基于自组织神经网络的变压器故障诊断

变压器故障诊断实质上是属于一种模式识别,基于类内样本与类中心的距离的不同而对类中心的偏移产生不同影响的思想,改善了传统ART2网络存在模式飘移的不足.首先对变压器DGA故障样本的输入矢量进行扩展处理,然后用改进后的ART2网络对样本进行诊断.通过与传统的三比值法和BP神经网络的诊断结果对比,验证了该方法的有效性和可行性.     

基于改进ART2网络的电力负荷脏数据辨识与调整

为提高电力负荷预测和特性分析的精度,应首先对负荷历史数据的脏数据进行辨识和调整。文中提出了基于改进ART2网络的脏数据辨识与调整模型。该模型首先基于类内样本与类中心距离不同会对类中心的偏移产生不同影响的思想,改善了传统的ART2模式漂移的不足,然后根据残差理论以及电力负荷曲线固有的特征,增加了鉴别修正子系统。利用模型中传统的ART2部分对负荷曲线进行分类并提取其特征曲线,然后再利用鉴别修正子系统对输入的负荷数据进行脏数据辨识与调整。实例分析说明了该方法的有效性。     

基于小波网络及油中溶解气体分析的电力变压器故障诊断方法

小波网络是近年来发展起来的一种高效非线性信号处理新模型。该文将适于电力变压器故障诊断的小波网络分为第一、第二类小波网络,提出了基于自适应算法小波网络的变压器故障诊断方法,该方法继承了人工神经网络的学习能力和小波变换的局部化特征,具有良好的收敛性和鲁棒性。选择经模糊预处理的250组油中溶解气体作为采用不同小波基的2类小波网络训练与识别样本,对训练过程和仿真结果进行对比分析。大量诊断实例表明,文中提出的2类小波网络均适于变压器故障诊断,其性能优于单独使用传统BP神经网络的方法。     

模糊数学结合BP网络的变压器故障诊断研究

针对油中溶解气体分析(DGA)方法在诊断电力变压器潜伏性故障的研究中存在的不足,采用TOPSIS方法对原始样本集进行优劣排序和聚类,实现了对样本数据的优化,同时极大地缩减了样本集的容量.在此基础上,构建BP网络故障诊断模型.分析证明,此方法与传统的变压器故障诊断的方法相比具有明显的优越性.     

基于模糊TOPSIS和BP网络的电力变压器故障诊断方法

针对传统故障诊断技术中存在诊断模型结构复杂以及收集故障样本数据非常繁琐的问题,将TOPSIS方法在Vague集下进行扩展。介绍了Vague集的基本概念及其相似度量方法,以及使用Vague集表达的语义变量集,并据此对原始样本集进行优劣排序和聚类,从而缩减了样本集的容量,使得故障特征信息量和映射空间复杂度的问题在一定程度上得以平衡。在此基础上构建了适应于变压器故障诊断的BP网络诊断模型,实现对不同类型故障的诊断。算例分析表明,此方法与传统的变压器故障诊断的方法相比较具有明显的优越性。     

基于BP网络远程无线电力变压器故障诊断系统

针对电力变压器故障的特点,运用BP神经网络技术对传统的电力变压器故障诊断方法加以完善,以TMS320VC5402 DSP为硬件核心,设计了高速实时电力变压器故障诊断模块,同时利用Zigbee网络实现了电力变压器故障远距离无线诊断。通过电力变压器故障诊断实例,比较了BP神经网络法和传统的改良三比值法在诊断电力变压器故障类型方面的性能。比较实例表明,基于BP网络远程无线电力变压器故障诊断方法能有效地对电力变压器单故障和多故障样本进行分类诊断,提高了诊断准确率,同时还可以进行远距离无线诊断,从而节省了成本。     

基于BP网络远程无线电力变压器故障诊断系统

针对电力变压器故障的特点,运用BP神经网络技术对传统的电力变压器故障诊断方法加以完善,以TMS320VC5402 DSP为硬件核心,设计了高速实时电力变压器故障诊断模块,同时利用Zigbee网络实现了电力变压器故障远距离无线诊断.通过电力变压器故障诊断实例,比较了BP神经网络法和传统的改良三比值法在诊断电力变压器故障类型方面的性能.比较实例表明,基于BP网络远程无线电力变压器故障诊断方法能有效地对电力变压器单故障和多故障样本进行分类诊断,提高了诊断准确率,同时还可以进行远距离无线诊断,从而节省了成本.     

