多不良数据的相关量测检测方法

对于一个给定的电力系统和量测系统,量测量之间的线性相关关系可以用拓扑方法确定。本文推导了具有这种相关关系的量测量之间的线性表达式,并提出一种新的多不良数据检测方法。在电力系统状态估计中,通过相关量测量之间的直接校核,使检测相关多不良数据的可靠程度大大提高。     

基于核函数极限学习机的微电网短期负荷预测方法

针对以单个或集体用户为业主的用户侧小容量微电网,考虑到成本约束及用电特征的不确定性,提出了一种基于核函数极限学习机的微电网短期负荷预测方法。使用核函数极限学习机、启发式遗传算法和分时训练样本,建立了包含离线参数寻优与在线负荷预测的预测模型;通过模型参数的周期更新来保证算法最优参数的时效性,同时降低在线预测系统的计算复杂度与历史数据存储量。通过对不同容量、类型的用户侧微电网进行短期负荷预测,分析了预测结果的准确度、参数周期更新的效果、预测结果对经济运行的影响和预测方法的计算效率。     

基于GSA的电力系统不良数据辨识算法

随着数字化技术在电力系统中的广泛应用及对电力系统运行可靠性要求的不断提高,不良数据的辨识显得越来越重要。目前广泛应用的状态估计法,存在残差污染等缺点。论文研究了建立在神经网络和聚类分析基础上的GSA不良数据辨识算法,该算法运用神经网络完成对测量数据的预处理,然后由GSA算法对聚类分析后的结果进行判断,完成不良数据的辨识。论文借助M atlab及C语言对GSA算法进行了仿真,通过一个具体的网络不良数据辨识将此算法与状态估计算法进行了比较,验证了该算法的有效性及实用性,有效地避免了不良数据的漏检、误检。     

基于GSA的电力系统不良数据辨识算法

随着数字化技术在电力系统中的广泛应用及对电力系统运行可靠性要求的不断提高,不良数据的辨识显得越来越重要.目前广泛应用的状态估计法,存在残差污染等缺点.论文研究了建立在神经网络和聚类分析基础上的GSA不良数据辨识算法,该算法运用神经网络完成对测量数据的预处理,然后由GSA算法对聚类分析后的结果进行判断,完成不良数据的辨识.论文借助Matlab及C语言对GSA算法进行了仿真,通过一个具体的网络不良数据辨识将此算法与状态估计算法进行了比较,验证了该算法的有效性及实用性,有效地避免了不良数据的漏检、误检.     

基于改进GSA算法的电网不良数据检测与辨识

基于改进间隙统计算法(GSA),对电力系统的数据进行挖掘,完成电力系统不良数据检测、辨识。以实际电网的实时数据为基础数据和测试数据,采用Matlab编写算法程序,并考虑多种含不良数据的情况进行仿真分析,验证了算法的正确性和有效性。     

基于长短期记忆网络的PMU不良数据检测方法

同步相量测量单元(Phasor Measurement Units, PMUs)因其同步性、快速性和准确性,已成为复杂电力系统状态感知的最有效工具之一。但是,现场的复杂环境导致PMU数据存在数据丢失、数据损坏、同步异常、噪声影响等质量问题,严重影响其在系统中的各类应用,甚至威胁电网安全稳定运行。提出了一种基于长短期记忆(Long Short-Term Memory,LSTM)网络的PMU不良数据检测方法。首先分析了LSTM在不良数据检测中的优势。然后基于LSTM网络对时间序列选择记忆的特性,构造了一种双层LSTM网络架构,提出了对原始数据的分解重构方法。在此基础上,定义了两种目标函数,以获得不同的误差特征。提出了一种基于决策树的不良数据阈值确定方法,实现了不良数据的有效检测。通过大量仿真与实测数据验证了该方法的可行性和准确性,可提高PMU数据质量,使其更好地应用于电力系统的各个方面。     

电力系统不良数据检测与辨识方法的现状与发展

电力系统不良数据的存在会降低电力系统状态估计的收敛性能, 甚至造成电力系统状态估计的失败。回顾了国内外对电力系统不良数据检测与辨识方法的历史现状与发展,从对检测和辨识不良数据的各种方法研究的时间顺序以及类别上出发,将其分成基于传统方法和基于新理论方法这两大类并对其分别进行了详细阐述,分析了各个算法的自身特点以及存在的问题,并对该领域值得进一步研究的问题和方向进行了展望。     

电力系统不良数据检测与辨识方法的现状与发展

电力系统不良数据的存在会降低电力系统状态估计的收敛性能, 甚至造成电力系统状态估计的失败.回顾了国内外对电力系统不良数据检测与辨识方法的历史现状与发展,从对检测和辨识不良数据的各种方法研究的时间顺序以及类别上出发,将其分成基于传统方法和基于新理论方法这两大类并对其分别进行了详细阐述,分析了各个算法的自身特点以及存在的问题,并对该领域值得进一步研究的问题和方向进行了展望.     

