基于PSO-ELM的储能锂电池荷电状态估算

对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。     

A New Fast and Efficient Artificial Neural Network Based State Estimator Incorporated into a Linear Optimal Regulator for Power System Control Enhancement

Abstract—Fast and accurate state estimation has a crucial role in practical implementation of state feedback-based controllers. But most of the states are not accessible or economically feasible to measure and must be estimated. Although such controllers are normally designed offline, their dynamic performance is evaluated online. Hence, having high speed with acceptable accuracy is an essential feature for estimators. In this article, a state estimator based on an artificial neural network incorporated into a linear optimal regulator is introduced. First, an extended Kalman filter is designed, then an estimator based on a proposed feed-forward neural network structure is elaborated after much effort on promising neural network structures. Different neural networks are trained using the data collected from the extended Kalman filter, and a qualified and shapeable alternative for the extended Kalman filter in reducing its drawbacks is obtained. The optimum structure is identified when minimum state estimation error is achieved. Significant speed and sufficient accuracy are the main advantages of the proposed structure to be used online for state estimation. Dynamic performance of the system equipped with the linear optimal regulator plus different estimators is examined and compared to a single-machine/infinite-bus power system in MATLAB (The MathWorks, Natick, Massachusetts, USA).     

基于新型电力系统信息模型的重点区域高压输电线路损毁态势感知预警方法研究

由于高压输电线路通常具有复杂的结构和特性,受到自然灾害、设备故障等影响,使得数据采集难度加大,且存在较多噪声,导致线路损毁态势感知预警结果不理想。为此,提出一种基于新型电力系统信息模型的重点区域高压输电线路损毁态势感知预警方法。通过新型电力系统信息模型采集重点区域高压输电线路数据,采用最大重叠离散小波变换(Maximum Overlapping Discrete Wavelet Transform,MODWT)算法滤波处理重点区域高压输电线路数据。采用混合递阶遗传算法优化处理径向基函数(Radial Basis Function,RBF)神经网络结构和参数,将经过滤波处理的重点区域高压输电线路数据作为RBF神经网络的输入,实现重点区域高压输电线路损毁态势感知。通过实验结果表明,所提方法获取的重点区域高压输电线路损毁态势感知预警结果更加符合实际情况,可以为重点区域高压输电线路稳定运行提供有力的支持。     

基于Kalman滤波相空间重构的Elman神经网络短期风速组合预测模型

为了合理利用风电,提高电网的稳定性、经济性,需要对风电的输出功率进行有效预测;然而,单一模型的预测结果精度不高。提出一种基于Kalman滤波相空间重构的Elman神经网络短期风速组合预测模型。该模型采用Kalman滤波算法对风速进行滤波处理,通过相空间重构来确定风速序列的延时时间和嵌入维数;并利用Elman神经网络建立了预测模型。仿真实验表明,该模型预测精度有了明显提高。     

HHT结合QPSO-GRNN的同塔双回输电线路故障测距

为提高同塔双回输电线路故障测距的精度,提出将希尔伯特黄变换和量子粒子群优化的广义回归神经网络相结合的方法用于构建测距模型.首先将线路两端采集的故障电流进行相模变换,选取其特征模量进行希尔伯特黄变换;将变换得到的2个采样点作为模型输入,对应的故障距离作为模型输出,构建经量子粒子群算法优化的广义回归神经网络;在网络中进行训...     

