基于二次分解特征矩阵和PCNN-BiLSTM的短期电价预测

为了提高短期电价预测的精度,提出了1种基于二次分解特征矩阵、并行卷积神经网络(Parallel convolutional neural network,PCNN)、双向长短期记忆神经网络(Bi-directional long short term memory,BiLSTM)的预测方法。采用完全集合经验模态分解将归一化后的原始电价/负荷数据分解为一系列分量,用变分模态分解将第1次分解产生的最高频分量进一步分解成一系列模态分量;用第1次和第2次分解产生的所有分量构造2通道输入特征矩阵;利用PCNN提取各种特征,再将特征融合后输入到BiLSTM预测结构中,最终得出翌日预测值。预测结果表明,所提出的预测方法有效提高了短期电价的预测精度。

基于混合LSTM深度学习的特高压直流线路模量幅值比故障测距研究

对特高压直流(Ultra high voltage direct current,UHVDC)输电系统而言,准确可靠的测距方案可确保故障线路快速恢复、提高供电可靠性。提出一种基于线模分量和零模分量幅值比的特高压直流线路单端故障测距方法。首先推导出故障距离与初始电压行波模量幅值比之间的近似公式。公式表明,两者之间存在非线性关系,且与过渡电阻无关。然后选用混合长短期记忆(Long short-time memory,LSTM)深度学习网络进行训练和学习,提取各模量初始电压行波首波头的幅值比作为深度学习网络的输入量,以故障距离作为输出量,构建深度学习故障测距模型。搭建云广±800 kV特高压直流输电系统仿真模型。仿真实验表明,所提出的测距方法不受故障类型和过渡电阻的影响,且测距结果具有较高的准确性,相对误差不超过0.34%。

基于T区中低频衰减特性构成方向元件的特高压三端混合直流输电线路单端方向保护研究

将保护装置安装在T区两侧,基于T区中低频衰减特性构成方向元件,提出一种特高压三端混合直流输电线路单端方向保护方法。分析特高压三端混合直流输电系统整流侧、T区以及线路末端逆变侧三端边界频率特性,发现T区边界对故障电流暂态信号中低频分量有一定的衰减作用、整流侧边界和线路末端逆变侧边界对故障电流暂态信号高频分量有明显衰减作用。利用小波分解,根据T区两侧线路暂态电流中低频能量差判断故障方向,并提出故障方向判据。当T区左侧发生故障时,利用线路L1末端所检测到的高频暂态电流能量与低频暂态电流能量的比值来判别整流侧区内、外故障;当T区右侧发生故障时,利用线路L2首端所检测到的高频暂态电流能量与低频暂态电流能量的比值来判别线路末端逆变侧区内、外故障;T区发生故障时,判定为线路区外故障。给出基于T区中低频衰减特性构成方向元件的特高压三端混合直流输电线路单端方向保护方案,最后在PSCAD/EMTDC仿真平台搭建昆柳龙特高压三端混合直流输电系统模型并对所提保护方法进行验证,仿真表明该文所提保护方法能实现特高压三端混合直流输电线路全线速动保护。