应用旋流器控制并联管组中流量分配的实验研究

在分配集箱的进口处加装一只旋流器,使进入集箱中的流体发生旋转,增加沿程摩擦阻力对集箱静压分布的影响,从而达到控制并联管组流量分配的目的。在旋流条件下所得出的离散型数学模型,能够预测不同旋流强度下的集箱静压分布和管流量分配,计算值和实验结果吻合良好。图１０参６     

基于深度学习的特高压直流控制保护系统可视化技术

特高压直流控制保护系统是特高压直流输电工程的“大脑”,控制保护系统设备采用分层分布式结构,不同层次、同一层次不同区域的装置之间均通过电缆、光纤进行大量的信号交换,构成了一套庞大而复杂的系统。此外,特高压直流控制保护系统设备的连接关系和信号交换等信息分散在不同载体上,信息检索工作量巨大。这些都使得特高压直流控制保护系统的运维检修难度大大增加。针对这些问题,提出基于深度学习的特高压直流控制保护系统图纸识别和可视化技术方案,采用自定义的控制保护系统图纸模型格式,将基于候选区域的快速卷积神经网络Faster R-CNN和光学字符识别Tesseract-OCR引擎结合,识别控制保护系统图纸中的信息并自动完成图纸建模,将模型存入数据库中,依托数据库便捷的查询方式,直观地展示控制保护系统的原理,提高数据检索效率。     

Hyperbolic Chain Control Sets on Flag Manifolds

In this paper, we characterize the hyperbolic chain control sets of a right-invariant control system on a flag manifold of a real semisimple Lie group. Moreover, we provide a formula for the invariance entropy of such sets, applying a recently established result that holds in a more general setting.     

基于改进深度强化学习的智能微电网群控制优化方法

针对微电网群控制的经济效益、负荷波动以及碳排放问题,提出一种基于改进深度强化学习的智能微电网群运行优化方法.首先,计及分布式电源、电动汽车及负荷特性,提出微电网的系统模型.然后,针对微电网群的运行特点,提出4个系统优化目标和5个约束条件,并且引入分时电价机制调控负荷运行.最后,利用改进深度强化学习算法对微电网群进行优化...     

基于深度学习的电力基建现场安全管控系统

目前电网基建项目中的一系列安全问题的检查监督主要依靠人工巡检、抽检,存在工作量大、易疏忽、实时性差、效率低等诸多缺点,无法做到对整个施工现场的安全情况实时监控、全局管控。近年来随着人工智能技术的发展,基于视觉分析的基建现场安全状态智能评估已成为可能。提出了一种基于深度学习的电力基建现场安全管控系统,该系统基于施工基建现场安全管控中视觉目标检测的实时性和准确性要求,以YOLO-V3目标检测算法为核心,根据检测对象的特征对网络结构和参数加以优化,开展目标检测与识别技术研究,搭建施工基建现场管控系统,提升处理效率,进一步完善基建现场的安全监控手段,可为不安全行为和不安全物态场景的智能识别提供新的思路和方法。     

基于深度学习的大坝变形预测模型

鉴于高性能的混凝土坝变形动态预测模型是预测结构性态演化、评价安全服役状况和保障稳定高效运行的关键措施。以混凝土坝原型变形监测数据为基础,借助开源深度学习框架TensorFlow建立了基于深度学习的混凝土坝变形预测模型。工程实例应用结果表明,基于深度学习的混凝土坝变形预测模型各项评价指标均优于现浅层神经网络模型和传统的统计模型,实现了动态高精度预测混凝土坝运行性态,具有很强的工程实用性。     

基于深度学习的绝缘子缺失检测方法研究

绝缘子缺陷严重影响输电线路安全,航拍图像绝缘子缺失的有效识别是无人机线路巡检。提出一种轻量级网络的绝缘子缺失检测模型,使用轻量级网络MobileNetV3替换YOLOv4模型的CSPDarknet53网络。以分割性能和计算速度为判据,综合分析比较了YOLOv4模型和使用轻量型网络对其主干网络替换后的模型在绝缘子缺失检测上的性能,实验结果表明：筛选的YOLOv4-MobileNetV3轻量级网络绝缘子缺失检测模型能够准确定位图像中单、多目标绝缘子;改进后YOLOv4-MobileNetV3检测模型比原模型的体积减少了78%,FPS提升了4.85 f/s,而mAP仅降低0.6%。提出的绝缘子缺失检测方法能够满足无人机电力线路巡检的需求。     

