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。

响应曲面法优化磁性生物质炭吸附水中汞离子特性研究

以玉米秸秆为原材料制备了生物质基炭,经共沉淀法成功制备了磁性生物质碳(Fe_(3)O_(4)@C)用于吸附水中的汞离子。采用控制变量法探究了4个单因素(溶液pH、温度、吸附剂投入量、吸附时间)对磁性生物质炭吸附Hg^(2+)效率的影响,发现pH值和投入量的影响程度较大,吸附时间次之,温度影响较小。借助上述实验结果,使用Design Expert软件,通过Box-Behnken设计汞吸附实验,成功构建了汞吸附效率与上述影响因素之间的回归模型;借助响应曲面法分析,精确确定了最佳的工艺条件。经平行实验验证,磁性生物质炭对水中Hg^(2+)的吸附效率可达到98.91%,经过吸附处理后的含汞废水达到可排放标准。

融合卷积注意力的激光同步定位与建图回环检测网络

针对当前基于深度学习的回环检测方法应对反向循环时由于尺度变化和视角变化引发特征匹配准确度低的问题,提出一种使用卷积注意力增强的激光同步定位与建图回环检测网络(Convolutional attention,loop closure detection network,CA-LCDNet)。在构建局部描述符时,引入卷积注意力机制实现多尺度特征的有机融合,以增强适应性特征提取能力;用基于软分配聚类改进的NetVLAD(Network-based visual localization with attention to descriptors)对局部描述符进行高效的聚合,获得全局描述符。基于非平衡最优输运理论实现点云帧之间的特征匹配,计算两帧间的相对位姿。使用三元组损失训练全局描述符,实现准确的相对位姿误差估计。在公开数据集上进行对比试验,在正向循环中算法准确率达到92%,在反向循环中准确率达到40%。同时,相较于原Loop closure detection network(LCDNet)算法,改进算法得到的相对位姿误差取得了约5%的改善。

基于加权灰度图与混合阈值分割方法的光伏热斑检测

在光伏红外热图像中,热斑和部分高温工作区的亮度非常接近。在利用传统的阈值分割技术提取热斑时,往往会将工作区也一并分割出来,形成虚假热斑。结合Otsu算法和Sauvola算法的优点,提出了一种基于加权灰度图的混合阈值分割方法。通过对灰度图加权处理,降低工作区亮度,从而增强热斑与工作区的对比度,改善热斑的可视性。利用Otsu算法与Sauvola算法二值化灰度图,并根据二值图差异度计算混合阈值,以此消除虚假热斑的干扰。实验证明,该方法适用于检测存在高温工作区的光伏板热斑,能够精准有效地分割热斑。

水电高占比下风电接入对系统稳定性影响

随着绿色清洁高效能源基地的构建,以水电为主体的水风互补成为我国西南能源开发的重要特征。为研究在典型水电系统中接入风电对系统稳定性带来的影响,首先,针对水风互补系统以转矩分析法分析了风电接入对系统频率和功角稳定性的影响,并通过算例和Prony分析验证了风速与风电渗透率对系统稳定性的影响。结果表明,风电的接入在一定程度上可以削弱传统水电系统的超低频振荡,而风电接入互联送端系统会导致区域等值惯量的下降,进而使系统区域间低频振荡风险加剧。其次,考虑风电的接入会诱发区域间低频振荡,在风电系统中引入风电的附加综合虚拟惯性与阻尼控制。算例与Prony分析验证了该控制策略能有效提高系统稳定性。最后,在区域间大规模风电接入场景下,利用改进的鲸鱼算法对风电的附加控制器参数进行了优化;结果表明,参数的整定有效提高了系统的频率以及功角稳定性。

基于二次分解双向门控单元新型电力系统超短期负荷预测

在新型电力系统中,电力负荷随机性和波动性较强,现有预测方法难以对其实现高精度预测。为此,提出一种基于二次分解和双向门控循环单元的超短期负荷预测模型。首先,针对电力负荷的强随机性和强波动性,利用自适应噪声完备经验模态分解对电力负荷历史序列进行初步分解,使负荷序列更加平稳。随后,对初步分解得到的强非平稳分量运用连续变分模态分解进行二次分解,降低其预测难度。最后,为充分学习电力负荷的时序特征,在预测过程构建基于双向门控循环单元的超短期电力负荷预测模型。实验结果表明,该模型相较于现有优秀预测模型有更高的预测精度。

