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。

Box-Jenkins法参数辨识与仿真研究

本文介绍了参数辨识的概念和Box-Jenkins法的基本原理,运用MATLAB的M语言编写Box-Jenkins算法程序,最后结合实例给出相应的仿真结果和分析。

基于数据挖掘技术的现代电子设备运行状态辨识研究

针对当前现代电子设备运行状态辨识错误率大、耗时过程长等局限性,为了改善现代电子设备运行状态辨识正确率,设计基于数据挖掘技术的现代电子设备运行状态辨识方法。首先采集电子设备运行状态数据,采用小波变换对数据进行预处理,并提取电子设备运行状态特征,然后采用数据挖掘技术分析电子设备运行状态变化规律,建立辨识模型,最后与其它方法进行电子设备运行状态辨识对比实验。实验结果表明,所提方法的电子设备运行状态辨识正确率高,将辨识误差控制在10%以内,不仅完全可以满足现代电子设备的实际应用要求,而且辨识整体效果要优于对比方法,具有十分明显的优越性。

基于Box-Jenkins模型的迭代辨识与控制器设计方法研究

针对存在有色噪声干扰的Box-Jenkins系统,采用数学优化的方法,提出了该模型的新型迭代辨识方法。与递推广义增广最小二乘算法相比,论文提出的迭代算法反复利用了系统的所有可测数据信息,因而具有更高的参数估计精度和更快的收敛速度。最后分析了Box-Jenkins模型的低阶迭代控制器设计步骤及方法,通过仿真说明该迭代算法的有效性。

基于多传感器数据关联的综合传动装置服役状态辨识方法

针对综合传动装置在恶劣环境下传感器数据跳变、可靠性差,导致依赖单一传感器信息带来的状态判断虚警率高、服役状态难以准确辨识的问题,提出一种基于多传感器数据关联的综合传动装置服役状态辨识方法。通过时间窗均值关联网络,充分考虑关联传感器数据在各时间段的关联程度,可以有效表征复杂工况下传感器数据的关联关系。在时间窗关联度计算方法的基础上进一步构造了误差反向传播(Back Propagation,BP)数据映射模型,完成对关键传感器数据的映射。采用变分模态分解和样本熵(Variational Mode Decomposition-Sample Entropy,VMD-SE)方法对数据进行预处理;利用所提方法计算各传感器数据间的关联性,选取出相关性高的数据;将相关性高的数据输入构造出的BP数据映射模型进行映射。油压数据的案例验证结果表明,时间窗关联度计算方法能准确地衡量传感器数据间的关联性,BP数据映射模型输出的数据能够良好地表征关键传感器数据,二者结合能够有效提升服役状态判断的准确性。

数据驱动的高比例变流器电力系统低频动态模型参数辨识

高比例变流器接入弱网后,容易产生由“外环控制-锁相环-弱网”交互影响主导的低频动态现象。网络侧线路参数、变流器控制参数因技术保密等原因往往难以完全获取,导致低频动态稳定性分析模型难以构建。因此,提出了一种基于数据驱动的低频动态稳定性分析模型参数辨识方法。首先,通过最小二乘回归算法辨识出网络参数矩阵;其次,建立系统矩阵,采用基于奇异值分解的动态模式分解算法将其重构,代入对应控制环节,通过求解一组线性方程即可同时获得所有变流器外环及锁相环的控制参数;然后,结合设备侧模型,构建完整的系统小信号稳定性分析模型;最后,在PSCAD/EMTDC中搭建2个新能源场站接入系统的算例,以验证参数辨识的准确性以及模型的有效性,并进一步分析系统的低频动态稳定性。

基于数据驱动模型的智能风机失速故障辨识方法

智能风机失速状态变化难以捕捉,导致故障辨识结果不精准,提出了基于数据驱动模型的智能风机失速故障辨识方法。分析智能风机压力-流量特征,计算固定流量系数和压力系数,通过不同故障模式空间映射分析风机失速状态变化。引入小波阈值除噪方法对重构信号进行小波包分解,结合小波包能量分析方法实现故障特征提取。将具有映射关系的融合单元应用到智能风机失速故障辨识过程中,构建基于数据驱动的故障辨识模型,结合故障特征提取结果实现智能风机失速故障辨识。分析实验结果可知,该方法应用下的低压、高压风机失速频谱波动范围分别是0~1100 Hz、0~4200 Hz,与实际结果一致,说明该方法的故障辨识结果更为精准。

