SMG全媒体建设思考与实践

互联网的快速发展和应用普及,新兴媒体的涌现,给传统媒体带来了前所未有的冲击和挑战。如何适应新媒体的发展,如何向全媒体转型,将是传统媒体亟需解决的首要问题。SMG近年来在新媒体方面进行了积极的尝试和探索,目前在正通过不断完善自身产业布局,整合优势资源,实现规模效益,努力转型成为一个综合性的全媒体集团。     

计及漏判/误判代价的两阶段电力系统暂态稳定预测方法

基于人工智能的电力系统暂态稳定预测方法会出现漏判（将失稳样本错误分类成稳定样本）和误判（将稳定样本错误分类成失稳样本）的现象,使得该方法不易在工程实践中应用。为此,文中基于集成卷积神经网络（CNN）提出了一种计及漏判/误判代价的两阶段电力系统暂态稳定预测方法。在第1阶段,利用滑动时间窗输入特征训练得到不同响应时间层次的集成CNN模型,建立各层输出结果的可信度指标,将可信度阈值优化选择问题转化成多目标优化问题,最大限度地减少甚至消除漏判,并尽可能早地输出可信度高的样本;在第2阶段,对分层预测阶段预测的失稳样本采用多判据融合的紧急控制启动策略,尽可能减少误判所带来的实际损失。仿真算例分析表明,文中所提方法可以以最小代价最大限度地减少甚至消除漏判,以提高人工智能暂态稳定预测结果在工程上应用的可能性。     

期货交易数据的关联分析

针对数据挖掘技术在期货交易数据中的应用,通过关联规则分析期货价格和客户行为.首先预处理原始期货交易数据并提取符合挖掘目标的数据,再通过改进的Apriori算法挖掘预处理后的数据.根据用户给定的最小支持度和最小置信度对挖掘结果生成强关联规则,并以文本形式显示.根据简单的规则说明,用户可以很好地理解规则的含义.     

基于深度残差网络的电力系统暂态电压稳定评估

随着人工智能技术的发展,基于数据驱动的深度学习方法可兼顾在线评估的快速性与准确性。通过分析电力系统的电压时序信息,构建暂态电压稳定裕度指标。基于实时获取的广域测量信息,选择代表潮流水平的稳态信息、代表故障冲击程度的故障瞬间信息以及代表故障持续进展的滑动信息构建半固定半滑动的异构样本集,基于深度残差网络构建暂态电压稳定评估模型,分别输出系统的暂态电压稳定评估结果、各监测母线的暂态电压稳定评估结果以及电压稳定裕度信息,为在线监控提供指导。在计及高压直流输电和风电接入影响的改进中国电科院36节点系统进行仿真验证,结果表明,该方法无需接收保护设备的故障切除时间信息,可在故障切除时刻之前给出高精度的评估结果,具有较高的实时性和准确性。     

基于深度学习的电力系统暂态功角与暂态电压稳定裕度一体化评估

随着面向高比例可再生能源新型电力系统的转型,系统运行特性日趋复杂。暂态功角稳定(transientangle stability,TAS)与暂态电压稳定(transientvoltagestability,TVS)问题相互耦合且频发,为系统安全稳定评估带来严峻挑战。研究首先采用变步长二分法通过调用PSASP从时间维度上构建了暂态电压与暂态功角的稳定边界。研究了不同故障位置、感应电动机占比、负荷率对稳定边界的影响并依托边界确定主导失稳模式。其次提出一种基于注意力机制与一维卷积神经网络融合的电力系统功角稳定及电压稳定裕度评估的新方法。该方法直接面向测量数据,将节点稳态与暂态运行的电压幅值、有功功率、无功功率数据作为输入特征,节省了数据处理时间。通过一维卷积神经网络构建输入特征与极限切除时间的映射,利用注意力机制进一步提高了模型预测效果。通过新英格兰IEEE39节点系统进行分析验证,结果表明该方法可以实现暂态安全裕度的快速评估且具有较高的预测精度。     

汽轮机转子的传热分析和热应力计算

详细给出了某300MW机型的汽轮机转子温度分布计算方法,推导了应力计算模型并定义了有效温差的概念,由此可将汽轮机应力控制问题转化成有效温差的控制问题,对实际应用具有重要意义。     

基于深度残差收缩网络的电力系统暂态频率安全集成评估

在我国能源结构加速转型、力争实现“双碳”目标的背景下，传统电力系统也将迎来结构性的转变。其中由于可再生能源的随机性、不确定性和低惯量等特性，大规模新能源并网带来的一系列影响使得电力系统的频率安全问题日益突出。而传统的时域仿真方法在进行评估时有运算量大、计算时间长等缺点，故难以实现实际电力系统灵活多变的运行方式和大量量测数据下的快速评估。为实现对系统频率安全的快速评估，提出一种基于深度残差收缩网络(deep residual shrinkage network,DRSN)的电力系统暂态频率安全集成评估方法。深度残差收缩网络在深度残差网络的基础上引入注意力机制，能够增强有用信息并抑制冗余信息。在此基础上，将样本按最大频率变化率进行划分，并分别采用DRSN网络进行训练构建集成模型。通过引入风电的新英格兰39节点和118节点系统上的仿真结果，表明所用方法与传统深度学习方法相比精度更高，并有着优异的泛化性、鲁棒性和适用性。