光伏支架及倾角选择的技术经济比较

基于发电量、占地面积及单位造价,对不同光伏支架进行技术经济比较,找出提高太阳光照辐射量、光伏系统发电效率的支架,并确定最适合低纬度沿海地区的光伏支架。     

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。     

基于卷积神经网络的非侵入式负荷监测方法

从深度学习与边缘计算的角度,对适用于电力物联网的非侵入式负荷监测方法展开了研究.针对NILM系统在物联网场景下的部署问题,提出了一种新的边缘计算架构,并讨论了各组成部分的任务分配.针对负荷激活在线提取问题,提出了基于离散度和用电行为规律分析的激活判断策略;针对低频采样下的负荷特征问题,提出了一种可自动提取激活特征并识别...     

基于深度神经网络模型的风电机组传动系统状态监测方法

大型风电机组传动系统运行工况复杂,运维人员无法实时了解其运行状态.针对这一情况,提出一种基于深度神经网络模型(DNN)的状态监测方法.首先,BP算法训练DNN模型时容易陷入局部最小值和过拟合,因此,将麻雀搜索算法(SSA)与BP算法结合,提出一种SSA优化BP算法训练DNN模型的方法.然后,采用风电机组SCADA系统数...     

基于目标关联性的电力智慧工地区域监测方法

为了解决当前电力建筑工地信息化程度低、智能化管理薄弱、监管区域较小等问题,提出基于目标关联性算法的电力智慧工地区域监测方法。针对现有方法中待测目标（人、车）定位过程繁琐,以及无法充分利用环境相关信息等问题,引入关联性融合模块,提升待测目标相对位置的信息利用率,并通过同一网络模型进行多目标定位,在有效提升定位效率的同时,降低定位的复杂度。利用工地实拍图像进行实验,结果表明所提方法对工地区域中待测目标的检测准确率达99.2%,工程应用价值较高。     

基于神经网络的电力变压器状态监测

对电力变压器的几种常规的状态监测方法进行了讨论,并着重对基于神经网络的监测方法进行了分析.研究表明,神经网络是一种有效的模式分类器,可用于对电力变压器状态的识别.     

基于BP神经网络太阳电池板最佳倾角算法

通过对影响太阳辐射量的基本参数进行分析,并根据天空直接辐射和散射建立太阳能辐射总量的数学模型,通过改变太阳电池板安装倾斜角度以求年太阳辐射总的最大值为约束条件,得出太阳电池板固定安装最佳倾角的目标函数。结合BP神经网络数学模型,通过输入太阳辐射强度、赤纬角、时角、日出时刻、日落时刻、太阳直辐射透明度系数、散射透明度系数等参数值,并求得年最大总辐射量,从而获得最佳倾角值。通过计算机仿真计算结果令人满意,同时本算法还可以进行预测某地区太阳辐射量,具有一定的实际应用参考价值。     

基于温度和倾角测量的供电线路覆冰在线监测研究

分析了常见供电线路覆冰在线监测方法的优缺点,重点介绍了倾角弧垂法监测覆冰的原理,并分析覆冰对供电线路导线刚度的影响,修正了采用倾角弧垂法计算覆冰量时的导线弹性系数。最后设计了基于温度和倾角测量的供电线路覆冰在线监测装置,设计时着重考虑降低运行功耗、保证数据准确性和提高运行稳定性。通过设计的监测装置所采集到的导线温度和倾角数据,结合基站采集的视频、气象信息,能够及时准确地反映供电线路的覆冰状态,保证供电线路的安全可靠运行。     

基于BP神经网络的SF6在线监测装置压力预测方法研究

GIS设备SF6密度监测容易受环境因素影响产生一定的波动,对设备运行状态判定造成干扰,因此提出一种基于BP神经网络的SF6压力预测方法,通过分析环境温度及其变化情况、相对湿度、风速、天气类型和导体电流等内外部因素对SF6压力变化的影响,建立BP神经网络预测模型,对SF6在线监测装置的压力值进行预测,为监测设备正常运行提...     

