基于数据增强和深度学习的水电站告警事件诊断

针对水电告警事件传统诊断方法存在效率低下、准确率不足等缺陷,设计了一种融合先验知识的数据增强方法和基于双向简单循环单元网络的层级注意力深度学习框架。针对水电告警规则不完善的问题,采用隐含狄利克雷分布-序列推理增强模型构建告警信号与告警特征间的映射机制;结合该水电告警先验知识提出改进隐含狄利克雷分布方法增强样本数据,最终由层级注意力模型学习样本特征并输出诊断结果。测试算例为某水电集控中心的实际告警数据,测试结果表明,所提方法可在低资源训练环境下实现快速和高准确率的水电告警事件诊断。     

面向电网调控信息智能检索的知识图谱构建及应用

针对电网调控多维信息缺乏有效地检索手段,提出面向电网调控信息智能检索的知识图谱构建方法,基于深度学习识别调度运行规程关键信息间的语义关系,采用规则转换方法抽取电网模型信息,通过融合对象化的调度运行规程知识和电网模型知识建立调控信息知识图谱,同时提出基于知识图谱的调控信息智能检索应用方案。通过算例验证了所提方法具有较高的识别准确率,能够支撑不同场景下调控信息的智能检索。     

基于深度学习的电力设备铭牌文本识别

电力设备铭牌包含丰富的设备信息,通过图文识别技术获取设备铭牌信息,可更加高效快捷地完成电力设备的信息统计、台帐校核等工作,也有利于提高电力系统的设备管理水平。针对电力设备铭牌与普通图像文本识别差异较大的特殊应用场景,文中提出一种基于深度学习的电力设备铭牌信息自动识别算法。该算法由铭牌检测、文本检测、文本识别三部分组成。通过改进损失函数设计、增加文本识别结果纠正、人工合成文本图像等方式,使得铭牌检测模型在测试集上的平均精度均值达到92.2%,文本检测模型在测试集上的F₁值达到91.2%,文本识别模型的字符识别准确率达到94.0%,文本行识别准确率达到82.3%。     

基于混合神经网络的电力调度文本事件抽取方法

为了提升电力调度文本在业务场景的应用效果,提出基于混合神经网络的电力调度文本事件抽取方法。以电力调度文本故障处置预案为研究对象,建立以预案触发词为中心的事件抽取模型。通过仿真案例验证了所提方法具有较好的事件抽取效果,能够提升实体和实体关系识别的准确率。     

电网故障处置知识图谱构建研究与应用

电网故障处置预案对电网事故应急工作的高效、有序进行有着重要的指导意义.利用知识图谱技术对故障处置信息进行知识抽取、表示和管理,并用于辅助调度人员进行故障处置,可有效提升电网应急处理能力与调度智能化水平.以电网故障处置预案文本为研究对象,提出了一种自顶向下和自底向上相结合的电网故障处置知识图谱构建方法,并解决了其中涉及的...     

基于多头注意力循环卷积神经网络的电力设备缺陷文本分类方法

充分利用历史电力设备缺陷描述文本可对新出现的设备故障进行快速分类,提升运维人员的检修效率,为此针对缺陷描述文本具有复杂语义等特点,提出基于多头注意力循环卷积神经网络(multi-head attention recurrent convolutional neural networks,MAT-RCNN)的电力设备缺陷...     

深度学习的接触网小目标缺陷识别研究

吊弦线夹螺栓是铁路接触网供电线路的重要器件,其状态会影响电力机车受流质量,于是对SSD算法进行改进：首先引入一种轻量级神经网络MobileNetV3用于前端特征提取,降低模型复杂度,以提高检测速度;其次采用CA注意力机制替换反向残差结构线性瓶颈层的SE模块,使位置信息沿空间两个方向聚合,调整后的特征层能够捕获全局远程特征信息;最后设计了特征融合模块以重构特征层,优化小目标检测层以提高对小目标的识别效果。还用CycleGAN等方法扩充训练样本,解决数据集不足的问题。实验结果表明,改进算法的模型复杂度下降,mAP@0.5和FPS分别达到95.5%和81 fps,该研究有助于接触网检测仪器向小型移动嵌入式设备转变。     

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。     

基于深度学习和知识图谱的变电站设备故障智能诊断

及时发现并诊断变电站运行中设备存在的问题,是保障电网安全运行的关键手段之一.基于深度网络与知识图谱技术,提出一种关联变电站设备多模态信息的故障智能诊断方法.利用深度学习技术和知识图谱方法对采集的多模态数据进行知识提取和融合,构建一个多模态信息融合的语义知识图谱;使用YOLOv4算法对故障样本聚类并提取先验框参数;将多模...     

