考虑激励特性的汽轮机做功模型辨识数据优选方法

针对历史运行数据中难以选择合适样本辨识汽轮机做功模型问题,提出一种考虑激励特性的辨识数据优选方法。首先,采用费歇尔(Fisher)信息矩阵条件数提取历史运行数据的激励特性,与数据的趋势特性和参数间相关性共同构成特征变量集。其次,以特征变量作为输入,基于标准汽轮机做功模型生成的标识结果作为输出,采用随机森林分类算法生成辨识数据分类规则模型,实现辨识数据的在线选择。最后,对模型分类结果的准确性与所选数据的辨识效果进行验证。结果表明,分类规则模型的准确度为97.561%,可准确选出历史运行数据中含有充分激励的样本段,其汽轮机做功模型辨识结果与标准模型具有较高的一致性。

小波分析在再入体辨识数据处理中的应用

针对辨识数据的处理问题 ,提出了基于小波分析的数据处理方法。对于含噪声数据的噪声未知时 ,可以通过小波高频分解系数估计出噪声的强度 ,进行数据滤波。该方法简单且去噪效果好 。

基于深度学习的新能源场站不良数据辨识与修正方法

针对新能源场站数据采集错误的问题,考虑到新能源场站数据具有海量和相互耦合的特点,提出一种基于深度学习的新能源场站不良数据辨识与修正方法。首先,构建长短期记忆神经网络模型,利用偏差阈值进行判断得到标识的不良数据;在此基础上,提出了萤火虫算法优化的BP修正模型,建立修正评判标准,将标识的不良数据进行修正,得到新能源场站可靠的运行数据;最后,通过实际数据集对方法的有效性进行了验证,结果表明所提方法能够有效处理新能源场站运行不良数据,具有实际应用价值。

基于DTW-两阶四分位的分布式光伏发电异常数据辨识

设备故障、天气环境等因素导致分布式光伏发电系统产生大量异常数据,对其安全稳定运行造成严重影响。为了准确识别和剔除存在的异常数据,提出一种基于动态时间弯曲(DTW)-两阶四分位的分布式光伏发电异常数据辨识方法。首先,通过对比相似辐照度下光伏功率均值实现连续型异常数据识别与剔除,采用基于同时段光伏功率均值剔除异常数据,并考虑光伏发电曲线的波动性,采用基于DTW与欧氏距离的综合曲线相似度判定方法剔除连续型异常数据,更全面地考虑了数据的波动特性,提高了连续型异常数据辨识和剔除效果;其次,提出DTW-两阶四分位异常数据辨识算法,采用一阶变化率和二阶变化率对融合后的数据进行离散型异常数据剔除,有效识别和剔除离散型异常数据;最后,根据异常数据识别和剔除结果判断是否出现故障。实验结果表明:所提算法剔除异常数据后能更好地拟合正常光伏功率数据分布情况,相较于四分位法和3-Sigma算法,所提算法剔除异常数据前后线性相关程度变化分别提高了58.15%和68.41%,辨识效果更佳。

基于半监督学习的新能源运行错误数据辨识系统

为增强系统主机对于新能源运行错误数据的准确辨别能力,避免数据信息错误分拣,设计了基于半监督学习的新能源运行错误数据辨识系统。借助PT-LAB处理平台,平衡数据分辨模块与运行指令分析模块间的新能源运行错误数据传输关系,实现辨识系统的硬件运行环境搭建。根据半监督支持向量取值结果,求解UCI学习参数的计算数值,并根据参数向量之间的实时映射关系,确定数据库E-R图的连接形式,完成辨识系统的软件运行环境搭建。结合相关硬件设备结构,实现基于半监督学习的新能源运行错误数据辨识系统设计。对比实验结果表明,在半监督学习算法的影响下,系统主机对于待传输新能源运行错误数据的提取准确度超过了90.0%,能够较好地解决数据信息的错误分拣问题。

