基于ISSA-SVC的配电网高损台区窃电检测方法研究

针对现有的基于机器学习的用户窃电行为检测方法检测效率和准确率不高等问题,提出一种基于改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化支持向量分类机(support vector classification,SVC)参数的ISSA-SVC窃电检测模型。首先,该模型通过分析台区每一天的线损率与窃电电量、窃电用户计量电量与窃电电量、窃电用户计量电量与线损电量、台区供电量与窃电电量、用户最近一天用电量和相邻几天用电量、具有相似特征用户用电量曲线的相关性提取用户窃电特征参量。其次,利用动态时间规整(dynamic time warping,DTW)方法计算得到它们的相关系数。最后,采用ISSA优化SVC惩罚参数C和核参数g,并对台区内窃电用户进行检测。仿真算例与实际电网数据分析表明,所提方法与传统的窃电检测方法相比,具有更高的效率和准确率。

大温差对复合绝缘子硅橡胶老化特性及运行寿命预测研究

藏东南地区环境温差较大,对复合绝缘子的绝缘性能产生负面影响,从而影响西电东送规模持续可靠送出。本文在-20~150℃下对硅橡胶试样开展720 h的高低温循环老化试验,对不同循环次数的硅橡胶进行各项测试用于研究其大温差环境老化性能变化规律。对测试的12个特征量通过Fisher Score进行特征量选择,筛选出4种显著相关性特征量。以运行0~11年复合绝缘子为研究对象,基于相关性特征量对在役复合绝缘子进行性能测试和结果分析,并提出一种改进遗传算法优化BP(back propagation)神经网络的预测算法。该算法一方面改进最优保存策略选择算子,另一方面迭代过程动态调整变异概率和交叉概率。结果表明:4项老化特征量拉伸强度、介质损耗因数tanδ、TGA最终剩余比例和Si-OH透过率下降率具有显著的相关性;相比传统BP神经网络和GA-BP(genetic algorithm-back propagation)神经网络,改进GA-BP神经网络的非线性学习和全局寻优能力更强,网络收敛速度更快;以老化11年的1组试样进行误差检验,改进GA-BP神经网络的检验误差结果为2.33%,5组复合绝缘子的运行寿命预测值与实际年限之间的误差均在5%以内。

基于帝王蝶优化算法的BP神经网络能源预测模型研究

基于帝王蝶优化算法,提出了一种新的帝王蝶-BP(Back Propagation)神经网络预测模型,以预测结果的平均绝对误差为目标函数,对BP神经网络模型的初始权重和阈值进行寻优,实现了对江西省能源供需的准确预测,并依据预测结果制定江西省低碳转型路径。通过与已有文献方法和权威公开数据的对比,验证了帝王蝶-BP神经网络优化预测模型的有效性和优越性。

基于Hybrid A^(*)算法的变压器声级巡检系统研究与设计

随着国内变电站数目逐步增加,采用固定式声级监测终端对变压器声级检测的方式已经满足不了日常检测的需求。为解决固定式声级监测终端方式成本高、维护复杂、设备利用率低等问题,该文率先提出了一种变压器声级巡检系统,并设计了最优声级巡检路径。通过场地定位传感器生成变压器场地栅格图信息,采用Hybrid A^(*)算法将场地栅格图信息生成符合国标所要求的最优声级巡检路径检测点;针对所开发的变压器声级巡检装置,采用生成的巡检路径对变压器进行声级测定作业,对测定的声级数据进行分析处理。测试结果表明,该文开发的系统与设计算法的变压器声级巡检时间、检测效率以及数据的采集准确性都优于固定式声级监测终端方式,系统完成变压器声级巡检全过程的成功率可达95%。

基于多场耦合的合成酯油变压器温变行为研究

基于多场耦合理论与有限元分析方法的合成酯油变压器温变行为研究,以实际单相变压器为例,对合成酯油热特性参数进行拟合,建立变压器电磁场及温度场计算的几何与物理模型,基于多场耦合理论对变压器进行磁-热-流耦合瞬态计算,得到合成酯油变压器额定运行状态下的温度场云图,并将所得结果与矿物油变压器进行对比,分析合成酯油变压器的温变特性,验证了合成酯油变压器的可行性,为合成酯油变压器的进一步研究提供思路。

复杂多态家用电器场景下NILM负荷事件类型判别方法研究

本文提出了一种复杂多态家用电器场景下非侵入式电力负荷监测(NILM)负荷事件类型判别方法。首先采用Savitzky-Golay滤波算法对负荷事件前、后的稳态电流波形进行滤波处理,剔除高频成分和噪声成分;其次通过离散小波变换对滤波后的电流波形进行分解处理,得到近似分量波形;最后基于皮尔逊相关系数计算负荷事件前、后近似分量波形的相关性系数,并依据相关性系数对负荷事件的性质进行判别。通过对空调、洗衣机、电冰箱等复杂多态电器的大量电流波形测试,结果表明:经本文方法处理后的电器投切负荷事件电流波形相关系数在0.6以下,而多态电器模式转换负荷事件相关系数在0.65以上,这一标准可作为复杂多态电器场景下负荷事件类型判别的主要判据。

基于STFT和DCNN的伤损识别方法

为解决脉冲涡流检测(PECT)信号特征提取耗时且需要专家经验等问题,提出了一种基于短时傅里叶变换(STFT)和两层深度卷积神经网络(T-DCNN)的智能伤损识别方法。该法采用短时傅里叶变换将一维的PECT信号转换为二维时频信号;构建由两层卷积层、BN层、池化层和全连接层构成的DCNN,并将二维时频信号作为输入,进行端对端伤损识别。结果表明,该法与其他经典网络构架的伤损识别方法(VGG11、VGG16)相比,具有精度高、耗时短等优点,更符合工程领域应用需求。