基于遗传单纯形神经网络的大坝变形监控模型

本文针对遗传算法局部搜索能力差的缺陷,把单纯形法嵌入到遗传算法中构成复合遗传算法,建立了基于遗传单纯形神经网络的大坝变形监控模型。实例研究表明,该模型较遗传神经网络模型、BP模型收敛性能好,具有较高的预报精度、较快的训练速度和较强的泛化能力,用于大坝变形预测有效可行,具有良好的应用前景。     

基于深度神经网络的变电站继电保护装置状态监测技术

监测变电站中继电保护装置的实时状态对避免设备损坏或故障,维持电网稳定运行有重要意义。传统的状态监测依赖于定期的人工检查,在耗费大量人力的同时,也难以做到不间断实时监测,且检测精度容易受到主观因素的限制。针对这一困境,提出基于深度神经网络与计算机视觉技术的变电站继电保护设备状态监测技术。利用平移变焦摄像机拍摄的变电站实时画面,首先进行图像去噪,并利用图像相关性进行图像配准。根据尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)描述,使用深度神经网络进行图像分类,识别出设备的状态。同时,提出一种对标准图像配准框架的修改方案,使得算法在不同光照条件下具有更高鲁棒性。在实际应用中,该算法可以达到超过99%的检测准确率,大幅提升了变电站的安全性。     

基于多层面压缩深度神经网络的轴承故障诊断

针对在资源有限的工业环境中难以应用基于深度神经网络的故障诊断模型的问题,提出一种压缩深度神经网络的轴承 故障诊断方法,将结构化剪枝、非结构化剪枝、参数量化及矩阵压缩多层面处理相结合,实现了网络多级压缩。 首先用结构化剪 枝剔除卷积层中输出低秩特征图对应的滤波器;再用非结构化剪枝去除全连接层中非重要性连接;最后通过对权重矩阵的参数 量化减少参数表示所需比特数,并结合权值矩阵压缩存储方法进一步减小了网络的参数存储量。 实验表明提出的压缩方法在 保证较高诊断准确率的前提下,极大减少了网络的参数存储量和浮点运算量,缩短了网络训练时间,加快了网络响应速度,为深 度神经网络方法的工业实际应用进行了有益探索。     

基于Bayes-LSTM网络的风电出力预测方法

为提高风电出力的预测精度,提出一种基于Bayes优化的长短期记忆人工神经网络(long-short term memory, LSTM)的预测模型。首先,利用经验模态分解对风电历史出力序列进行分解,并对各分量及原始数据分别提取8个统计特征量,与预测前6个时刻出力值共同组成预测特征集。然后,采用绳索算法(least absolute shrinkage and selection operator, LASSO)从预测特征集中提取具有统计意义的特征子集,作为预测模型的输入。最后,提出基于Bayes超参数寻优的LSTM网络优化方法,以提高预测精度。选取湖北某市风电出力历史数据进行预测实验,结果表明：相较于BP神经网络、SVM、RBF网络、GRNN网络等预测模型,所提模型预测精度较高,特征提取方法较为合理。     

基于GRU神经网络的脉搏波波形预测方法研究

随着生活水平的提高,人们对健康的关注度越来越高,尤其是适应快节奏生活的手环等便携式生理监测设备,备受人们青睐。光电容积脉搏波描记法(PPG)作为一种无创人体脉搏采集手段,被广泛应用于此类设备中。人体脉搏中包含很多生理信息,如血压、血糖、动脉硬化等,为了对这些信息进行提取和分析,目前主要采用机器学习的方法,通过提取脉搏波中的特征点计算特征参数进而建立生理参数模型。但此类方法需要大量且长期的脉搏数据,用于提高生理参数模型的精度,而长期的数据采集受环境限制较大且与便携式生理监测设备设计理念冲突,并且对脉搏波预测的研究存在空白。针对此问题,本文使用Colaboratory建立GRU神经网络模型与LSTM网络模型分别对脉搏波数据进行预测,并对影响模型性能的主要参数进行对比调参。而由自动化机器学习工具AutoML＿Alex针对脉搏波数据分析并择优建立的LightGBM网络可以作为具有参考价值的基线模型。通过以上3个模型针对从不同个体采集到的大量脉搏波数据进行建模,对比其平均绝对百分比误差MAPE,LSTM为0.879%,单层GRU为0.852%,LightGBM为0.842%,4层GRU模型为0....     

