基于时间序列的用电数据趋势分析

用电数据分析在电力行业有着广泛的应用前景,通过对用电数据进行大数据挖掘,结合相似用户的普遍用电特征,来分析用电数据的趋势,研究基于时间序列的用电数据趋势分析方法,并建立了可回溯的动态窗口分析模型,从用电数据趋势变化的角度出发,揭示用电趋势变化的规律,并利用实际的用电数据对算法进行了验证。     

旋转机械故障诊断的模糊识别

本文利用模糊数学中模糊评判理论，对朝阳电厂￣＃２机发生的振动问题进行了诊断。所得的结论与现场实测结论是一致的，从而证明了运用模糊数学有关理论对旋转机械的故障进行诊断的方法是可行的。     

基于多维特征的电网台区线损数据异常识别研究

随着智能电表及用电管理终端的广泛应用,电网台区相关监测终端每天可收集到海量线损数据,并且可对存在的异常情况进行识别。但是数据噪声对电网台区线损数据的干扰,导致识别的准确率和召回率下降。针对这些问题,提出了一种基于多维特征的电网台区线损数据异常识别方法。该方法首先将电网台区线损数据样本形成对应的二维数据,采用二维小波阈值法进行去噪。根据去噪后二维数据的位置特征以及时间数据特征,对Hasusdorff距离公式进行改进,用以计算电网台区线损数据的多维特征相似度,得到线损数据之间的相似性矩阵。最后将多维Hasusdorff距离应用到层次聚类算法中去识别电网台区线损数据中的异常。仿真实验结果表明,所提方法的准确率和召回率较高。电网台区线损数据异常识别时间较短,满足工程实际使用要求。     

基于时间序列提取和维诺图的电力数据异常检测方法

电力网络中信息系统与物理系统的深度融合,导致现代电力系统易受异常数据的影响。现有的电力数据异常检测方法未能充分挖掘数据特征,存在计算复杂、灵活性差、精度较低等缺点。提出一种基于时间序列提取和维诺图的异常数据检测方法,利用重要点分段的时间序列提取方法,将高维数据进行降维处理,并将其映射到二维平面上,构造维诺图分区,进而检测出异常数据。该方法可降低数据维度和算法复杂度,能根据序列特征灵活设定异常阈值,实现异常数据的准确检测,仿真实验证明所提方法的有效性。     

智能电表异常测量数据诊断方法综述

智能电表作为用电户与电网的信息链接点,能为电网提供用电户的用电习惯和负荷特征等信息,对指导电网合理安排电力负荷、提高电网运行效率具有重要价值。但实际电网中,智能电表获得的大量测量数据中,不可避免地存在一部分由多种原因导致的异常数据,例如用电户或电网中的突发事件、传感器的暂时故障、数据传输或存储故障,甚至人为的网络攻击,等等。如何从智能电表测量数据中辨别、提取、剔除这些异常数据,是准确获取用户负荷信息的关键。针对这一问题,本文在参考国外国内相关文献基础上,对智能电表测量数据诊断方法进行了梳理、归纳和综述,并对不同方法的数学原理、适用范围等进行了比较和讨论。     

基于GAKNN方法的配电站时间序列缺失数据补全方法

配电站时间序列数据从采集、传输到存储的过程中可能出现数据记录缺失的情况,在一定程度上影响高层级的数据分析及处理.针对这一问题,提出一种基于灰色自适应K-最近邻(GAKNN)方法的缺失数据补全方法.首先构建时间序列特征,然后在朴素K-最近邻(KNN)方法的基础上设置阈值筛选最近邻点,并结合灰色关联系数计算近邻点权重系数,最终依次补全缺失数据.以江苏省某市的电力数据样本进行实验,结果表明与其他方法进行对比,基于GAKNN方法的缺失数据补全方法的结果更好,并且补全后的样本在深度学习预测中具有更低的误差.     

