【摘 要】
：
海量的量测数据为基于数据驱动的暂态稳定预测方法提供了基础,然而故障态样本固有的不平衡性质影响了该类方法的性能.针对暂态稳定预测的样本不平衡问题,提出了一种基于改进深度卷积生成对抗网络(DCGAN)的样本增强方法,通过生成器和判别器交替对抗训练生成全新有效的失稳样本作为原始训练集的补充.离线训练时,采用深度置信网络作为分类器,采用扩充后的样本集对其进行训练,有效提高了模型对失稳样本的识别率;在线应用时,当系统发生预料之外的变化,采用样本迁移和模型微调技术更新离线模型,进一步对迁移之后的失稳样本进行增强,显著
【机 构】
：
北京交通大学电气工程学院,北京市 100044
论文部分内容阅读
海量的量测数据为基于数据驱动的暂态稳定预测方法提供了基础,然而故障态样本固有的不平衡性质影响了该类方法的性能.针对暂态稳定预测的样本不平衡问题,提出了一种基于改进深度卷积生成对抗网络(DCGAN)的样本增强方法,通过生成器和判别器交替对抗训练生成全新有效的失稳样本作为原始训练集的补充.离线训练时,采用深度置信网络作为分类器,采用扩充后的样本集对其进行训练,有效提高了模型对失稳样本的识别率;在线应用时,当系统发生预料之外的变化,采用样本迁移和模型微调技术更新离线模型,进一步对迁移之后的失稳样本进行增强,显著提高了暂态稳定自适应评估的迁移速度和在新场景下失稳样本的识别率,使得评估结果更加可靠.在IEEE 39节点系统和IEEE 140节点系统上的实验结果验证了所提方法的有效性.
其他文献
架空输电线路杆塔所处环境复杂,传统方法中假设的标准样本与实际样本分布一致的前提遭到破坏,导致单一的识别模型在不同环境下对杆塔异常振动识别准确率降低.为改善识别模型偏差问题,文章提出一种基于领域适配深度迁移学习的杆塔异常振动识别方法.通过一维卷积神经网络实现不同环境条件下异常振动信号的自动特征提取,并引入迁移学习,实现复杂环境下异常振动的准确识别.所提方法通过优化场景差异性正则化损失函数,缩小复杂真实场景与典型场景间的分布差异,获得有效的领域适配模型.实验结果表明,所提方法能明显改善复杂环境下输电杆塔异常振
随着能源互联网的不断发展,多种能源新兴业务(充电桩/站、源–网–荷–储、无人机巡检和新能源并网等)不断涌现.现有的能源互联网通信体系,业务侧和主站侧之间一般采用单一的通信架构进行信息传输,这种体制难以保证多种业务融合下仍具有较高通信质量和可靠性.针对这一问题,文章将无线多天线的空时分组编码技术(Space-Time Block Code,STBC)应用于能源互联网多通道异构通信系统中.业务侧数据通过STBC编码增加多通道的信息冗余;接收端采用多通道分集合并接收,提升能源互联网中的通信传输性能.仿真分析了采
知识图谱具有良好的知识表达能力和解释性,是人工智能领域的一个重要分支,将其应用于电力设备健康管理,可有效整合设备全生命周期的数据,形成以知识为导向的新型运维管理模式.首先,文中系统地梳理了开放领域知识图谱构建方法,针对其中的关键技术和难点问题进行了详细阐述,并结合电力设备健康管理知识图谱的特点,论述了知识图谱的构建过程;然后,结合现有工作,明确了知识图谱在电力设备健康管理中的应用场景,并分析了当前健康管理领域对知识图谱技术的需求;最后,对未来知识图谱在能源电力设备健康管理中的应用前景做了展望.
