LSTM在输变电设备缺失值填补中的应用

输变电设备是电网的重要组成部分,其状态量值表征了设备的基本运行状态。由于一些不可控因素,在采集时会有一些"空值"。这些缺失值不仅意味着信息空白,更重要的是它会影响后续数据挖掘和统计分析等工作的进行。文中提出了一种基于长短时记忆网络(LSTM)的缺失值填补方法,与经典的数据挖掘方法进行对比,实验表明所提方法的填补结果在均方根误差这一评价指标上有20%的提升。同时还综合考虑了同一设备下其他不同状态量以及气象因素的影响。最后,利用所述方法对国网某省公司电网线路的在线监测数据进行了缺失值填补和验证,结果表明该方法在常规条件下具有较好的填补效果。     

计及综合风险的油浸式变压器短期增容决策方法

电力变压器的动态增容有利于缓解长期供电矛盾,解决短期应急需求,现有研究主要围绕热点温度与故障率进行增容决策的制定。考虑运行风险提出了一种变压器短期增容决策方法,包括安全约束作用与经济风险校验2个阶段。首先基于热点温度与故障率约束生成满足安全性要求的预增容方案,然后通过计算增容利润与风险,搜索预增容方案与满载运行之间的经济性最优方案,生成最终决策。通过算例分析了变压器服役时间、计划增容时间等因素对短期增容计划的影响,最后与电网公司现行增容预案进行比较,结果表明所述方法可灵活应对实际工况进行变压器短期增容方案的制订,兼顾决策的安全性与经济性。     

变压器运行数据缺失值修复研究

变压器运行数据对设备评估至关重要,实际采集变压器数据的缺失会大大降低后续数据分析的可靠性。针对变压器数据缺失,利用函数型主成分分析提取数据整体特征的性质及小波变换刻画函数数据细节的性质,提出一种基于函数型主成分分析和小波变换的变压器缺失数据修复方法。首先,通过对同一变压器连续几天同类数据的学习,估计数据在函数主成分上的表示,得到对整体数据的近似估计;然后利用小波变换对估计的残差函数数据去噪得到对局部数据的修正函数,两者结合,得到最终的修复曲线。对实际某变压器运行数据的测试结果表明,该方法对离散的单个缺失点和连续缺失点均有较好的恢复效果,能适应不同的数据类型。     

基于非授权频谱D2D的无信号区在线监测数据传输技术

在线监测技术可以实现对架空输电线路本体、通道环境、气象条件、风偏舞动等的实时监测,有效保障了架空输电线路安全稳定运行水平,但是部分杆塔处于无运营商基站覆盖区域,无法实现在线监测数据回传。为此,提出了一种基于非授权频谱终端直接通信技术(Device to Device,D2D)的无信号区在线监测数据传输方法。首先,分析架空输电线路在线监测装置分布特点,选择适用于输电线路环境的频谱资源,建立装置间直接通信的路损模型;然后,采用基于先听后发的信道接入机制,实现与已有通信技术的友好共存;最后,结合无信号区输电线路信道环境,采用基于定向天线的传输路由进行信息中继。对本技术的仿真验证结果显示本方法可以在降低天线的传输功率、提高整个监测网络的生存时间和稳定工作时间基础上,保障在线监测数据高速率可靠回传。     

基于深度学习的电力设备红外可见光图像智能配准方法研究

红外图像与可见光图像的融合分析是提升红外图像中电力设备定位精度和缺陷诊断准确度的有效途径。针对两种模态数据融合分析关键步骤中的红外图像与可见光图像配准问题进行研究。鉴于红外图像与可见光图像存在的模态差异,采用基于自监督学习的SuperPoint特征点提取与描述方法,提取具有模态不变性的稀疏特征点;采用基于深度图卷积的SuperGlue方法,结合全局特征点的空间及特征相关性信息,提升特征匹配的准确度;最后,采用渐近采样一致性的PROSAC方法对红外与可见光图像间的变换参数进行估计,实现配准。与传统算法对比表明,本文所提方法具有更高的模态鲁棒性,得到了更准确的配准结果。     

基于Spark的输变电线路实时故障监测研究

输变电线路状态监测数据是智能电网中数据量很大的一部分,不仅包括在线的状态监测数据,还包括设备的基本信息、实验数据、缺陷记录等,在数据处理的可靠性和实时性方面的要求都很高。根据实际应用中输变电线路的故障类型,设计并实现了输变电线路实时数据故障监测模型。其中,利用高效处理实时数据的Spark系统,研发出基于Spark的分布式ISODATA和模糊KNN大数据分析算法,与单机KNN算法相比,在时间性能上提高了70.75%效率,具有明显的计算效率优势。     

基于多因素的变压器油中溶解气体体积分数预测方法

为克服传统预测方法只单独考虑少量参量的不足,提出了一种基于多因素的变压器油中溶解气体体积分数预测方法。收集变压器油中溶解气体在线监测数据、EMS数据和气象数据,通过数据预处理完成各类数据的清洗和同步。利用灰色关联分析方法确定与待预测气体关联度较高的关键输入参量,有效约简输入数据的维数;建立基于KNN回归的多因素预测模型,实现变压器正常状态下油中溶解气体体积分数的预测。收集变压器故障案例库中的故障样本数据,针对单台设备故障数据稀缺的特点,利用关联分析方法筛选与故障设备情况相近的故障案例作为输入数据,并将关联度确定为各输入的权重。建立基于故障样本加权均值回归的多因素预测方法,实现故障状态下变压器油中溶解气体体积分数预测。实例分析表明,相比于常规的预测方法,将多种影响因素合理纳入预测模型,有效提高了油中溶解气体体积分数的预测精度。