卷积神经网络

针对数据驱动的风机故障诊断面临的数据量少、信号噪声干扰等问题，提出了一种基于宽卷积深度神经网络的故障诊断方法。该方法采用了重采样、小波阈值去噪等信号预处理方式，既增加了信息密度，又保证了信息的完整性，结合主成分分析法(principal component analysis，PCA)替代人工经验进行数据通道的选取。利用卷积神经网络的强大特征提取能力，通过较少的数据训练即可对风机机组在时域上的故障信号进行有效的特征提取，从而可以对风机进行精确的故障诊断。基于某真实风机机组数据的实验结果，验证了该方法的有效性。

针对目前电力系统谐波发射水平难以直接测量的问题，提出了一种基于改进秃鹰算法(improved bald eagle search, IBES)优化极限学习机(extreme learning machine, ELM)的谐波发射水平估计方法。首先，在传统秃鹰搜索算法中引入Tent混沌映射和柯西变异算子，利用IBES算法对ELM模型的输入权重和阈值进行寻优。其次，输入公共连接点(point of common coupling, PCC)处谐波电压和谐波电流，代入IBES-ELM模型，估计用户侧和系统侧谐波发射水平。最后进行仿真和工程实例分析，并与其他算法的估计结果进行对比。结果表明，所提IBES-ELM方法估计精度优于长短期记忆网络(long short-term memory, LSTM)、卷积神经网络(convolution neural network, CNN)、反向传播神经网络(back propagation neural network, BP)和CNN-LSTM算法模型，验证了该方法的有效性和稳定性。

绕组松动故障是变压器最主要的机械故障之一，尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点，导致其构建足量具有时间相关性的图像集十分困难，提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习，获得微调后的神经网络模型。实验结果表明：利用该样本构建方法生成的图像集作为训练集和验证集，建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上；利用变压器周期性振动信号生成的图像集作为测试集，测试准确率达到99%以上，实现了变压器绕组松动故障的准确诊断，并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。

针对单传感器状态识别算法存在漏检、误检的缺陷,文章提出一种基于双传声器和深度学习的变压器状态识别算法,即基于一维卷积神经网络和双传声器数据融合算法(1D-CNN based dual microphones fusion algorithm,1D-CNN-DMF)。利用2个传声器分别同时采集变压器声信号,通过一维卷积神经网络对2个传声器采集到的声信号分别进行特征提取,并利用全连接层对特征进行融合,最终通过softmax分类器进行分类。通过采集500 kV变压器的声信号构建数据集进行验证,结果表明1D-CNN-DMF算法可以有效地对变压器不同状态进行分类,分类准确率高于1D-CNN-LSTM、1D-CNN、FFT-BP、SVM和FFT-SAE等算法。最后利用t-SNE可视化工具揭示了1D-CNN-DMF算法的内在机制。

变压器运行过程中产生的振动噪声与其运行状态及内部缺陷情况直接相关,对其声纹信号开展特征分析,有助于进一步了解设备运行工况,保障电力系统安全稳定运行。文中以声纹特征分析为基础,兼顾诊断效率与准确性,提出一种基于卷积神经网络及集成学习模型的变压器缺陷诊断方法。该方法以变压器声纹数据的时域及频域信号为多通道输入混合特征,构建了基于卷积神经网络模型和声纹特征分析法的集成学习模型,可实现变压器声纹特征的有效识别,并通过由多个基学习器组成的集成学习模型提高了变压器缺陷诊断的准确性。基于文中所构建的变压器声纹样本库,可得到该方法对变压器单一缺陷的识别准确率为99.2%,对变压器混合缺陷的识别准确率为99.7%。研究结果表明该方法可有效识别变压器的运行状态,为变压器运维检修提供技术参考。