基于加权模糊聚类算法的变压器故障诊断方法

三比值法在变压器故障诊断中得到了广泛的应用,但是此方法存在编码不连续的问题,同时注意到不同样本在模糊C均值(fuzzy C-means,FCM)算法中所起到的作用差异,根据样本间相异度的思想,为每个样本赋予相应的权值,体现它们对聚类结果的不同影响,将加权FCM聚类算法应用到三比值法中进行变压器故障诊断,另外在聚类的开始,考虑到变压器故障诊断的实际情况,对算法的初始化隶属度也进行了更适当的设置。实验结果表明,经过以上修改得到的基于加权模糊聚类算法的变压器故障诊断方法有效可行,和FCM算法相比,不但能明显提高故障诊断的收敛速度,而且能得到更加接近实际位置的故障聚类中心,具有一定的优越性。     

基于改进SMOTE不均衡样本处理和IHPO-DBN的变压器故障诊断方法研究

针对由于变压器故障样本不均衡和故障模型陷入局部最优而导致的分类准确率低的问题,提出了基于改进的合成少数类过采样技术和优化深度置信网络(deep belief network, DBN)的变压器故障诊断方法。首先采用聚类融合的K-means算法,通过分簇和匹配的方式筛选出不稳定的少数类样本用以改进中心点合成少数类过采样技术(center point synthetic minority oversampling technique, CP-SMOTE)算法,并对少数类样本进行扩增,解决了变压器故障数据分布不均衡的问题。其次,通过加入随机逆向学习和自适应惯性权重技术对猎食者优化算法进行改进,并用改进后的算法对DBN的内部参数进行优化调整,提高了模型精度。最后,将不同数据预处理情况下以及不同数据规模下的变压器故障模型进行仿真对比。结果表明,经过数据预处理和模型优化后的变压器故障识别准确率能够提高到98%,有效地解决了故障数据不平衡导致的分类精度低的问题。     

基于变压器特性数据聚类的电力负荷分布式预测

针对大量变压器数据的冗余性与非结构化、半结构化、结构化特性,提出一种基于变压器特性数据聚类的长短期记忆(long short term memory,LSTM)网络模型预测方法。首先,采用核主成分分析(kernel principal component analysis,KPCA)方法对高维非线性的变压器特性数据进行降维;然后,采用K-means算法划分不同变压器预测类型,提取各分类中心变压器负荷曲线,通过LSTM网络训练特征样本训练基,构建负荷预测模型;最后,采用灰色关联度算法对同一类型的变压器进行关联度评价,并将最高与最低关联度的变压器负荷数据输入特征样本训练基,验证模型的有效性。将所提出的K-means-LSTM网络模型与基于自适应矩估计的LSTM(adaptive moment estimation-LSTM,ADAM-LSTM)网络模型的短期负荷预测结果进行对比分析,结果表明K-means-LSTM网络模型在运行时间上具有显著优势。     

基于FCM和DTW的多分区电压支撑能力评估

电网规模的发展和负荷的增长使得不同分区无功电压情况的差异性增强,负荷中心区域电压稳定问题日益突出,而负荷较轻区域部分时段易出现高电压和无功过剩,亟需全面评估电网中多分区的无功电压状态,为全局无功协调控制及分区间互动支撑提供数据支持。鉴于此,文中提出一种基于模糊C均值聚类(FCM)和动态时间归整算法(DTW)的评估方法。该方法采用FCM对分区多个时间断面的指标数据进行模糊聚类,形成聚类中心并提取样本的平均特征;同时,利用DTW对聚类中心数据与参考样本进行模式识别,可评估出电网多分区的电压支撑能力。以某典型电网为例,验证所提评估方法的有效性。     

