基于水-光-荷模块分层协同搜索的风险调度策略

多能互补是促进清洁能源并网消纳与提升电力调节性能的重要途径,多源接入规模加剧了决策与风险并存问题。该文旨在优化搜索维度,协调源–荷互动关系以应对能源消纳与调峰压力,并保障电站与机组运行可靠性。为此提出光–荷模块分层协同搜索策略。在外层,提出光–荷预测偏差的鲁棒特征,依据场景集合反演特征参数,计及光–荷模块多重不确定性的置信区间;在中层,结合源–荷调节平衡能力重构水–光模块,旨在支持系统出力调峰目标;在内层,引入中层电力重构的电量与波动特征识别机组运行风险区间,通过逐步优化机组安排与分区负荷转移,降低机组穿越振动区风险;以此建立层间目标跟踪与层内风险调控的动态协同搜索策略,形成光–荷不确定性下的发电决策空间。最后以澜沧江西藏段混合发电系统为研究背景,结果表明该策略相较于传统方法,在响应调峰目标的基础上有效降低了光、荷交替波动下的系统运行风险。     

连续小波变换和具有注意力机制的深度残差收缩网络在低压串联电弧故障检测中的应用

当室内配电系统发生串联电弧故障时,电弧燃烧温度可高达数千摄氏度,从而导致电气火灾的发生。而低压配电网中负载类型复杂,利用一般的电流信号时频分析,很难对串联电弧故障进行有效识别。针对这一问题,文章利用深度学习强大的计算机视觉能力,提出了一种基于注意力机制和深度残差收缩网络(attention mechanism and deep residual shrinkage network,Attention-DRSN)的故障检测方法。首先,使用连续小波变换提取电流信号特征信息,并转化为图像特征。其次,对提取到的图像特征进行数据增强和灰度化处理,并利用主成分分析方法(principal component analysis,PCA)对特征图像进行了重构。最后,构建了Attention-DRSN电弧故障检测模型,并采用K-折交叉验证方法对数据集进行划分,验证了所提方法的有效性。实验结果表明,该检测方法对串联电弧故障具有较高的检测精度,平均检测准确率为98.52%,对未来电弧故障检测装置设计具有重要的借鉴意义。     

变压器绕组松动故障的混沌特征分析方法

为了更加有效地对变压器绕组松动故障进行监测与识别,提出了一种变压器绕组松动故障的混沌特征分析方法。首先,针对振动信号的混沌动力学特性,采用互信息量法和G-P算法分别确定延迟时间和嵌入维数,对变压器振动信号进行相空间重构;其次,通过判断最大Lyapunov指数是否为正,进而证明变压器振动信号的混沌特性,在此基础上分析不同程度的绕组松动故障对相空间轨迹变化的影响;最后,将关联维数、Kolmogorov熵和最大Lyapunov指数作为一组混沌特征用以量化变压器绕组发生松动故障前后振动信号的混沌特性。结果表明：变压器振动信号的最大Lyapunov指数均大于0,证实了其具有混沌特性,所得到的混沌特征能够有效反映变压器绕组松动故障。研究结果为变压器绕组松动状态监测提供了一种理论依据。     

考虑源网荷储协同优化的配电网韧性提升策略

随着分布式电源的规模化接入,针对极端灾害引起的大规模停电事故难以采用传统的配电网故障恢复策略。首先,提出了极端灾害下考虑源网荷储协调优化提升配电网韧性的策略框架。其次,针对分布式能源出力的不可控性和时变性,建立了光储和风储系统模型(optical storage and wind storage system, OWS)。同时,考虑到负荷的价格需求弹性,建立了极端灾害下的负荷需求响应(load demand response, LDR)模型。再次,以负荷恢复的总价值最大为目标,考虑LDR补偿、故障抢修与网络重构过程中的网损成本,建立了考虑源网荷储协同优化的配电网韧性提升模型。最后,在改进的PG&E 69节点配电网系统算例中验证了所提策略的有效性,结果表明利用多能互补的特性进行源网荷储的协同优化有利于提高配电网的故障恢复能力。     

基于混沌理论和KPCM聚类的变压器绕组松动状态监测

运行中的变压器会产生持续振动,通过振动的变化可以判断变压器内部运行状态。变压器振动信号中包含了大量状态信息,难以从中提取有效特征来监测绕组松动状态。为此,提出了基于混沌理论和核可能性聚类算法KPCM的变压器绕组松动状态监测方法。首先,从振动信号的混沌动力学特性出发,通过选择最佳嵌入维数和时间延迟,对实测变压器振动信号进行相空间重构。然后,针对重构信号的高维空间分布,使用KPCM聚类方法对分布模式进行识别,据此对绕组松动状态进行监测。现场实测数据的计算结果表明,使用Wolf法计算得到的最大李雅普诺夫指数为正,证实了变压器振动信号的混沌特性,基于KPCM聚类分析得到的聚类中心位移矢量的变化能够有效识别出绕组松动的机械故障隐患。研究结果为从混沌动力学角度监测变压器绕组的松动状态提供了理论依据。     

