基于改进万有引力算法的配电网多目标故障重构

针对配电网在发生故障后产生的重构问题,基于改进万有引力算法提出了一种切实、可行的多目标故障重构方案.通过调研配电网的故障重构过程,优化了多个目标的权重系数,提出了综合考虑网络损耗与开关动作数量的故障重构模型.利用反向学习法、共轭梯度法和Tent映射实现了经典万有引力算法的有效改进.软件仿真与实际工程测试结果表明,所提故障重构方法具有较强的实用性、更低的网络损耗和更少的开关动作.     

基于PCC-GRU-Attention组合风电功率超短期预测

由于风电出力具有随机性、波动性的特点,风电功率预测技术的研究对电力系统的安全稳定运行具有重要意义。提出一种基于PCC-GRU-Attention组合风电功率超短期预测方法,首先使用皮尔逊相关系数(pearson correlation coefficient, PCC)对数据预处理,选出高度相关性的特征作为输入,针对长短期记忆(long short term memory, LSTM)网络与门控循环单元(gated recurrent unite, GRU)网络处理长时序列易丢失序列信息的问题,通过GRU网络处理时间序列信息以及注意力(Attention)机制优化输出权重,与单一LSTM网络和GRU网络以及其它组合模型相比,有效提高了预测精度。     

基于启发式规则与改进和声算法的配网快速故障恢复网络重构

网络重构是改变配电网运行状态最重要的手段之一,可有效提高配电网经济、安全以及供电可靠性.为此,提出融合启发式规则与网络重构的配电网故障快速恢复方法,采用宽度优先遍历的思想,确定故障隔离后非故障失电区,据此利用提出的启发式规则确定非故障失电区的故障恢复方式,以及实现非故障失电区与非故障带电区的连通;对接入了非故障失电区且除去了主动孤岛恢复部分的配电网络,构建以网络损耗最小为目标,以满足配电网安全运行为约束条件的网络重构模型,利用所提出改进和声算法对模型进行求解.通过69节点系统仿真,表明所提方法相比其他方法具有优越性,同时验证了所提出的配电网故障恢复网络重构模型的有效性.     

基于Attention机制的CNN-GRU配网线路重过载短期预测方法

随着用户用电需求增加,迎峰度夏期间配网线路重过载较严重,为电网运行增加安全隐患。实现配网线路重过载短期预测,对合理安排负荷高峰时期运行方式和调度管理以及线路的安全运行具有重要意义。文中提出一种基于注意力（Attention）机制的卷积神经网络（CNN）—门限循环单元神经网络（GRU）组合预测模型。结合高相关性时间段的历史线路负载率数据和气象因素作为输入特征,利用CNN处理多源数据并提取有效特征作为GRU的输入,再通过GRU对时序特征集进行分析预测,利用Attention机制对重要数据分配更多的注意力权重,实现配网线路负载率的回归预测,最后根据负载等级划分标准将负载率预测结果转化为负载等级。使用所提方法对上海市某区某10 kV线路数据进行实验。实验结果表明,该预测方法比相同模型结构但以负载等级为输入的重过载分类预测,更适用于配网线路重过载预测。     

基于EEMD-CNN-GRU的短期风向预测

为了提高短期风向的预测精度,提出一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、卷积神经网络（Convolutional Neural Network,CNN）和门控循环单元网络（Gated Recurrent Unit,GRU）的混合模型：EEMD-CNN-GRU.针对风向序列的随机性和不平稳性等特点,先利用EEMD将数据分解成多个分量;再运用CNN的局部连接和权值共享来提取分量中的潜在特征;最后,使用GRU对CNN所提取的潜在特征进一步构建特征,叠加各分量的预测值,得到最终预测结果.实验结果表明：相对于BP神经网络和长短期记忆网络（Long Short-Term Memory,LSTM）等其他模型,本文所提出的预测方法取得了良好的性能.     

水库水位的VMD-CNN-GRU混合预测模型

水库水位预测为其运营、防洪、水资源调度管理提供了重要决策支持.准确可靠的预测对水资源的优化管理起着至关重要的作用.针对水库水位数据的非线性、不稳定性以及复杂的时空特性,提出一种融合自适应变分模态分解(VMD)、卷积神经网络(CNN)和门控循环单元(GRU)的混合水库水位预测模型.VMD通过对水位序列进行分解消除噪声,CNN用于有效提取水位数据的局部特征,GRU用于提取水位数据的深层时间特征.以葠窝水库日水位为例,与多个相关模型对比分析,结果表明:精度方面,新模型在选取的评价指标上均表现最佳;运算效率方面,本文选择的GRU与长短时记忆网络(LSTM)相比,运算效率显著提高.新模型预测的高精度、高运算效率更能满足实际水库水位实时调度的需求.     