基于最大流算法的电力负荷坏数据辨识系统

用电负荷坏数据会对电力供电产生很大的破坏性,为了提高对电力负荷坏数据的检测能力,设计基于最大流算法的电力负荷坏数据辨识系统。硬件主要包括采集器、处理器、信号识别器三部分,采集器在高压电池侧边需要放置微控制单元,处理器将波形数据转换为数字信息实现控制。信息识别器的连接结构为阅读芯片与单片机的输入端口互相连接,单片机的输出端口与通信状态显示屏相互连接,载波发生器与调制器相互连接。利用最大流算法建立拓扑模型,在电力系统网络流中,采用中心性指标完成对点到边、边到点、点到点、边到边之间的电力数据划分,利用最大流算法对坏数据完成辨识。实验结果表明,所设计系统可以确保电网受到攻击后剩余流量高于95%,辨识准确率高于90%。

关联驱动下配电网同期线损异常数据辨识

配电网同期线损数据的可靠性对于有效实现电网降损与节能是非常关键的,辨识异常数据能够提升配电网同期线损数据的可靠性。为此,设计了关联驱动下配电网同期线损异常数据辨识方法。采用基于多值属性的关联规则挖掘算法,挖掘配电网同期线损数据。利用改进小波阈值去噪算法,对挖掘的配电网同期线损数据实施去噪处理。基于K-means聚类算法、改进型萤火虫算法与聚类可靠性评估指标,设计线损异常数据辨识模型,实现配电网同期线损异常数据辨识。测试结果表明,设计方法的平均误辨识点数和漏辨识点数分别低于10个和5个,平均相对辨识误差保持在1.0以下,具有较好的同期线损异常数据辨识性能。

基于LOF-GMM方法的电网异常数据动态辨识及分析

为了进一步提高电网异常数据动态辨识精度,结合高斯混合模型,并利用邻域局部异常因子来确定此点是否属于异常数据,设计了一种基于邻域局部异常因子-高斯混合模型聚类方法的电网异常数据动态辨识方法。研究结果表明:设计的邻域局部异常因子-高斯混合模型聚类算法满足了配电网大数据一体化动态清洗过程需要,获得更高精度的负荷预测结果,有助于大幅增强配电网的响应能力。设计的方法实现了缺失数据填补精度与速度平衡,具有较好工程应用价值。

基于混合神经网络的网络数据传输中恶意攻击数据辨识

传统的网络数据传输中恶意攻击数据辨识方法,只能经过一个训练周期,不能得到准确的恶意攻击数据辨识模型,导致正确分类恶意攻击数据文档数少,因此设计一种基于混合神经网络的网络数据传输中恶意攻击数据辨识方法。通过捕获目标网络数据并进行数据清洗和预处理,提取恶意攻击数据的特征参数。通过对网络数据进行多个训练周期,得到准确的恶意攻击数据辨识模型。辨别恶意攻击数据时,可以根据流量异常、行为异常和文件异常等元素与预定阈值进行比较。实验证明,该方法准确性高,具有研究价值。

基于多元数据特征和改进随机森林的智能配电网异常数据辨识

智能配电网异常数据的准确辨识对于提高电网安全运行和调度具有重要意义。提出一种基于多元数据特征和改进随机森林算法的异常数据辨识方法。首先,在分析异常数据辨识过程的基础上,利用K-means、箱线图法等提取原始数据异常特征;考虑配电网技术需求,挖掘电网运行的衍生特征。其次,针对类不平衡问题,提出结合过采样方法的混合Bootstrap抽样和加权投票策略,引入信息增益率优化最优特征选择,增加算法稳定性。最后,仿真分析了决策树数量和衍生特征对算法辨识性能的影响,并与支持向量机、神经网络等算法进行性能比较。实验结果表明所提方法有效、合理,具有优异的辨识性能和效率。

风电场异常数据辨识与重构技术综述

风电场运行数据的质量是影响风电消纳的重要因素,电网调度运行以及电力市场等业务应用都需要风电场数据支撑,但一般情况下,风电场采集到的原始数据会包含部分异常数据。本文详细分析对比了国内外学者对于异常数据辨识和异常数据重构使用的方法。依据数据辨识原理将目前国内外使用的数据辨识方法分为3类,阐述了各辨识方法优越性以及局限性;其次,根据使用重构方法的数量将数据重构方法分为了单一重构法和复合重构法,阐述了各重构法的适用场合以及局限性;然后,根据风电数据的不同应用场合,对异常数据辨识对象以及辨识方法做了详细研究;最后对本领域未来可研究的问题进行了展望。