基于深度学习的光伏并网系统谐波预测研究

“双碳”目标下,针对温度及光照的变化对光伏系统并网引起的谐波影响问题,提出一种基于ip-iq谐波提取法与改进双向长短期记忆网络（Bi-LSTM）相结合的谐波预测方法,旨在为谐波抑制提供新的解决方案。首先使用MATLAB/SIMULINK工具建立光伏并网系统,利用基于瞬时无功理论的ip-iq谐波提取法得到实际谐波变化数据,并采用微分插值将数据进行化简;然后,利用网格搜索优化的Bi-LSTM神经网络算法进行谐波数据的预测,并与BP、LSTM、GRU、Bi-LSTM多种时间序列型深度学习方法进行比较,得出MSE、MAE、MAPE损失函数与预测结果图;最后,以陇东地区实际算例进行光伏并网仿真,结果表明,该方法可实现谐波的准确预测。     

基于深度学习的发电机故障挖掘方法研究

发电机工作环境复杂,发电机的涡轮叶片在燃烧的气体作用下高速转动,电机本身容易产生故障。通过对发电机故障特征数据的挖掘,可实现故障诊断。传统方法采用支持向量机SVM故障挖掘和分类算法,解决发电机故障检测的稳定性问题,但随着故障特征的增加,故障特征相似性增强,挖掘性能下降。提出一种基于深度学习支持向量机的发电机故障挖掘算法。对发电机故障挖掘原理进行描述,构建故障数据挖掘模型,采用深度学习支持向量机对故障特征进行数据分类处理,解决发电机故障数据的相似性干扰问题,提高了故障数据挖掘和分类性能,仿真实验表明,采用该算法进行发电机故障挖掘,通过深度学习,对故障数据的特征分类性能较好,提高故障诊断能力。     

A Deep Reinforcement Learning Bidding Algorithm on Electricity Market

In this paper,we design a new bidding algorithm by employing a deep reinforcement learning approach.Firms use the proposed algorithm to estimate conjectural variation of the other firms and then employ this variable to generate the optimal bidding strategy so as to pursue maximal profits.With this algorithm,electricity generation firms can improve the accuracy of conjectural variations of competitors by dynamically learning in an electricity market with incomplete information.Electricity market ...     

基于混合神经网络深度学习的短期负荷预测

针对能源互联网环境下用电用户数据量大、多维度这一特点,提出了一种混合神经网络深度学习的短期电力负荷预测方法。首先,考虑常见的电力系统负荷的影响因素,建立多维数据库,并进行偏相关分析,排除其他变量干扰;其次,将LSTM、GRU两种神经网络作为前端神经网络对多维数据库中数据进行处理;最后,采用随机概率剔除与Adam训练优化函数改进的BP神经网络作为末端神经网络,建立负荷预测模型。通过算例仿真对本文方法与传统BP神经网络、LSTM神经网络、GRU神经网络进行了对比,验证了所提方法的有效性。     

基于深度学习的配变停电电量损失预测

停电电量损失预测可为电网调度及规划提供参考,有利于为用户提供可靠供电服务。针对当前配变停电过程中的电量损失问题,先基于模糊C均值聚类算法实现对配变负荷曲线的分类处理及精细化分析,挖掘配变负荷数据规律;在此基础上,运用皮尔逊相关系数算法提取选择输入特征,构建基于门控循环单元神经网络的预测模型,从而得到停电时间负荷值,进而分析预测负荷曲线得到损失电量;最后,基于停电管理工作分析,实现基于粒子群优化的台区用电行为停电优化问题求解。算例测试验证了所提方法的正确性和有效性。     