人工智能应用于电网调控的关键技术分析

当前以深度学习为代表的新一代人工智能技术快速发展,作为引领新一轮科技革命和产业变革的战略性技术,已上升为国家战略,备受各行各业关注。电网调控运行作为电力系统运行的"决策大脑",是集大量数据、机理分析、运行规程和专业经验相结合的综合性决策控制,与以数据驱动、知识引导为特征的新一代人工智能发展思路和演进方向十分相近。在分析新一代人工智能技术特点、电网调控运行业务场景及需求的基础上,提出了未来基于人工智能的调度控制系统设计思路、总体架构和主要功能,并从高性能计算、调控大数据、基于深度学习的电网预测及辨识、基于知识图谱的智能辅助决策以及基于语音交互的调度助手等方面,对其关键技术和潜在应用场景进行了分析。最后对未来人工智能在电网调控中的发展进行了小结和展望。     

基于预训练BERT模型的客服工单自动分类研究

本文介绍了工单文本分类的理论和应用,并对文本分析的分词、机器学习、深度学习等技术方法进行了描述。基于预训练BERT模型提出了95598客服工单自动分类的方法,设计了电力客服工单自动分类的流程,最后通过一个实际的案例对算法模型进行校验,并与传统的文本挖掘方法进行了对比。算例的结果表明,所使用的工单分类算法能显著提高分类的准确性,在分类效率上也较高。     

基于先验知识与DBM采样的类不平衡用电数据分类方法

智能电网建设过程中现有客户标签体系不够完善,针对海量用户用电数据的分类管理中带有标签的样本数据量小以及类不平衡分布的问题,提出了一种基于先验知识与深度玻尔兹曼机(DBM)采样的不平衡用电数据分类方法。首先,提取负荷曲线的特征,建立采样原则,利用先验知识和DBM对负荷曲线进行采样。然后,将采样数据通过极限学习机(ELM)网络进行训练。最后以爱尔兰用户用电数据为数据源,通过与原始非采样、随机过采样、合成少数类过采样技术(SMOTE)的对比性实验分析结果表明,所提出的基于先验知识与DBM采样的不平衡用电数据分类方法能够更好地对类不平衡用电数据集进行分类,实现用户用电行为的分析,有效支撑用户侧错峰避峰工作。     

基于深度置信网络的电压暂降特征提取及源辨识方法

提出一种基于深度置信网络(DBN)的电压暂降特征提取与暂降源辨识方法,利用DBN的特征提取能力对实测波形数据进行特征自提取,解决了人工提取特征过度依赖专家经验,受未知特征影响较大不具备一般性的问题。采用多隐层结构网络学习特征最终实现暂降源辨识。该模型集特征提取器与分类器于一体,优化了模型结构框架,提高了暂降源辨识效率。对模型最优参数进行选择,建立适用于电压暂降实测数据类型的DBN模型,对电网实测暂降数据进行特征提取与暂降源辨识,通过对比验证了DBN方法在特征提取与暂降源识别上的优越性,适用于实际工程。     

基于深度强化学习的电动汽车实时调度策略

电动汽车(EV)作为一种分布式储能装置,对抑制功率波动有着巨大的潜力。考虑EV接入的随机性及可再生能源出力和负荷的不确定性,利用不基于模型的深度强化学习方法,建立了以最小功率波动及最小充放电费用为目标的实时调度模型。为满足用户的用电需求,采用充放电能量边界模型表征电动汽车的充放电行为。在对所提模型进行日前训练及参数保存后,针对日内每一时刻系统运行的实时状态量,生成该时刻充放电调度策略。最后以某微电网为例,验证了所提基于深度强化学习的调度方法在满足用户充电需求的前提下,可以有效减小微电网内的功率波动,降低EV充放电费用;日内不需要迭代计算,可以满足实时调度的要求。     

基于深度学习的特高压直流闭锁故障智能调度决策

针对特高压直流闭锁故障的处置策略问题,提出一种基于深度学习的故障特征建模方法及故障后电网调度策略生成方法,所提智能调控决策依据电网直流故障特征和运行环境信息,通过大数据驱动模型训练得到故障后的调度策略。首先根据故障环境信息,利用故障影响相关性提取有效故障信息,构建故障特征模型。然后介绍深度学习类神经网络原理和多层感知器模型,提出利用深度网络提取训练故障前后运行特征,自动生成调控策略的思路。之后利用反向传播算法构建深度学习框架,通过不断计算损失函数和准确率修正训练模型,自动生成有效故障处置策略。最后利用锦苏直流特高压线路相关的电力系统验证了所提方法的有效性。     

风险调度中引入知识迁移的细菌觅食强化学习优化算法

针对电力系统运行过程中负荷及故障的不确定性,在经济调度中引入风险评估原理,并提出了一种全新的基于知识迁移的细菌觅食强化学习优化算法。该算法将细菌觅食算法的寻优模式与Q学习算法的试错迭代机制结合,利用多主体协同合作来更新共有的知识矩阵,并以基于知识延伸的维度缩减方式避免了"维数灾难"。在预学习获得最优知识矩阵后,利用知识迁移加速在线学习进程。IEEE RTS-79测试系统的仿真结果表明:所提算法在保证获得高质量最优解的同时,寻优速度可达经典智能算法的9~20倍,适合求解大规模复杂电网的风险调度快速优化。     

基于深度强化学习的综合能源系统动态经济调度

综合能源系统的优化调度对于实现系统的多能互补和经济运行具有重要意义.然而,系统中可再生能源的间歇性以及用户用能需求的不确定性造成了系统中供需双方的随机波动,传统的调度方法难以准确地适应实际环境的动态变化.针对这一问题,提出了一种考虑可再生能源和负荷时变特性的综合能源系统动态经济调度方法.首先对综合能源系统动态经济调度问...