

基于支持向量机（SVM）的汽车车型识别

本文研究了一种基于支持向量机(SVM)的车型图像识别算法。采用图像边缘检测方法,该方法首先基于邻域灰度极值提取边界候选图像,然后以边界候选像素及其邻域像素的二值模式作为样本集,进行运动目标分割并提取具有RST不变性的轮廓特征向量,输入支持向量机进行训练和识别。此外,该算法与传统的算法比较,使用核函数少,计算量小,能较好地解决小样本、非线性和局部极小点等问题。实验表明,基于支持向量机(SVM)的车型图像识别算法具有更好的性能。     

面向变化场景的输电断面极限评估主动迁移学习方法EI北大核心CSCD

深度学习由于其强大的非线性建模能力,在输电断面极限传输容量(total transfer capability,TTC)评估问题中具有良好的应用前景。然而,由于电力系统的时变性和不确定性,需要快速更新数据和模型以满足在线应用需求。为充分利用历史场景数据并减少在线更新的计算代价,提出一种基于主动迁移深度学习的输电断面TTC评估方法。该方法包括两个阶段:第一阶段引入迁移学习预训练,推导了迁移泛化误差界以及最优经验误差组合权重,用于指导预训练阶段得到具有最小泛化误差的新场景模型;第二阶段引入主动学习和模型微调,基于TTC评估网络灵敏度进行重要样本主动查询,显著降低了模型更新所需的新样本标注时间,并利用模型微调进一步提升了新场景模型的性能。算例分析表明,所提方法与传统的深度模型训练方法相比,大幅降低了将模型应用于新场景的标注样本需求与时间成本,提升了模型迁移的效率。     

大电力系统可靠性评估的软计算模型

为减少大电力系统可靠性评估中偶发事件的潮流计算次数,提高故障模式识别率,将粗糙集与神经网络、遗传算法有机融合,提出了电力系统偶发事件模式识别的软计算模型--粗神经网络融合模型(RNNIM)和基于RNNIM的电力系统可靠性评估算法.首先利用粗糙集方法约简RNNIM的输入变量,提炼样本,提取事件类与系统状态关系的概略化规则集;其次利用概约化规则集建立RNNIM,用遗传学习算法训练网络.以RBTS和IEEE-RTS79测试系统为例,说明所提模型是正确、可行和有效的.     

基于数据驱动的永磁同步电机深度神经网络控制

针对有限集模型预测转矩控制(MPTC)计算负担大导致实时性较差的问题,提出了基于数据驱动的永磁同步电机深度神经网络(DNN)控制方法.通过训练深度神经网络,使其学习并逼近MPTC的电压矢量选择规律,从而取代MPTC进行电压矢量的选择.通过扩充动态数据集,解决因动静态数据失衡引起的系统失控问题.通过更换训练数据集,基于数...     

电力系统概率潮流算法综述

概率潮流是解决电力系统不确定因素的重要基础。随着间歇性能源的发展与电力系统随机性的提升,概率潮流在近些年来得到了广泛的研究。文中以算法的原理与优缺点为立足点,对电力系统概率潮流算法研究进行综述。首先,对概率潮流的研究问题进行阐述,简要介绍了概率潮流理论的发展、计算模型分类以及评价指标,并简述了概率潮流在电力系统中的应用情况。然后,按照算法的不同原理将概率潮流算法进行分类,基于不同类别的方法对实际应用的具体算法进行详细分析,分别介绍了不同算法的原理步骤以及优劣性和适用性,并针对各类方法进行了算法总体评价和发展趋势分析。最后,结合电力系统的最新发展要求对概率潮流算法的研究方向做出展望。