基于格拉姆角场与ResNet的输电线路故障辨识方法

针对如何利用实际故障录波数据,提取和放大故障特征差异,开展故障类型与故障原因辨识的问题,提出了基于格拉姆角场与迁移学习-ResNet的输电线路故障辨识方法。首先,统计分析了输电线路故障类型和故障原因的分布特征,用于指导构建适用于类不平衡问题的故障分类器。然后,利用格拉姆角场变换将采集得到的故障电压、电流时序信号转化为格拉姆角场图像,放大故障特征差异,作为故障分类器的输入。进一步,将生成的图像集输入搭建好的故障分类器进行网络训练和测试,输出输电线路故障类型和故障原因。最后,完全采用真实故障录波数据开展了算例分析。结果表明：所提方法对故障类型的辨识准确率达到了97.51%,对故障原因的辨识准确率达到了94.23%。并且将训练的故障辨识网络迁移至其他地区时,仍然具有较好的故障辨识效果和泛化性能。所提方法为基于暂态波形数据驱动的故障辨识提供了新方法,可以用于实际电网的输电线路故障辨识。     

基于LM-CNN的输变电工程造价自动计算模型

输变电工程造价计算作为造价管控技术的核心环节,其计算模型的好坏直接影响输变电工程造价管控效能。然而现有模型往往不能兼顾计算速度、精确性与稳定性。为解决上述问题,首先,针对输变电工程造价中的实际需求确定模型的输入与输出,构建卷积神经网络模型;然后,将历史造价数据作为样本输入网络模型,得到网络输出;最后,针对期望输出与实际输出相差较大的问题,利用列文伯格-马夸尔特算法对卷积神经网络的权重参数进行优化,完成模型训练。该模型结合列文伯格-马夸尔特算法与卷积神经网络模型的优点,相比于反向传播（BP）神经网络与梯度下降法-卷积神经网络（GD-CNN）具有更高的预测精度与稳定性,提高了输变电工程造价的计算效果。     

A novel fuzzy neural network based distance relaying scheme

This paper presents a new approach to distance relaying using fuzzy neural network (FNM). The FNN can be viewed either as a fuzzy system, a neural network or fuzzy neural network. The structure is seen as a neural network for training and a fuzzy viewpoint is utilized to gain insight into the system and to simplify the model. The number of rules is determined by the data itself and therefore a smaller number of rules is produced. The network is trained with the backpropagation algorithm. A pruning strategy is applied to eliminate the redundant rules and fuzzification neurons, consequently a compact structure is achieved. The classification and location tasks are accomplished by using different FNN's. Once the fault type is identified by the FNN classifier the selected fault locating FNN estimates the location of the fault accurately. Normalized peaks of fundamental voltage and current waveforms are considered as inputs to all the networks and an additional input derived from the DC component is fed to fault locating networks. The peaks and DC component are extracted from sampled signals by the EKF. Test results show that the new approach provides robust and accurate classification/location of faults for a variety of power system operating conditions even with resistance in the fault path     

用L-M算法的神经网络诊断充油设备绝缘故障

针对充油型设备的故障诊断 ,采用Levenberg Marquardt算法建立多层前向人工神经网络 ,采用改进算法训练网络 ,克服了传统BP算法收敛速度慢、易陷入局部极小的缺陷 ;采用可靠性数据分析技术和变量循环重新编号等方法有助于加快网络收敛 ;提出将判别具体故障类别和固体绝缘故障分开的两层诊断结构 ,提高了网络的训练效率和诊断的准确性。     

适用于小样本的神经网络光伏预测方法

基于神经网络的短期光伏预测方法通常需要大量训练样本,对于新投运的光伏电站,历史运行数据的不足使得常规短期光伏预测方法难以应用。针对该问题,提出一种适用于小样本的双层神经网络单步光伏预测方法。根据光伏发电各环节影响因素的解耦特性,将常规单层神经网络拆分为双层网络,使每层网络具有简化的结构;用单步预测代替多步预测,降低神经网络的输入输出维数;基于统计分析,将天气影响因素有效整合到预测模型中,简化输入输出之间的映射关系。使用实际数据对所提光伏预测模型进行训练和验证,结果表明,所提方法可有效减少对训练样本数量的需求,同时保证预测的准确度。     

