神经网络

随着人工智能技术特别是强化学习在能源优化调度领域的深入研究，将系统状态表示为向量用于学习的模式，其训练效率与信息利用率较低。针对这一问题，提出了一种融合图神经网络模型与强化学习的综合能源系统优化调度方法。首先，将电-热-气综合能源系统建模为图结构数据，充分利用系统的拓扑信息。其次，提出了基于图神经网络架构的强化学习模型，使其可以充分利用图结构信息实现更快的训练速度，获得更大的探索空间。最后，将表示系统状态的图结构信息送入该模型进行训练，算例仿真验证了该方法的训练效率与探索能力。

随着极端天气频发，温度敏感负荷用电逐年攀升，温度敏感负荷作为虚拟电厂优质的调控资源，亟须分析气象变化对于此类负荷的影响，由于叠加极端高温、大规模寒潮等异常天气的影响，温度敏感负荷波动剧烈，常规分析预测方法难以适应极端气象场景。针对寒潮天气下温度敏感负荷样本数据及预测精度不足的问题，提出寒潮天气小样本条件下的温度敏感负荷日最大负荷预测方法。该方法先采用时序对抗生成网络（TimeGAN）扩充寒潮期间小样本数据，再采用卷积-长短时记忆神经网络（CNN-LSTM）对寒潮期间的日最大负荷进行预测。以国内某省近两年迎峰度冬期间数据进行模型验证，结果表明所提模型优于其他模型的预测结果，在验证集上日最大负荷的预测精度为99.5%。

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。

分布式光伏聚合发电的超短期预测是支撑其功率快速调节的前提保障,由于规模化接入的分布式光伏容量小、分布广,其发电时序特性差异性大、非平稳性强,导致其超短期预测精度难以保证。为此,文章提出基于多源数据融合的分布式光伏聚合超短期预测方法。该方法基于变分模态分解法,充分挖掘分布式光伏聚合发电非平稳性特性,并采用核主成分分析法对引发光伏发电非平稳性的影响因素即温度、湿度、光照、云量等多源数据进行量化解析,同时结合改进的长短期记忆神经网络,创建了多源数据融合方法,实现了分布式光伏聚合发电超短期预测。仿真结果表明,该方法有效提升了模型的预测精度。与传统方法相比,提出的预测方法对随机性波动严重的光伏超短期预测具有显著优势。

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。

针对输电杆塔结构状态信息提取难度大、精度低等问题，提出了一种基于北方苍鹰算法优化的变分模态分解（northern goshawk optimized variational mode decomposition，NGO-VMD）与长短期记忆（long short-term memory，LSTM）神经网络的输电杆塔倾斜状态识别方案。通过北方苍鹰优化算法解决了变分模态分解参数难确定的问题，并且证明其分解的各阶本征模态分量（intrinsic mode function，IMF）可以有效提取出杆塔结构的模态信息。为了使信息特征更为明显，对IMF分量进行奇异值分解（singular value decomposition，SVD），发现各阶分量的奇异值在杆塔不同状态下有较为明显的区别。最后引入LSTM神经网络进行特征分类，形成故障诊断模型。依托某110 kV猫头塔对模型进行试验验证，结果表明：所提方法对杆塔倾斜状态的识别准确率为96.68%，与其他方法相比，具有效率更高、稳定性更强、更加精准的优势。

高比例新能源渗透背景下，建立能够准确描述复杂环境因素影响下含新能源的区域电网端口特性动态模型，对于新型电力系统动态分析至关重要。为此，提出了一种基于微分代数神经网络的含新能源区域电网端口动态特性学习方法。该方法利用微分代数神经网络，基于区域电网接入点的时序量测以及光照强度、温度等环境量测数据，学习以神经网络表达的端口特性模型。所得模型由初始状态提取模块、微分神经网络模块、代数神经网络模块组成，可直接接入电力系统暂态仿真器中，用于分析电力系统整体动态特性。在IEEE-39节点系统中对该方法进行仿真验证，测试结果表明：所得模型能够适应不同环境场景，准确率高，验证了方法的有效性。该建模方法仅依赖端口时序量测，在新型电力系统动态分析中具有较大的应用潜力。