基于组合神经网络的配电网故障定位方法

为解决实际配电网中量测装置不完备导致电气信息获取不完全、分布式电源大量接入改变电网运行特性、传统配电网故障区段定位方法难以应用的问题,提出一种基于组合神经网络的配电网故障定位方法。将全连接神经网络与图卷积神经网络相结合,搭建完整故障定位神经网络模型。神经网络模型输入层通过引入全连接神经网络将支路电流信息整合至节点上,为特征信息进一步传递做准备;隐藏层由图卷积神经网络进行特征决策信息的提取、处理与转化;输出层增加了全连接神经网络,调整输出维度以输出故障定位结果。采用改进IEEE33节点系统进行案例分析,研究表明,搭建的图卷积神经网络定位模型可对配电系统中单相接地短路、两相短路等常见故障进行准确的故障定位。     

基于图卷积网络的配电网无功优化

高级量测体系的建设和深度学习技术的快速发展使得不依赖于物理模型,而是通过挖掘历史数据和先验知识快速地找到最佳无功优化策略成为了可能.为此,提出了一种基于图卷积网络(graph convolutional network,GCN)的配电网无功优化方法.通过邻接矩阵来表征配电网节点间的拓扑信息,所提出的算法能够有效地挖掘节...     

基于时空特征图卷积网络的配电网实时状态估计方法

为了在考虑负荷时空特性以及不健全量测的场景下实现配电网的实时、高容错状态估计,本文从时空图的角度提出一种基于时空特征图卷积网络的动态状态估计算法.首先将配电网量测数据组成三维张量;然后利用时空特征图卷积网络分别提取量测数据的空间拓扑、时间序列和节点属性上的特征信息,通过特征融合得到实时状态估计结果;最后根据状态估计结果...     

基于改进图卷积网络的配电网状态估计方法

采用小样本量测信息进行配电网实时状态估计,对提高配电网可靠性,保证其稳定运行具有重要作用。为了在配电网量测信息不足条件下进行高精度状态估计,提出了一种基于改进的图卷积网络(graph convolutional network,GCN)的物理–数据融合配电网状态估计新方法。该方法首先利用少量相量量测单元将配电网进行切割分区,然后根据分区后的最大直径确定卷积网络所需要的卷积模块数量,其次修改了传统GCN中的邻接矩阵表示方法,从而实现利用卷积网络将配电网分区子系统中的状态变量均由量测量表示。通过IEEE33节点典型算例,验证了所提方法有效性。同时,通过与传统的高斯–牛顿优化算法和传统深度学习网络对比测试,结果表明,所提方法不仅能够将计算复杂度转移到离线阶段,而且能够不依赖于高冗余度的伪量测,具有较高的估计精度与计算速度。     

多数据源配电网不良数据的辨识与校核

不良量测数据较多是配电系统状态估计不能正常工作的主要原因,针对配电网数据采集中多数据源的情况,提出了具有实用性的多源数据预处理技术,即综合利用上下电压等级的冗余量测数据,对部分不良数据进行修补,提高状态估计输入数据质量;综合利用遥信量和遥测量,提高遥信量的准确度,从而能够充分利用冗余数据的优势,避免数据预处理中的误判和漏判.实际的算例验证了该方法的有效性.     

基于图卷积神经网络的机组组合问题加速求解方法

针对传统的精确优化算法求解规模较大的机组组合问题面临时间可行性的挑战,提出了一种基于图卷积神经网络的机组组合问题加速求解方法。将机组组合问题构建为一个混合整数线性规划模型,根据分支定界法的求解原理,将分支策略定义为从候选变量的特征到候选变量得分的映射关系;提出在离线阶段使用图卷积神经网络来模拟强分支策略的决策行为,并将学习到的映射关系应用到在线分支过程中,从而加速分支定界法求解机组组合问题。通过IEEE 39节点10机组和IEEE 118节点54机组系统的算例分析,验证了所提方法的有效性。     

基于整数线性规划的配电网故障定位容错算法

为了提高配电网馈线故障定位的速度和容错能力,提出一种基于整数线性规划模型的配电网故障区段定位容错算法。将各馈线终端单元(Feeder Terminal Unit, FTU)的漏报、误报状况和馈线状态作为决策变量,基于最小故障诊断集理论,建立计及FTU漏报、误报信息的故障定位模型。针对逻辑运算在求解大规模配电网故障区段时建模复杂、算法受限的问题,构建基于代数关系运算的开关函数,并提出一种逻辑关系线性化策略将约束条件线性化。所建模型采用具有良好数值稳定性的常规优化方法进行决策,以保证解的全局最优性。仿真算例表明,所提方法定位准确高效、容错性强,在正确定位故障馈线区段的同时能获取具体节点的漏报、误报状况,适用于多节点过流信息发生畸变的大型配电网络。     

