发表咨询:400-808-1731
订阅咨询:400-808-1751
北大期刊
影响因子 0.65
人气 24537
省级期刊
影响因子 0.67
人气 24302
北大期刊
影响因子 0.99
人气 23230
部级期刊
影响因子 0.98
人气 18734
北大期刊
影响因子 0.95
人气 18050
部级期刊
影响因子 0.38
人气 12809
省级期刊
影响因子 0.16
人气 12302
部级期刊
影响因子 0.67
人气 12235
北大期刊
影响因子 0.79
人气 9748
省级期刊
影响因子 0.48
人气 9705
摘要:在坚强智能电网的深化建设与泛在电力物联网的快速发展中,第5代移动通信技术(5th generation mobile networks,5G 通信)因具有“高带宽、高容量、高可靠性、低延时、低功耗”的特点,将成为引领和支撑电力系统技术创新、实现万物互联的关键技术。电力系统本身的特点以及其对通信的要求决定5G通信技术在某些特定领域能够发挥关键作用。该文介绍5G通信的基本技术原理及其特征、关键性能指标,分析 5G 在未来电力系统通信中的应用定位,深入探讨其在电力系统中面向高带宽、高容量、低时延3大需求的潜在应用场景;最后分析了其在物理、信息和用户层面对电力系统的影响与挑战。
摘要:为了提高卷积神经网络(convolutional neural network,CNN)的分类性能,提出 CNN 综合模型,以及 CNN 与时域仿真相结合的暂态稳定评估解决思路。首先,构建若干个具有相同结构、不同参数的 CNN 模型进行训练和预测;然后根据一定的结果综合原则对若干个 CNN 模型的预测结果进行综合,得到“稳定”、“不稳定”和“不确定”3 种分类预测结果;最后将结果不确定的样本送入时域仿真进行稳定评估。采用某省级电网算例进行了分类效果验证。结果表明,对于某故障形式,所提出的 CNN 综合模型,确定样本实现了 100%的正确率,而结果不确定的样本占总样本的比例在6%以内,说明该模型具有良好的故障筛选性能。
摘要:人工智能及机器学习技术的快速发展,为负荷预测问题提供了崭新的解决思路。该文结合人工智能的前沿理论研究,提出一种基于多模型融合 Stacking 集成学习方式的负荷预测方法。考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势,构建多个机器学习算法嵌入的 Stacking集成学习的负荷预测模型,模型的基学习器包含 XGBoost树集成算法和长短记忆网络算法。算例使用 ENTSO 中瑞士负荷数据对算法有效性进行了验证。预测结果表明,XGBoost、梯度决策树、随机森林模型能够通过自身模型的增益情况对输入数据的特征贡献度进行量化分析;Stacking中各个基学习器的学习能力越强,关联程度越低,模型预测效果越好;与传统单模型预测相比,基于多模型融合的Stacking 集成学习方式的负荷预测方法有着较高的预测精度。
摘要:随着用电信息采集系统的广泛推广,数据驱动的机器学习方法在电力系统优化运行领域的应用已引起广泛关注。该文基于电网在线运行状态数据采集,采用竞争深度 Q 网络(dueling deep Q network,DDQN)结构的深度增强学习方法开展电动汽车充电控制优化。首先选取观测状态与执行动作,定义状态动作估值函数,其次针对动作和状态维度上的绝对数值相差过大的问题,采用 DDQN 的 Q 函数,引入ε-greedy 策略、记忆存储单元以及批量梯度下降法进行神经网络的分层学习,然后基于 DDQN 训练后的神经网络,开展电动汽车充电控制的深度增强学习优化。最后,结合IEEE33 节点扩展算例说明所提电动汽车充电控制优化方法在满足各类用户出行的充电需求条件下,实现合理消纳可再生能源发电。
