基于图注意力和时间卷积网络的风电齿轮箱故障预警方法

针对风电齿轮箱故障预警中数据信息挖掘不充分问题,提出一种基于图注意力和时间卷积网络的风电齿轮箱故障预警 方法。 分别从时间与空间尺度建立各特征点的物理联系,拓宽特征维度以提升故障预警精度。 图注意力网络构建不同数据测 点间的空间拓扑结构,遍历每个节点的相邻节点进行加权求和达到聚合信息的目的;时间卷积网络使用特殊的因果膨胀卷积和 残差网络,扩大感受野,提升时间特征捕捉能力。 以华北某风电场实际数据为例进行验证,结果表明,提出方法能够在故障发生 前 122 h 监测到风电齿轮箱的异常状态并发出预警信号;与其他方法进行对比,提出方法预警时间提前 52~ 63 h,模型预测误差 减小 1. 05% ~ 3. 76%;使用 t-SNE 和概率密度曲线提升结果可解释性。     

基于深度置信网络的电网故障类型辨识

高效可靠的电网故障分类有利于指导调控人员快速排查和消除故障、恢复系统供电,对保障系统安全可靠运行具有重要意义。为了克服浅层智能方法对信号处理技术和人工经验的依赖以及对复杂电力系统特征提取和表达的不足,文中基于故障录波信息,提出一种基于深度置信网络的电网故障类型辨识方法。直接以故障发生后的各相电流/电压以及零序电流/电压作为网络输入,从原始时域信号中自动学习和提取故障状态特征,从而实现故障类型的辨识。IEEE 39节点仿真系统案例和电网实际故障案例均表明该方法具有良好的故障特征提取能力,在数据降维过程中能保持数据原本的特征,且辨识结果不受过渡电阻、故障时刻、故障位置、负荷大小等因素的影响,与传统人工神经网络模型相比其识别准确率更高。     

基于注意力时间卷积网络和双向门控循环单元的轴承故障诊断

针对传统特征提取方法依赖人工经验以及传统神经网络未充分利用时间序列信息的问题,首先通过时间卷积网络的空洞因果卷积、随机丢弃层和残差结构跨时间步提取不同振动信号的特征;然后引入注意力机制获取关键信息,实现特征优化选择;再利用双向门控循环单元捕捉长期依赖关系;最后通过归一化指数函数进行故障分类。实验结果表明,在不同训练样本比例下,该方法的识别精度高于一维卷积神经网络、双向长短期记忆网络、双向循环神经网络;用该方法能够有效识别轴承故障类型,且模型的泛化能力较强。     

基于时间卷积网络的模拟电路故障诊断方法

对模拟电路故障诊断中的故障特征提取进行了研究,引入了卷积神经网络模型,提出了一种基于时间卷积神经网络的模拟电路故障诊断方法,在四阶Butterworth低通滤波器电路上分别对不同深度的时间卷积网络进行分类对比实验,实验结果证实了深度时间卷积网络在故障特征提取中的有效性。同时设计实验对比了时间卷积神经网络、SAE-SOFTMAX、深度信念网络和长短期记忆网络的特征提取能力,结果表明,时间卷积神经网络模型在模拟电路故障诊断中能够提取出更能反映数据本质的特征,取得更好的诊断准确率。     

基于注意力机制和卷积神经网络的配电网拓扑辨识

针对当前配电网拓扑变化频繁,拓扑结构实时获取困难等问题,文章提出基于注意力机制和卷积神经网络的配电网拓扑辨识方法。首先利用卷积神经网络挖掘量测信息和配电网拓扑结构之间的关系,学习其映射规则;考虑当前配网中同步相量测量装置(phasor measurement unit,PMU)和微型同步相量测量装置(micophasormeasurementunit,μPMU)等高级量测设备安装数量不足导致获取量测数据质量不高的问题,在卷积神经网络隐藏层中融入注意力机制,以增强模型鲁棒性;通过随机森林算法对特征数据集进行降维,降低模型时、空复杂度;最后,分别基于IEEE 33节点配电网和PG&E69节点配电网开展算例分析,以验证方法的可行性和优越性,并检验利用更少特征进行拓扑辨识的可能性。结果表明：所提方法具有良好优越性和鲁棒性,泛化能力强,在仅提供少量时间断面量测数据情况下便可实现配电网拓扑辨识,且对于辐射网和含环网络同样适用。     

基于CEEMDAN和改进时间卷积网络的短期风电功率预测模型

近年来,风力发电逐渐成为可再生能源发电的关键部分.为了提高风力发电功率短期预测的准确度,提出了一种将自适应噪声完备集成经验模态分解与改进时间卷积网络结合的短期风电功率预测模型.首先,利用CEEMDAN对风电功率序列进行分解,得到子序列分量,并分别与关键气象变量数据构成训练集.然后,使用基于时间模式注意力机制的时间卷积网...     

