基于态势感知技术的电网潮流计算模型

为解决传统电网潮流计算模型在潮流计算过程中,负荷点潮流计算值与实际值具有较大误差的问题。本文结合态势感知技术,设计一种新的电网潮流计算模型。根据电网的运行状况与运行特征,布设电网潮流下垂节点;采用态势感知技术的预测功能,预测电网内静态行为与动态行为的变化趋势,在此基础上,计算电网潮流。实验分析可知,新的计算模型较传统模型相比,其电网各个负荷点潮流计算值与实际值更加接近,相对误差较小,计算结果精度更高,其电网安全态势预测值变化趋势的拟合度较高,优势显著。     

基于深度学习的电网安防视频分析技术

以变电站监控视频为出发点,利用帧间差分法发现视频序列中存在目标的帧,然后在分析电网监控场景的基础上,基于Faster R CNN深度学习框架训练目标检测模型来检测视频中的目标,实时记录目标检测结果并将结果存入数据库中。从试验结果可看出,深度学习具有较高的检测准确率,可加强智能电网的电力安防建设。     

基于图神经网络和强化学习的电网风险态势感知

在新型电力系统中,考虑高比例新能源接入的强波动性和电网输变电线路的随机故障,需要准确且快速的电网风险态势感知。基于图神经网络易于处理电网拓扑结构的优势,引入了强化学习自适应学习的特点,提出了基于强化学习的图神经网络算法（GNN-RL）,以达到智能体能够自主、动态选择合适的风险指标的目标,从而提高新型电力系统的风险态势感知能力。最后,将所提的GNN-RL算法与其他人工智能算法对同一电网进行风险分析并对比,GNN-RL算法能够有效选择不同的风险指标,提高了风险态势感知的效率,推动全智能化在新型电力系统风险态势感知中的应用。     

基于深度神经网络和内外部因素的大电网安全态势感知研究

随着电网结构的日益复杂,运行调度变得更加困难,大停电事故发生的风险也日益增加,因此能够及时有效地对大电网的安全态势进行感知显得尤为重要。在态势要素提取阶段,从内部因素与外部因素两个方面出发,构建大电网安全态势评价体系,其中外部因素通过统计分析1981年~2015年全国电网的大停电事故得出;在态势理解阶段,通过层次分析法与改进的熵权法获得各指标的综合权重,加权平均得到大电网的安全态势评估值,实现对大电网安全态势的综合评价;在态势预测阶段,构建深度神经网络模型,完成对大电网安全态势的预测。为进一步验证预测模型的有效性,将其与BP神经网络和RBF神经网络对比分析,验证了深度神经网络模型可以有效地对大电网的安全态势进行预测,且预测精度高于传统的神经网络模型。     

基于态势感知的电网自动智能调度架构及关键技术

我国智能电网建设的发展对电网调度运行提出了更高要求,要发展与之相适应的智能调度支撑体系。在智能电网调度领域已有技术成果的基础上,提出构建基于态势感知的自动智能调度体系架构,以期实现对电网运行状态发展趋势和过程的准确掌控。文中首先分析了传统电网调度的不足,介绍了电网态势感知及运行轨迹的概念及其表征方法,然后提出了自动智能调度的总体目标,给出了自动智能调度的功能和技术体系框架,主要包括感知预测、风险分析、辅助决策、自动控制等环节。在此基础上,结合电网调度领域的技术现状,指出了实现自动智能调度所要重点突破的8个方面的关键技术。     

基于态势感知的电网停电用户敏感度及投诉预测

在电网停电用户敏感度及投诉预测中,由于预测结果不准确影响了电网公司的精准化服务,因而设计一种基于态势感知的电网停电用户敏感度及投诉预测方法。通过SAS软件中的Enterprise Miner workstation模块和Enterprise Guide模块采集电网停电用户敏感度及投诉相关数据,具体包括停电敏感用户标签数据、故障处理数据、停电事件数据、客户通话数据、95598工单数据。对挖掘数据实施缺失数据处理、异常数据处理以及告警误报漏报数据处理等预处理。基于态势感知技术与随机森林算法构建电网停电用户敏感度及投诉预测模型,实现用户对于停电的敏感度及投诉预测。利用该方法对某地区电网实施用户关于停电的敏感度及投诉预测,测试该方法的预测性能。测试结果表明该方法有着高于90%的查准率、查全率,F测度数据值较高,AUC面积较大,数据灵敏度始终大于97%,说明设计方法有着优越的电网停电用户敏感度及投诉预测性能。     

