基于Apriori算法的配电线路故障关联分析

配电线路故障主要受设备质量、平均负载率、运行环境三方面因素影响,同一变电站出线、同一时期新投/改建的线路或同一区域内的配电线路发生故障的概率有相关关系.提出了基于Apriori算法的配电线路故障关联分析方法,供电企业可使用配电线路故障历史数据作为样本,利用该方法分析所辖电网内配电线路发生故障的相关性,针对性安排配电线路...     

考虑负荷时空特性的配电系统运行效率评价方法

针对当前运行效率评价过程对电压质量考虑不足的问题,提出了考虑负荷时空特性的配电系统运行效率评价方法。首先,在明晰配电系统运行效率定义的基础上,从设备利用角度出发构建了配电系统运行效率评价指标体系;其次,挖掘了供电质量、网络结构以及负荷时空特性等因素对配电设备合理负载率的影响机理;最后,在各影响因素分析的基础上提出了配电设备合理负载率计算方法。研究成果对配电系统运行现状进行评价,并为未来配电系统投资规划的重点方向提供参考依据。     

基于关系超图增强Transformer的智能站二次设备故障诊断研究

随着智能变电站二次设备的状态感知与自描述能力不断提升,在提高电网调控细粒度的同时,其海量、驳杂、离散的状态信息也使故障诊断难度倍增。为提高二次设备故障诊断精度与效率,提出基于关系超图增强Transformer的二次设备故障诊断算法。首先利用Apriori算法挖掘故障信号间的关联规则,构建关系超图。然后利用超图卷积神经网络(hypergraph convolutional neural network, HGCN)和微调标准Transformer网络学习故障特征间的高阶关系和上下文表达,再经过误差反向传播、非线性传递函数预测故障类型。最后,以某地区一年的二次设备运行数据作为算例进行分析。结果表明,所提方法能够去除冗余信息干扰,准确定位故障元件和诊断故障类型,为智能运维提供支持。     

基于深度学习的综合能源配电系统负荷分析预测

为支撑综合能源配电系统的经济调度和优化运行,提出了一种基于深度学习的冷热电多元负荷综合预测方法。首先,使用皮尔逊系数定量计算多元负荷间的相关关系,分析负荷与影响因素间相关性;然后,构建基于卷积神经网络和支持向量回归的深度学习模型,其中卷积神经网络作为特征提取器从输入数据中提取隐含的更具代表性的特征信息,支持向量回归作为预测模型输出预测结果,同时开展缺失数据与离群数据的预处理;最后,应用某综合能源系统的实际数据对算法的有效性进行了验证,比较分析了考虑多元负荷相关性对预测结果的影响。结果表明:所提出的RCNN-SVR模型对冷、热、电负荷均有较好的预测精度。研究成果可为综合能源配电系统的综合负荷预测提供参考。     

基于CNN-GRU组合神经网络的变压器短期故障预测方法

为挖掘变压器运行状态参量间的关联关系,量化外部环境对变压器运行状态的影响,提出了一种基于卷积神经网络和门控循环单元组合神经网络的变压器短期故障预测方法。首先,通过关联规则挖掘变压器状态参量间的相关性,结合变权思想进行综合状态评估,引入指数函数建立表征变压器运行状态的故障率模型,并将其作为预测状态参量。其次,考虑外部环境对变压器运行状态的影响,分别从日期因素、气象因素和生产工艺因素构建变压器故障预测特征集。然后,利用卷积神经网络在高维空间提取特征集与故障率间的特征向量,将结果输入门控循环单元进行优化训练,从而预测变压器故障率的发展趋势。最后,通过某海上平台变压器的故障预测趋势分析,验证了所提方法的可行性与有效性。该方法与长短期记忆模型、GRU模型、CNN-LSTM模型和支持向量机模型相比,具有更高的预测精度与更高的预测效率。     