基于时间卷积和图注意力网络的电力系统暂态稳定评估

准确、快速的暂态稳定评估对电网安全运行至关重要。但现有方法未充分挖掘电网暂态数据的时空特性信息,限制了模型的评估性能。文中提出了一种基于时间卷积网络(TCN)和图注意力网络(GAT)的暂态稳定评估方法。该方法仅以量测母线电压幅值和相角数据作为输入,凭借GAT可以处理图数据并建立电网拓扑连接关系的优点和TCN特有的因果空洞卷积运算特性,自动从暂态数据中提取出空间特征和时间特征,进而实现对系统暂态稳定性的准确评估。此外,采用改进的焦点损失函数作为模型训练目标,可以动态适应训练过程中模型对难易样本的判别界限且自适应处理样本不均衡问题,减少了对失稳样本错分类的现象,同时还提高了全局准确率。IEEE 39和IEEE 145节点系统仿真结果表明,所提方法在响应时间上具有优越性,并且在拓扑变化和数据存在噪声情况下都具有较强的泛化性和鲁棒性,满足在线评估的准确性与快速性要求。     

基于注意力机制-卷积神经网络的配电网单相接地故障选线方法

针对配电网发生单相接地故障的电气量特征难以提取,故障选线准确性与鲁棒性难以保证,给电网安全稳定运行带来巨大隐患问题,提出一种基于注意力(attention)机制-卷积神经网络(convolutional neural networks, CNN)的配电网单相接地故障选线方法。首先,采用S变换将故障各线路时序零序电流数据转化为CNN可识别的二维输入矩阵;其次,在传统CNN分类算法进行故障选线的基础上引入注意力机制,建立了基于Attention-CNN的故障选线新模型;最后,通过仿真数据与工程实际数据验证模型的选线结果,并将所提Attention-CNN模型与同类CNN优化方法在不同干扰条件下的性能进行对比。结果表明,所提Attention-CNN模型能够大幅提高选线效率,减少迭代次数,实现更高效、准确的故障选线,具有较强的实际应用价值。     

基于时间卷积网络与图注意力网络的分行业日售电量预测方法

为控制电力成本及提高电力部门绩效考核能力,需要高效准确地进行日售电量预测。深度学习卷积神经网络常被用于电力数据预测,但由于其输入数据信息量有限,现有模型预测存在上限,致使其存在难以捕捉长时特征等问题。为高效准确地预测日售电量,提出了一种基于时间卷积网络与图注意力网络相结合的分行业日售电量预测方法,搭建了高维度分行业日售电量预测模型。该方法可同时输入多个行业的日售电量,提取反映单个行业时序特征的高维变量,将多个行业的高维变量进行拼接学习,得到各行业之间的影响因素。通过多个行业日售电量的集成增加输入数据的信息量,从而实现各行业的日售电量预测。以中国东南某城市的21个行业日售电量为实际算例,上述方法的平均误差为4.03%。与时间卷积网络、门控循环单元网络、Facebook的Prophet模型、M4冠军模型指数平滑递归神经网络等进行对比,实验表明,所提出的分行业日售电量预测模型具有更高的预测精度。     

基于深度置信网络的柔性直流配电网高灵敏故障辨识策略

针对柔性直流配电网现有保护手段应对高阻接地故障灵敏性较差的问题,提出一种基于深度置信网络(DBN)的柔性直流配电网高灵敏故障辨识策略.该策略利用DBN的特征提取能力对正负极暂态电压时域波形数据进行特征提取,以进行故障辨识.利用仿真采集样本数据对DBN进行训练,获取模型最优参数,形成适用于直流配电网故障辨识的DBN模型....     

基于卷积深度置信网络的配电网故障分类方法

提出一种基于卷积深度置信网络(CDBN)实现配电网故障分类的方法,利用离散小波包变换(DWPT)分解主变低压侧进线电流和母线电压等电量信号并构造时频矩阵,将时频矩阵转换成时频谱图的像素矩阵后作为CDBN的输入,经CDBN自主提取故障特征量,最终完成配电网故障分类识别。应用典型结构配电网的故障仿真数据与故障实验样本进行故障识别测试,结果表明,所提方法不但具有提取故障特征明显、故障分类正确率较高的特点,并且在系统中性点运行方式及网络结构调整、故障起动检测延迟、分布式电源接入等情况下,均有良好的应用适应性。     

基于LoRa技术和GPU加速的台区拓扑辨识方法

传统的台区拓扑辨识方法精确度低,易受干扰,效率低下。针对这一问题,本文提出了一种基于LoRa技术和GPU加速的台区拓扑辨识方法,旨在利用LoRa通讯技术、高性能计算技术以及大数据方法,对于大规模安装的智能电表的数据进行获取和分析,有效辨识台户之间的对应关系。文中采用了基于LoRa技术及“多采统传”协议压缩技术的海量高密度数据获取的方法,有效加强了数据的快速获取。同时,利用GPU并行加速的灰色关联分析法实现数据分析,有效提高了算法效率。算例测试表明,本文的台区拓扑辨识方法准确度高、计算效率高,具有工程应用的价值和潜力。     