基于PMU数据和时间序列模型的发电机参数识别

电力系统动态仿真的精度往往由同步发电机等元件模型及参数的精度所决定。在对同步发电机模型进行时间序列分析的基础上,提出了一套依靠同步相量测量单元对惯性时间常数、发电机转速调节常数以及涡轮调速器的时间常数等发电机动态参数进行识别的方法。该方法首先将发电机的经典模型和摇摆方程统一转换为一个时间序列模型,并利用线形参数辨识方法对此时间序列模型的参数予以辨识;最后通过求解发电机模型参数与时间序列模型参数的等式关系得到发电机的模型参数。对不同功率变化波形进行了仿真试验,按照本文方法计算得出的发电机参数与实际参数一致,验证了本文提出方法的有效性。     

基于时间序列分析的输变电设备状态大数据清洗方法

数据清洗是输变电设备状态评估数据预处理的一个关键步骤,有助于提高数据质量和数据利用率。文中将设备状态信息等效成各状态量的时间序列,提出了一种基于时间序列分析的双循环迭代检验法。首先,将时间序列中的异常数据进行了分类,并将缺失值归纳为其中一类异常值。然后,分析了不同类别异常值对时间序列模型的影响,并阐述了迭代检验法的实现步骤。最后,利用所述方法对南网某变压器和线路的监测数据进行了数据清洗,结果表明该方法能识别并修正数据中的噪声点,填补缺失值,满足数据清洗要求。     

基于方差变化率判据-四分位的风电场功率异常数据识别

风电场运行中产生了数量巨大的历史数据,而提升历史数据的质量是实现风电场高效智能运维的前提。为此,文中分析了风电场风功率数据的分布特征和形成机理,提出基于方差变化率判据-四分位法组合的风电场风功率异常数据识别方法。首先,利用物理规则对原始风功率曲线进行预处理,剔除明显异常的数据;然后,利用风功率方差变化率判据法识别并清洗风功率曲线的堆积型异常功率数据点,判据的阈值借助箱型图自动获取;同时,利用四分位法识别并清洗剩余的离散型异常数据点;最后,通过算例验证了所提算法的可行性。研究结果表明所提算法具有易实现、效率高和通用性强的优点,其异常识别效果优于局部离群因子(local outlier factor,LOF)算法和Thompson tau-四分位算法,其耗时比LOF和Thompson tau-四分位算法分别减少9.6 s和0.49 s,且在5个不同位置的风电场验证了所提算法的通用性。     

考虑时序趋势分析的周期性谐波异常识别

考虑传统对谐波等稳态电能质量异常判别中仅以数值大小与限值对比而未考虑数据变化趋势的局限性,针对存在周期性的谐波运行工况,关注谐波监测数据的趋势变化特征,提出一种考虑时序趋势分析的谐波异常识别方法.首先,通过分段线性化提取主要趋势变化特征,并以模式值表征各段趋势;然后,分别由时序趋势相似性与数值离群占比确定趋势和数值异常...     

一种基于录波启动信息的电网故障诊断特征向量中心性方法

文中提出了一种根据故障录波启动信息进行图信号建模，并基于网络节点特征向量中心性算法的电网故障诊断方法。首先，从继电保护及故障信息主站的故障录波启动信息构建故障启动信息网络图；其次，利用图平滑性分析方法判断电网是否发生故障及识别故障类型；最后，基于网络节点特征向量中心性算法识别故障元件，并进行可视化展示。仿真验证了所提算法的有效性。该方法作为录波智能故障分析的一部分，有助于快速掌握电网故障情况，并有重点地收集录波数据进行故障分析和校核，提高录波分析效率。     

基于改进生成式对抗网络的电网异常数据辨识方法

基于数据驱动的电网异常数据辨识方法已成为电网安全领域研究的重点,由于实际电力发电统计数据中异常数据样本数极少,给通过数据挖掘方法辨识异常数据情况带来了极大困难。文章提出了一种基于Wasserstein生成式对抗网络(Wasserstein generative adversarial networks, WGAN)和孤立森林算法(isolation forest,iForest)的发电统计异常数据辨识方法。首先,利用WGAN交替训练生成器和判别器学习发电统计数据的分布特性并生成样本,用生成异常样本对原始异常样本进行增强,根据异常数据辨识精度确定异常样本的扩充比例;然后,在扩充后得到的平衡数据集上利用孤立森林算法实现异常数据辨识;最后,通过扩充样本前后模型的准确率、查全率以及查准率来比较模型异常数据的辨识效果。算例结果表明,文章提出的异常样本增强方法能够有效地改善辨识模型对于多数类的分类偏好问题,提升整体辨识精度。     

基于多数据融合的电机故障诊断方法研究

电机作为各类电驱设备的主要动力装置,具有结构简单、控制方便、能效高、无污染等优点.在电机运行过程中,受载荷多变、零部件老化、散热条件差等影响,故障频发,进而降低电驱装置的工作效率和稳定性.此外,电机故障种类繁多,各故障的征兆与表现又极其相似,不同故障产生的原因也错综复杂,这极大地提高了电机故障诊断的难度.传统的电机故障...     