摘要:精确的变电站级负荷预测是电网精益化运行决策的重要基础,但存在不同站间负荷特性差异大、微观关联因素多样性强等传统预测方法难以处理的问题。基于变电站历史负荷数据与其所在区域的外部环境数据,通过深度信念网络算法(deep belief network,DBN)强大的学习能力,避免了相似日等特征选取问题,并采用 Nadam 动量优化算法训练深度信念网络,得到 DBN 最佳参数,构成针对变电站负荷预测的学习框架,并基于 Keras 深度学习框架自动调整 DBN 结构,达到最优预测结果。以 20 个具有典型负荷特性的 220kV变电站实际负荷数据为样本集,在周、日和小时级 3 个预测时间尺度上,通过 2 种误差计算方式作实例对比证明,所提方法能够充分进行自适应深度学习,并进行高精度变电站级负荷预测。
摘要:研究电网扰动传播动力学行为对大电网安全稳定运行具有重要作用。该文在研究电网扰动传播动力学时尝试借助生物学中成熟的传染病模型进行研究。首先,在类比传染病模型的基础上,提出电网扰动传播强度的概念;进一步利用复杂网络理论对复杂电力系统网络进行拓扑分析,利用随机矩阵理论对电网时空数据进行关联关系分析;最后,基于数据驱动建立电网扰动传播动力学模型,对电网扰动传播行为进行预测。仿真结果表明,所提模型是传统电网扰动传播分析的有效补充,为电网扰动传播动力学行为分析提供新途径。
摘要:随着风电在电力系统中渗透率不断提高,风电机组接入电网带来的机网相互作用问题已严重影响电网安全和电能质量,对风电机网相互作用进行研究意义重大。在TensorFlow深度学习框架下,提出一种基于长短期记忆(long short-termmemory,LSTM)网络的风电机网相互作用预测模型。首先,通过主成分分析法(principal component analysis,PCA)对多变量时间序列做筛选,降低数据维度。其次,用LSTM网络对选出的风电机网相互作用关联因素序列和风电实际输出序列之间的非线性关系进行建模,并通过实例与其他预测方法对比证明其具有更高的精确度和适用性。最后,对机网相互作用观测对象的预测数据进行Prony分析,通过实测数据验证采用观测对象预测值分析机网相互作用的可行性和有效性。
摘要:可再生能源大规模并网导致电力系统转动惯量降低,在扰动事件下的频率稳定问题突出。时域仿真存在计算量大、运算耗时长等缺陷,难以满足复杂多变运行方式和海量预想事故下的频率指标快速评估需求。为了实现功率扰动事件下系统惯性中心多维频率指标(极值频率、最大频率变化率、准稳态频率)的快速评估,该文将深度学习引入到频率稳定研究中,提出一种基于改进堆栈降噪自动编码器(improved stacked denoising autoencoders,ISDAE)的智能化评估方法。首先,利用随机森林算法筛选出重要特征变量作为输入数据,实现输入数据降维;然后,将多个降噪自动编码器堆叠,构建深度学习网络结构;采用"预训练-参数微调"方法训练网络参数,引入Dropout技术提高算法泛化能力、防止过拟合,基于均方根反向传播(root mean square back propagation,RMSprop)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,根据离线训练得到的ISDAE网络结构实现扰动事件后系统惯性中心的多维频率指标在线评估。在修改后的IEEE RTS-79系统进行测试,与时域仿真、浅层神经网络以及未改进的SDAE方法所得结果进行比较,验证所提方法的快速性、准确性以及良好的泛化能力。
摘要:深度探索用户负荷的用电特性是面向电力大数据趋势下电力市场精细化发展的迫切需求。该文提出一种计及数据类别不平衡的用户负荷典型形态提取模型,适用于电力系统负荷数据量大、缺乏训练标签的情况。首先,通过K-medoids算法将局部数据聚类获取类别标签作为训练集。针对训练集部分类簇数据样本过小,采用基于聚类结果的过采样方法进行类别平衡。负荷数据分类采用基于Spark的分布式神经网络基分类器集成学习方法。最后,通过形态互相关性提取典型负荷形态特征。算例选取模拟日负荷数据和爱尔兰实测负荷数据,对比K-means聚类和K-medoids+串行BPNN分类性能,验证了所提算法的有效性和实用性,同时也证明了该方法对于负荷分类所具有的效率优势。