计及分布式储能的微电网群经济调度

为提高微电网群调度效率、减少微电网运行成本,首先构建了计及分布式储能的微电网群优化调度模型。该模型以包含风、光、储的3个子微网和网侧储能所构成的交流微电网作为调度对象。在满足功率平衡等约束条件下,对负荷侧储能充放电次数和单位时间内充放电功率进行限制;在考虑主网分时电价、系统发电成本,网侧储能放电成本条件下,采用遗传算法进行求解,得到计及分布式储能的微电网群经济调度方案,最终得到优化后的经济成本。算例计算结果表明,该运行调度模型可有效提高微电网群经济效益,从而验证了该模型的有效性。

不同工况及类别下热力系统故障诊断的多源域自适应方法

针对不同负荷工况下,热工参数数据分布差异大且故障类别不一致的问题,提出了一种基于多源样本加权域对抗网络的热力系统故障诊断方法。首先,构建领域共享的一维卷积神经网络以提取多个源域和目标域的深度判别特征;其次,引入加权机制和域一致性损失度量样本,以降低仅存在于源域的故障类别的负迁移影响;然后,通过多域判别器的对抗学习实现每对源域和目标域的特征差异对齐;最后,构建多分类器对齐模块以提高预测的一致性,从而实现多源域不同工况下热力系统故障的准确诊断。借助某600MW超临界机组全范围仿真系统进行故障仿真实验,结果验证了所提方法的鲁棒性和优越性。

基于奇异谱分析和辛几何模态分解的短期碳排放预测模型

在短时期内对碳排放水平进行评估和规划,对制定精准的减排目标和有效的政策措施可以起到辅助作用。将奇异谱分析分解法(Singular spectrum analysis decomposition,SSAD)和辛几何模态分解(Symplectic geometry mode decomposition,SGMD)组合成新型的二次信号分解法,并应用于每日碳排放量预测。在对原始序列进行二次分解之后,利用快速傅里叶变换对子序列进行重构,并应用偏自相关函数来选择合适的输入变量。最后,利用麻雀搜索算法(Sparrow search algorithm,SSA)对长短期记忆网络(Long short-term memory network,LSTM)进行优化,建立了SSAD-SGMD-SSA-LSTM模型。通过与其他模型进行对比实验,发现SSAD-SGMD二次分解更加适合碳排放时间序列预处理,并且可以进一步提高预测精度。SSAD-SGMD模型与集成经验模态分解和变分模态分解相结合的二次分解模型相比,模型的可决系数R2提高了1.83%,平均绝对百分比误差(Mean absolute percentage error,MAPE)有所降低,均方根误差(Root mean square error,RMSE)降低了43.16%。此外,经过SSA优化后的LSTM模型,R2提高了1.49%,MAPE有所降低,RMSE降低了38.64%。所提出的模型能够有效提升短期碳排放预测的准确性。

氧化铝耐火材料制备中热应力有限元分析

氧化铝耐火材料在制备过程中所产生的裂纹等轻微损伤,是潜在的安全风险。为提高材料的使用性能,研究了在烧成过程中模型尺寸、热处理温度、升温速率、降温速率以及气孔率等因素对氧化铝耐火材料裂纹产生的影响。结果表明:在模型尺寸增大时,对应的最大热应力值也随之增大,产生裂纹的风险也越大;最大热应力峰值出现在1200~1600℃温度区间内;只改变1000~1350℃温度区间内的升温速率时,升温速率越大对应的最大热应力值越大;窑炉从1600℃降到室温时,降温初期最大热应力值迅速增大,且降温速率越大对应的最大热应力值越大;对于气孔率分别为5%、7%和10%的氧化铝砖坯,在相同的烧成条件下,气孔率10%砖坯的最大热应力值于1200℃、1300℃、1400℃及1500℃均最小,因此气孔率为10%比5%和7%更有利于降低烧成过程中裂纹产生的风险。

