基于深度森林算法的电力系统短期负荷预测

为了提高电力系统短期负荷预测的精确度,解决目前基于机器学习算法的负荷预测需要人为凭经验对超参数进行大量设置和调整的问题,该文将深度森林算法引入了电力系统短期负荷预测领域。深度森林算法包含多粒度扫描阶段和级联森林阶段,具有表征学习的能力。与深度神经网络相比,深度森林算法能够进行高效并行训练,无须大量人为设置和调整超参数。该文选取了某地区实际电力负荷值以及气象因素数据,分别利用了前21天和前40天的数据对深度森林算法进行训练,并将其负荷预测结果与智能算法和传统分类算法的负荷预测结果进行了对比分析。试验结果表明深度森林算法具有高效的电力系统短期负荷预测的能力。     

基于局部线性嵌入和深度森林算法的电力客户投诉预测模型

由于电力市场竞争日益激烈,用户对服务质量的要求不断提高,用户投诉量持续上升。在基于大数据的电力客户投诉预测模型的体系结构基础上,提出一种基于局部线性嵌入和深度森林算法的电力客户投诉预测方法。采用局部线性嵌入算法对客户投诉预测模型的输入特征向量进行降维处理,减少计算量和避免陷入局部最优解;对降维后的投诉预测特征向量进行多粒度扫描,提高其表征学习能力;基于级联森林建立深度森林算法模型,实现客户投诉预测。实际数据的仿真结果表明,与不进行降维处理及其他预测模型相比,文中所提出的预测模型可以更准确地预测客户投诉趋势,为电力企业客户投诉分析和预测提供了参考依据。     

基于堆叠稀疏自编码器和深度森林的窃电检测模型

为了提高窃电检测模型的检出率和准确率，提出一种基于堆叠稀疏自编码器和深度森林的窃电检测模型。通过使用用户用电量数据训练堆叠稀疏自编码器，以降低总体重建误差为目标，确定堆叠稀疏自编码器的层数及隐藏层输出向量维度，实现对用户用电特征更有效的提取。将最后一层稀疏编码器隐藏层的输出向量作为深度森林的输入特征向量，对输入特征向量进行多粒度扫描，使用级联森林实现特征深度融合与窃电检测。基于某市6 000个用户用电量数据对该模型的性能进行验证，实验结果表明，对比其他经典窃电检测模型，所提窃电检测模型具有更高的检出率和准确率。     

极端条件下基于改进深度森林的行星齿轮箱故障诊断方法

齿轮箱是风电机组重要且易出现故障的设备,早期故障威胁系统运行安全。在极端条件中高效、准确的齿轮箱故障诊断对风电机组的安全稳定运行至关重要,因此提出了基于改进深度森林的行星齿轮箱故障诊断方法。为了实现不平衡小样本与强噪声的极端条件下行星齿轮箱故障的高效诊断,首先针对旋转机械振动数据样本较少与不平衡的情况,在Wasserstein生成对抗网络中引入梯度惩罚,生成样本补充原始数据集。然后利用多粒度扫描处理振动信号数据点之间的联系,增强数据中的故障特征。最后在级联森林内部引入新的基学习器并运用量子粒子群算法优化参数,获得具有高诊断精度的模型结构进行故障分类,输出诊断结果。经与其他智能诊断方法在多场景下进行的对比实验,证实了所提方法在极端条件下的分类效果较好,能有效提高齿轮箱故障诊断的准确性。     

融合邻域粗糙约简与深度森林的电力系统暂态稳定评估

在实际电网运行中,暂态稳定样本与暂态失稳样本间呈现出明显的不平衡关系,且误判失稳样本与误判稳定样本的代价不同。当前基于数据挖掘的暂态稳定评估方法多基于浅层模型,对误判暂态失稳样本的重视不够,且评估精度有待进一步提高。基于此,提出一种融合邻域粗糙约简与深度森林的电力系统暂态稳定评估方法。利用邻域粗糙集在不同粒度级别下寻找多组不同的最优特征子集以对原始特征进行再表征,通过深度森林的级联结构实现对原始暂态特征的表征学习,强化特征量与暂态稳定状态间的非线性映射关系;引入加权投票机制,提高分类过程对暂态失稳样本的重视。在IEEE 10机39节点系统上的实验结果表明,所提方法能够在提升评估精度的同时,有效降低了对暂态失稳样本的误判,在不同数据规模和不同程度的不平衡样本数据上均具有较好的表现,具有一定的鲁棒性和适用性。     