基于图注意力网络算法的电网连锁故障关键线路辨识

快速、准确识别电网中对连锁故障发展具有助推作用的关键线路,对避免大停电事故发生具有重要作用。该文提出一种基于图注意力网络(graph attention network,GAT)算法的电网连锁故障关键线路辨识方法。首先,分析连锁故障传播机理和关键线路特征,采用运行可靠性模型仿真模拟连锁故障,依据风险理论定义关键线路。其次,利用GAT算法建立关键线路辨识模型,考虑到计算稳定性、样本均衡性等问题对辨识结果的影响,设计了多头注意力机制、带权重交叉熵损失函数等,完善优化模型。最后,构造运行场景-关键线路样本集,对辨识模型进行训练、验证与测试。IEEE39节点系统和实际电网算例仿真表明,所提方法显著提高了新场景下连锁故障关键线路辨识的准确性和速度,具有一定的应用前景。     

基于卷积块注意模型的YOLOv3输电线路故障检测方法

针对航拍巡检图像中待检测目标易受复杂背景和部分遮挡影响而造成传统算法难以准确检测的问题,提出一种基于卷积块注意模型的YOLOv3输电线路故障检测方法.首先,在YOLOv3算法框架中融合卷积块注意模型来提升图像中故障目标区域的显著度;然后,通过引入高斯函数对非极大值抑制方法进行改进,降低存在部分遮挡目标的漏检率;其次,采...     

基于CNN-LSTM-Attention的配电网拓扑实时辨识方法

配电网中准确的拓扑结构辨识对运行和控制具有重要意义,针对实际配电网拓扑结构变动的情况,搭建了可智能辨识配电网拓扑结构的深度学习模型。首先,生成不同拓扑结构下的配电网量测数据并进行数据预处理。其次,构建了融合CNN（卷积神经网络）、LSTM（长短期记忆网络）和Attention（注意力机制）的拓扑结构智能辨识模型,并结合历史量测数据对模型训练并测试。最后,在IEEE 33节点和PG&E69节点配电系统仿真算例中,验证了该基于CNN-LSTM-Attention模型的拓扑辨识方法相较于传统辨识方法在辨识精度上的优越性,实现了该模型的在线应用。     

基于特征融合的全卷积网络极化SAR分类方法

极化合成孔径雷达可以工作在多个极化方式下,综合利用多种极化回波数据实现地物分类是极化数据处理的一个重要应用。目前将卷积神经网络应用于极化地物分类领域仍存在相应问题,包括多维极化分解特征信息给网络带来的信息冗余与维数灾难,逐像素切片预测导致分类效率低下。针对以上问题,本文提出了一种基于特征融合的全卷积网络模型。首先,设计两路编码层分支的全卷积网络结构,分别针对极化分解特征与极化散射特征提取深层特征,实现多维特征信息分离。然后采用注意力特征融合机制实现两路分支的特征融合,通过共享连接层学习通道注意力权值,重新分配网络的学习能力。此外引入改进的空洞空间金字塔模块,以提升模型的多尺度预测能力。实验结果表明：算法在两个不同地区的极化数据集的总体分类精度分别达到96.43%与99.60%,预测耗时分别为17.3s与10.1s。在不显著增加预测耗时的同时提升了分类精度,验证了算法的有效性。     

基于三维卷积神经网络的配电物联网异常辨识方法

由于配电物联网中电力网与通信网高度耦合,单一网络的异常状态会交互作用至另一网络,可能进一步造成异常范围扩大,而单独采用电力网或通信网的异动信息难以全面、准确地辨识配电物联网异动源的类型和位置。因此,提出一种基于三维卷积神经网络(3D-CNN)的配电物联网异常类型辨识及定位方法。首先,分析了配电物联网通信流量特征并构建了基于Simulink和OPNET的配电物联网交互仿真模型;其次,提出了一种面向3D-CNN的样本构建方法,将配电物联网中每个节点的电气量和通信流量信息组成一个特征子像素,进而将配电物联网每个时刻的状态表示为一幅特征帧画面,形成隐含配电物联网异动过程的立方样本矩阵;随后,构建了包含三维特征提取网络和层级softmax分类器的深度学习模型,通过提取和辨识立方样本矩阵中隐含的异常信息,可以同时实现配电物联网异常类型和位置的判定;最后,利用IEEE 33节点配电物联网异常数据对模型进行测试,结果表明,所提方法可以对电力网短路故障、通信中断故障、通信数据异常引起的保护误动和拒动进行精确的分类及定位。     

基于自适应概率学习的配电网故障辨识技术

为了提升配电网故障辨识准确率,提出了一种基于自适应概率学习的早期故障诊断方法。该方法通过波形分解和最大化特征相似性找到最佳线性映射,将仿真数据和真实数据映射至同一特征空间,且在此空间中两者分布差异最小,之后即可使用仿真数据训练模型并对真实数据进行分类,从而解决配电网故障辨识中样本量不足这一重要问题。基于系统仿真数据和现场实际数据表明：所提方法对于自适应学习条件下早期故障诊断的可靠性和准确率,远优于同等条件下的卷积神经网络、支持向量机和K邻近算法等常用分类模型;为自适应学习条件下的配电网故障辨识技术提供了一种新的思路。