气孔结构参数对氧化镁耐火材料热冲击过程的影响

以氧化镁耐火材料为对象,研究了耐火材料热冲击过程中气孔结构参数对其温度分布以及热应力分布的影响。基于热弹性理论和有限元方法,建立了二维热冲击有限元模型和不同气孔模型,分析了耐火材料的损毁机理。数值模拟实验结果表明,耐火材料在热冲击过程下不断受到热应力的作用,最大热应力会在热冲击初始阶段产生,材料的危险部位位于靠近材料上表面的气孔边缘处。在其他条件不变时,随着温度的升高,氧化镁耐火材料受到的热应力增大;热应力随着材料的气孔率增大而减小;热应力随气孔位置与耐火材料表面距离的减小而增大。该研究结果可为耐火材料的设计和热处理设备运行参数控制提供依据。

基于场景判别的风电齿轮箱温度预测及趋势异常预警方法

将齿轮箱温度划分为正常、温升异常和温度异常3种场景,并利用所构建的卷积神经网络(Conventional neural network,CNN)结合双向长短期记忆(Bidirectional long short term memory,BiLSTM)网络模型对场景进行判别。在此基础上,采用分位数回归(Quantile regression,QR)结合门控循环单元(Gate recurrent unit,GRU)方法,分别预测不同温度场景下的油温及轴承点预测及温度区间,并根据GRU温度异常诊断模型对2种预测温度进行诊断。算例分析结果表明,用该方法能准确预测各状态下齿轮箱温度,且预测区间可靠,可实现齿轮箱温度异常的高效诊断。依托某风场实测数据对所提方案进行验证,验证结果表明所提方法有效且性能优越。

基于CNN-SVM的特高压三端混合直流线路故障区域识别方法

提出一种基于卷积神经网络–支持向量机(Convolutional neural network-support vector machine,CNN-SVM)的特高压三端混合直流线路故障区域识别方法。首先,对昆北侧、龙门侧的直流线路边界和柳北侧T区边界的频率特性进行分析,发现不同故障区域的故障特征存在一定差异。然后,使用经验小波变换提取故障特征,将其作为CNN-SVM的输入量,故障区域作为输出量,构建并训练CNN-SVM模型;将由测量点得到的故障特征量输入到训练完成的CNN-SVM模型中,进行故障区域识别。最后,搭建昆柳龙仿真模型,进行故障仿真实验验证。结果表明,该方法的故障区域识别率高,且可耐受300Ω的过渡电阻。

基于多模态融合和卷积神经网络的逆变器故障诊断

电压源控制型静止同步补偿系统(Voltage source controlled static synchronous compensator,VSC-STATCOM)故障具有随机性和不可预测性,其原始信号难以完全反映功率开关管的波形特征,导致故障特征提取及诊断困难。针对此问题,提出一种结合多模态融合技术(Multi-modal fusion technology,MFT)、双分支卷积神经网络(Double branch convolution neural network,DBCNN)与自注意力机制(Self-attention mechanism,SA)的逆变器故障诊断的方法。首先,利用快速傅里叶变换实现逆变器故障数据的时域模态信号到频域模态信号的转换;然后,利用DBCNN分别提取时域和频域2个模态的特征并进行特征融合,再将利用SA权重自适应分配能力筛选出的关键特征作为故障分类的依据,解决功率开关管开路故障难以辨别的问题。在逆变器故障诊断过程中,采用MFT和卷积神经网络相结合的方法,建立了一种准确而快速的实现故障分类的体系。以VSC-STATCOM逆变器为对象开展实验,实验结果表明,与单模态时域(Convolutional neural network-self-attention mechanism)CNN-SA和频域CNN-SA方法相比,MFT-DBCNN-SA对故障诊断的准确率均有提高;不同相数的实验结果表明,利用该方法仅靠两相就能很好地诊断出故障类别。相较于同领域的研究,所提故障诊断方法的水平持平或有所提升。

基于寻优算法的双馈风机变流器动态运行控制参数辨识

针对运行过程中双馈风机变流器控制参数难以获取的问题,提出了一种基于自适应混沌粒子群算法的转子侧变流器参数辨识方法。首先,基于机组实际运行下可量测电气量时间序列,建立双馈风机变流器控制系统离散化数学模型;然后,根据不同观测电气量下参数的轨迹灵敏度,对辨识难易程度进行分析;最后,利用自适应混沌粒子群算法对变流器PI控制参数进行辨识。仿真实验结果验证了所提出辨识方法的准确性与可行性。