基于改进深度森林的滚动轴承剩余寿命预测方法

针对现有人工智能方法在滚动轴承剩余寿命预测中存在精度差、运算效率低的问题,提出一种基于深层迭代特征(deep iterative features,DIF)级联CatBoost(cascade catboost,CasCatBoost)的滚动轴承剩余寿命预测新方法。该方法是一种改进的新型深度森林算法,首先对由快速傅里叶变换得到的滚动轴承频域信号进行迭代计算,得到迭代特征。为了减小内存的消耗,将深度森林中的多粒度扫描结构替换为卷积神经网络,提取迭代特征的深层特征,并构建性能退化特征集。然后对可实现GPU并行加速的单一CatBoost模型进行集成,引入决定系数R2构建CasCatBoost结构以提高模型的表征能力,选取模型最后一个级联层的平均寿命百分比p表示输出。最后运用一次函数对p进行拟合,预测出轴承的剩余寿命。利用PHM2012数据库对滚动轴承剩余寿命进行预测,所提方法的预测平均误差为10.57%、平均得分为0.426。     

基于多特征分析提取的随机森林超短期光伏功率预测

随着新能源的大规模利用,光伏渗透率稳步增长,准确的光伏功率预测能为电网企业带来较多效益。基于此提出了一种多特征分析提取的随机森林预测模型,用于超短期光伏功率预测。首先,对收集到的光伏数据进行预处理,清理缺失值和重复值;再次,对影响因素进行相关性分析,选取相关性强的因子;然后,对筛选后的因子进行输入特征量选择,将处理后的特征向量作为预测模型的输入;最后,建立随机森林预测模型,并与BP、RBF、MLP模型对比。实证结果表明,所提模型具有较好的拟合度和更高的预测精度,对光伏预测工作有一定的指导意义。     

基于改进深度森林的暂态电压稳定快速评估

随着高压直流输电工程的密集投运,暂态电压稳定问题日益凸显,对系统安全稳定运行产生了严重的威胁。基于改进的深度森林,提出了一种暂态电压稳定智能化评估方法。通过最大相关最小冗余（maximum correlation minimum redundancy, mRMR）代替多粒度扫描提取强表征特征子集,避免了计算量大、内存占用多问题。然后,对极限梯度提升树（extreme gradient boosting, XGBoost）进行集成以构造新的级联森林,进一步提升模型预测精度。在改进的新英格兰10机39节点测试系统中开展算例分析,结果表明,所提方法具有评估精度高,计算耗时短和鲁棒性强的优点,可辅助电网运行人员在故障后及时预判暂态电压失稳风险,从而提升系统安全稳定运行能力。     

基于WOA-AM-BiLSTM的短期风电功率预测

针对传统的超短期风电功率预测方法难以应对大量强波动性数据,以及对时间序列处理能力有限的问题,提出了一种深度学习模型WOA-AM-BiLSTM对风电功率进行短期预测。使用双向长短期记忆网络可提取时序数据的双向信息,选择性地增强重要特征信息的权重,再利用鲸鱼优化算法进行超参数寻优使AM-BiLSTM模型预测误差最小。通过软件仿真验证了所提风电功率预测模型具有较高的预测精度。     

基于深度森林算法的窃电行为检测方法研究

深度学习在窃电行为检测领域的研究中应用越来越多,但传统的基于神经网络的深度学习因需要大量的训练样本、调参过程复杂等原因应用十分受限。首次将深度森林分类算法引入窃电行为检测领域,利用其依赖训练样本量小、超参数少、计算效率高的优点,结合从电量、电压、电流、功率因数等数据提取的特征检测用户是否存在窃电嫌疑。通过某地区用电信息采集系统提供的负荷数据,验证了所提窃电行为检测模型的有效性。     

