基于优化的VMD-mRMR-LSTM模型的短期负荷预测

随着智能电网技术的发展和电力市场的推进,用电模式的复杂性逐渐凸显,对短期负荷预测的精度和稳定性提出了更高的要求.针对传统负荷预测方法缺少对时序数据相关性、特征值的全面考虑等问题,提出一种基于优化的变分模态分解、最小冗余最大相关性与长短期记忆神经网络的组合预测模型.首先,将波动性高的负荷序列分解为一组相对平稳的模态分量,...     

基于时空长短时记忆神经网络的地基云图预测算法

针对传统云运动轨迹预测方法存在的预测精度差、空间结构细节信息丢失等问题,提出一种基于时空长短时记忆（ST-LSTM）神经网络的地基云图预测模型。首先使用卷积编码网络提取输入视频流的高维图像特征;然后在特征提取模型中对图像潜在信息进行多分支获取,一部分使用ST-LSTM神经网络提取不同帧之间的时空特征,另一部分将图像序列进行分解,并通过基于门控机制的记忆融合网络来获取分解后图像中的结构细节信息;最后将得到的分支特征进行组合后经过解码网络输出最终的预测视频流。在地基云图、Moving MNIST和Human 3.6M数据集上的实验结果表明,在图像预测准确率、结构细节信息保留效果以及人眼主观感受上,该预测模型均优于对比模型。与基准模型TaylorNet相比,所提模型在Moving MNIST数据集上均方误差指标和平均绝对误差指标分别降低15.7%和11.8%,在地基云图数据集上,其结构相似性指标与峰值信噪比指标分别提升1%和3.2%,且生成的视频流数据更为清晰,能够更准确地描述云层未来的运动状况,从而更可靠地预测光伏电站未来的输出功率。     

基于小波变换与IAGA-BP神经网络的短期风电功率预测

为提高风功率预测精度,减轻输出风能波动性对风电并网不利影响,提出了基于WT-IAGA-BP神经网络的短期风电功率预测方法。首先,利用风速分区、3σ准则及拉格朗日插值法清洗风电场历史数据;其次,依据小波重构误差,选择db4小波分别提取风速、风向、历史风功率的不同频率特征信号,并引入改进自适应遗传算法(IAGA)对各序列BP神经网络的初始权值与阈值寻优,使用Sigmiod函数通过适应度值自适应改变交叉概率与变异概率;最后,构建各序列的WT-IAGA-BP模型对短期风功率组合预测。通过仿真分析,并与ELM、WT-ELM及IAGA-BP方法对比,验证该方法具有更高的预测精度和更好的预测性能。     

基于YOLOv5与改进VGG-CTC的数字仪表自动读数方法

随着数字电网的发展，数字仪表在电网中的应用越来越广泛。为进一步提高数字仪表自动读数算法的准确率和识别效率，推动数字电网建设，文中提出一种基于YOLOv5和改进VGG-CTC模型的数字仪表自动读数方法。该方法包括数字区域定位和仪表字符识别两部分。首先，采用YOLOv5模型检测输入图像的仪表数字区域，输出预测的数字区域边界框；然后，对VGG网络的卷积层和全连接层参数进行改进，提出一种改进VGG网络，将预测的数字区域输入该网络，即可提取数字区域图像特征，通过长卷积层输出字符概率分布信息；最后，经过CTC转录模块将概率分布序列映射为预测的数字仪表示数。实验结果表明，所提自动读数方法的准确率为89.63%，识别时间为439 ms，相比其他读数方法具有较好的读数准确率和识别速度，能够提高智能电网对设备状态监测的准确性和高效性，对推进能源物联网和数字化电网的建设具有重要意义。     

基于小波包变换的局部放电包络信号模式识别

为实现GIS故障检测和缺陷的模式识别,针对GIS出现的典型绝缘缺陷及其放电特点,设计了4种常见的GIS绝缘缺陷模型并进行放电试验。对获取的大量超高频包络信号,提出了一种基于小波包变换奇异值分解的时域特征提取方法。该方法首先对包络信号进行小波包变换,构建各尺度的小波包分解系数矩阵,然后对其进行奇异值分解,提取特征向量,在此基础上,采用BP神经网络进行模式识别,结果表明采用此方法获得了良好的识别效果。     

基于锁相环的寄生反馈通道参与双馈风电并网SSCI现象研究

为了研究风电并网中锁相环参与的次同步控制相互作用(SSCI)问题,将系统的控制侧与电机侧的子系统模型分别建立在控制侧和电机侧旋转轴中,然后通过两旋转轴间变换关系建立含锁相环扰动的全系统模型,与原始电流环模型对比发现,次同步扰动(振荡)将额外通过一个基于锁相环且与运行工况和外电网结构相关的寄生反馈通道作用于转子侧控制器(RSC)的电流比较点和电压补偿点。通过该寄生反馈通道相频特性和全系统传递函数极点分布,分析其对原始电流环的反馈效果和对全系统SSCI稳定性的影响。研究结果表明:寄生反馈通道在特定的工况和参数组合下对原始电流环起正的或负的反馈效果,进而会影响系统发生SSCI的风险。最后,在DIgSILENT仿真平台上对理论分析结果进行时域仿真验证。     

基于图像识别的叶片结冰检测方法研究

随着化石燃料的大量消耗,环境污染严重,清洁、环保的可再生能源发电渗透率持续提升,寒冷地区风电场建设规模不断扩大,将导致叶片结冰,严重会导致叶片断裂,因此有必要对叶片结冰识别进行深入研究。通过分析现有的叶片结冰检测方法,基于图像识别,通过改进Canny算法与显著物识别算法结合,将图像的边缘像素识别出来,然后计算每一个点的像素梯度,利用灰度值分割法确定最优阈值,再进行显著物的识别,对叶片结冰图像识别进行研究。研究表明叶片结冰图像识别高效可靠,可以有助于对叶片进行除冰,确保风电机组安全可靠的运行。     

基于GWO-SVM的高压断路器故障诊断

为提高高压断路器故障诊断精度和效率以保障电力系统安全稳定运行,提出一种基于拉普拉斯分值法与改进的支持向量机(SVM)的智能故障诊断方法。首先,从高压断路器分合闸线圈电流中提取包括电流峰值、关键时间点及电流统计量等特征值,并建立故障样本集合;其次,采用拉普拉斯分值法筛选出关键特征,降低故障样本集合的维度;最后,采用灰狼算法(GWO)优化支持向量机(SVM)的关键参数,构建高效、准确的高压断路器故障诊断模型。基于实际故障样本的仿真测试结果表明:提出的采用特征选择及参数优化的故障诊断方法较其他传统方法具有更高的诊断精度及诊断效率,对实际工程应用具有一定的参考借鉴意义。