基于改进单阶段目标检测算法的换流站电气设备目标检测

针对换流站多种电气设备检测时背景复杂干扰性强而又需要快速准确检测出故障的实际情况,提出基于改进YOLOv5(You Only Look Once)的检测方法。首先,为提高算法的准确性和收敛速度,通过K-means聚类算法对YOLOv5模型中的锚框预设进行改进,在数据集预处理阶段得到更适用于换流站电气设备的锚框,使其更加契合换流站电力设备数据集;然后,为提高算法检测过程的识别速度,在特征提取网络添加注意力机制模块,筛选出重要的特征信息。将改进后的算法网络识别效果与YOLOv5中的原始算法网络检测结果进行对比分析。结果表明,检测平均识别精度均值由71.16%提高至92.51%,检测速度由21帧/s提升至31帧/s;同时与R-CNN(Regions with convolutional neural networks)等算法相比,检测精度与速度都有较大提升。添加可解释性分析,将识别结果通过热力图的形式显示,可以更好地应对算法的潜在风险。

基于特征优选和机器学习组合模型的锅炉受热面壁温预测

为及时有效预测锅炉壁温的变化趋势,以某火电厂600 MW的1号机组高温再热器为例,提出一种融合特征筛选和极端梯度树(Extreme gradient boosting,XGboost)组合自适应增强算法(Adaptive boosting,Adaboost)模型。首先,利用灰色关联分析法和随机森林特征重要度分析法分别计算锅炉大量的历史运行数据与高再壁温之间的线性和非线性关联度,然后进行综合特征排序。在特征优选的基础上,利用建立的XGboost-Adaboost组合模型进行锅炉高再壁温的预测。结合真实运行数据的实验结果表明,该预测模型的平均相对误差和均方根误差分别为0.18%和1.34℃,预测的精度高于几种相关类型高再壁温的预测方法。

基于电力金融衍生品含独立储能的容量市场出清方法

纯能量市场价格的剧烈波动会导致发电企业难以回收投资成本,同时收益损失风险将会降低发电企业投资新建机组的意愿。以电力金融衍生品为交易工具,提出了一种基于多代理系统的电力容量市场出清方法。首先,搭建以多代理系统为基础的容量市场架构,确保各市场参与者之间相互协调共同完成容量市场出清;然后,针对不同市场参与者分别建立以社会福利最大化为决策目标的经济调度模型,建立以风险最小化、收益最大化为决策目标的用户风险评估模型以及容量供应商风险评估模型;最后,通过调整容量市场中不同容量供应商的装机容量和金融衍生品的交易量来满足供需平衡并降低自身风险,使市场达到均衡。以某容量市场相关数据对所提出的模型进行算例仿真。计算结果表明,引入金融衍生品的容量市场出清方法可鼓励包含独立储能的容量供应商投建更多机组,从而保证了容量充裕性;但在改善不同容量供应商风险时存在非对称影响,即会使容量出清组合朝着固定投资成本低、运行成本高的峰荷机组倾斜。

基于改进旋转不变性二进制描述算法的电力场景图像拼接

在图像拼接过程中,使用固定阈值的旋转不变性二进制描述(Oriented fast and rotated brief,ORB)算法检测出的特征点在特征匹配阶段会产生较多误匹配,从而导致拼接的图像在拼接缝处产生重影。针对此问题,提出一种基于改进ORB的图像拼接算法。首先,使用自适应算法将ORB的固定阈值替换为动态阈值对特征点进行检测;然后,使用K近邻(K-nearest neighbor,KNN)算法进行特征点粗匹配,再用随机抽样一致性(Random sampling consensus,RANSAC)算法对特征点进行精匹配;最后,通过最佳缝合线法和渐入渐出法对图像进行拼接。实验结果表明,相较于传统的ORB算法,利用所提出的算法时所需的特征点检测时间、匹配时间明显减少,匹配正确率明显提高,拼接缝重影被有效消除。

基于分布假设检验的风电机组静态偏航误差诊断方法研究

通过确定敏感风速区间并检测功率分布,实现对风电机组静态偏航误差值的估计。利用风电机组的实际运行数据对所提方法的有效性进行验证,并与基于功率曲线的诊断方法进行对比。结果表明,所提方法能够准确量化不同偏航误差区间的数据分布差异,精准识别出静态偏航误差所在的偏航角区间,诊断的准确性较高。