核主元分析在高压断路器故障诊断中的应用

核主元分析(KPCA)方法作为一种先进的人工智能算法,在处理非线性问题上具有极大的优势。为此,将KPCA用于高压断路器的故障诊断中,通过选取合适的核函数将原始数据映射到特征空间,之后在特征空间内计算主元,依据平方预测误差(SPE)统计量对故障数据进行分类诊断,以提高高压断路器故障诊断的准确率。为验证该方法的有效性,用KPCA法对高压断路器在线监测系统采集到的现场正常及非正常数据进行分析计算,并利用Matlab仿真依据计算得出的统计量值对故障数据进行诊断。实验结果表明,该方法应用于高压断路器能够取得较好的故障诊断效果。     

±800 kV柔直换流站电气系统可靠性分析

对电气元件等效二状态模型进行优化,提出了计及计划检修状态的元件等效三状态模型,使之符合柔性直流输电系统实际运行情况。以广东龙门换流站为例,通过等效三状态模型计算柔直换流站电气主接线中各元件的可靠性参数,使用分区简化方法计算各分区的可靠性参数。在此基础上,利用目标导向(GO)法和动态贝叶斯网络相结合的方法建立了电气主接线的可靠性模型,求解柔直换流站可用度、不可用度以及计划检修概率的时变曲线,验证了所提模型和方法对柔性换流站电气主接线可靠性评估的可行性与有效性。     

±800 kV柔直换流站电气系统可靠性分析

对电气元件等效二状态模型进行优化，提出了计及计划检修状态的元件等效三状态模型，使之符合柔性直流输电系统实际运行情况。以广东龙门换流站为例，通过等效三状态模型计算柔直换流站电气主接线中各元件的可靠性参数，使用分区简化方法计算各分区的可靠性参数。在此基础上，利用目标导向(GO)法和动态贝叶斯网络相结合的方法建立了电气主接线的可靠性模型，求解柔直换流站可用度、不可用度以及计划检修概率的时变曲线，验证了所提模型和方法对柔性换流站电气主接线可靠性评估的可行性与有效性。     

基于小波去噪-KPCA神经网络的光伏功率预测方法

为了提高光伏发电功率的预测精度,提出了一种基于小波去噪/聚类/核主成分分析(KPCA)神经网络的光伏发电功率预测方法。首先,应用二维小波阈值去噪法预处理光伏出力数据;然后,应用k-means算法将预测模型分为4种不同模式下的子预测模型;引入KPCA对输入空间降维重构,利用粒子群优化(PSO)神经网络算法建立基于聚类/KPCA/神经网络的光伏发电功率预测模型。采用某光伏电站的实例数据进行预测分析,结果表明该模型实现了不同模式下的光伏出力较为精准的预测,显示出良好的预测性能,验证了预测模型的可行性和有效性。     

基于KPCA优化ESN的网络流量预测方法

为了提高网络流量的预测精确度,提出一种核主成分分析(KPCA)优化回声状态网络(ESN)的网络流量预测方法。首先利用相空间重构对网络流量序列进行处理,提高序列的可预测性,然后对网络流量序列进行核主成分分析,提取序列中的有效信息,通过实验方法确定回声状态网络的储备池参数,最后利用回声状态网络对网络流量进行预测。与标准回声状态网络、差分自回归滑动平均模型(ARIMA)、以及最小二乘支持向量机(LSSVM)预测模型进行了仿真对比,结果表明提出的方法具有更高的预测精确度以及更小的预测误差,同时一定程度上减少了预测时间。     

±800 kV换流站主接线可靠性评估

随着设备状态检修理论研究和应用的深入,提出了改进的元件四状态模型。该模型重新定义元件的异常状态和检修状态,将元件的状态检修状态与计划检修状态合并归入元件的检修状态,并确定了各状态之间的转换关系及参数的求取。提出了利用元件的合并分区方法简化主接线,形成一个简单的有向网络,并将改进的元件四状态模型应用于区域可靠性参数的确定。借用矩阵乘法简化最小路矩阵搜索的方法对有向网络进行最小路搜索,利用解析法枚举有向网络的各种故障状态,并编程计算出该网络的可靠性数据。将该方法应用于和平±800 kV换流站主接线可靠性评估,对计算结果证明了该算法的正确性。     

基于PSO优化核主元分析的海上风电机组运行工况分类

海上风电机组运行环境复杂多变,对其工况进行分类可以提高机组运行健康状态评价的准确性,为制定合理的运行维护策略提供可靠依据。提出一种基于PSO优化核主元分析(KPCA)的多参数工况分类方法。针对核函数参数难以确定的问题,综合考虑类内散度和类间散度构建优化核参数的适应度函数,应用PSO算法对其进行寻优,将优化后的KPCA用于数据的特征提取,在此基础上采用模糊C-均值聚类(FCM)建立分类模型。通过对UCI数据库中的三组实验数据进行分类验证了该方法的有效性。最后,应用该方法对某海上风电场实测数据进行工况分类,并与PCA+FCM、KPCA+FCM两种方法进行比较。结果表明,提出方法的分类结果优于其他两种,能够得到清晰准确的分类结果,利于分工况建立准确的机组运行健康状态评价模型。     