基于数据驱动的配电终端缺陷分析及自诊断方法

针对运维水平难以应对配电终端大规模接入电网的问题,提出一种基于数据驱动的配电终端缺陷分析及自诊断方法。首先分析配电终端缺陷的影响因素和缺陷特征,根据配电终端的结构模型,融合关联规则Apriori算法,提出基于数据驱动的配电终端缺陷分析及自诊断方法,然后通过分析配电终端缺陷产生机制,对配电终端缺陷进行多维度综合自诊断。最后以实际配电终端缺陷数据算例验证了所提方法的实用性。     

基于类别空间约束的弱监督卷积神经网络特征学习算法

传统卷积神经网络虽然具有较好的应用准确度,但是其的主要缺陷是效率低,为解决这一问题,弱监督算法被提出,现有的弱监督学习算法标记训练样本较少,效率较理想,但是仍然存在误分类率较高等不足。为了同时满足高效率和高精度的要求,本研究结合了弱监督算法和卷积神经网络,提出一种基于类别空间约束的弱监督卷积神经网络特征学习算法。首先,建立弱监督卷积神经网络特征学习算法的网络模型;其次,通过对空间加以约束,使标记样本和未标记样本建立一定的联系,从而实现特征空间聚类;最后,利用模型训练样本数据,实现基于类别空间约束的弱监督卷积神经网络特征学习算法的设计。实验结果表明,所提方法误分类率达到5%,分类耗时不超过0.4 ms,能够更好地开展特征学习。     

基于关联规则挖掘与组合赋权-云模型的电网二次设备运行状态风险评估

针对当前电网二次设备周期性检修效率低、评估结果过于依赖专家主观经验的问题,提出一种基于关联规则挖掘与组合赋权-云模型的二次设备运行状态风险评估方法。首先,基于Apriori关联规则挖掘算法筛选评估指标,构建二次设备运行状态风险评估指标体系。其次,采用属性层次分析法和反熵权法分别计算评估指标的主、客观权重,并基于合作博弈模型得到组合权重。最后,以云理论为基础构建基于云模型的二次设备风险评估模型。实例分析表明该方法简单易行,提高了评估结果的科学性与准确性,辅助电网二次设备运维人员制定科学合理的检修决策。     

基于Apriori算法的二次设备缺陷数据挖掘与分析方法

为提升电力系统二次设备的运维和管控水平,从二次设备的缺陷数据出发,提出了基于Apriori算法的二次设备缺陷数据挖掘与分析方法。首先,分析了关联规则与Apriori算法的基本思路,然后建立了基于关联规则的二次设备缺陷模型,在模型中考虑了二次设备缺陷的几个重要属性:二次设备的生产厂家、设备类型、设备缺陷的原因、发生缺陷的设备部位以及缺陷等级。进一步,以一组自动化设备缺陷数据为例,阐述了基于Apriori算法的二次设备缺陷数据挖掘和分析方法,分析结果表明所提方法能够用于寻找二次设备的薄弱环节,并能够找到诱发薄弱环节的原因,同时还具有分析设备家族性缺陷等功能。     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。     

基于混合GEP的配电低压台区综合评价算法*

配电低压台区的综合评价对于智能配电网的运行监控至关重要。针对现有的这些配电网综合评估方法存在主观性强、评价指标体系复杂多样等问题,提出了基于混合基因表达式编程的配电低压台区综合评价算法。首先利用粗糙集的思想,通过对综合评价决策表依赖度的计算快速求解最优约简。在此基础上,利用基因表达式编程挖掘配电低压台区综合评价函数,最后基于该函数模型达到评价和预测配电低压台区运行状态的目的。仿真实验表明,对于复杂高维的配电低压台区综合评价决策信息,所提出的算法具有较高的挖掘效率和预测准确率,同时具有较强的实用性。     