基于改进区域全卷积网络的电网图像自主识别及运行态势感知模型研究

针对基于先验特征的电网图像自主判读机制存在的诸多不足,提出了一种基于改进区域全卷积网络的电网图像自主识别及运行态势感知模型。首先构建电网运行图像特征数据池;然后构建电网运行图像异常特征全息感知机制;最后实现电网运行异常态势精准感知。模型效能分析结果表明,模型可以自主学习辨识换流站运行图像异常特征知识,换流站运行图像异常自主识别均值准确率达93.27%,换流站运行异常态势感知均值有效率达96.65%,为电网一线运维工作者提供了良好辅助。     

基于深度学习的配电网安全态势感知研究

配电网作为电力系统的关键环节,有必要识别配电网潜在危害,避免失稳。为了解决数据中噪声干扰的问题并提高态势预测准确性,提出了一种基于深度学习的配电网安全态势感知方法。首先,采集配电网运行量,利用奇异值分解（singular value decomposition,SVD）对运行量进行降噪;其次,分析运行量与安全态势的关系,采用评估值指标评估配电网态势;最后,利用注意力时域卷积网络（temporal convolution network-attention mechanism,TCNAM）对降噪后的输入数据预测得出态势评估值,预测配电网潜在危害,若失稳,则发出预警信号。通过对IEEE 33节点系统和实际配电网系统仿真可知,TCN-AM预测效果好,且进行降噪处理后预测准确性有所提高,能够在满足预警条件后,发出相应的预警信号。所提方法在降噪处理后能够更准确地实现配电网的安全态势感知。     

基于电网调度系统的网络安全态势感知方法研究

由于网络外界病毒入侵的隐蔽性极高、入侵类型较多,病毒难以被全面地被感知,导致电网调度自动化系统运行安全受到威胁。为提升电网调度自动化系统网络的安全性,提出基于随机矩阵理论(Random Matrix Theory , RMT)的电网调度自动化系统网络安全态势感知技术。采集电网调度自动化系统网络安全信息数据,构建病毒入侵环境下的安全状态分布模型,并利用该模型完成电网调度系统网络安全态势特征信息的提取。采用RMT中的M-P模型及单环定律对网络安全态势特征值在随机矩阵内的分布情况进行谱分析,根据特征值分布状态获取网络安全态势在稳定情况及异常情况下的变换规律,实现电网调度系统网络安全态势感知。实验结果表明,通过对该方法开展安全态势感知测试,验证了该方法应用在电网调度系统中组件安全态势感知及网络安全态势感知的精准度均较高,体现了该方法的有效性。     

基于多层次指标体系的电网综合态势感知体系架构设计

为提高对特高压交直流混联大电网的感知和掌控能力,在分析现有电力系统运行规程、规范,以及现有监测指标的基础上,提出全维度多层次电网运行轨迹指标体系,然后从现有调度自动化系统D5000的平台功能、电网模型、实时数据、应用模块等出发,提出基于指标体系的电网综合态势感知体系架构设计。实验结果验证了体系架构设计的有效性。     

基于深度学习的电力监控视频超分辨率重建

针对电力监控视频有时分辨率不高问题,提出了一种基于深度学习的电力监控视频超分辨率重建方法.该方法首先采用卷积神经网络对输入视频帧进行特征提取,从输入视频帧序列两端按时间顺序将所有支持帧逐帧对齐到目标帧,并采用时间与空间自注意力机制将支持帧特征逐帧融合到目标帧.然后引入多尺度特征学习机制,对特征融合后的目标帧使用多分支特...     

融合多类型深度迁移学习的电力系统暂态稳定自适应评估

针对不同类型人工智能网络应用于电力系统暂态稳定评估时精度和泛化能力不稳定、运行方式或拓扑结构发生较大变化时评估精度下降、重新训练新模型费时费力等问题,提出一种融合多类型深度迁移学习模型（tmDLM）的自适应评估方法,该方法融合了深度置信网络、卷积神经网络以及长短期记忆网络3种不同的深度学习模型。将训练好的各类深度学习模型作为源域模型,当运行方式或拓扑结构发生较大变化时,采用少量目标域样本集微调预训练模型,使其快速跟踪系统当前的运行状态,并得到tmDLM。新英格兰10机39节点系统和华中电网的仿真结果表明：所提方法可以充分发挥各类深度学习方法的优势,具有良好的泛化能力;六分类模型能够在判稳的同时进行稳定裕度/失稳程度等级的评估;经过迁移后的深度学习模型具有良好的评估精度和时效性,大幅缩短了模型更新时间,实现了电力系统暂态稳定的自适应评估。     

基于深度学习的用户异常用电模式检测

针对电力用户的异常用电行为,提出一种基于深度学习的用户异常用电模式检测模型。利用Tensor Flow框架,构建了特征提取网络和多层特征匹配网络。基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。实例分析表明,与非深度学习检测模型相比,所提模型可更加有效地完成异常用电模式检测。此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。     