Novel protection scheme of stator single-phase-to-ground fault for powerformers

This paper presents a novel stator single-phase-to-ground fault protection of Powerformer in parallel based on the fuzzy clustering algorithms. First, the direction and magnitude of zero-sequence current and leakage current are analyzed, and four fault characters are selected as historical data. Then the historical data are divided into two groups by fuzzy clustering algorithms, and cluster center of each group is calculated. The space relative distance among detected pattern and two cluster centers is finally calculated to discriminate the faulty Powerformer. Simulation results have shown that, under different fault conditions, the new scheme can distinguish reliably internal faults from external faults, and can detect stator single-phase-to-ground fault occurred in which Powerformer with resistance 5 kΩ. A 100% of the winding can be fully protected.     

振荡中心侵入机群场景下的刚性外推策略

大规模电力外送基地机群失步场景下,振荡中心易侵入机群内部,仍采用现有发电机失步保护应对策略将可能导致机组“雪崩式”切机。从切机切负荷有损控制入手,提出了一种通过调整负荷或机组数量维持系统稳定性的振荡中心刚性外推策略。针对振荡中心落入电力外送基地某机群场景,从理论上分析了该刚性策略的可行性;推导了系统内任意一点处电压幅值的解析表达式,并结合振荡中心处的电压特性,得到中心位置表达式;基于此,在振荡中心外推出机群条件下对受端系统负荷或对侧机群机组切除数量进行预测,制定防止过切的约束,进一步判断系统的稳定性,并确定源荷调整有效范围。最后,基于PSCAD/EMTDC仿真软件建立多机并联外送系统仿真模型,通过仿真验证了系统失步过程中发电机失步保护阻抗轨迹和功角变化,采取外推策略后振荡中心外推出机群且功角趋于稳定,该结果说明了所提策略的有效性。     

基于空间密度聚类和K-shape算法的城市综合体负荷模式聚类方法

城市综合体作为新兴负荷种类,其负荷预测的精度直接影响电网的规划与安全运行。然而城市综合体负荷模式易受外部环境影响而出现异常变化,对其直接进行预测的精度不能满足实际运行的要求,需要对城市综合体负荷进行聚类以提取不同的负荷模式来提高预测的精度,因此提出了一种基于空间密度聚类和K-shape算法的城市综合体负荷模式聚类方法。首先利用自适应空间密度算法(DBSCAN)根据不同区域的密度大小来提取不同季节下综合体负荷的典型日负荷曲线。然后利用K-shape聚类算法在不同季节下对不同综合体的典型日负荷曲线进行聚类分析。最后将仿真结果与K-means、K-medoids的聚类结果进行对比。仿真结果表明,与其他两种方法相比,提出的DBSCAN-K-shape两阶段负荷模式聚类方法对城市综合体负荷进行聚类在不同的聚类指标下均具有较高的精度。     

一种基于环境特征的智能电能表初值优选型K-means聚类算法

为探究不同环境特征(温度、湿度等)对智能电能表运行误差的影响,需要将不同地区运行下的智能电能表根据环境特征进行聚类划分。现有关于智能电能表的聚类算法研究中,都是依据运行数据或者负荷曲线进行聚类,缺少利用环境因素对其进行聚类的研究。因此,文章提出环境信息提取原则,有效降低数据维度提高计算效率。并提出初值优选型K-means算法,该算法是对传统的K-means算法在初值选取和聚类中心移动规则上进行改进,使其更加适用于基于环境特征的智能电能表聚类问题。通过数据仿真验证,该方法的准确率较其他算法平均提升17.7%,计算耗时平均减少0.16 s。     