基于卷积神经网络的风机叶片损伤检测

作为捕获风能的关键部件，风机叶片受制造及运行载荷影响，可能存在不同程度的损伤，这会直接影响风机运行可靠性。为防止风机叶片持续损伤发生质量安全事故，需要开发1种快速简便且非植入安装式的检测方法来识别风机叶片的损伤情况。根据叶片损伤和叶片运行噪声间存在的物理相关性，提出了一种基于声学信号和卷积神经网络（convolutional neural network,CNN）的风机叶片损伤检测方法，将时序声学信号转换成二维频谱图片，结合健康频谱图生成残差频谱图，并通过训练卷积神经网络来识别风机叶片是否存在损伤。分析结果表明：该算法消除了叶轮旋转产生的固有叶片扫风声音对损伤识别的影响，提高了识别精度；以某地风机的实测数据为例进行算法分析，结果表明该算法的分类精度达到了96.9%，验证了基于卷积神经网络的检测方法的有效性和精确性。     

基于深度学习的智能录波器配置数据自动化映射方法

智能变电站配置描述文件中包含大量智能二次设备数据输出接口地址的配置数据集,将这些数据集映射至智能录波器各信息组是保证录波器精准采集设备运行数据的基础性步骤,当前主流映射方法是依照输出接口描述文本人工映射对应的配置数据,二次设备数目繁多时映射工作量大,而描述文本一定程度的不规范性给数据集自动化映射提出了难题。针对这一问题,本文提出了基于深度学习框架—动态卷积神经网络构造的智能录波器配置数据的自动化映射方法;首先利用文本表征模型word2vec对数据集描述文本的稀疏文本向量进行词组语义及关联关系的表征;随后构造动态卷积神经网络并输入文本向量,基于其多层次抽象化学习典型样本特征的特点进行语义规律挖掘与文本分类映射,据此结果实现接口地址配置数据的自动化映射。实际算例表明,基于动态卷积神经网络模型的文本分类方法语义分析能力强,分类精度高,有效提升了智能录波器配置数据自动化映射的准确率。     

基于图像的混凝土表面裂缝量化高效识别方法

卷积神经网络（convolutional neural network,CNN）算法是目前进行裂缝图像识别的常用方法。但目前仍存在卷积神经网络过于复杂、训练参数多、设备配置要求高和检测实时性低等问题。针对以上问题,本文提出一种基于轻量化CNN的混凝土表面裂缝识别方法。通过搭建轻量化全卷积神经网络（light-weight full convolutional neural network,LFNet）解决目前经典的卷积神经网络中训练参数过多的问题;采用基于高斯梯度变化的阈值分权法,对存在裂缝的图像进行分析,提取裂缝特征;最后采用基于欧氏距离的裂缝宽度算法实现对裂缝宽度分析计算。实验结果表明,本文所提的LFNet优于目前经典的卷积神经网络,其精确率、召回率和综合评价函数值三个参数分别达到97.944%、98.277%、98.108%,裂缝宽度特征参数的计算误差可控制在0.5 mm以内。     

基于卷积神经网络的开关柜故障率预测方法

开关柜设备对于配电网的稳定运行至关重要,评估其在发生不同类型绝缘缺陷情况下的故障概率,可更好地对设备状态及配电系统运行进行安全风险评估,制定合理的状态检修策略。利用配电站开关柜现场带电检测采集的大量局部放电检测数据和故障案例,提出一种基于卷积神经网络深度学习的开关柜设备故障率计算方法。该方法通过设计缺陷分类模块和故障二分类模块,利用多层卷积神经网络实现对每种缺陷类型的故障概率计算。与其他分类模型对比表明,该模型概率计算结果具有较高的准确性。该方法能对开关柜设备缺陷的严重程度和故障概率进行有效评估,在工程上具有较高的实用性。     

基于深度卷积神经网络的电力系统运行稳定性评估方法

研究了一种电力系统运行稳定性评估深度卷积神经网络算法.利用深度卷积神经网络算法对电力系统运行稳定性评估系统进行技术升级.采用深度卷积神经网络构建多层多列神经网络,对电网稳定性作出评价.系统对特定故障的评价效率显著提升,特别提升了评价判断特异性,减少了因对无故障电网运行状态做出稳定性预警而带来的额外检修工作量.深度卷积神...     