基于DAPSO算法的含分布式电源的配电网重构

为了改善智能算法性能、提高寻优效率、满足网络辐射状和连通性约束,提出一种基于动态自适应粒子群优化(DAPSO)算法的含分布式电源的配电网络重构策略,用于求解重构的离散变量优化问题。动态自适应调整惯性权重和对速度进行变异,避免算法陷入局部最优,保持全局开拓和局部探索的动态平衡,加强算法的寻优性能。采用"解环"法,确保重构后网络为辐射型并保证网络的连通性。基于IEEE33和PGE69节点系统的仿真结果显示,DAPSO算法收敛速度快、全局寻优能力强、稳定性好,其寻优重构方案可有效降低网损,改善电压水平,优于其他方法的结果,具有很好的实用价值。     

复杂环境下多模态特征融合的疲劳驾驶检测

为了避免因疲劳驾驶而导致交通事故的发生,维护城市道路交通和驾乘人员生命安全,该项目针对传统疲劳驾驶检测方法存在着精度低、参数复杂、泛化能力差等核心问题,采用MTCNN模型和基于红外的rPPG等理论,在光照变化、部分遮挡和头部偏转等复杂行车环境下精确提取驾驶员面部与生理信息;同时在深层挖掘多模态的特定疲劳信息后,结合多损失重构(MLR)的特征融合模块利用各模态间的互补信息,避免了单模态检测方法存在的局限性,进一步构建了多模态特征融合模型,增强模型的准确性与鲁棒性;最后考虑到疲劳的时序性,基于Bi-LSTM模型建立了疲劳驾驶检测模块。在自制数据集FAHD上展开实验,证明了红外生理特征提取模型的可靠性,多模态特征输入的有效性,同时与现有融合方法相比,本文方法融合后的预测结果与疲劳标定值间的相关系数提高了5.6%,均方根误差减少25%,疲劳检测系统准确率达到了96.7%,在推动智慧交通发展的同时对维护交通安全也有较好的积极意义。     

基于对比学习生成对抗网络的无监督工业品表面异常检测

在工业品表面异常检测中,由于异常的未知性和无规则性,人工标注异常样本难度大、成本高,有监督的深度学习算法在工业品表面异常检测任务中存在局限性。针对上述问题,提出一种基于对比学习生成对抗网络(contrastive learning generative adversarial network, CLGAN)的无监督工业品表面异常检测算法。首先,建立基于无监督学习算法的CLGAN模型;其次,采用对比学习加强潜在特征空间正负例样本约束,使得输入与输出图像对应Patch之间的互信息最大化,增强正负样本特征向量区分度,使模型重构异常样本图像能力得到进一步提升;然后,在检测阶段,利用训练好的模型得到待测工业品的无异常重构图像,并计算得到待测样本与其对应重构图像之间的残差图像;最后,结合双阈值分割的后处理方法和数学形态学处理,实现工业品表面异常区域地快速检测和准确定位。通过在公共数据集MVTec AD上进行实验,与其他的无监督深度学习模型算法相比,所提算法具有更好的识别效果和更强的泛化能力。     

基于故障邻接状态的配电网多故障抢修与优化策略

基于故障与配网的拓扑关系和抢修与恢复的动态交替特性,建立了基于故障邻接状态的配电网多故障抢修与优化模型,快速制定抢修策略。在故障抢修阶段,基于供电类型建立负荷节点带电状态矩阵,提取故障邻接负荷的带电状态建立故障邻接负荷带电状态矩阵,对其进行拓展得到故障邻接状态,并对故障进行分类。通过抢修与故障邻接状态的交替更新确定每阶段最优抢修任务。在重构计算中,建立自适应环压有序环矩阵作为算法的解空间,引入余弦递减函数和莱维飞行对量子粒子群算法进行改进,建立莱维系数量子粒子群算法进行求解。用PG&E69节点系统进行仿真,验证所提方法的可行性和所提算法的有效性。     

基于网络重构与SNOP协调控制的交直流混合高压配电网阻塞管控模型

传统交流系统的负荷转供依赖倒闸重构操作,机械过程响应速度慢、操作流程复杂,已经无法有效地缓解结构复杂、负荷快速大幅波动的城市高压配网中的局部运行阻塞,交直流混合配电网具有拓扑灵活、潮流可控的优势,可以利用电力电子换流设备加入可控直流环节提升线路的传输能力,实现负载均衡和连续快速转供,提出将城市配网中的部分交流联络开关改造为背靠背电压源型换流器(VSC)控制的智能软开关(SNOP),这种交直流组网方式在融入可控直流环节的同时最大限度的保留了原有交流配电系统的存量资产,在此基础上建立SNOP端口功率控制与高压配电网供电路径转换的联合运行优化模型,算例验证数据表明此方案充分利用了SNOP对线路潮流的灵活控制,根据负荷变化动态建立传输路径,有效缓解了局部运行阻塞,同时控制成本更低,还能减少备供线路的投资。