基于趋势预测的大型调相机运行状态实时评估

大型调相机作为高压直流输电工程中的重要设备,其健康状态对于电网安全运行具有重要意义。为此,本文提出一种基于趋势预测的大型调相机健康状态评价方法。首先,针对调相机的设备构成,基于多层次模糊综合评价法构建了调相机健康状态评估体系;其次,提出基于层次分析法与熵权法的组合赋权法进行指标权重赋值,应用模糊隶属度进行逐层评价;最后,提出了基于小波包-长短期记忆神经网络预测模型的劣化度改进方法,以实现实时状态评估。算例结果表明所提方法较于传统评估方法,更具合理性,有助于实现设备的故障预警,为换流站的调度运行与设备检修提供参考意见。     

基于LMD-XGBoost和KPCA的燃气轮机转子故障预警研究

针对燃气轮机转子运行环境恶劣且故障多发的特点,为了及时有效地识别转子的异常运行状态,提出基于极端梯度提升(Extreme Gradient Boosting, XGBoost)和局部均值分解(Local Mean Decomposition, LMD)与核主元分析(Kernel Principal Component Analysis, KPCA)相结合的燃气轮机转子故障预警方法。首先采用自适应小波阈值法对来自SIS系统的振动数据进行降噪处理,通过对比普通小波阈值法的降噪效果,验证了该方法对于转子振动数据降噪的有效性和优越性;然后构建基于LMD-XGBoost的转子振动信号混合预测模型,提取实时振动信号分解得到的特征分量并进行预测与重构;再通过LMD-KPCA模型计算故障监测指标T 2和SPE,利用正常工况下的振动数据求取故障监测指标的阈值,输入混合预测信号计算出故障监测指标的统计量,通过设置故障监测指标超过阈值线的比例作为最终预警判据。通过上海某燃气电厂转子故障案例表明,该混合预警方法可实现转子故障早期预警,具有实际工程应用价值。     

基于改进的KPCA和LSSVM飞灰含碳量的软测量建模

以华能嘉祥电厂330 MW机组为例,针对火电厂飞灰含碳量影响因素的非线性和耦合性的问题,提出一种优化样本的KPCA(核主元分析)方法,利用加权相似度优化样本,再对其进行核主元分析,建立基于加权相似度的KPCA和LSSVM(最小二乘支持向量机)的炉膛温度软测量模型。现场实测数据表明,运用该软测量模型监测效果良好,不仅避免了在测量装置损坏时影响生产的弊端,满足飞灰含碳量实时测量要求,还为提高锅炉运行效率提供了依据。     

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。     

电能计量装置健康度的综合评估与趋势预测方法

为有效解决电能计量装置的计划检修任务重、重复检测、针对性不强等问题,提出了一种电力计量装置健康度的综合评估方法以及电能计量装置健康度的趋势预测方法,为电能计量装置的状态在线检修优化提供辅助决策。首先,从电能计量装置的运行状态、配置方式以及运行工况等方面,提出了一种电能计量装置的健康度综合评价指标体系。并采用序关系分析法求取电能计量装置综合评估指标的赋权值,从而实现电能计量装置健康度的综合评价。其次,基于电能计量装置的综合评估结论,提出了一种基于灰色GM(1,1)模型的电能计量装置健康度预测方法,并通过天津市电力公司的实际运行进行案例验证。健康度评价和预测的结果可对电能计量装置的现场状态检修进行有效指导,并能及时发现电能计量装置的运行隐患,为电能计量装置状态检修策略优化提供理论依据。     

基于GA优化SVM参数与云模型的继电保护装置状态评估方法

为了给继电保护装置的状态检修提供科学检修依据,提出了一种改进的遗传算法（GA）优化支持向量机（SVM）参数的分类方法,将此方法应用于继电保护装置的状态评估中。首先根据采集单元采集的运行状态数据经数据预处理后形成样本数据库,同时采用遗传算法优化SVM的核函数参数及错误惩罚因子等;然后建立GA-SVM状态评估模型,通过计算点到超平面的距离,将评估问题转化为一个分类问题,利用云模型的随机性和稳定的趋向性来实现健康度与评语域之间的不确定性映射,使得评估结果更加符合实际情况。仿真结果表明所提方法能有效评估保护装置的运行状态,为运维检修人员提供检修依据。     

基于KLPP-K-means-BiLSTM的台区短期电力负荷预测

随着智能电网的发展,各场景的用电更加多元化,而准确的台区负荷预测是确保相关电力部门制定合适检修任务的关键,同时为有序用电、电网经济运行提供重要参考。为了挖掘台区负荷的特征以提高台区负荷预测的精度,提出了一种基于核主元分析与局部保持投影降维、K均值聚类算法(K-means)以及双向长短时记忆网络(BiLSTM)的台区电力负荷预测方法。首先利用核局部保持投影（KLPP）对台区多特征负荷数据进行降维以提取主要特征信息;然后采取K-means聚类算法将相似特征的数据归类成各自的簇集;最后针对聚类后的各典型类型,有针对性地训练BiLSTM,并选取中国某高校低压台区负荷作为算例与其他经典预测方法进行对比分析,结果表明所提方法更拟合实际负荷走向,有效提升了预测效果。     