带温度补偿的神经网络用于电力系统短期负荷预测

带温度补偿的神经网络结构和短期负荷预测方法在前向神经网络的输入和输出节点上对负荷引入了相应的温度补偿,其中所涉及的临界温度和温度补偿系数将与前向神经网络本身的权系数一起通过训练而自动获得。对陕西电网2001年1月开始连续45个月的预测试验结果表明,高温日期的平均负荷预测精度比用常规前向神经网络高3％-6％。神经网络的训练采用求解无约束最优化问题的BFGS算法,不但保证了神经网络学习的收敛性,而且可以减少隐节点的数目,使神经网络的推广能力和预测精度显著提高。     

流化床垃圾焚烧NOx排放的神经网络预测

首次阐述人工神经网络在流化床垃圾焚烧NOx排放预测的建模过程。通过对NOx排放影响因素的典型相关性分析以及动态构造法确定了网络输入层与隐层节点数,得出模型最佳拓扑结构为12×5×1。将234组试验数据随机分成训练样本和检验样本,以训练样本对网络进行学习,以检验样本评价网络。预测结果的相关性分析以及预测实例表明,模型预测精度较高,容错性和泛化能力较好。     

基于灰色投影优化随机森林算法的输电线路舞动预警方法

为实现对输电线路舞动的准确预警,多种预警模型被建立。其中对于预警模型的研究点多集中于参数的最优选取,而尚未开展针对训练样本的聚类改进,特别是地形参量存在难以客观衡量的问题,容易导致预测精度不佳抑或模型存在适应性问题。为此,提出了一种基于灰色投影优化随机森林算法的舞动预警模型。通过加权灰色关联投影法来优化选取与待预测样本关联度较高的样本作为训练样本集,以此来改进随机森林模型对低关联度数据的拟合能力。此外,模型还通过多维度参量即导线分裂数、直径、档距等内部参量以及风速、风向角、湿度等外部参量作为输入特征量来提高预警的准确性。利用历史舞动数据对模型进行检验,结果显示该模型的预警结果相较于传统随机森林算法和BP神经网络具有明显优势。通过该方法,可为输电线路舞动预警提供一种新的解决路线。     

微机保护中卡尔曼滤波模型参数的选择

卡尔曼滤波,是线性、无偏、最小方差的实时递推滤波,是一种高效、优化的数据处理方法。以输电系统的二状态电压模型和三状态电流模型的滤波模型参数的确定,进行了分析研究,以具体线路(山东邹县——潍坊500kV数学仿真线路)为例作了短路过程基频电压和电流分量的最优估计,获得了一套适合于各种故障情况的模型参数。此模型参数之滤波精度和收敛速度俱称满意。本法实时计算简单,特别适合于在高压输电线路的微机保护上应用。     

基于蚁群聚类-Elman神经网络模型的短期电力负荷预测

在神经网络负荷预测实际应用中,突出的问题是训练样本大、训练时间长、收敛速度慢。针对负荷预测样本代表性问题,建立了基于蚁群聚类的Elman神经网络预测模型。对负荷历史数据进行蚁群聚类预处理,将聚类后的数据作为神经网络的训练样本。其目的是使输入样本具有代表性,改善网络训练时间和收敛速度,有效提高预测精度。通过某发电厂负荷数据的验证,该模型的预测结果精度较好。     

采用SOM的发输电系统可靠性综合评估快速算法

针对目前发输电系统可靠性综合评估算法中蒙特卡罗仿真效率不高的问题，提出了一种利用模糊自组织映射(SOM)神经网络进行状态筛选的可靠性快速评估算法。SOM神经网络具有拓扑特征保持性质，经过训练后的SOM网络具有模式聚类能力，即不同的运行模式被映射到输出平面的相应位置，因而能对暂态稳定性进行判别。由于SOM具有学习训练时间短的优点，因而特别适于可靠性评估。将模糊SOM网络和序贯蒙特卡罗仿真结合在一起对系统状态进行筛选，首先将明显不失稳的无效系统状态筛掉，大大减少了需要完全评估的系统状态数，从而显著提高了综合评估的效率。通过对IEEE—RTS标准算例系统的计算，结果表明所提算法快速有效，具有良好的应用价值。     

