电站设备状态评价与维修决策系统开发与应用

为了解决电站设备在实际运行过程中因运行工况复杂导致难以对设备可靠性水平进行有效地分析评价,且电站设备在后续维修过程中存在临时性检修频繁、维修不足、维修过剩、盲目维修等问题,因此开发了一套电站设备状态评价与维修决策系统。以机器学习作为算法支撑,结合热工专业知识建立基于数据驱动的热工过程模型,并利用该模型对现场运行设备进行实时在线状态监测和评估,为维修决策和故障诊断提供基础信息,对于科学指导发电辅助设备乃至机组运行管理和维修决策具有重要意义。

基于AdaBoost集成学习的台区负荷最大值预测研究

针对防止配电网台区过载需进行负荷最大值预测,提出基于AdaBoost集成学习的预测算法.首先考虑年、月份、气温以及历史负荷值等影响因素并选择CART决策树作为集成学习的个体学习器;接着通过AdaBoost算法训练各CART决策树个体学习器并计算各个体学习器的权重系数,利用各个体学习器的线性组合集成得到强学习器;最后利用实例将AdaBoost集成学习算法与K最近邻(KNN)、CART决策树及支持向量机(SVM)3种单一预测算法对比分析.仿真结果表明AdaBoost集成学习算法在预测误差及相关系数等指标方面均优于其他3种算法,体现出较高预测精度,有利于预防台区过载.

基于ABBA和DTW-AGNES的电力日负荷聚类研究

针对电力日负荷聚类过程中因原始数据维度过高引起的聚类困难及欧氏距离作为聚类相似性度量的局限,提出一种基于自适应布朗桥符号近似(ABBA)和改进AGNES聚类的电力日负荷聚类方法。即先采用自适应布朗桥符号近似算法对电力日负荷曲线进行降维,接着基于动态时间规整距离度量(DTW)改进AGNES聚类算法实现日负荷的有效聚类,使用聚类内部指标确定最佳聚类数目并将其作为聚类结果的有效性评价。最后通过实例,分析验证了所提方法在电力日负荷降维和聚类中的有效性。