基于MBI-PBI-ResNet的超短期光伏功率预测

为了增强光伏并网的稳定性,提高光伏发电功率预测精度,提出一种基于相似日聚类、群分解(swarm decomposition, SWD)和MBI-PBI-ResNet深度学习网络模型的光伏发电功率超短期预测方法。首先,使用快速傅里叶变换(fast fourier transform, FFT)提取太阳辐照度的期望频率,将其作为聚类特征向量,并根据此聚类特征向量采用自适应仿射传播聚类(adaptive affinity propagation clustering, AdAP)实现相似日聚类。其次,对每一类相似日分别使用群分解算法进行分解,以提取原始数据的多尺度波动规律特征。最后,利用MBI-PBI-ResNet来实现对天气环境多变量关联影响下的时序特征挖掘以及对多尺度分量的局部波形空间特征和长时间依赖时序特征的同时挖掘,并对不同类型特征进行综合集成来实现光伏发电功率超短期预测。研究结果表明：所提方法在光伏发电功率超短期预测领域相较于其他深度学习方法预测精度提高了3%以上,说明此方法在光伏发电功率超短期预测领域具有较高的预测精度和较强的泛化能力。     

基于改进麻雀搜索算法优化深度学习网络超参数的短期风电功率预测

提出了一种CNN-Attention-BiGRU网络模型,以及采用ISSA优化网络模型超参数的短期风电功率预测方法。首先,设计CNN-Attention-BiGRU深度学习网络,利用CNN-Attention提取数据特征,再利用BiGRU对时间序列的预测;然后,采用ISSA优化CNN-Attention-BiGRU网络超参数,提高模型的预测精度;最后,采用甘肃省某风电场数据集进行验证该预测方法,结果表明,该预测模型有效地提高了预测精度和输出结果的稳定性。     

火电机组汽轮机系统数字孪生模型研究

以数字孪生为理论指导建立数据驱动孪生模型,通过对机组历史运行数据的分析,利用深度学习中的深度森林算法,合理确定模型的输入输出参数,并采用改进的蝙蝠算法进行超参数优化,构建高精度的数据驱动模型。选取各模型的输出参数,利用相似度函数法预测输出数组与实际输出数组之间的欧几里得距离,实现对故障的准确检测。最后利用数字孪生模型对物理实体进行状态监测和故障检测试验,结果表明借助建立的数字孪生模型和故障检测体系,能准确检测汽轮机系统中加热器管路泄漏和进出水室短路故障,证明了该方法的有效性。     

基于特征筛选和改进深度森林的变压器内部机械状态声纹识别

变压器声纹信号包含大量反映内部机械状态的有效信息。为实现变压器内部机械状态不停电检测,提出一种基于特征筛选和改进深度森林的变压器机械状态声纹识别方法。首先,利用自适应噪声完备集合经验模态分解(CEEMDAN)声纹信号得到本征模态函数(IMF),并通过频谱分析和皮尔逊相关系数对IMF分量进行筛选,得到包含故障信息的IMF分量。其次,利用各IMF分量在频段上的分布情况进行高、低频段划分,依据高、低频段IMF分量的差异性,将高频段IMF分量的时频能量和低频段IMF分量的幅值特性作为特征指标,构成特征向量,输入改进后的深度森林模型,得到10种机械松动状态的声纹识别结果。最后,通过现场试验验证了该方法的有效性。研究结果表明：所提方法对10种机械松动状态的平均识别准确率达99.2%。与传统变压器声纹特征相比,所提声纹特征区分度更高;与传统识别模型相比,所提改进深度森林识别模型复杂度更低,训练速度更快,识别准确率更高。     

基于数据优化的改进深度学习方法光伏出力超短期预测模型

为解决光伏出力超短期预测模型精度不足和运算速度慢的问题,本文提出了一种基于数据优化的改进深度学习方法光伏出力超短期预测模型。首先,为提升模型的计算效率,通过数据预处理和动态指数平滑法对样本数据进行优化;随后,应用卷积神经网络算法(CNN)构建的多阶卷积通道合并运算挖掘不同光伏电场间的时空耦合关系,得到反映多光伏电场光伏出力的融合特征值,将得到的融合特征值作为输入,利用改进深度学习算法进行分析,输出不同天气情况下的光伏超短期预测结果,以提高模型的预测精度;最后,基于实测光伏出力数据进行超短期预测,验证所提模型的有效性和准确性。算例分析表明,所提预测模型相比传统的超短期模型具有计算速度快和预测准确度高的优点。     

基于特征混叠分析与贝叶斯-随机森林的触电辨识方法研究

针对低压配电系统中特征混叠导致生物触电辨识困难的问题,提出基于贝叶斯-随机森林的生物触电辨识方法。首先,对包括非生命体对照组在内五种触电类型的电流波形进行特征分析,研究相同触电特征在不同类别中的混叠情况。其次,通过贝叶斯优化算法对随机森林模型超参数进行寻优,采用bagging方法、使用真实样本对随机森林进行数据拟合,描述了随机森林集成辨识机制的运作方式,以及方法的具体实施流程。再次,在136 802个包含五种类型的测试样本中进行方法验证,总体准确率为96.276%。最后,与现有方法进行对比,验证了所提方法在触电辨识方面的优越性。     