基于改进PSO-BP网络的配电网故障选线与测距

针对人工智能算法在解决配电网故障选线和测距问题时容易陷入局部最优解并难以满足精确性和鲁棒性要求的问题,提出了一种基于改进粒子群优化神经网络的配电网故障选线与测距算法.该算法结合混沌优化算法和粒子群优化算法得到收敛能力更强的粒子群优化算法,通过提取配电网的零序电压与电流的暂态及稳态特征来构成特征向量,并分别使用训练集训练改进粒子群优化神经网络算法,从而能更精确地预测配电网的故障线路及其距离.仿真测试结果表明,所提出的算法能获得更精确的选线和测距结果,具有一定的实用性.     

基于多频导纳测量的配电网接地故障辨识方法

为解决谐振接地配电网高阻接地故障辨识困难的问题,提出基于多频导纳测量的配电网接地故障辨识方法.首先,建立由配电网中性点处注入特征信号等效回路,通过向配电网注入多频电流信号,测量返回电压信号,测算获得配电网多频导纳参数及阻尼率参数.然后,对由故障过渡电阻产生的增量阻尼率进行叠加,实现故障特征量的有效放大,同时大幅降低干扰...     

支持向量机回归预测在网络故障检测中的应用

无线传感器网络主要用于收集环境数据,然而传感器可靠性低,容易出现故障并返回异常的监测数据.因此,如何检测传感器故障成为关乎无线传感器网络监测性能的重要问题.提出了基于支持向量机回归预测的故障检测算法,通过充分利用历史数据预测传感器的测量值,并根据测量值与实际值的对比有效地划分信誉等级,最后基于置信数据集计算出的置信条件进行故障的检测.仿真结果证明了算法在节约能量和故障检测率上有着优异的表现.     

基于粒子群算法优化参数的VMD-GRU短期电力负荷预测模型

为了更有效提取电力负荷数据中的特征信息，从原始含噪声较多的负荷序列中提取包含丰富特征信息的信号分量，提高电力负荷预测精度。针对变分模态分解(variational mode decomposition, VMD)参数设定经验与主观性较强，提出一种基于粒子群算法(particle swarm algorithm, PSO)优化参数的变分模态分解和门控循环单元(gated recurrent unit, GRU)的组合模型短期电力负荷预测方法，先通过粒子群算法对VMD最佳影响参数组合进行搜寻，得到最佳效果的分解子序列，减少不同趋势信息对预测精度影响。然后运用GRU网络，针对各子序列分量建立基于GRU的预测模型。最后叠加各子序列预测结果得到短期电力负荷的最终预测值。实验结果表明，相对于相对于BP神经网络(Back Propagation Neural Network)、支持向量机(support vector machine, SVM)、GRU模型和EMD-GRU模型以及未经优化VMD-GRU模型，此模型具有更高的负荷预测精度。     

新型小电流接地选线装置的研发与应用

通过分析配电网单相接地故障选线技术的现状,提出了一种新的小电流接地选线方法,利用小波特征频带重构算法对接地电容电流的暂态分量进行提取,以实现对小电流单相接地故障的定位.试验结果表明,该方法能够较好地实现配电网单相接地故障的选线判别.     

基于贝叶斯和层次模型的传感器网络节点故障预测研究

提出了运用贝叶斯理论和层次模型对传感器网络节点故障进行预测的方法,结合传感器网络各节点处理信息的时序关系,用定性分析将时间信息融合到节点中分析故障传播机制和故障预测.根据节点的历史信息和当前运行情况,预测和确定节点的故障概率;利用参数学习和概率推理,预测上层节点的故障概率.通过仿真实验并与其他预测方法进行比较分析,验证了该方法的可靠性和精确性,为传感器网络节点的故障预测提供了新的思路和方法.     

基于混合深度学习模型的企业中央空调蒸汽预测

为解决企业生产车间多空调能耗与生产任务、气候环境匹配的精准供能问题,实现多台大型中央空调机组蒸汽消耗预测,提出一种基于GRU和3DConv-PredRNN++的混合深度学习预测模型. 针对多台空调机组动态联动关系,使用三维卷积和PredRNN++方法提取机组间蒸汽损耗关系作为空间因素特征参与模型预测; 为捕捉蒸汽消耗量序列的总体趋势和局部变化,数据集采用平滑过程模式、趋势性模式和周期性模式作为模型输入; 为提高模型预测性能,基于门控循环单元(GRU)耦合外部因素特征并捕捉时间因素特征; 最后通过参数矩阵融合方式来构建模型. 通过与多种预测模型的对比实验,证明混合深度学习模型预测精度的优越性和空间因素特征参与模型预测的必要性. 与现有模型相比,所提模型平均能耗折标(ASEC)降低了60.09%.     