基于SVD的电能计量装置异常数据快速辨识方法

为解决配电网环境中电能计量装置异常数据辨识速度较慢的问题,满足用户对于用电设备电力负荷状态的实际辨识要求,提出基于SVD的电能计量装置异常数据快速辨识方法。根据电量负荷事件检测结果确定符合异常特征量的具体数值,完成基于SVD的电量数据修正处理。在此基础上,建立SVD辨识框架,借助已知条件,求取计量装置的异常特征值,完成辨识准确度指标的计算,实现电能计量装置异常数据的快速辨识。实验结果表明,该方法能够较好地适应配电网环境,并可快速辨识电能计量装置中的异常数据,满足了用户对于用电设备电力负荷状态的辨识要求。

基于LOF-FCM算法的船舶航行数据识别

针对传统船舶自动识别系统数据在清洗异常数据和提取停留数据时分别采用不同的识别方式、类型判断阈值需要人为设定、识别效率不佳的局限性,首次提出了一种船舶航行轨迹中停留及异常数据的一体化检测方法。通过分析航行路线的3种数据(停留、异常和航行)异常因子特征,提出基于LOF-FCM的船舶航行数据、停留数据和异常数据一体化检测算法。实验对3类数据进行了识别,模型识别准确率达到了92.69%,有效提高了异常、停留、航行数据的识别能力。结果表明所提方法可一次性实现AIS数据中3种数据的检测,能高效分离出正常船舶航行数据,具有良好的工程应用价值。

基于扩张状态观测器的过热汽温系统建模与参数智能辨识

可再生能源的高渗透率给电网供需匹配带来严峻挑战的同时,燃煤机组需要承担着大量的调峰调频任务,这对过热汽温系统的安全稳定运行造成了一定威胁,因此有必要建立面向热工控制的汽温数学模型。考虑到迟延型扩张状态观测器(time-delayed extended state observer,TD-ESO)的总扰动信号中含有大量模型信息,提出一种基于ESO补偿模型的参数智能优化和信息提取方法,即以总扰动中未知信息量最小为目标,采用改进沙丘猫算法对模型参数优化并提取总扰动中已知模型信息补偿至ESO的输入端。在仿真算例方面,线性和非线性系统的测试结果表明,所提辨识方法对有无输入迟延的两种系统均有良好的适用性和较高的精度;在实际应用方面,基于超超临界二次再热机组的过热汽温系统数据进行模型辨识与验证,同样表明该建模方法是合理、准确的。因此,该文所建立的模型能够为汽温系统的控制策略设计和性能优化等方面提供有价值的参考。

含LCC/MMC交直流混联系统的状态估计及不良数据检测

基于调度系统导出的通用信息模型(common information model,CIM)中的XML和E文档,从数据生成的角度出发,首先将导出文档转化为状态估计原始输入数据,考虑交流系统与电网换相换流器(line commutated converter,LCC)、模块化多电平换流器(modular multilevel converter,MMC)以及LCC与MMC间的相互影响,采用统一迭代法对500kV子网络进行交直流状态估计建模;其次,在原始量测数据的基础上施加高斯噪声,借助最大化残差检验方法以进行不良数据的检测与辨识;最后,通过仿真数据验证了交直流状态估计模型及不良数据检测与辨识的有效性。

一种适用于分布式光伏电站的数据辨识和订正方法

随着分布式光伏电站建设的迅速发展,其智能化监测平台已积累了相当规模的监测数据。但由于数据在采集、传输和接入过程中存在设备故障、网络制约和平台处理等问题,分布式光伏电站的基础数据质量不高,无法为信息监测、出力预测、运行管理和运维管理等提供正确、有力的支撑。因此该文建立了整套数据辨识和订正体系,并提出异常数据辨识、订正和标识方法,最后通过算例验证了方法的有效性。