基于暂态数据戴维南等值参数辨识的时变广义短路比计算方法

广义短路比能有效反映多馈入直流系统受端交流电网的强度,其计算通常基于直流馈入节点处受端交流电网的戴维南等值导纳矩阵,忽略了交流电网各元件动态对电网强度的影响。本文提出了一种基于暂态数据戴维南等值参数辨识的时变广义短路比计算方法,将隐含系统元件动态特性的端口节点电压与注入端口节点功率作为辨识数据,基于多端口戴维南等值模型与最小二乘法辨识受端交流电网时变导纳矩阵,进而计算出时变广义短路比,准确地反映了系统动态对受端交流电网强度的影响。最后,以单馈入直流系统算例验证了方法的精确性,以某省级电网算例验证了其实用性,分析了负荷动态特性对时变广义短路比的影响。

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。

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%。

电力数据信息网络阻塞故障节点快速辨识研究

由于电力数据信息网络阻塞,导致脆弱性故障节点快速扩散,造成故障节点辨识效果差且耗时较长。为此,提出了电力数据信息网络阻塞故障节点快速辨识研究。构建网络阻塞故障节点跟踪模型,获取故障节点跟踪集合。使用层次分析法构造比较矩阵,计算辨识指标权重向量。定量分析故障数据特征,获取故障节点信息特征矢量。结合神经网络模型构建分析矩阵,在短时间内得到最终故障节点分布结果。通过量化指标,获取故障节点辨识结果。计算节点继电保护脆弱贡献度,辨识脆弱故障节点。由实验结果可知,该方法统计的故障节点信息特征与理想特征一致,具有较好的辨识效果,辨识时间仅为10 s,加快了故障节点的辨识速率。

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。

基于主网理论计算数据反演的异常量测辨识

提出基于主网理论计算数据反演的系统异常量测数据辨识算法。该算法采用主网理论计算电量偏差量作为有效索引,能将异常量测潜在的最小电系区域迅速定位后对异常测点数据进行有效辨识。通过典型实例给出了详细的算法策略与应用效果,该算法可对可能造成状态估计结果失准的电气异常量测进行高效识别,并经量测治理后获取可信度高的状态估计数值,最大程度保证源端数据的精准性,为主网理论线损数据治理和应用提升提供可靠数据。

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。

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ETC门架数据的山区高速公路事故风险辨识研究

为了有效利用ETC门架数据,实现对山区高速公路事故风险的精准辨识,本文基于ETC实时交通流数据结合道路环境数据以及天气数据提出山区高速公路事故风险辨识模型。以重庆市某高速公路ETC数据为基础,结合山区高速公路常见的桥隧路段及天气特征,使用CatBoost(Categorical Boosting)算法对交通事故风险进行建模,并对模型的辨识精度和有效性进行验证。结果表明,基于ETC交通流数据条件下采用CatBoost算法构建的山区高速公路事故风险辨识模型,其AUC(Area Under Curve)值达到0.836,较SVM(Support Vector Machine)、RF(Random Forest)、LR(Logistic Regression)模型分别提高0.042、0.056及0.051,模型总体辨识准确率为80.96%,对事故辨识准确率(召回率)为81.93%,对非事故辨识准确率(特异度)为80.72%,能较为准确地辨识山区高速公路交通事故。

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。

基于大数据挖掘的网络异常数据辨识方法

为提升辨识准确度,提出基于大数据挖掘的网络异常数据辨识方法。通过计算网络异常数据权重,对网络异常数据进行预处理,利用大数据挖掘技术对网络传输异常数据进行聚类,定位辨识网络传输数据异常。实验结果证明,该方法在错误辨识数目方面表现出色,具体更好的辨识性能。

电力现货市场中用户电量异常数据辨识方法研究

针对现有辨识方法对用户用电量异常数据映射越限不明显及辨识率较低的问题,提出电力现货市场中用户电量异常数据辨识方法。通过采集用户用电异常数据,对缺失值进行补充和归一化处理,计算当前用户用电量数据和历史用电量间的差异,再建立模型观测用电量与系统状态之间的关系,获取不同时间段内的变化规律。运用非参数密度法统计电量数据,提取日电量特征及加权后的用户特征曲线和用户电量数据的可行矩阵,比较待辨识数据曲线的上限、下限是否在可行范围内,从而完成异常数据的辨识。结果表明,电量异常数据映射至可行域中存在明显超越可行域上限、下限的情况,实验组的异常数据辨识准确率为100%,实现了电力现货市场中对用户电量异常数据的精准辨识。