混频输入下基于MF-LSTM的电气设备故障诊断方法

针对多型传感器采样频率不统一,现有机器学习算法难以有效处理混频数据输入,无法充分挖掘混频信号中的设备故障特征的问题,首先提出一种混频数据输入下的长短时记忆网络(multi-frequency long and short term memory network,MF-LSTM)架构;然后,对不同采样频率的状态数据分别进行特征提取并进行特征融合,实现混频数据输入下的电气设备的故障诊断任务;最后,利用凯斯西储大学轴承数据集对所提模型进行了算例验证,结果表明:相比于单频信号输入,混频输入平均提高故障诊断精度1.72%。该实验结果证明了所提出的基于MF-LSTM的故障诊断框架的有效性和混频数据输入的必要性。

基于MF-LSTM的城市电动汽车集中充电负荷可调潜力评估

在新型电力系统背景下,电网需求侧可调控资源对于系统稳定的重要性日益提升。电动汽车作为重要的可调度负荷资源,对其可调度潜力进行准确评估,能有效提升电网安全稳定运行能力。现有研究较少考虑电动汽车用户行为偏好对电网负荷调控的影响,因此,提出一种考虑用户充电偏好的电动汽车集中式电站可调潜力评估方法。考虑电动汽车充电时的外部条件与自身行为偏好因素,建立基于隶属度函数的用户充电行为模型,并结合长短期记忆神经网络算法对充电站的可调潜力进行评估。最后,通过实际充电站算例,分析了电动汽车用户与负荷可调度潜力之间的耦合关系,验证了所提方法对负荷可调控容量评估的有效性,为电动汽车可调负荷参与削峰填谷等需求响应服务提供了理论支撑。