RN检测与状态预估相结合的不良数据检测辨识法

本文将RN检测法与状态预估检测辨识法相结合,提出了一种新的不良数据的检测辨识方法,该法先用RN检测法来判断是否有不良数据的检测辨识方法,该法先用RN检测法来判断是否有不良数据测点存在,若有,再用状态预估辨识哪些测点存在不良数据,将不良数据测点的量测值换成其状态预估值再进行一次状态估计,该法既克服了RN检测法存在的残差污染,残差淹没现象,又解决了状态预估检测辨识法不能区分不良数据与突变量的问题,用FORTRAN77语言编写程序,对18节点系统进行了数字仿真实验,得到了在无不良数据,有不良数据,有突变量等情况下的检测辨识结果,验证了本文介绍的检测辨识方法的有效性。     

基于S变换和ELM的变压器绕组应变检测识别

目前变压器绕组应变监测主要分为离线检测和在线检测,由于受现场复杂电磁环境的干扰,在线检测并未得到广泛应用,离线检测虽技术较为成熟,但无法准确判断绕组应变形式。基于以上问题,文中提出了基于分布式光纤传感的变压器绕组应变检测方法,并提出了基于S变换和极限学习机(ELM)的绕组应变识别方法。首先模拟变压器运行过程中绕组可能出现的变形形式,采集相应的布里渊频移;然后通过S变换对应变信号进行时频分析,提取变换后的时频特征量作为神经网络的输入样本,采用极限学习机(ELM)进行训练识别。实验分析表明,该方法能够有效识别常见绕组变形形式,识别效果较好,准确率高。     

一种基于 DBSCAN 随机圆检测的多瓶口定位算法

现有医药灌封生产中的西林瓶瓶口定位方法易受瓶口边缘干扰的影响,导致瓶口圆中心定位不准确.对此,提出一种基于DBSCAN随机圆检测的多瓶口定位算法.首先,通过Canny边缘检测算法得到图像中所有轮廓,采用基于密度的DBSCAN聚类算法分割出感兴趣的瓶口边缘集;接着,针对每个单独的瓶口边缘集,采用最小二乘法和径向扫描获取瓶...     

基于互近似熵的微电网并网同步检测方法

针对经典的微电网并网同步检测方法需同时比较两侧电压相位、 幅值和频率的繁琐过程,提出基于互近似熵的微电网并网同步检测方法。该方法只需利用单一的互近似熵值就能比较并网开关两侧电压的相似度。分析基于互近似熵的微电网并网同步检测方法的原理和优势,研究微电网并网同步检测方法中互近似熵参数取值等关键问题,进而具体介绍基于互近似熵的微电网并网同步检测方法的实现步骤。最后在Matlab中搭建微电网通过断路器并入配电网的简化模型,仿真微电网开关两侧电压相位、 幅值和频率变化时的互近似熵值。仿真结果证明了该方法的有效性。     

基于优化极限学习机的直流微电网并网等效建模

针对直流微电网的并网建模问题,提出了一种基于优化极限学习机的直流微电网并网等效建模方法。以直流微电网并网接入点的电压和功率数据分别作为极限学习机的输入和输出,构建基于极限学习机的直流微电网并网等效模型。由于极限学习机在初始化过程中,输入权值和隐层阈值随机设定且不再改变,会导致极限学习机建模缺乏自适应性,影响建模精度。利用鲨鱼气味优化算法对极限学习机的输入权值和隐层阈值进行优化,进一步提高建模精度。鲨鱼气味优化算法通过模拟鲨鱼捕猎过程进行寻优,通过气味粒子浓度引导鲨鱼位置的更新,是一种效率极高的优化算法。通过与微电网的实际仿真模型对比,验证了建模方法的合理性和准确性,说明所提方法具有较好的实际应用价值。     