摘要:该文针对直流互联异步电网的频率稳定问题,考虑数据驱动方法在电力系统紧急控制中的时效性优势,提出一种基于多层支持向量机(support vector machines,SVM)的交直流电网频率稳定紧急控制方法。该方法利用3层SVM模型实现直流紧急功率支援和自动切负荷控制相结合的最优频率稳定协调控制策略。其中,第1层是建立基于v-SVR的扰动后频率稳定预测模型,该模型能够基于扰动后瞬间的WAMS数据快速预测出稳态频率;第2层是建立基于C-SVC的频率稳定控制方式判断模型,该模型根据预测频率判断相应采取的合理控制方式;第3层是建立基于v-SVR的频率稳定控制策略制定模型,该模型根据所选择的控制方式制定出最优控制策略。仿真分析表明,该方法不仅大大提高了控制时效性,而且具有很好的准确性和有效性,适用于交直流电网频率稳定紧急控制的在线应用。
摘要:针对目前常用的浅层模式识别方法对高维大容量样本处理困难的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)的Wigner Ville分布(Wigner-Ville distribution,WVD)和堆叠稀疏自编码网络(stockedsparse auto-encoder,SSAE)的局部放电(partial discharge,PD)信号的模式识别方法。首先,以VMD算法对PD信号进行分解,对所得各分量进行时频分析得到相应的WVD;然后,以PD信号的VMD-WVD分布为输入量,利用SSAE对样本集合进行训练,自主提取内在特征。此外,将SSAE与稀疏自编码器(stackedsparseauto-encoder,SAE)的输出特征进行比较,验证了SSAE网络特征提取能力的优越性;最后,用训练好的SSAE网络完成测试样本的局部放电类型的识别。同时,以基于反向传播(backpropagation,BP)神经网络和支持向量机(support vector machine,SVM)的识别结果与该结果进行比较。结果表明,所采用的识别方法具有更高的正确识别率。
摘要:为了提高电网仿真在线数据挖掘的泛化能力和快速判稳的准确率,提出一种基于长短期记忆网络(long short-term memory,LSTM)算法的电网仿真样本生成方法,搜集了电网仿真计算离线数据中的用户调整潮流行为数据,并进行处理。基于此数据利用LSTM算法搭建模型,并生成潮流调整策略,根据策略生成不同的运行方式数据,结合电网预想故障集和仿真计算生成电网仿真稳定样本,通过不同的样本数据,利用电网安全稳定快速判稳算法验证所提方法的可行性和有效性。
摘要:随着可再生能源产业不断壮大,可再生能源消纳问题日益凸显。为了充分挖掘源–网–荷–储联合运行的灵活性调节能力,提高可再生能源的消纳水平,该文提出一种基于灵活性平衡理论的可再生能源消纳策略。通过Nash博弈实现参与消纳的各主体相互利益达到均衡,并提出一种多智能体迁移强化学习算法。该算法采用了多种人工智能技术,包括基于Nash-Q学习的强化学习技术、资格迹更新技术和迁移学习技术,使学习方式更加灵活、效用更广泛、泛化能力更强。通过算例仿真验证了所提算法在保证最优解质量的同时,具有快速求解的能力,非常适用于求解多主体参与可再生能源消纳问题。
摘要:减少碳排放的重要途径之一是大规模引入新能源。然而,随着大规模风、光、电动汽车等新能源和分布式能源接入复杂互联电网,给电网带来严重的随机扰动问题。该文从自动发电控制角度,探索了一种动作探索感知思维的深度强化学习算法,即DDQN-AD。通过将神经网络的预测机制作为强化学习的动作选择机制,同时引入具有动作探索感知思维的AD策略,将区域控制误差与碳排放作为综合奖励函数,来获取强随机环境下的最优控制策略,进而解决分布式能源大规模接入电网所带来的随机扰动问题。对改进的IEEE标准两区域LFC模型,以及多区域多能生态系统模型进行仿真,结果显示DDQN-AD与已有的多种智能算法相比,具有更优的动态性能和在线学习能力,能够获得区域最优控制,减少碳排放。
