算法优化

主要阐述申昊科技在机器人可持续服务的思考与实践。申昊科技以“工业健康有申昊，排除故障不再难”为企业使命，不断深化机器人可持续巡检服务能力。从稳定、智能、开放、精细及高效等维度来说明所进行的研究，包括AI图像识别、导航算法优化、融合感知等技术，并进一步结合实践情况来证明此类研究价值。申昊倡导构建机器人可持续服务能力不仅着眼于过去和现在，更着眼于未来，通过强化机器人的服务性本质，使得巡检机器人持续焕发生命力。

当前，基于深度学习目标检测技术的设备缺陷识别已经在变电站远程智能巡视中得到广泛应用，本报告先总体概述基于深度学习目标检测的技术发展路线图；其次通过对不同类别和场景设备缺陷识别算法的深度分析，给出相应的技术路线在算法层面和数据层面的优化，在算法层面，引入特征提取和表征能力更强的Transformer架构，再结合端到端的目标检测架构，实现检测效果大幅度提升；数据层面，采用数据生成和增广策略，如生成对抗网络和扩散模型，增加样本的多样性，从而进一步实现检测效果的提升；最后探讨基于深度学习的设备缺陷识别及设备状态评价技术研发趋势及应用前景。

详细介绍了福建省提升接地研判准确率的主要做法、典型经验与应用成效，以及站内精准选线、站外精准选段、主站算法优化、评价跟踪管控和接地比武测试等五方面重点工作。同时，针对配网全类型故障FA自愈覆盖，拓展缺相FA、接地FA等故障处置类型，分享了典型案列与实践经验。

针对锅炉燃烧系统的多目标优化，在所建立的锅炉燃烧系统预测模型的基础上，分别采用加权-粒子群算法和多目标粒子群优化(multi-objective particle swarm optimization，MOPSO)算法优化锅炉系统的可调整运行参数，以实现锅炉高效率低NO x 排放。分析表明，2种优化算法所得的运行参数相近，趋势与燃烧特性分析和燃烧调整试验结果相符合，说明智能算法优化电站锅炉燃烧系统有效可行。但是加权-粒子群优化算法主观依赖性严重，难以选取合适的权值，优化时间长且结果少；而MOPSO算法优化时间远远小于加权-粒子群算法优化时间，并且优化结果更多，优化效率更高，更有利于指导锅炉的实际运行。

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。

针对长短期记忆(long short term memory, LSTM)神经网络存在短期负荷预测精度低和稳定性差的问题，提出一种基于多策略改进金豺(improved golden jackal optimization, IGJO)算法优化LSTM的短期电力负荷预测模型。首先融合凸透镜成像反向学习策略，探索更好的初始解位置；引入Sigmoid函数改变逃逸能量，平衡探索和开发阶段；融合鲸鱼优化算法的螺旋包围机制，增强探索能力，提高收敛精度。然后，引入LSTM神经网络，利用IGJO算法优化LSTM的超参数，并建立IGJO-LSTM短期电力负荷预测模型。最后，使用河南某地区的实际电力负荷数据验证IGJO-LSTM短期负荷预测模型。实验结果表明，所提预测模型在工作日和周末不同时刻的电力系统短期负荷预测结果与实际负荷较接近。相比于传统预测方法，所提预测模型具有更高的精确度和稳定性，并具有一定的实际应用潜力。

为提高电力负荷的预测精度，提出一种基于VMD-SE的电力负荷分量的多特征短期预测方法。首先采用变分模态分解（VMD）将原始负荷分解为一系列模态分量与残差，VMD的分解层数由样本熵值（sample entropy，SE）确定；然后对比原始负荷与模态分量的SE值，重构为平稳分量和波动分量，来降低运算规模；同时利用皮尔逊相关系数来筛选特征变量，删除特征冗余，建立灰狼算法优化后的支持向量回归模型（GWO-SVR）和长短期记忆神经网络（LSTM）分别对平稳分量和波动分量预测；最后以某地区2018—2020年用电负荷为例进行实验。实验证明：此模型精准度高达94.7%，平均绝对百分误差降低到2.98%，具有更好的精准性和适用性。

为了保证油浸式变压器故障诊断的可靠性，提出了一种基于多策略改进蜣螂算法(multi-strategy improved dung beetle optimizer, MIDBO)优化双向长短时记忆网络(bi-directional long short-term memory, BiLSTM)的变压器故障诊断方法。由于蜣螂算法存在全局搜索能力较差、容易陷入局部最优解的缺点，首先通过Bernoulli混沌映射、引入自适应因子和Levy飞行策略融合动态权重系数进行改进，并对其性能进行评估。然后针对BiLSTM的诸多超参数利用MIDBO进行优化，形成MIDBO-BiLSTM故障诊断模型。通过核主成分分析(kernel principal component analysis, KPCA)提取特征值，进而深入分析特征值与故障类型之间的关联性，提高模型的收敛速度。最终实验结果表明所提出的MIDBO-BiLSTM变压器故障诊断方法准确率高、泛化能力强。其准确率高达94.67%，适用于变压器的故障诊断。

分布式光伏功率预测对光伏电站运行和调度具有重要意义，针对点预测方法难以全面描绘分布式光伏功率不确定性的问题，提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)和麻雀搜索算法优化的最小二乘支持向量机(sparrow search algorithm optimized least square support vector machine，SSA-LSSVM)分布式光伏功率区间预测模型。 方法 首先，通过CEEMDAN将光伏功率序列分解为多个模态分量，再对一次分解得到的高频非平稳分量进行二次分解；其次，采用样本熵(sample entropy，SE)将所有分量重构为趋势分量和振荡分量；然后，通过SSA-LSSVM得到2个分量的点预测值；最后，对振荡分量的点预测误差进行概率密度估计，叠加点预测值得到总体的预测区间结果。 结果 所提区间预测模型具有更高的区间覆盖率且区间平均宽度更窄。 结论 在分布式光伏功率数据处理中加入二次模态分解，再结合样本熵对其子序列进行重构，可有效降低原始预测分量的复杂程度，同时提升模型预测准确性。

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。