基于矩阵算法的有源配电网故障定位容错方法

故障区段定位对于配电网发生故障后的故障处理与恢复供电具有重要意义。针对有源配电网的故障定位方法中,矩阵算法计算速度快但容错性差、智能优化算法容错性高但定位速度慢且在大规模配电网中存在局部收敛的问题,提出了一种将矩阵算法和智能优化算法的优点相结合的定位方法。首先,在有源配电网发生故障后,利用馈线终端设置(Feeder Terminal Unit,FTU)上传的告警信息,运用矩阵算法快速定位故障区段。然后运用开关函数对矩阵算法的定位结果进行校验,避免因矩阵算法容错性差而输出错误的定位结果。校验不通过的定位结果将全部列入可疑故障集合,该集合的维度大幅低于配电网的维度,再运用灰狼优化（Grey Wolf Optimization,GWO）算法对该集合进行优化处理,从而输出最终的定位结果。在MATLAB上进行仿真测试,仿真结果表明此方法能在有源配电网中实现故障区段的快速定位,且具有一定的容错性。     

基于互信息–图卷积神经网络的燃煤电站NOx排放预测

燃煤电站NO_x排放预测模型可提高脱硝经济性。NO_x排放机理复杂,相关性变量众多,有效的融合相关变量之间的信息,能提高NO_x排放预测精度。提出了一种基于互信息-图卷积神经网络的NO_x排放预测模型。基于某660MW燃煤电站的运行参数,计算影响NO_x排放的特征变量之间的互信息,设计特征变量间的邻接关系,获取特征邻接矩阵,构建了基于图卷积神经网络的NO_x排放预测模型。将所提出的NO_x预测模型与基于LSTM、BPNN和LS-SVM的典型NO_x预测模型进行对比,实验结果表明,MI-GCN预测模型具有较好的泛化能力和较高的预测精度。     

基于图卷积神经网络和格拉姆角场的电能质量扰动分类

由于新能源系统的广泛加入,系统中的电能质量扰动数量和种类也相应增加,而传统电能质量扰动（PQD）分类方法存在准确率和效率不高的问题,难以适应现有包含高新能源渗透率的电力系统的电能质量管理。因此,提出了一种基于图卷积神经网络（GCNNs）和格拉姆角场（GAF）的电能质量扰动分类方法。首先,对原始的PQD信号进行归一化和极坐标转化处理;然后采用GAF对不同种类的PQD一维信号进行图形化转换,生成包含不同PQD特征的二维图片;最后,采用GCNNs对不同种类的PQD图片进行训练和分类,实现不同PQD的分类。实验部分采用IEEE-39节点系统仿真并模拟不同种类的PQD曲线,对所提方法进行验证。实验结果表明,所提方法可以自动地进行特征的提取和优化,满足PQD识别和分类的高效性和准确性。     

基于滑动图卷积神经网络的输电线路点云分类模型

图卷积神经网络虽然可以对初始点云数据进行直接处理,但其只在局部尺度上独立提取点特征,未将局部点互相关联起来则会影响点云数据分类精度。因此,本文在考虑点云数据整体几何关系和拓扑信息的基础上,提出了一种基于滑动图卷积神经网络的输电线路点云分类模型。首先,通过最远点采样方法从原始点云中迭代子采样点集,有效地降低模型复杂度和时间消耗;其次,利用多尺度K近邻对子采样点集建立局部有向图;再次,采用边缘卷积滑动地提取局部图特征,计算点云上的每一个点与其相邻点之间的边缘特征;最后,利用全局最大池化层进行点云分类。所提模型首先在公用数据集上进行预训练,之后再用标注过的由激光雷达实地采集的输电线路点云数据进行验证。实验结果证明,本文所提模型在公用数据集和实际数据集上均取得较好的分类效果,分类准确率比通用的ECC、PointNet、PointNet++等方法高出至少1.5%。     

基于图卷积神经网络的直流送端系统暂态过电压评估

随着新能源接入电力系统并通过直流送出，送端系统的暂态过电压问题逐渐突出。因此，为快速准确估计送端系统在直流闭锁、换相失败等预想扰动场景下各直流近区节点暂态过电压严重度，提出一种基于图卷积神经网络(graph convolutional network, GCN)的直流送端系统暂态过电压评估模型。该模型以电网发生直流故障前的潮流状态参数与网络拓扑作为输入特征，可以同时预估电网多个关键节点(如风电场汇集节点)的暂态过电压严重度。利用含跨区直流异步互联的两区域系统进行算例分析，验证该模型可以适应多种网架拓扑结构、不同新能源发电占比等差异化电网运行方式，具有较强的泛化能力。同时，所提模型揭示了对过电压严重度影响最大的关键因素，具有一定的可解释性，可为暂态过电压的预防控制提供有效指导。     

基于图卷积网络的车联网资源管理

车辆到一切(V2X)通信是有效地提高交通安全性和移动性的解决方案.为了解决深度学习在功率分配中存在的需要大量训练数据和泛化性问题,减少车辆网络信道干扰,提出了基于图卷积神经网络(GCN)的总用户速率最大化,总用户能效最大化的两种准则下的功率分配框架.所提出的框架首先将无线干扰信道转化为图数据结构,证明了干扰信道的无序性...     

