基于Q学习的超超临界机组协调系统模型预测控制研究

超超临界机组具有多输入多输出、非线性严重、耦合强、时滞大的特点,其控制系统的设计要求是在保证系统稳定运行的同时,最大限度地提高机组的热效率和功率输出、快速准确地调节机组负荷、确保机组主蒸汽压力和温度在允许范围。通过调整系统模型以及阶段成本,进而获取最优策略。选取强化学习中的Q学习方法。将参数化模型预测控制作为Q学习中的一种新型函数逼近器,通过调整模型预测控制的参数来获取近似最优闭环控制策略以及最优的值函数。将该方法应用到1 GW超超临界锅炉汽轮机协调系统的控制中。在升负荷以及小范围升负荷变化情况下进行仿真。仿真结果表明,与传统模型预测控制方法对比,该方法可以在满足约束的情况下使系统输出值更加准确地到达设定值。

电力设备健康管理知识图谱:基本概念、关键技术及研究进展

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。

不同碳约束机制下微能源系统多目标优化决策

基于碳约束机制,以满足多元用能需求为目标,综合考虑碳减排及经济成本,构建了多种碳约束机制下的微能源系统模型。采用改进的粒子群算法对不同约束情景下的系统进行成本优化。通过对规划区域进行算例仿真,得出了不同约束机制下系统优化结果。

电力巡检机器人路径规划方法综述

随着电力系统规模和复杂性的不断增加,传统的人工巡检方式已很难满足当下电力巡检要求。巡检机器人因具有安全性、可靠性和智能性已被逐步应用到电力巡检中。机器人在运行过程中通过提前预测、自主决策或智能导航的方式完成全局遍历与避障。电力巡检的核心任务是规划出一条安全且最优的运行轨迹。系统地分析和梳理了巡检机器人巡检过程中的各类方法;阐述了在变电站和输电线路等不同场景中算法的应用;综述了各类路径规划算法的研究现状和改进方法。在此基础上,对未来电力巡检机器人路径规划的研究和发展方向做出了展望。

面向分布式电力交易的实用拜占庭容错共识算法改进

针对实用拜占庭容错(Practical Byzantine fault tolerance,PBFT)共识算法在分布式电力交易场景下共识时存在的主节点选取策略简单、缺少奖惩措施以及通信资源消耗较大等问题,提出一种改进实用拜占庭容错共识算法。首先,明确分布式电力交易(Distributed power trading,DPT)参与方构成,制定参与方对应节点在共识过程中应承担的权责;其次,制定节点信誉值计算方法,根据节点在共识中的表现筛选不良行为节点,有效限制拜占庭节点参与共识;此外,基于信誉值与散列算法实现了一种可验证的主节点选取方法,使主节点选取难以预测;最后,引入多主节点改进一致性协议,提高算法对拜占庭主节点的容忍程度。实验结果表明,DPT-PBFT算法在通信开销、共识时延等方面相较于PBFT算法均有不同程度的提升,能够有效适用于分布式电力交易场景。

风力发电机组故障诊断与状态预测的研究进展

风力发电机组因运行环境恶劣较易发生故障,实现对风电机组适当的状态维护或预防性维护,既能减少故障发生概率、降低维修成本,又能改善电力系统运行的安全性与经济性。首先,通过回顾近年来国内外在风电机组状态维护或预防性维护方面所做的相关研究工作,系统归纳了当前针对风电机组关键部件开展故障诊断和状态预测的难点问题及其研究进展;然后,对基于数据驱动的风电机组故障诊断与状态预测方法进行了重点论述;最后,对未来该领域的研究建议进行了展望。

基于时间序列的配电网数据清理和融合方法研究

随着配电物联网的快速发展,海量异构数据不断地从生产、传输、消费端产生,这些数据具有更新速度快、质量差、价值密度低、时间序列性强的特点。如何从这些海量数据中提取高质量的有价值数据,减少数据冗余,需要有效的数据清洗融合方法。为此,提出了一种基于时间序列相似性度量的数据清理、融合方法,该方法利用近似符号聚集、欧式算法和调整相似度加权的相似序列完成数据清理,利用多元异构数据融合算法完成数据融合。选用1440点负荷数据进行实验,结果表明,该方法可以检测配电网异常数据、填充空缺数据、减少数据冗余、融合异构数据,处理后的数据精度高,计算复杂度低,整体提高了数据质量,为配电物联网应用提供可靠的基础数据。

基于注意力特征融合时空图网络的超短期风电功率预测

为提高风电功率的预测精度,综合考虑时间和空间多维度因素的影响,提出了一种基于注意力机制和多阶段特征融合的时空图神经网络(Spatio-temporal graph neural network with attention mechanism and multistage feature fusion,AMF-STGNN)的超短期风电功率预测方法。首先基于Pearson相关系数法对数据特征进行降维,确定影响风电功率的关键因素。然后构建AMF-STGNN预测模型。该模型主要由时空关联网络构建模块和多维度时空特征抽取模块组成。通过时空关联网络构建模块构建时空图,以揭示风电气象因素的空间连接关系。通过多维度时空特征抽取模块应用时间卷积和图卷积挖掘数据的时空特征,并利用注意力机制学习重要特征。此外,该方法还引入残差结构和多阶段特征融合结构提高模型的表达能力。最后以宁夏3个风电场真实数据为例,验证了所提方法在提升风电功率预测精度方面的有效性。

基于特征增强的三维点云语义分割

为挖掘感知点云几何特征并通过特征增强的方式进一步提高点云语义分割效果,提出了一种基于特征增强的点云语义分割网络。首先,通过设计点云的几何特征感知(GFSOP)模块赋予网络点云局部几何结构的感知能力,捕获点间的空间特征以强化语义表征,并利用分层提取特征思想获得多尺度特征。同时,使用空间注意力和通道注意力融合预测点云语义标签,并通过强化空间关联性和通道依赖性提升分割性能。在室内数据集S3DIS(Stanford large-scale 3D Indoor Spaces)上的实验结果显示,所提网络相较于PointNet++在平均交并比(mIoU)上提升了5.7个百分点,在总体准确度(OA)上提升了3.1个百分点,且在存在噪声、点云密度不均和边界不清晰等问题的点云上表现出更强的泛化性能和更加鲁棒的分割效果。

融合自注意力机制的风电机组主轴状态监测

根据轴承温度标准,通过分析主轴温度的差异性变化来预测故障存在的可能性。首先,对数据进行清洗,并以线性插值法和贝叶斯–高斯CP(canonical decomposition/parallel factor)模型混合方式对缺失数据进行扩增。然后,将自注意力机制加入ConvLSTM(convolution long short-term)网络搭建主轴状态监测模型。通过自注意力机制消融实验,验证了自注意力机制能够提高ConvLSTM的预测准确率。进行了与LSTM、双向循环神经网络和CNN-LSTM(convolutional neural networks-long short term)模型的对比实验。结果表明,ConvLSTM对主轴温度预测的精确度高。最后,通过实际案例验证了模型的有效性。