基于侧输出融合卷积神经网络的电能质量扰动分类方法

针对传统电能质量扰动分类方法分类准确率低、人工选择特征困难等缺点,提出了一种基于深度学习的侧输出融合卷积神经网络用于电能质量扰动信号分类.首先,对电能质量扰动信号进行预处理,使输入信号数据标准化,有利于提升所提方法的收敛速度和精度.在传统卷积神经网络中引入侧输出融合结构,通过组合卷积低、中和高层的信息进行特征融合,以更好地对输入信号进行分类.针对实测数据不足和信号数据类型分布不均衡等问题,采用数据增强的方法对信号进行处理.仿真和实测数据验证表明,所提方法可以自动进行特征提取和优化,具有分类速度快、分类准确率高等优点.     

基于改进的Transformer神经网络辅助的两阶段机组组合决策方法

为了解决大规模电力系统机组组合的“维数灾”问题,提出基于Transformer神经网络的两阶段机组组合决策方法,该方法兼顾求解精度与速度。在第一阶段,考虑机组组合时段耦合的特性,提出基于多头注意力机制的特征向量构建方法,进而基于Transformer神经网络的全局视野与并行化优势,提出一种改进的Transformer神经网络来预辨识机组启停值。在第二阶段,基于预辨识的机组状态设计置信度阈值,并将机组启停判定可信度定义为启停可信与启停不可信状态,对于启停可信机组的状态进行直接确定,对于启停不可信机组的状态,通过机组组合物理模型进行求解来保证求解的可行性。IEEE 30节点和IEEE 2 383节点系统的仿真结果验证了所提方法的有效性。     

基于一维卷积神经网络多任务学习的电能质量扰动识别方法

传统电能质量识别需要先用信号处理技术提取信号特征,且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性,使得复合扰动分类的鲁棒性和抗噪性能不理想。针对这些问题,提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动。此结构去除了传统方法的信号特征提取阶段,将扰动分类任务分成四个子任务,设计了相应的标签编码方案,最后输出一个10维标签向量完成多任务分类。仿真结果表明,该方法在不同信噪比时均具有较好的识别准确率,表明此模型具有较强的鲁棒性和抗噪声能力。同时,多任务分类相比One-hot多分类和多标签分类准确率更高,表明了该建模方式的有效性。     

多通道长短期记忆卷积网络的风速预测

为提高风速的预测性能,提出了多通道长短期记忆网络和卷积网络相结合的风速预测方法。预测模型由多个长短期记忆子网络及卷积网络组成。各子网络选择不同长度的历史数据作为输入,分别实现未来风速值的计算,避免了单一网络输入数据长度参数难以确定的问题。卷积网络将各子网络的计算结果进行卷积、最大池化操作,并通过全连接层计算风速序列的预测值。为避免预测误差累积及漂移,利用误差动态补偿方法对预测值进行校正,获得最终的预测结果。多通道长短期记忆卷积网络可用于风速的超短期预测中,仿真实验结果表明,与现有基于深度学习的预测网络相比,该网络能够更好地拟合实际风速序列的变化趋势,表现出更优的预测性能。     

基于域特征融合网络的跨工况下多组件设备 寿命预测方法研究

针对不同工况下多组件设备退化数据分布存在差异导致设备的寿命预测模型精度下降的问题,本文提出一种能适应于 不同工况的域特征融合网络(DFF-Net)。 首先,把不同工况的退化数据输入到特征提取网络以获取跨工况特征,然后利用域特 征融合网络(DFF-Net)对跨工况特征进行域适应调整,最后把调整后的数据输入寿命预测模型,输出不同工况下设备的寿命预 测结果。 通过在公开数据集上的试验表明,相比于没有增加域特征融合网络的寿命预测模型,本文模型在测试集上预测结果的 MAE 和 RMSE 分别降低了 6. 5%和 7. 4%,说明本文模型能有效地提高跨工况设备寿命预测的准确率。