基于EMD和ELM的低压电弧故障识别方法的研究

针对低压配电线路负载端电弧故障电压具有较强的信号奇异性波形特征,利用低压串联电弧故障实验平台,采集若干典型的低压配电线路负载端故障电弧电压信号进行分析。采用经验模态分解(empirical mode decomposition,EMD)有效地提取反映电弧故障信号局部特性的本征模态函数(intrinsic mode function,IMF)分量,经分析IMF分量的方差贡献率确定前5阶IMF用于表征各类负载电弧故障主要特征信息,提取前5阶IMF分量能量比为特征向量作为极端学习机(extreme learning machine,ELM)的输入向量,建立不同负载电弧故障识别模型。实验与仿真结果表明,基于EMD分解和ELM相结合的故障电弧诊断方法,在有效提取不同负载电弧故障特征的基础上,实现了不同负载电弧故障的识别。     

一种基于Spark和聚类分析的辨识电力系统不良数据新方法

随着电力系统智能化建设的不断深入和推进,电力系统数据呈现海量化、高维化的趋势。针对电力系统中的不良数据将导致电力系统状态估计结果的准确性降低,而传统聚类算法处理海量高维数据时单机计算资源不足,近年来较流行的MapReduce框架不能有效处理频繁迭代计算等问题,提出一种基于Spark的并行K-means算法辨识不良数据的新方法。以某一节点电力负荷数据为研究对象,运用基于Spark的并行K-means聚类算法提取出日负荷特征曲线,分别对输电网状态估计中的不良数据进行检测和辨识。选用EUNITE提供的真实电力负荷数据进行实验,结果表明此方法能有效提高状态估计结果的准确性,与基于MapReduce框架的方法相比,具有更好的加速比、扩展性,能更好地处理电力系统的海量数据。     

基于负荷预测与关联规则修正的不良数据辨识方法

随着电力系统的快速发展,使得电网需要对海量、异构和多态的数据进行分析与辨识。传统的不良数据辨识方法辨识效率较低,且不能够高效率利用已知的全部数据信息。为解决此问题,提出了一种基于负荷预测与关联规则修正的不良数据辨识方法。根据数据量之间的内在联系,给出了一种三维矩阵的数据存储方法。建立基于回归分析法的预测模型与基于灰色关联的相关性分析模型,分析节点注入功率与温度之间的变化关系,并采用关联规则与特殊断面修正法对预测值进行修正,进而完成对注入功率的辨识。在此基础上,再通过基尔霍夫定律与残差辨识法完成对支路潮流数据的辨识工作。最后应用实际系统的仿真算例证明了该方法能够在克服残差污染和残差淹没现象的前提下准确辨识出全部的不良数据。     

基于优化 ELM 的光纤连接器表面自识别降噪技术

光纤连接器的表面检测属于精密仪器检测,因此工厂环境中的大量灰尘会影响连接器表面的复原效果。然而现有的检测技术运行时间长,对于图像细节的保留能力差,并且难以克服实际工作环境中的干扰。因此提出一种优化超限学习机的自识别降噪技术。首先对于干涉数据进行降维处理;其次,采用AdaBoost算法优化超限学习机对噪声点进行定位;最后通过滤波算法对噪声点位置进行修复。实验得出,基于AdaBoost-Elm的自识别降噪算法具有较高的噪声识别能力,其平均噪声识别率达97.33%。此外,采用基于AdaBoost-Elm降噪算法得到BBS的平均值为131.14,NRIQAVR的平均值为2.61,降噪效果均优于全局滤波算法。最后,通过模拟工厂环境,采用基于AdaBoost-Elm的中值滤波算法在不同光强条件下对重度污染的光纤探头进行3D复原测试,其BBS达到130左右,NRIQAVR低于2.57,对比基于Elm的中值滤波算法具有明显优势。     

基于CEEMD-RSVPSO-KELM的用户侧微电网短期负荷预测

用户侧微电网负荷随机性强,短期负荷的预测精度对微电网的正常运行起着重要作用。提出了一种基于互补集成经验模态分解(CEEMD)和区域划分自适应变异粒子群(RSVPSO)算法优化核极限学习机(KELM)的负荷预测模型。采用互补集成经验模态分解将负荷序列分解为多组平稳的子序列,以减小不同局部信息之间的相互影响。针对粒子群算法易早熟和收敛速度慢的问题,利用区域划分来实现惯性权重和学习因子的自适应调整,提高粒子的全局寻优能力和搜索效率,并结合自适应变异操作避免陷入局部最优,加强核极限学习机预测精度。最后通过案例验证,所提模型的预测准确率约为98.114%,较其他预测模型具有更好的预测效果和实际应用意义。