基于CNN-LSTM-Attention的配电网拓扑实时辨识方法

配电网中准确的拓扑结构辨识对运行和控制具有重要意义,针对实际配电网拓扑结构变动的情况,搭建了可智能辨识配电网拓扑结构的深度学习模型。首先,生成不同拓扑结构下的配电网量测数据并进行数据预处理。其次,构建了融合CNN（卷积神经网络）、LSTM（长短期记忆网络）和Attention（注意力机制）的拓扑结构智能辨识模型,并结合历史量测数据对模型训练并测试。最后,在IEEE 33节点和PG&E69节点配电系统仿真算例中,验证了该基于CNN-LSTM-Attention模型的拓扑辨识方法相较于传统辨识方法在辨识精度上的优越性,实现了该模型的在线应用。     

基于深度自编码器的分钟级负荷数据聚类分析

在数字化电网的全面建设和电力市场持续改革的背景下，电力服务商积极开展以负荷数据聚类分析为基础的用电行为分析。为了深入分析用户的用电行为模式，提出基于深度自编码器的分钟级负荷数据聚类分析方法。首先基于信息熵重构负荷数据，保留负荷数据的形态特征和提高数据的可区分性；接着提出深度自编码器的特征提取方法，同时利用边界少数样本过采样算法生成新的训练样本，对深度自编码器网络模型进行两阶段训练；最后基于欧式距离和动态时间扭曲距离的双尺度距离，计算负荷数据特征的相似性，以双尺度距离作为K-means算法的输入数据得到负荷聚类结果。基于南京市某台区的分钟级负荷数据的算例分析表明，所提方法提高了不同负荷数据分类的准确性。     

水电站计算机监控系统综合智能告警研究

故障诊断技术是保证水电机组及相关设备安全可靠运行的关键。由于电站集控中心接入监控对象设备量越来越多,故障自主诊断成为重要研究问题。本文针对水电站运行特点,提出了一种结合深度学习和规则推理的计算机监控系统综合智能告警方法。首先,介绍监控数据的前期处理流程,并以卷积神经网络（Convolutional Neural Network,CNN）为基础,构建基于深度学习的故障诊断模型;然后整合出几种较为宽泛的故障类型,利用历史样本训练 CNN 模型;最后结合基于专家经验的规则推理,完成对故障诊断结果的校核、细化及补充。算例结果表明,本文所提方法能够有效实现水电站故障自主诊断,为水电站智能化建设提供技术支撑。     

基于浮标平台的海洋生物化学要素原位监测仪器研制与近海实验研究

海洋生物化学要素是海洋环境与生态监测的重要对象。传统的监测方法多基于人工操作,需 要使用化学试剂,不仅测量时间长,而且无法及时准确反映海水的当前状态。该文基于光学传感的方 法,研究无需化学试剂的海洋叶绿素 a、化学需氧量(COD)、生化需氧量(BOD)原位传感器和水下浮 游生物成像仪,并基于浮标平台在近海开展了海洋原位测量实验和示范。在海试过程中,通过采用环 境友好的生物涂料和机械刷设计,克服了生物附着对传感器连续工作的影响,实现了传感器连续原位 工作 6 个月以上,实验结果准确反映了海水的真实状态。     

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。