有限信息下基于深度学习模型的小型分布式光伏电站功率预测

目的是解决小型分布式光伏电站在无气象站配备、无法测量气象变量(即太阳辐照度、温度、相对湿度等)的情况下,通过区域内光伏电站历史出力数据预测光伏发电的问题。基于有限信息,提出了两层的LSTM深度学习模型,对小型分布式光伏电站功率进行了预测,并对其超参数对其预测效果的影响进行了分析。此外,利用澳大利亚爱丽丝泉地区的分布式光伏电站数据来验证该模型的准确性,并与使用气象数据进行预测模型的效果进行了对比。结果表明,借助区域内光伏电站历史功率数据进行预测的效果良好,适用于无气象站情景下的光伏功率预测。     

一种基于深度强化学习的电网潮流特征提取方法

为了解决现有特征提取方法存在特征辨识度低的问题,基于深度强化学习设计电网潮流特征提取方法,为了提升潮流特征的辨识度,利用点估计法计算电网潮流,以此为基础,通过模拟退火算法生成电网潮流图,并灰度处理电网潮流图,以灰度处理后的电网潮流图为依据,利用深度强化学习方法提取电网潮流特征,实现了电网潮流特征的提取。实验结果表明：与现有的电网潮流特征提取方法相比,文中电网潮流特征提取方法极大地提升了特征辨识度,证明了基于深度强化学习的电网潮流特征提取方法具备更好的特征提取性能。     

基于双向长短期记忆深度学习模型的短期风功率预测方法研究

风功率的准确预测对电力系统的规划、调度运行等方面均具有重要意义。该文以风功率预测误差最小为目标,提出了一种基于双向长短期记忆深度学习模型的短期风功率预测方法,包括3层（输入层、隐含层和输出层）网络结构的详细设计以及网络训练过程。输入层负责对原始数据进行预处理以满足网络输入要求,隐含层采用双向长短期记忆单元构建以提取输入数据的非线性特征,输出层提供预测结果,网络训练采用Adam优化方法。在此基础上,基于实际风电场采集数据为算例,对该文所提出模型进行训练与测试,验证了该文所提方法的可行性与优越性。     

基于深度学习的输电线路绝缘子缺陷识别

传统的绝缘子缺陷识别为人工识别,效率低下,成本较高.为此,提出一种绝缘子缺陷自动识别方法.首先,采用随机森林分类法进行图像分割,实现绝缘子的目标识别;然后,采用卷积神经网络的方法实现绝缘子正常和缺陷状态的分类;最后,使用Faster R-CNN分类器实现自爆缺陷的定位.以无人机拍摄的大量绝缘子图片作为试验数据进行验证,...     

基于深度学习的输电线路巡检图像绝缘子识别

绝缘子是输电线路无人机巡检的重要目标。为了快速准确识别巡检图像中的绝缘子,通过采集巡检图像,构造绝缘子数据集,提出了一种基于深度学习单阶图像识别框架（YOLOV3-SPP）的绝缘子在线识别模型。该网络模型在YOLOV3的模型上加入了SPP模块。通过在Pytorch环境下的训练和测试,结果表明：加入SPP模块后提高了检测的精确度,并可以快速有效地完成绝缘子识别定位。     

带有深度学习的多特征选择组合算法燃气轮机参数建模

联合循环机组的燃气轮机燃烧是复杂的物理、化学过程,NOx排放浓度作为燃气轮机运行的一个状态参数耦合其他多参数,导致构建的预测模型精度低.依据深度学习理论,提出了一种基于深度置信网络非线性组合多特征选择(multi-feature selection nonlinear combined deep belief netw...     

深厚覆盖层上水电站厂房位移计算和控制

以西藏某水电站工程为例,针对深覆盖层软土地基上水电站厂房的沉降变形问题进行了有限元模拟和计算,利用邓肯—张双曲线模型中的卸载再加载模量代替原始地基变形模量与摩尔—库仑等面积圆屈服准则的组合作为地基本构模型进行计算,并采用面—面接触单位模拟桩与土体的摩擦接触,通过对不同施工措施下的结果比较和分析,提出了在整个厂房底部设置摩擦桩并进行较大范围的固结灌浆,可控制部分厂房沉降和蓄水引起的回弹变形。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE(BSMOTE)算法与卷积神经网络(CNN)相结合的输电线路故障分类方法.该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然...