基于卷积神经网络的变压器套管故障红外图像识别方法

作为电力变压器的重要部件,套管的管理与维护对于设备的安全稳定运行起着至关重要的作用。为提升电力设备巡检的智能化水平,文中提出一种基于卷积神经网络的套管故障红外图像识别方法,该方法在特征提取方面具有显著的优势,避免了人为提取描述特征的低效和易误判问题。首先,建立了包含正常、缺油与局部过热3种状态类型的套管红外图像样本库;然后,将规范化处理后的红外图像作为卷积神经网络的输入,搭建了套管故障红外图像识别模型;最后,通过对网络超参数的选取进行实验分析,确定了激活函数种类、池化方法及卷积核数目。针对文中样本库,文中所提模型对套管3种状态类型的分类结果准确率达到96%,相较于SVM算法和BP神经网络算法分别提升约14%和15%,识别性能更为优异。     

利用卷积神经网络支持向量回归机的地区负荷聚类集成预测

为提高地区负荷预测的运算效率和预测精度,提出了一种基于卷积神经网络支持向量回归机的地区负荷聚类集成预测方法。首先,通过聚类模型对地区内大量用户的真实负荷数据进行分组并分析了不同聚类模型的效果。其次,使用得到的聚类分组标签将用户数据分组集成并构建训练数据。然后,基于改进的卷积神经网络构建了卷积神经网络支持向量回归机模型。最后,分组进行负荷预测并将预测结果求和得到地区最终预测月负荷,并与卷积神经网络模型、长短期记忆神经网络模型、决策树模型、支持向量回归机模型进行对比。文中使用扬中市高新区的负荷数据作为算例进行分析,结果表明文中所提方法相较于现有算法具有更高的负荷预测精度和运算效率。     

330 MW 机组湿法烟气脱硫控制系统目标值优化

基于火电机组脱硫系统在实际运行过程中积累的历史数据,采用数据挖掘的方法对系统的重要运行参数进行优化,挖掘出在满足脱硫效率要求时经济效益最大的最佳运行参数值。提出了一种模糊关联规则挖掘算法,对某330 MW机组石灰石-石膏湿法烟气脱硫系统运行优化目标值进行确定。针对历史运行数据利用竞争凝聚算法决定分类数、软化划分边界并构造优化的模糊数据集,以满足脱硫效率为前提,以经济效益作为优化目标,利用模糊Apriori关联规则挖掘算法得到的频繁项集进行关联规则挖掘,最终得到运行参数最优目标值,实验结果和理论分析表明挖掘结果能为电厂脱硫系统的经济运行作出贡献,可以作为指导机组优化运行的重要依据。     

基于聚类特征及seq2seq深度CNN的家电负荷识别方法研究

非侵入式负荷分解技术能够挖掘用户内部信息获取各用电设备负荷信息,使智能电网更加贴近日常生活,为泛在电力物联网感知层建立提供有效数据。为解决传统非侵入式负荷分解方法输入数据复杂,考虑因素较多,采样硬件要求高以及辨识准确率较低等问题,文章首先利用改进迭代K均值聚类提取用电设备运行状态建立负荷特征集,之后将特征集输入构造的序列到序列的一维深层卷积神经网络模型以及序列到序列的单、双向长短时记忆网络等模型中进行负荷分解挖掘各设备运行状态。最后通过REFITPowerData数据集进行验证,一维深层卷积神经网络模型虽然耗时较大但负荷识别准确率达到93%以上,表明基于特征数据集及序列到序列的一维深层卷积神经网络非侵入式负荷分解方法与其他深度学习模型方法、人工神经网络方法相比表现出更显著的信息提取能力以及辨识能力。