基于时序特征的图卷积协同过滤推荐算法

基于图卷积神经网络的协同过滤推荐算法框架是目前最先进的推荐算法框架,该框架在用户-项目交互嵌入向量的特征学习中并未关注交互发生的时序性,但实际情况中,用户-项目交互普遍具有明显的时序特征,且是影响推荐性能的重要因素。因此,本文提出一种基于时序特征的图卷积协同过滤推荐算法,重做多个数据集,保留数据集时序特征等原始信息,总结归纳数据集中用户-项目交互的历史时序信息,并对其进行参数化处理,作为重要特征输入到图卷积网络模型训练的高阶协同信号传递中。在三个公开的官方数据集Gowalla,Yelp和Amazon-book上设置多组消融性实验,采用公认的评价指标ndcg和recall对推荐算法性能进行评价,实验结果证明,在同样参数设置下,基于时序特征的图卷积协同过滤推荐算法性能超越了现有同类型图卷积协同过滤推荐算法,验证了时序特征对提升推荐效果的积极作用,提高了模型训练效率和预测命中率,更加高效地解决网络信息过载问题,满足了更高的应用需求。     

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。     

基于多源数据及多维故障诊断空间的快速智能电网故障诊断方案

针对目前的电网故障诊断算法难以兼顾实时性和全面性,导致其无法满足调度实用化需求的问题,提出一种利用多源数据进行故障诊断的快速智能诊断方案。首先通过故障编码技术将遥信数据映射到故障诊断空间,形成故障编码集;然后针对仅用开关量数据的缺陷,提出利用广域量测系统（WAMS）中的电气量信息对故障编码进行修正和补充。接着将带标签的故障编码输入概率神经网络（PNN）进行训练,构造PNN分类模型。最后通过构造故障分析模块对保护和断路器误动、拒动情况进行分析,形成综合智能诊断模型。算例分析表明,该方法正确可行,可满足调度实用化要求。     

基于粗糙集理论和故障信息网的电网故障诊断方法

在系统发生复杂故障或开关、保护存在较多误动,拒动以及因信道干扰而发生信息丢失等诸多不确定因素的影响下,仅仅利用开关和保护信息的诊断方法难以得出正确的结论.针对此问题,文章提出了一种综合利用电网故障信息的诊断方法.首先以保护、断路器作为条件属性,故障区域作为决策属性,考查各种故障情况并建立决策表.然后利用基于可辨识矩阵和信息熵的属性约简方法提取最佳属性的约简组合,根据故障信息分析处理的结果修正约简组合中相应的属性值,最后按决策规则表进行故障诊断.运用VC++编写了基于该方法的故障诊断软件,算例结果表明,该方法正确、有效,能提高系统的容错性,有效地弥补了利用开关、保护信息诊断的局限性,具有较好的实用价值.     

基于粗糙集理论和故障信息网的电网故障诊断方法

在系统发生复杂故障或开关、保护存在较多误动、拒动以及因信道干扰而发生信息丢失等诸多不确定因素的影响下,仅仅利用开关和保护信息的诊断方法难以得出正确的结论。针对此问题,文章提出了一种综合利用电网故障信息的诊断方法。首先以保护、断路器作为条件属性,故障区域作为决策属性,考查各种故障情况并建立决策表。然后利用基于可辨识矩阵和信息熵的属性约简方法提取最佳属性的约简组合,根据故障信息分析处理的结果修正约简组合中相应的属性值,最后按决策规则表进行故障诊断。运用VC＋＋编写了基于该方法的故障诊断软件,算例结果表明,该方法正确、有效,能提高系统的容错性,有效地弥补了利用开关、保护信息诊断的局限性,具有较好的实用价值。     

基于故障辅助因子的配电网高容错性故障区段定位方法

针对基于逻辑关系的馈线故障定位间接方法存在过分依赖群体智能优化算法的固有缺陷,采用代数关系描述,构建了基于故障辅助因子的馈线故障区段定位的非线性方程组模型,并采用具有并行特征的牛顿-拉夫逊法进行求解,其优点在于:对报警信息畸变的情况具有强适应性,故障定位时具有高容错性;能够对含T型耦合节点的配电网多重馈线故障区段进行准确定位;无需采用逻辑运算和最优化算法,决策效率高、算法稳定性好;单一故障下可准确定位信息畸变的位置。仿真结果验证了所提方法进行馈线故障区段定位的准确性、快速性和高容错性。     

基于多源非健全信息融合的配电网主动故障研判方法

为解决非健全信息下的配电网故障定位问题,提出了一种基于多源非健全信息融合的配电网主动故障研判方法.首先建立了主动故障研判的模型,以终端故障研判定位集合、故障指示器故障研判定位集合及停电事件故障研判定位集合为例描述了3种不同研判方法的故障定位区间.其次确立了主动故障研判结果融合的3个原则.再次基于该原则和融合信息熵,对终...