基于分位数半径动态K-means的分布式负荷聚类算法

针对电力负荷曲线聚类中传统的K-means算法对初始值敏感以及需给定类数目的缺陷,将一种基于分位数半径的动态K-means算法应用到日负荷曲线的聚类分析中,并进行了分布式的改进以优化计算效率。此算法结合了两种思想:分布式聚类中的局部聚类与全局聚类,以及层次K-means中以多次k取定值时K-means运算所得到的中心点来表示该类。将多次的K-means运算分配到不同子站点,并使每次K-means运算中k不断改变。再从类的几何特征出发,引入了分位数半径的概念,规定样本点与各类中心点间距的分位数表示该类的半径,于主站点中对各类的中心点间距与类的半径进行大小比较,并进行筛选融合来获得新的类,从而实现较为快速地识别类数目,并且得到新的聚类初始中心与结果。最终以某地区606个用户某月的日负荷数据为研究对象,验证了该算法在电力负荷曲线聚类分析中的有效性。     

基于K-Means聚类算法的改进

本文基于传统的K-means聚类方法提出来一种基于密度的改进K-means聚类方法。改进后的方法,首先选取数据集中密度最大的点作为第一个聚类中心点,以此为基准,选取离此点最远的点作为第二个初始聚类中心,再在剩余的点中找出离这两个初始点距离最远的点作为第三个聚类中心,以此类推,直到找到所需的K个点,之后再根据K-means算法迭代更新聚类中心,直到收敛或达到设定的迭代次数为止。实验结果表明,本文提出的方法与传统K-means方法相比准确率及稳定性方面均有所提高,可以作为聚类研究的一个新的思路。     

电动汽车低渗透率下的供能模式及供能设施的LCC最优规划

提出了我国现阶段电动汽车低渗透率下的供能模式,并以此为依据建立了基于全寿命周期成本（LCC）的供能设施最优规划模型。将充电模式和换电模式进行有效的结合,对不同类型的车辆采用与其行驶特点相适应的供能方式,由此提出综合了集中充换电站、配送站和快速充电站的供能设施规划原则,并引入LCC理论建立相应的最优规划模型。结合伏罗诺伊图和仿电磁学算法对模型求解。通过算例分析验证了此方法能得到综合了经济性、可靠性和持续性等多目标的最优规划方案。     

基于改进蚁群算法的电力负荷半监督聚类

计量通信技术的发展使收集的用户负荷信息越来越准确,从而提供了负荷用电特性聚类分析的数据基础。为了解决电力负荷聚类应用场景中需要聚类结果与典型负荷类别尽可能相似的问题,以蚁群聚类算法为基础,采用典型负荷曲线作为先验信息,将评估聚类效果的指标和聚类中心与典型负荷曲线的距离2个因素构成优度指标来代替传统的均方误差,以此来更新信息素矩阵,设计了一种基于改进蚁群聚类的半监督聚类算法。通过某省工业用户2017年的日负荷数据分析验证了聚类结果不仅向原有的标识样本类型靠近,而且兼顾同类型样本差异小、不同类型样本差异大,具有良好的聚类效果。     

计及大规模电动汽车接入的AGC功率动态分配深度交互教学优化算法

为提高区域电网自动发电控制(automatic generation control,AGC)的控制性能指标,利用接入电网的大规模电动汽车参与AGC。在满足车主充电需求的前提下,建立了电动汽车的实时上下调节容量评估模型。在此基础上,构建了电动汽车集群与传统水电、火电机组的AGC功率分层分配框架。为满足上层不同类型机组的快速经济分配,提出了一种深度交互教学(deep interactive teaching-learning,DITL)优化算法进行求解,该算法在标准教学优化算法的基础上,将单个班级扩展到多个班级,并采用小世界交互网络构建不同教师/学生之间的交互网络,从而提升算法的全局搜索及局部搜索能力。在电动汽车集群内部,则根据调节成本系数实现第二层不同局部控制中心的AGC功率分配,然后根据充电时间裕度排序实现不同电动汽车的底层AGC功率分配。海南电网仿真算例表明:该文所提的上层分配框架可有效实现电动汽车与传统水火电机组的协调,DITL算法能有效提升AGC的动态控制性能,降低系统的调节成本。