基于特征线性调制深度学习网络的馈线负荷构成特征识别

随着电网规模越来越大,结构越来越复杂,供电可靠性的要求越来越高,通过现场试验的方式获取电力负荷的动态特性变得十分困难。提出了基于统计综合法的思想,运用电力系统仿真软件,通过仿真计算的方式得出对应电力负荷的动态特性。为了获得馈线负荷构成比例识别所需的负荷数据库,建立了包含变频空调负荷、分布式光伏负荷、感应电机负荷以及静态负荷的电网模型,通过设置电压跌落,得到不同负荷情况馈线功率数据,建立馈线负荷数据库,运用基于特征线性调制的改进深度学习网络的方法挖掘负荷节点或馈线功率变化的特征,并对负荷构成进行识别。结果经过训练后,与传统BP神经网络进行对比,识别准确率达到99%以上,部分负荷可以达到99.6%以上,有着较高的识别准确度。

特高压变电站智能机器人巡检方案优化研究

概述了特高压变电站智能机器人巡检现状,针对现运行的特高压变电站智能机器人巡检中存在的问题进行分析,提出变电站内设备表计安装、机器人巡视道路等的优化方案,通过合理布置停靠点满足机器人的最佳检测角度,实现特高压变电站智能机器人巡视方案的优化,满足特高压变电站安全可靠运行的要求。

高压断路器防跳及监视回路的方案分析

通过分析操作箱防跳及机构防跳两种断路器防跳原理,对国内主流厂家高压断路器防跳及监视回路进行分析比较,提出适用于智能变电站的防跳及监视回路的方案。

基于经验小波变换和梯度提升径向基的变压器油中溶解气体预测方法

电力变压器是电力系统的关键设备,其运行状态与电网稳定性密切相关。变压器油中溶解气体分析(dissolve gas analysis,DGA)是判断其运行状态的重要方法,预测变压器未来时刻的油中溶解气体含量,可以辅助运维人员判断变压器未来的运行趋势,提前掌握运行状态确保稳定运行。然而,由于油中溶解气体的产生机制复杂且受到变压器特殊运行工况、严苛运行环境、复杂电磁环境等因素的影响,油中溶解气体时间序列将呈现非线性和非平稳性的特征,传统的基于回归拟合模型的预测方法很难挖掘时间序列的这些特征,从而导致预测准确性较低,无法用于对变压器运行状态和故障的预测和诊断。为了解决上述问题,该文利用经验小波变换将具有非线性和非平稳的油中溶解气体时间序列分解为多个复杂度较低的分量,使得预测模型更易挖掘其变化特征,随后,以径向基函数神经网络作为基学习器构建了梯度提升径向基,将径向基函数神经网络的最佳逼近、避免局部最小等优点与梯度提升机强大的监督学习能力相结合,实现对油中溶解气体分解分量潜在规律的深度挖掘,并最终实现对油中溶解气体数据的精准预测。基于现场在运变压器对所提方法进行验证,结果表明:对于单台变压器预测准确率可达98.30%,对于某区域电网内的全体变压器准确率可提升9.01%,且可以实现对变压器故障的准确预测。

基于深度学习的Wi-Fi网络入侵检测方法

提出一种基于深度信念网络(DBN)的Wi-Fi网络入侵检测模型。使用SMOTE算法对数据样本中的异常数据和正常数据进行数量平衡,使用降噪自编码网络(DAE)对平衡后的数据进行降维,消除无关或冗余特征降低检测建模规模。在AWID数据集上进行实验,实验结果表明,与其它基于浅层学习算法的检测方法相比,所提方法可有效精简数据特征,降低检测时间,在检测精度和误报率方面体现出了更优性能。

无人机在架空输电线路运检中的应用

加强无人机在输电线路运检中的深度应用,可以为输电线路运检提供应用于不同场景的效率更高、成效更好、安全可靠的巡检手段,进一步提升电网运检水平,是输电线路运检下一步发展的重要方向。文章探讨了无人机在架空输电线路巡视、廊道巡视、应急勘灾、异物清除、故障排查中的应用及无人机在架空输电线路运检中的前沿应用发展方向,这对未来输电线路巡视工作的开展有一定指导意义。