为进一步提升短期风电功率的预测精度，提出了一种基于互补集合经验模态分解-样本熵（complementary ensemble empirical mode decomposition-sample entropy，CEEMD-SE）的卷积神经网络（convolutional neural network，CNN）和长短期记忆-门控循环单元（long short term memory-gated recurrent unit，LSTM-GRU）的短期风电功率预测模型。首先，利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数（intrinsic mode function，IMF）分量和一个残差（residual，RES）分量，利用样本熵算法将相近的分量进行重构；其次，搭建卷积神经网络和长短期记忆网络的并行网络结构，提取数据的局部特征和时序特征，并将特征融合后输入门控循环单元网络中进行学习预测；最后，通过算例进行验证，结果表明采用该模型后预测精度得到了有效提升，其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。

电网在运行过程中会产生大量的设备缺陷文本记录,针对变电设备缺陷文本的特点,文章提出了基于注意力机制的混合神经网络(hybrid neural network based on attention mechanism,HNNA)电力设备缺陷文本挖掘方法。首先在总结电力设备缺陷文本特点的基础上,参考中文文本分类的一般流程,结合自主编写的词典和停用词表对缺陷文本进行预处理;利用Word2vec模型将词语映射到高维空间;使用卷积神经网络(convolution neural network,CNN)和双向长短期记忆网络(bidirectional long short term memory,BiLSTM)提取文本局部特征和上下文特征;将提取的特征进行融合,最后采用Attention实现特征权重的分配,增强关键特征对分类效果的影响,并从多个评价维度与传统机器学习模型、深度学习模型对比。算例结果表明,提出的模型具有更好的分类效果,可以实现电力设备缺陷等级的高效准确划分。

输变电工程造价计算作为造价管控技术的核心环节，其计算模型的好坏直接影响输变电工程造价管控效能。然而现有模型往往不能兼顾计算速度、精确性与稳定性。为解决上述问题，首先，针对输变电工程造价中的实际需求确定模型的输入与输出，构建卷积神经网络模型；然后，将历史造价数据作为样本输入网络模型，得到网络输出；最后，针对期望输出与实际输出相差较大的问题，利用列文伯格-马夸尔特算法对卷积神经网络的权重参数进行优化，完成模型训练。该模型结合列文伯格-马夸尔特算法与卷积神经网络模型的优点，相比于反向传播（BP）神经网络与梯度下降法-卷积神经网络（GD-CNN）具有更高的预测精度与稳定性，提高了输变电工程造价的计算效果。

针对数据驱动的风机故障诊断面临的数据量少、信号噪声干扰等问题，提出了一种基于宽卷积深度神经网络的故障诊断方法。该方法采用了重采样、小波阈值去噪等信号预处理方式，既增加了信息密度，又保证了信息的完整性，结合主成分分析法(principal component analysis，PCA)替代人工经验进行数据通道的选取。利用卷积神经网络的强大特征提取能力，通过较少的数据训练即可对风机机组在时域上的故障信号进行有效的特征提取，从而可以对风机进行精确的故障诊断。基于某真实风机机组数据的实验结果，验证了该方法的有效性。

在新型电力系统快速发展的背景下，配电网中各类分布式电源、储能、电动汽车、柔性负荷的接入占比不断增加，运行方式日趋复杂多变，其拓扑的精确辨识也更有难度。针对现有配电网量测数据采集周期较长、辨识方法对数据不平衡敏感而导致辨识精度不高的问题，提出了一种两阶段的新型配电网拓扑辨识方法。首先，采用两层堆叠的图卷积网络生成系列标签分类器，再用卷积神经网络提取量测时间序列的特征，并结合多标签分类学习实现第一阶段的初步辨识。其次，对初步辨识获得的初始拓扑中状态为“阴性”(开断)的支路进行全状态空间搜索，并通过潮流匹配模型，筛选出耗散值最小的状态样本，实现“假阴性”二次辨识。最后，在改进的IEEE33节点含新能源配电网络上进行仿真验证。结果表明，所提模型和方法能有效解决数据失衡的问题，并具有更高的辨识精度。