基于梅尔倒谱系数特征集的储能变流器开路故障诊断方法

电池储能电站功率转换系统（power conversion system,PCS）故障诊断在储能电站智能运维中发挥着重要作用。现有方法在非侵入式识别PCS内部IGBT开路故障时,易出现信号特征提取困难、数据维度爆炸以及阈值判定区间不稳定等问题。提出一种基于梅尔倒谱系数（Mel-scale frequency cepstral coefficients,MFCC）特征集的储能变流器开路故障诊断方法。首先,以交流侧三相电流为输入信号,通过分析不同频率区间的信号频谱能量分布情况和包络特征,构建MFCC故障特征数据集。然后,结合核主成分分析（kernel principal components analysis,KPCA）,实现充放电工况下非线性故障特征的降维筛选;其次,以低维故障特征集为输入,构建基于贝叶斯优化算法（bayesian optimization algorithm,BOA）与一维卷积神经网络（1d-convolutional neural network,CNN-1D）的故障状态诊断模型;最后,通过并网储能变流器的故障仿真实验,与现有方法进行比较,结果表明：所提方法在复杂的噪声环境下的鲁棒性和准确性更优。     

基于SSA-SVM的继电保护装置状态评估方法研究

运维检修人员对保护装置检修时需制定检修计划。为了对保护装置准确评估和精准检修,提出了一种基于麻雀搜索算法优化SVM的继电保护装置状态评估方法。根据建立的继电保护装置指标体系对保护装置健康状态进行分类,实现继电保护装置的状态评估。首先,建立继电保护装置状态评价指标体系,根据指标体系采集保护装置的相关数据。其次,建立SSA-SVM继电保护装置状态评估模型,采用该模型将保护装置健康状态按正常、注意、异常和严重进行分类。最后,分别采用SSA-SVM、BA-SVM、GWO-SVM、WOA-SVM算法评估继电保护装置的健康状态,并比较各算法评估保护装置健康状态的准确性和实时性。仿真结果表明,SSA-SVM算法评估保护装置健康状态的准确性最高,保护装置状态评估结果可为运维检修人员提供检修依据。     

基于支持向量机的微机保护装置状态评估的研究

为了给微机保护装置的状态检修或计划检修提供科学的决策依据,提出了一种基于支持向量机的微机保护装置状态评估的方法。首先采用运行工况、定检信息作为支持向量机的输入特征向量,然后通过核函数将输入特征向量映射到高维特征空间,用支持向量机的模式识别方法来识别微机保护装置状态。实验结果表明SVM对微机保护装置进行状态评估是可行、有效的,在小样本情况下有较高的评估正确率和较好的稳定性,径向基核函数的SVM分类方法应用于微机保护装置状态评估最理想。同样条件下比人工神经网络的评估正确率高,速度快。     

基于历史信息挖掘的变压器健康状态聚类方法

传统变压器健康状态评估主要集中在评价导则与模型建立上,然而人为因素与低数据利用率或导致评估结果不准确,对此提出了一种基于历史信息挖掘的变压器健康状态聚类方法。首先利用关联分析挖掘变压器历史信息,以置信度量化评价指标。其次采用主分量分析方法获取评价指标关联权重,据此修正指标聚类空间。最后通过Canopy-kmeans两层聚类方法分析变压器集群健康状态,针对不同簇给出相应健康等级以指导状态检修与运行调度。算例分析验证了该方法的可行性与有效性。     

基于双向长短期记忆网络的电力系统暂态稳定评估

为进一步提升电力系统暂态稳定评估的准确率,依据电力系统暂态过程数据的时序特性,建立了一种基于双向长短期记忆(Bi-LSTM)网络的暂态稳定评估模型。该方法通过Bi-LSTM网络建立底层量测数据与电力系统暂态稳定类别之间的非线性映射关系,采用准确率、F1指标和FPR指标综合评估Bi-LSTM网络模型性能的优劣,在此基础上,采用t分布随机近邻嵌入(t-SNE)降维方法和k最近邻(KNN)分类器进一步提升暂态稳定评估的准确率。新英格兰10机39节点系统算例表明:所提模型比传统的机器学习模型和部分深度学习模型拥有更好的评估性能。通过可视化方法和网络预测分数对评估模型进行分析,结果表明Bi-LSTM网络模型具有较强的电力系统暂态过程特征提取能力,适用于电力系统暂态稳定性的评估。进一步研究了底层输入数据的归一化模式和方法对暂态评估模型的影响,结果表明z-score归一化方法要优于min-max归一化方法,采用总维数归一化模式的模型评估性能更好。