摘要:电力变压器运维过程中形成的工作票及操作票等文本蕴藏着丰富的设备状态信息,然而由于中文文本结构和语义的复杂性,难以进行信息挖掘。针对该现状,提出基于深度语义学习的变压器运维文本信息挖掘方法。首先分析并归纳传统文本挖掘模型的局限性及变压器运维文本的特点,然后利用分布式文本学习工具word2vec,自动学习语义信息,将单词用低维稠密向量表示,并建立循环卷积神经网络,基于其端到端的网络结构提取文本的深层语义特征。基于变压器运维文本的案例分析表明,所提方法比常规文本挖掘方法的语义学习能力更优。通过对非结构化文本数据的信息挖掘,有利于今后结合结构化数据,全面评估变压器运行状态。
摘要:Allam循环是以超临界CO2(s CO2)为工质、通过燃料和氧气直接燃烧加热的一种新型Brayton循环。为了掌握国内外相关前沿发展动态,综述Allam循环的基本原理、经济性、工质物性、基本燃烧特性和材料腐蚀的研究进展。结果表明,Allam循环在工作压力30MPa、透平进口温度1100℃时的供电效率,比现有的F级燃气轮机天然气联合循环高2.3个百分点,可燃用天然气和煤制合成气,实现完全碳捕集,无NOx等污染物排放,并可与煤气化系统形成新型整体式联合循环;真实气体状态方程SW和LKP方程可分别用于计算纯s CO2与混合物的状态参数;甲烷在s CO2气氛中的层流火焰传播速度比在亚临界CO2/空气混合物中高100倍,随当量比单调升并趋于恒定,不存在富燃料熄火极限;受压力影响显著;现有详细反应动力学机理中的Aramco2.0与USC-II预计更适于描述超临界燃烧特性;超临界CO2在450℃以上对合金材料的腐蚀性加剧,少量含水有抑制作用;材料中的合金Cr含量是抗腐蚀的关键因素;燃烧室筒壁材料宜用镍基合金,近些年,美国多个国家实验室和公司已完成核电s CO2循环论证和再压缩循环试验装置,完成天然气及合成气s CO2燃烧室设计,并通过台架试验,进入50MW(th)天然气电厂示范阶段,我国于2017年启动重点研发计划项目“超高参数高效二氧化碳燃煤发电基础理论与关键技术研究”,应在此基础上及早开展Allam循环关键技术基础研究。
摘要:利用石蜡相变潜热大,熔点低,热稳定性较好的特点,采用空气与石蜡直接接触进行换热,可有效提高换热速率,实现充分换热。从单气泡角度分析换热能量方程,得到空气与石蜡直接接触换热模型。基于双流体模型,将直接接触换热模型与界面浓度模型耦合,模拟鼓泡塔内气体和石蜡的流动及换热过程。试验结果部分验证了仿真结果的正确性。直接接触换热模型的体积换热系数预测值与试验值最大误差为2%。分析鼓泡塔内整体气含率、石蜡温降速率、体积换热系数和塔内石蜡温度分布的规律,结果表明整体气含率,石蜡温降速率和体积换热系数随表观气速的增加而增加。塔内温度分布均匀,塔底与塔顶温差为2K。
摘要:静电场内湿式阳极表面水分子扩散趋中引起增湿和水合离子趋壁诱发除湿这一矛盾相互制约和平衡。文中对热湿传递过程静电场内温/湿度场分布、颗粒物粒径演化、团聚特性进行研究,并提出了该过程中细颗粒物团聚模型及发展机制。结果表明:静电场作用下湿度场重新分布,湿度浓淡分布与水合离子密度大小分布一致;颗粒物吸附水分子后比电阻降低、相对介电常数增大、荷电量提高,利于被静电场捕获;烟气\液膜分别主导的热湿传递过程其颗粒团聚机制及后续引发的颗粒成长性差异显著,前者以0.2μm为界亚微米和微米级颗粒在数量上此消彼长,后者颗粒团聚链明显变长团聚体尺寸变大,3~5μm颗粒数浓度增幅明显。随着热湿传递由弱变强,颗粒团聚模型主要为并列团聚、珠串状团聚、堆积团聚、团絮状团聚4种形貌。