针对老旧录波器无有效的安防整改措施而不得不脱网运行的现状,以及海量录波数据共涌造成的主站系统运行负担过重的问题,文章提出了一种基于录波器合规并网的数据分层治理和安全防护架构.利用规范化部署的合规并网装置解决脱网录波器合规并网问题,设计录波数据分层治理架构,应用基于变分模态分解样本熵和核极端学习机的录波数据预诊断技术进行故障初判,采用基于动态访问控制和加密传输的信息安全防护技术进行故障信息的安全传输,利用合规并网装置与录波器连接距离短的优势进行定制业务协同提高主站整体性能.实验结果表明,该方法可实现95％的
随着光伏发电在微电网中的渗透率不断提高,其发电出力的不确定性和时变性为微电网的经济运行带来了挑战.在构建经济调度模型时,就需要适当模拟不确定变量并相应地发展高效求解算法.在此背景下,文中提出能够有效计及不确定性因素的深度强化学习算法,以实时求解微电网的优化运行问题.首先,采用马尔可夫决策过程对微电网优化运行问题进行建模,用实时奖励函数代替目标函数和约束条件,利用其与环境互动,寻找最优策略.其次,借助贝叶斯神经网络对不确定的学习环境建模,进而在马尔可夫决策过程中有效考虑状态转移的随机过程.为此,提出双深度期
基于共享模式的储能交易模式可有效降低投资成本与使用成本,其所依赖的去中心化以及去信任化的特性与区块链的交易特性相符合.提出一种点对点交易下兼具储能共享和电能自营模式的储能聚合商交易模型,所有的用户交易匹配均通过智能合约进行,单交易周期内同时进行储能租赁和电能购售,缩短了链上用户的交易周期.此外,针对链上用户的违约行为,分别建立了违约惩罚模型和被违约补偿模型.最后,基于Remix和MATLAB的仿真结果表明,该交易模型在便利性和经济性的提升上具有可行性和有效性.
园区综合能源系统(PIES)是用户侧多能耦合与供应的典型应用之一,其优化配置对提高规划经济性和能源利用效率具有重要意义.在此背景下,提出一种考虑最优建设时序和云储能的PIES优化配置方法.首先,给出综合能源背景下的云储能机制概述以及含云储能的PIES结构,并对PIES的建设时序集合进行分析.接着,构建考虑最优建设时序和云储能的PIES双层优化配置模型,上层制定PIES的优化配置方案并传递给下层,下层根据上层的配置方案求得PIES优化运行策略并将PIES总运行维护成本反馈给上层.然后,运用Karush-Ku
为有效解决风电出力不确定性导致的机组组合问题,基于非参数核密度估计风电功率预测误差概率密度分布,提出一种日前-实时阶段的双层优化模型.首先,基于风电功率预测误差概率密度分布,构建风电功率上下波动域.其次,建立非参数核密度估计风电最佳置信水平的双层优化模型,上层以风电-火电协同运行成本最小为目标,下层以风电和火电输出功率控制偏差最小为目标,并通过CPLEX求解器进行模型求解.最后,在改进的IEEE 30节点和改进的IEEE 118节点系统中,采用中国新疆地区某风电场实际数据进行验证.实验结果表明,文中所提模
为降低鲁棒优化方法的保守性和随机优化方法的复杂性,增强电力系统应对偶发线路故障扰动的能力,提出了一种分布不确定性条件下的N-k安全准则的分布鲁棒机组组合模型.根据有限历史样本数据,在满足一定置信水平的条件下,基于非精确Dirichlet模型方法构造包含真实N-k故障概率分布的模糊集,用以描述输电线路故障概率分布的不确定性.首先,通过对模糊集中最劣概率分布的辨识,将原始的分布鲁棒优化调度问题转化为确定性概率分布条件下的两阶段鲁棒优化决策模型.然后,采用列与约束生成算法对模型进行处理,利用Big-M法、分段线
随器量测是能源互联网发展背景下低压电网新型感知量测业务的下沉.文章以隧穿磁阻材料为基础,研究了应用于随器量测场景的电流传感器技术,开展了传感器整体架构、聚磁系统、信号处理电路、低功耗供电单元和小型化结构的设计,并根据应用需求开展了环境适应性设计.试验结果表明,所研制的随器量测电流传感器在 ±25 A测量范围内的输出线性度良好,最大误差不超过1％,传感器在1 kHz范围内幅频响应误差在1％ 以内.所研究的传感器具有高灵敏度、小型化、高集成度的优点,能够为配电侧新型感知业务提供量测基础,进而为能源互联网数字化