基于多模型鲁棒输入训练神经网络协同的燃气-蒸汽联合循环机组传感器故障诊断方法

为提高燃气-蒸汽联合循环机组传感器测量值的准确性及可靠性,提出了一种基于多模型鲁棒输入训练神经网络（RITNN）的燃气-蒸汽联合循环机组传感器故障诊断方法。该方法建立若干燃气-蒸汽联合循环重要参数的数据重构模型,并对各模型进行优先级划分,以串并联方式设定模型间关系,通过可靠参数的逐级生成和传递,有效抑制了多传感器显著故障产生的残差污染,提高了故障诊断的准确性及可靠性,进而给出了传感器故障诊断流程,建立了完整的传感器故障诊断系统。以某200 MW级燃气-蒸汽联合循环机组为研究对象,对多传感器故障进行诊断,并与RITNN单一模型方法和输入训练神经网络（ITNN）单一模型方法进行对比,结果表明,提出的多模型RITNN故障诊断方法诊断精度更高,可保证燃气-蒸汽联合循环机组稳定运行。     

图像化数据驱动的电力系统暂态稳定性在线评估方法

目前电力系统暂态稳定性评估（TSA）大多采用标准算例生成的数据集,然而实际电网的母线、发电机、线路等电力元件的数量巨大,难以实现评估模型的实时监视和在线更新;而现有降维方法常常遗漏重要信息,导致预测精度下降。提出一种图像化数据驱动的电力系统暂态稳定性在线评估方法,将输入时间序列重新排列成二维图像,利用二维主成分分析法（2D-PCA）对原始图像进行特征降维,并建立卷积神经网络（CNN）模型进行系统稳定性预测。在IEEE-39算例中进行验证,结果表明本文所提基于2D-PCA和CNN的TSA模型在保证预测精度的同时能够大幅提高训练效率,有望推进深度学习在电力系统暂态稳定性在线评估的应用。     

Detection,Classification, and Estimation of Fault Location on an Overhead Transmission Line Using S-transform and Neural Network

This article demonstrates a technique for diagnosis of fault type and faulty phase on overhead transmission lines. A method for computation of fault location is also incorporated in this work. The proposed method is based on the multi-resolution S-transform, which is used for generating complex S-matrices of the current signals measured at the sending and receiving ends of the line. The peak magnitude of the absolute value of every S-matrix is noted. The phase angle corresponding to every peak component is obtained from the argument of the relevant S-matrix. These features are used as input vectors of a probabilistic neural network for fault detection and classification. Detection of faulty phase(s) is followed by estimation of fault location. The voltage signal of the affected phase is processed to generate the S-matrix. The frequency components of the S-matrices for different fault locations are used as input vectors for training a back-propagation neural network. The results are obtained with satisfactory accuracy and speed. All the simulations have been done in MATLAB (The MathWorks, Natick, Massachusetts, USA) environment for different values of fault locations, fault resistances, and fault inception angles. The effect of noise on both the current and voltage signals has been investigated.     

基于PF-RBF神经网络的短期风电功率预测

为了提高风电功率的预测精度,研究了一种基于粒子滤波（PF）与径向基函数（RBF）神经网络相结合的风电功率预测方法。使用PF算法对历史风速数据进行滤波处理,将处理后的风速数据结合风向、温度的历史数据,归一化后构成风电功率预测模型的新的输入数据;利用处理后的新的输入数据和输出数据,建立PF-RBF神经网络预测模型,预测风电场的输出功率。仿真结果表明,使用该预测模型进行风电功率预测,预测精度有一定的提高,连续120 h功率预测的平均绝对百分误差达到8.04%,均方根误差达到10.67%。