融合知识库和深度学习的电网监控告警事件智能识别

电网监控告警信息是监控人员进行监控事件识别的重要数据基础。针对当前人为处理海量监控告警信息效率低的现状和电网智能技术深化应用的需求,提出一种融合知识库和深度学习的电网监控告警事件自主识别方法。基于自然语言处理技术中的Word2vec模型对监控告警信息进行向量化建模,基于卷积神经网络建立监控告警事件识别模型,通过算例对比验证所建模型的有效性和实用性。提出融合知识库与所建模型的应用方法,实现电网监控告警事件的智能感知和可靠识别。     

基于泛在电力物联网的换流站在线监测系统优化综述

为解决当前换流站在线监测系统在运行中存在的可靠性、安全性以及误告警频发等问题,文中基于泛在电力物联网技术对系统进行优化重构。首先,通过构建平台层,将系统接入物联管理平台以及数据中台,实现数据的融通共享,减轻云端存储压力,提升服务响应。其次,设计基于边缘计算的物联智能终端,实现站内设备的安全接入和泛在物联,该装置作为边缘计算节点通过集成深度学习算法,实现站端数据的采集存储、计算分析与异常识别,提高了告警的准确性和系统运行的可靠性。因此,基于泛在电力物联网的换流站在线监测系统架构优化为后续工程实践提供了一种新的建设应用模式。     

基于深度学习的新型电力智能交互平台多任务集成模型研究

意图理解是新一代电力智能交互平台中的一项基础技术。通过将用户诉求自动分类与分级,可以大幅提升服务效率和质量。针对电力交互平台中的意图理解问题,提出一种基于深度学习的多任务集成模型,该模型可以同时训练意图理解中密切相关的两项子任务：意图检测(Intent Detection)与语义槽填充(Slot Filling)。使用具有长短期记忆(Long-Short Term Memory,LSTM)结构和门控循环单元(Gated Recurrent Unit,GRU)的深度双向循环神经网络(recurrent neural network,RNN)作为基本分类器,多层感知机(Multi-Layer Perceptron,MLP)框架用于组合输出结果,并基于词向量特征与词性特征对模型进行增强。在真实数据上的实验表明该集成多任务模型相比单一模型或其他主流方法更为有效。     

基于气象特征挖掘和改进深度学习模型的风电功率短期预测

为提高风电功率短期预测的准确度,需进一步挖掘气象特征,为此,提出一种基于贝叶斯优化调参的特征挖掘改进深度学习模型。对气象因素提取多时间尺度下的统计特征、组合特征和类别特征;构建包含长短时记忆神经网络与注意力机制结合模块、Embedding模块和输出模块的深度学习模型,将连续数值特征输入长短时记忆神经网络与注意力机制结合模块,将类别特征输入Embedding模块;由贝叶斯优化调参进行特征组合选择,找出最优特征组合,得到最终的风电功率预测结果。与某风电场历史数据的对比分析表明,所提方法能有效提高风电功率的预测精度。     

深度学习在泛在电力物联网中的应用与挑战

泛在电力物联网是智能电网发展的高级应用形态,对电网的数据处理能力和计算能力提出了更高的要求。近年来,深度学习技术取得了突破性的进展,为泛在电力物联网的实现与发展提供了强大的支撑。基于此,总结了现有深度学习模型的主要组成及技术特点;从泛在电力物联网应用的技术需求出发,综述了深度学习在数据处理、边缘计算以及态势感知方面的技术特点与应用场合;基于泛在电力物联网应用的典型场景,深入分析了深度学习在泛在电力物联网中的具体应用,为泛在电力物联网的建设与研究提供参考。     

基于Android的分布式电源监控系统的研发

采用基于样本集约化的熵权法对分布式电源的电能质量进行综合评估,在此基础上建立相应的监控模型,形成目标函数。利用Java语言开发了基于Android的分布式电源监控系统,对分布式电源的有效运行具有重要的指导意义。     

大截面导线在重庆110kV电网改造应用的技术经济分析

重庆城区电网密集,线路走廊宝贵,原有导线受截面限制,载流量不能满足负荷发展需求。大截面导线技术能显著提高架空输电线路的输电容量,解决输电容量需求大而出线走廊资源有限的问题。简单介绍了目前我国大截面导线输电技术的工程应用现状与技术发展水平。围绕提高重庆110kV原有输电线路载流量30%所进行的增容改造工程,分析了应用大截面导线的可行性,并以重庆110kV原有输电线路中1条线路为例,综合分析采用大截面导线方案的静态投资和动态效益。提出了重庆地区110kV输电线路增容改造的优选方案,以达到送电线路增容改造过程中的社会效益和经济效益最大化。