基于多判据融合的LSTM单相接地故障选线方法

配电网结构复杂、中性点接地方式多样,存在故障选线方法可靠性不高的问题。针对该问题提出了一种基于构造特征量的长短期记忆（long short-term memory,LSTM）网络单相接地故障选线方法。首先,通过搭建单相接地故障仿真模型,分析故障线路与健全线路接地前后电流、有功功率以及无功功率的变化特点,并基于此构造新特征;然后,结合多种特征选择算法选取特征量;最后,建立LSTM故障选线模型并采用实际故障数据进行算例验证,结果表明该方法具有故障选线准确度高的特点。     

小电流接地系统故障仿真分析与研究

针对小电流接地系统单相接地故障接地选线困难的问题,通过理论分析、仿真研究和大量10 kV模拟实验验证,深入研究了该型故障的特征,着重研究了电弧接地故障时暂态零序测量电流的特征,以及故障线路与非故障线路暂态零序测量电流之间的关系。为了提取配电网单相接地故障选线和故障测距的暂态故障特征量,基于ATP仿真系统软件,搭建了小电流接地系统的配电网络仿真模型并综合考虑不同短路时刻和不同接地电弧电阻两个因素,对配电网小电流接地系统的单相接地故障进行了大量仿真。这些暂态特性可为研究基于单相接地故障暂态分析的接地选线方法提供理论依据。     

基于零序电流小波变换系数均方根值的故障选线ANN方法

配电网单相接地故障产生的高频信号可以用于接地故障选线.利用馈线零序电流特征频带(SFB),提出一种连续小波变换(CWT)系数的均方根(Root Mean Square,RMS)值与人工神经网络(ANN)相结合的故障选线方法.通过对各条馈线故障后5 ms时零序电流进行CWT变换,剔除工频信号,并根据能量和最大原则选出故障特征频带.将各条馈线特征频带上CWT系数的均方根值作为ANN选线的输入样本属性,故障馈线编号作为输出样本属性,构造智能选线网络.该方法不需要提出明确的故障选线判据,利用ANN非线性拟合和记忆功能进行故障选线.大量的实验仿真数据表明,该方法选线结果准确可靠.     

高分布式电源渗透的配电网网络保护新原理

为了解决高分布式电源(DG)渗透配电网三段式电流保护拒动或误动等问题,提出了一种对等式网络保护方案.该方案要求配电网馈线开关上的FTU在检测自身过流大小和方向的同时与其相邻开关的FTU相互通信,互相交换各自的故障信息,建立各开关的动作判据向量.通过与给定的保护判据向量集比较,判断其所对应开关的动作情况.该保护方法能够实现高DG渗透下配电网发生单重或多重故障时故障的定位和隔离,具有较好的速动性和较强的自适应能力.     

基于卷积门控循环网络的齿轮箱故障诊断

为充分利用信号的时序相关性特征,增强模型对数据信息的全面挖掘能力,以进一步提高卷积神经网络(CNN)诊断精度,本文将CNN与善于处理数据时序相关性特征的门控循环单元(GRU)相结合,提出了一种新的齿轮箱故障诊断模型。CNN通过端对端的方式提取数据空间特征,并将提取的特征作为GRU的输入进一步提取时空特征,最后将GRU提取的时空特征作为SoftMax的输入进行故障识别。两组齿轮箱实验数据分析结果显示:平均故障诊断精度分别可达99.86%和99.85%,与其它现有模型的结果对比体现了本文模型的有效性和优越性。     

环状有源配电网改进电流差动保护方案

为提高配电网供电可靠性和分布式电源接纳能力,有源环状网络成为配电网主要发展方向之一。然而,大量分布式电源接入改变了配电网潮流和故障特征,传统三段式电流保护方案可靠性不足。为此,提出一种针对环状有源配电网的改进电流差动保护方案。首先对环状有源配电网区内、外故障电流关系表达式进行推导,分析两端电流故障分量的向量关系;然后利用保护区段两端故障电流比构造主保护判据,进一步地针对环状结构配电网设置避免保护误动的辅助判据;最后利用PSCAD/EMTDC仿真平台搭建环状有源配电网模型,通过大量仿真分析,验证所提保护方案的有效性和抗干扰能力。该方案同样适用于典型辐射状有源配电网。     

基于自编码神经网络的电网故障预测算法

针对电力设备因素、人为因素与气象因素导致的电网故障问题，提出了一种基于自编码神经网络的电网故障预测算法.利用电网运维数据与气象数据来预训练自编码网络，以提取其特征及不同数据间的关联关系.基于多级别特征融合和预测网络来构建各影响因素与电网故障间的映射，根据当前电网环境得到电网故障类型，并使用稀疏正则项来增强网络的鲁棒性.仿真与算例分析结果表明，所提出的算法能够提取出丰富的气象特征，并准确预判电网在给定条件下是否会发生故障及发生故障的概率.