基于多源数据和模型融合的超短期母线负荷预测方法

母线负荷预测对于电网调度运行的安全性和在线分析决策的准确性具有重要的意义。为了进一步提高母线负荷预测精度,提出了一种基于多源数据和模型融合的超短期母线负荷预测方法。结合当前电力大数据,首先将历史负荷数据、日期信息以及天气信息等多类型数据作为预测模型的输入特征,并建立基于BP-ANN(back propagation)神经网络和CNN(convolutional neural network)神经网络融合的预测模型。然后采用BP-ANN提取数值类型和类别类型数据的特征向量,与CNN提取图像型数据的特征向量进行融合,通过多层BP-ANN神经网络进行超短期母线负荷的预测。最后,采用我国某地区220kV变电站高压侧的有功负荷历史数据和该地区天气信息进行实例分析。实验结果分析表明,所提方法能够充分有效利用多源数据和模型融合的特点进行超短期母线负荷预测,相较于BP-ANN和CNN单独模型预测具有更高的负荷预测精度。     

基于继承思想的时变性电力系统暂态稳定预测

从数据驱动的角度研究暂稳预测问题存在模型变迁和样本匮乏的困扰。针对该问题提出了一种基于继承思想的暂态功角稳定预测方法,该方法适用于暂稳数据增量或暂稳镜像变化的电网过渡阶段,填补了现有预测方法的空缺区间。分别针对电力系统暂稳样本增量的数据时变性和暂稳特性变化的暂稳镜像时变性特点,提出可计及现有预测模型参数的深度继承方法,以及可考虑样本与特征集可延拓性的广度继承方法。基于增量学习的深度继承利用新增暂稳样本,计算暂稳预测模型参数的变化量,降低模型更新所需训练时间。基于迁移学习的广度继承建立了源系统与目标系统的特征集与样本集迁移通道,实现目标系统在小样本条件下的暂稳预测模型构建。算例结果表明,该文所提方法能够反映时变电力系统的暂态稳定特性的动态变化,在样本匮乏的过渡阶段,具有速度和精度优势。     

基于多模型级联的轻量级缺陷检测算法

基于深度学习技术的缺陷检测算法往往因为网络参数较多而需要大量的图像样本去训练模型,但是在工业生产过程中缺陷产品数量极少,采集大量缺陷数据图像费时又费力。针对这一难题,本文提出了一种基于多模型级联的轻量级缺陷检测算法,它采用监督学习的训练方式,通过少量缺陷样本就可以获得较好的检测效果。首先,使用CBAM注意力残差模块代替常规卷积层进行特征提取,以聚焦缺陷特征,强化网络对缺陷的表征能力;其次,设计了SE-FPN模块,促进各级特征之间有效融合,提高网络对缺陷的分割效果,尤其是对小缺陷的分割效果;最后,在训练阶段,采用监督学习方式对本文所提的多模型算法网络进行训练。实验结果表明,本文所提算法在KolektorSDD数据集上的检测准确率高达99.28%,每张图像的平均检测时间仅需10.5ms,不但充分满足了工业检测行业高精度、实时性的要求,同时,还能实现对缺陷区域精准定位。因此,本文的研究内容非常适合应用在工业产品表面质量在线检测领域。     

考虑训练样本分布不均衡的超短期风电功率概率预测

提出一种考虑训练样本分布不均衡的超短期风电概率预测方法。首先构建深度信念混合密度网络,通过深度信念网络独特的预训练和微调机制提取输入变量的隐特征,利用Beta混合概率分布的有界性准确表征风电预测功率的概率分布,实现隐特征与预测功率概率分布参数之间的非线性映射;然后引入训练样本分布平滑策略,其中特征分布平滑技术用于校准输入特征,标签分布平滑技术用于对各样本误差赋予差异化权重,从输入和输出两方面改善训练样本分布不均衡现象对预测结果的不利影响。实际算例结果表明,与常见风电功率概率预测模型相比,所提模型在点预测和概率预测方面均能获得较高的预测精度,尤其能有效提高低密度样本区域的预测精度。