基于贝叶斯网络和故障录波数据的电网故障综合诊断方法

电网故障诊断是保证系统安全运行的基础,故障录波系统提供的信息为电网故障的精确诊断提供了重要依据。为了有效利用故障录波数据,并在信息缺失或不确定条件下精确诊断电网故障,研究了基于贝叶斯网络和故障录波数据的电网故障综合诊断方法。通过在故障录波联网系统的主站建立输电网贝叶斯模型,结合从故障录波系统得到的模拟量和开关量数据,从而构成基于贝叶斯网络的电网故障识别模型。将贝叶斯网络得出的高可信度诊断结果融入专家系统的知识库,形成完备的故障诊断专家系统。实例分析表明,可快速并准确地定位故障元件,提高电网故障处理效率。     

基于参数辨识的变压器绕组故障诊断方法的研究

变压器外部故障时,变压器内部绕组的匝数及漏磁通所经磁路均未变化,变压器绕组发生故障时,变压器漏电感肯定会发生变化。通过测量变压器的短路电抗并计算分析,可以判断变压器的绕组故障。参数辨识法诊断变压器绕组故障,即是通过测量变压器三相电压和电流量,采用递推最小二乘法,辨识变压器绕组漏抗,从而判断变压器绕组是否故障。     

基于免疫聚类算法的变压器DGA数据故障诊断方法

提出了一种基于免疫聚类算法的变压器DGA数据故障诊断方法,并通过试验证明了该方法的应用价值。     

基于数据特征增强和残差收缩网络的变压器故障识别方法

为增强深度残差收缩网络对变压器故障特征的学习能力从而提高故障识别精度,文中研究构建了故障特征气体向量配合改进的深度残差收缩网络来识别变压器故障.首先,构建可变软阈值函数消除恒定偏差的影响,利用快速回溯算法加快阈值确定速度的同时确保输出结果的完整性.然后,提出带可变权重的交叉熵函数降低误识别对网络精度的影响,并将构建的特...     

一种基于电气量数据的输电线路故障诊断方法

考虑到开关和保护动作有拒动和误动的可能,提出一种基于电气量信息的输电线路故障诊断方法.该方法首先对广域测量系统(wide area measurement system,WAMS)终端海量报警信息进行数据预处理,滤除无关数据;然后,根据电气量数据确定故障边界域;最后,通过改进的ROC变动率指标函数计算电流突变量速度,找到电流变化速度最大故障区域进行诊断.仿真与实际电网故障综合分析表明,采用此方法能够有效地对故障进行快速诊断,同时节约了数据利用单元,提高了诊断效率.     

基于智能变电站一体化监控系统的数据辨识

在智能变电站一体化监控系统的信息平台上,实施基于基尔霍夫电流定律的数据辨识。利用智能变电站内大量冗余的量测信息,在站内进行拓扑和量测错误的辨识,形成唯一性、一致性较好的基础数据信息。详细讨论了站内数据辨识高级应用的需求分析、整体设计架构、模块架构、功能分析等。算例分析表明,该应用能够快速、准确地辨识出不良数据,提高了模拟量和状态量的准确性,同时具有应用部署方便、软件界面友好、计算速度快等特点,有良好的应用前景。     

基于特征挖掘的电网故障诊断方法

专家系统在应用方面的主要瓶颈是:规则库的维护;推理的速度和准确度的协调。分析了故障信息序列中必有或特有的信息,提出了基于特征挖掘的关联规则挖掘方法。结合电网故障信息的特征,改进了频繁模式(frequent pattern,FP)–算法:考虑了故障信息的特征,如时序和因果关联关系、故障性质、严重故障、稀有故障等因素;增加了规则的或逻辑;改进了FP-树的修剪技术。算例表明该算法能够大量减少无效挖掘,推理速度和准确度显著提高,适用于在线诊断。