气浮-V型滤池工艺在电厂废水处理中的应用

采用预沉淀、气浮、V型滤池过滤工艺对台州电厂四期综合废水进行了处理，处理后出水作为发电厂工业循环冷却水的补水。实践表明，该工艺处理效率高，运行稳定，出水水质达到了电厂工业循环冷却水补水水质要求。     

基于CNN-GRU组合神经网络的变压器短期故障预测方法

为挖掘变压器运行状态参量间的关联关系,量化外部环境对变压器运行状态的影响,提出了一种基于卷积神经网络和门控循环单元组合神经网络的变压器短期故障预测方法。首先,通过关联规则挖掘变压器状态参量间的相关性,结合变权思想进行综合状态评估,引入指数函数建立表征变压器运行状态的故障率模型,并将其作为预测状态参量。其次,考虑外部环境对变压器运行状态的影响,分别从日期因素、气象因素和生产工艺因素构建变压器故障预测特征集。然后,利用卷积神经网络在高维空间提取特征集与故障率间的特征向量,将结果输入门控循环单元进行优化训练,从而预测变压器故障率的发展趋势。最后,通过某海上平台变压器的故障预测趋势分析,验证了所提方法的可行性与有效性。该方法与长短期记忆模型、GRU模型、CNN-LSTM模型和支持向量机模型相比,具有更高的预测精度与更高的预测效率。     

基于深度卷积神经网络的机电系统故障分类识别方法

随着高端装备在工业领域的广泛应用,其运行状态对装备的安全性和产品的性能影响重大,突发故障往往造成巨大的人民生命财产的巨大损失并影响社会的安全稳定。机电系统多处于变转速工作状态,其状态特征信息难以获取,为机电系统的故障诊断和预测带来困难。针对此问题,提出了深度学习的机电系统故障分类识别诊断模型。首先将采集到的关键部位的振动信号进行时频变换转换为时频图构成输入样本;其次将样本输入深度学习神经网络进行特征学习和状态识别;研究了不同变换与深度学习卷积神经网络相结合的方法,应用于某机电系统试验台进行故障状态分类性能对比,实验结果表明该方法为机电系统的故障诊断提供了一种新途径。     

基于深度卷积神经网络的电力系统运行稳定性评估方法

研究了一种电力系统运行稳定性评估深度卷积神经网络算法.利用深度卷积神经网络算法对电力系统运行稳定性评估系统进行技术升级.采用深度卷积神经网络构建多层多列神经网络,对电网稳定性作出评价.系统对特定故障的评价效率显著提升,特别提升了评价判断特异性,减少了因对无故障电网运行状态做出稳定性预警而带来的额外检修工作量.深度卷积神...     

基于时空耦合特性的充电站运行状态预测

提出一种基于时空耦合特性和深度学习模型的充电站运行状态预测方法。首先,基于充电站历史运行数据和所在区域的交通通行速度数据集,利用k-means聚类方法将充电站划分为不同类型,分析充电站运行状态在时间上的特性;建立单个充电站的"偏移量-交通-时间"三维矩阵模型,深度挖掘充电站运行状态与周边交通状况在时间和空间上的耦合相关性。其次,将充电站状态与交通状况的时间滞后相关特性进行空间重构,利用卷积神经网络进行特征提取,通过长短期记忆网络进行时间序列预测,构建基于Keras深度学习框架的充电站运行状态多步预测模型。最后,以20个充电站的真实运行数据进行验证,并与多种预测算法进行对比,结果表明,所提方法具有较高的预测精度。     