调度自动化系统主子站通道异常数据辨识

调度自动化系统的异常数据辨识和数据质量是电力系统精准调度和预测的基础,为数据分析提供了可靠的保障。针对异常数据对调度自动化系统的影响,提出一种调度自动化系统主子站通道异常数据辨识模型。首先,构建基于参数自适应的密度噪声空间聚类算法(Parameter Adaptation-Density Based Spatial Clustering of Applications With Noise,PADBSCAN)对异常数据进行辨识。此外,基于自相关性理论和数据传输的周期性,分析和挖掘传输数据以及用电行为中的潜在规律,通过用电相似度判据消除时间偏移的影响,对伪异常数据进行辨识。基于山东省某市的调度自动化系统主子站通道实测数据对本文方法有效性进行验证,结果表明所提方法能够有效辨识异常数据,能够满足实际工程需要。

基于改进随机森林的海量结构化数据异常辨识算法

结构化数据同时具备现海量与复杂的特征,导致其异常辨识难度上升,为此提出基于改进随机森林的海量结构化数据异常辨识算法。凭借互补集合经验模态分解,获得海量结构化数据的本征模态函数,去除噪声点。随机选择特征子集分裂决策树节点,采用AdaBoost算法对随机森林进行加权,完成随机森林改进。将改进随机森林的扩展空间范围定义为异常值范围,结合局部敏感哈希算法度量去除噪声点后的数据异常度,实现海量结构化数据异常辨识。通过实验表明,所提算法的海量结构化数据异常辨识精准度最高达到了95.8%,结构化数据量为400 G时的辨识耗时为2.52 min,说明该算法的海量结构化数据异常辨识精准率高、耗时短,具有较高的应用价值。

Actor-Critic框架下的数据驱动异步电机离线参数辨识方法

电动汽车用电机的参数辨识可以使电机在任意转速下尽可能输出更高的转矩及效率,是优化电机输出性能的重要手段。传统的基于模型驱动的参数辨识方法的缺点为易受模型误差的影响、抗干扰能力差以及无法实现全转速范围内的转矩最优。鉴于上述缺点,该文研究了一种完全基于实际数据的电动汽车用异步电机离线参数辨识方法,对电机的转子电阻和励磁电感在任意转速下进行了优化,从而使电机能够在特定转速和特定电流下输出最优转矩。为达到电机在特定转速和电流下输出转矩最优的目的,研究了一种基于Actor-Critic框架的电动汽车用异步电机离线参数辨识方法,确定了框架中的观测、奖励和动作的设计。实验证明相对于传统参数辨识方法,该文方法具有更高的精确性和鲁棒性,同时确保了电动汽车用异步电机在任意转速下的输出转矩最优。

基于BP+Bi-LSTM的电力系统广域数据异常检测研究

电力系统同步向量测量装置(PMU)产生的数据对电力系统规划和安全起着至关重要的作用。但PMU装置往往充满噪声,除去系统本身能够排除的干扰,仍旧会产生PMU数据丢失、精确度降低等问题。本文提出一种双向长短期记忆网络(Bi-LSTM)和BP神经网络相结合的解决方案。首先通过BP神经网络拥有强大的非线性成像技术和网络结构,针对不同情况改变其特殊性能结构;其次利用Bi-LSTM神经网络解决多变量问题,将这两者相互结合,BP+Bi-LSTM具备比BP神经网络模式更强大的非线性映射能力和泛化学习能力,大大提高数据分析应用范围。最后以新英格兰10机39节点为例,验证本文方法对不良数据检测可行性和正确性。The data generated by the Phasor Measurement Unit (PMU) in power system plays a crucial role in power system planning and safety. However, PMU devices are often filled with noise, and even with interference that the system itself can eliminate, problems such as PMU data loss and reduced accuracy still occur. This paper proposes a solution that combines bi-directional long short-term memory network (Bi-LSTM) and BP neural network. Firstly, BP neural network has powerful nonlinear imaging technology and network structure, and its special performance structure can be changed according to different situations;Secondly, using Bi-LSTM neural network to solve multivariate problems, combining the two, BP+Bi-LSTM has stronger nonlinear mapping ability and generalization learning ability than BP neural network mode, greatly improving the application scope of data analysis;Finally, taking the example of 10 machines and 39 nodes in New England, the feasibility and correctness of our method for detecting bad data are verified.