基于时空耦合特性的充电站运行状态预测

提出一种基于时空耦合特性和深度学习模型的充电站运行状态预测方法。首先,基于充电站历史运行数据和所在区域的交通通行速度数据集,利用k-means聚类方法将充电站划分为不同类型,分析充电站运行状态在时间上的特性;建立单个充电站的"偏移量-交通-时间"三维矩阵模型,深度挖掘充电站运行状态与周边交通状况在时间和空间上的耦合相关性。其次,将充电站状态与交通状况的时间滞后相关特性进行空间重构,利用卷积神经网络进行特征提取,通过长短期记忆网络进行时间序列预测,构建基于Keras深度学习框架的充电站运行状态多步预测模型。最后,以20个充电站的真实运行数据进行验证,并与多种预测算法进行对比,结果表明,所提方法具有较高的预测精度。     

基于深度循环卷积模型的非侵入式负荷分解方法

电力分项计算是智能电表的一个重要环节,即对接入户线的各个电器设备进行用电消耗检测。对电力公司进行精准预测,提高系统稳定性可靠性,制定调度方案,设计“错峰用电”费率结构,发现设备老化和故障有着重要意义。为了实现电力分项计算,文中提出了一种基于深度循环卷积神经网络的非侵入式负荷分解方法。对目标电器的不同功率状态进行编码,用循环卷积神经网络提取输入负荷总功率的空间时间特征。对输入数据进行归一化提高模型训练速度,用drouput技术降低模型过拟合,用迁移学习技术实现对不同目标电器的功率状态预测建模。并和传统的隐马尔可夫模型进行对比。文中采用公开的redd数据集,结果证明文中所提出的模型能很好预测目标电器的功率状态。     

基于CNN-GRU分位数回归的短期母线负荷概率密度预测

随着分布式电源大规模并网,母线负荷的波动性和不确定性日益增加,给母线负荷预测带来新的挑战。传统的点预测方法难以对母线负荷的不确定性进行描述,为此提出一种基于卷积神经网络和门控循环神经网络分位数回归的概率密度预测方法。该方法通过卷积神经网络提取反映母线负荷动态变化的高阶特征,门控循环神经网络基于提取的高阶特征、天气、日类型等因素进行分位数回归建模,预测未来任意时刻不同分位数条件下的母线负荷值,最后利用核密度估计得到母线负荷概率密度曲线。以江苏省某市220 kV母线负荷数据进行测试,结果表明本文所提方法能够有效刻画未来母线负荷的概率分布,为配电网安全运行提供更多的决策信息。     

基于深度卷积和门控循环神经网络的 传感器运动识别

用于可穿戴传感器的人体运动识别任务的传统机器学习方法通常需要手工提取特征,可以自动提取人体运动数据特征的深度神经网络正成为新的研究热点。目前将卷积神经网络(CNN)和长短期记忆(LSTM)循环神经网络组合而成的DeepConvLSTM在识别精度方面有着优于其他识别方法的表现。针对带有长短期记忆循环单元的神经网络的训练较为困难的问题,提出了一种基于卷积神经网络和门控循环单元(GRU)的融和模型,并在3个公开数据集(ACT数据集、UCI数据集和OPPORTUNITY数据集)上与卷积神经网络和DeepConvLSTM进行了性能对比。实验结果显示,该模型在3个公开数据集上的识别精度都高于卷积神经网络,与DeepConvLSTM相当,但是收敛速度比DeepConvLSTM更快。     

基于改进GMM-CNN-GRU混合的非侵入式 负荷监测方法研究

为挖掘用户侧节能减排潜力，对用户用电行为进行精细化分析和管理，提升电能利用效率，提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法。首先，针对同一电器常出现功率相近但运行状态不一致问题，利用高斯混合模型聚类算法中“软分类”和类簇灵活的优势，对负荷工作状态进行精细分类，形成负荷用电设备实际运行情况的负荷状态特征库。其次，针对常见的应用于非侵入式负荷监测模型的深度神经网络在多标签分类时存在识别精度低等问题，提出卷积神经网络与门控循环单元混合的深度神经网络模型。最后，综合考虑外部环境数据对家庭用户用能习惯的影响，在AMPds2数据集上开展验证分析，并与其他模型进行对比。结果表明，所提的非侵入式负荷监测模型具有较高的准确性。