针对温度累积效应对负荷变化造成的影响,提出了一种计及温度累积效应的智能电网负荷预测算法。将持续高温对电网负荷的影响计入预测模型中,并利用模块化神经网络保证了对温度累积效应学习的独立性和准确性。由三个子网络构成多模块神经网络的第一层,以温度、时间及负荷特征为输入参数,所得负荷预测的准确度可达98.13％,且误差较修正前降低了28.63％。结果表明,所提算法具有更高的预测准确性和运行效率。

针对多自由度电机无线电能传输中传输效率较低的问题,提出基于磁耦合谐振的多自由度电机无线电能传输方法。该方法根据共振原理构建磁耦合谐振式无线电能传输模型,通过反射系数描述阻抗匹配状态,获取最佳负载阻抗;采用混沌优化算法优化电机线圈损耗率,实现多自由度电机无线电能传输优化。实验结果表明,应用该方法后,多自由度电机的电能输出功率达到了893 W,传输效率提升了0.10以上,提高了电能输出功率和传输效率,方法有效,具备可行性。

针对以单纯云计算为基础的电网脆弱线路辨识中,存在主节点计算压力大、耗时过高的问题,引入云边协同方法,设计了一种以云边协同为基础的电网脆弱线路辨识方法。以云边协同逻辑架构为基础,将云计算与边缘计算相融合,构建电网脆弱线路辨识模型。利用PageRank算法建立DNS缓存,整合云计算下的边缘设备数据源,以基尔霍夫定律为基础,计算不同线路的潮流值,根据潮流结果完成电网脆弱线路辨识。结果表明,所提方法对电网中的脆弱线路辨识性能更强、耗时更短。

针对磁粒子成像技术尚停留在实验室鼠用设备阶段,传统线材线圈过大,无法在可接受的设备体量内达到临床人体检测所需磁场强度的问题,提出了一种基于超导技术构建高场强、小型化磁粒子成像设备的方法。采用高温超导MgB₂线圈替代传统铜线圈,构建磁粒子成像选择场与驱动场。结果表明,在达到相同磁通量的情况下,超导磁粒子成像系统可将两组功能区总质量降低为0.01 kg,设备体积缩小至7 L。在此基础上,采用超导线圈构建梯度磁场还能够获得更高的变化斜率,使零磁扫描区边缘更为清晰规则,移动过程中形态更为稳定,平均直径缩小近二分之一。

针对泛在电力物联网结构复杂、数据多样且不确定的问题,提出了一种基于多模态马尔科夫决策的泛在电力物联网大数据智能挖掘方法。该方法构建了一种基于最大熵的马尔科夫决策算法,对电力泛在物联网进行故障诊断和负荷预测,具有标记样本需求量小、置信度高的特点。通过结合电气量信息及开关量信息来提取电网数据特征,从而充分利用多模态数据样本。仿真分析与实验结果表明,相比于传统方法,所提方法能够有效识别出包括信息畸变在内的电网故障,提升电网故障诊断的准确率和电网负荷预测的精度。

因软件发布的迭代频率难以满足软件交付的需求,提出了基于微服务的研发运维一体化关键技术。利用粗粒度实现微服务发布,基于容器的自动发现机制和微服务注册机制实现虚拟化技术,利用DevOps技术和敏捷开发方法论完成运维一体化。实验结果表明,所提方法的生成时间均在10 s以内,可靠性均保持在90％以上,在执行程序过程中占用的内存在50 MB波动,能够有效提高研发运维一体化运行效率,缩短部署时间,降低执行内存,确保可靠性,为研发运维一体化技术提供初步参考。

针对智能变电站内一次设备红外监测图像分析与处理智能化较低的问题,提出了一种基于Faster R-CNN的变电站异常设备红外检测图谱分析方法,并实现了变电站故障设备的智能识别和原因分析。将远程终端单元所采集到的红外图像进行预处理,并对图中的变电站设备进行识别;采用大津算法结合图像灰度值的特殊性对图像进行分割与图像配准;Faster R-CNN则用于对比判断设备是否处于故障状态并分析原因。实验测试结果表明,所提方法对于多种故障设备的识别准确率均在90％以上,具有较优的鲁棒性。

针对电力信息数据量较大且存储速度较慢的问题,提出了一种基于雾计算的电力信息存储与共享方法。该方法包含了基于差分同步的数据存储方式与基于雾计算的组合数据共享机制。数据存储方法将一部分数据的计算和存储工作转移到雾服务器中,以减少云计算平台的工作负载,从而实现更高效的数据存储;组合数据共享机制通过在雾端建立虚拟化数据共享机制来防止电力信息数据的丢失、损坏及恶意修改。仿真实验与结果表明,该方法能显著减少云服务器的响应次数,进而减轻云计算的负担,具有更高的数据恢复率,相比于传统方法,所提方法可实现高效、安全的电力信息存储及共享。

针对大数据环境下电力工程造价在精准化、动态化等方面存在的不足,提出了一种基于BIM与CNN的电力工程造价优化算法。利用BIM技术的特点进行电力工程全生命周期的造价管理,实现了造价的动态化管控。并且采用Levenberg-Marquardt规则算法改进卷积神经网络,通过改进后的CNN网络对每个工程环节的造价完成预测,从而优化整个工程的施工方案。结合相关的电力工程造价数据,基于Matlab对所提算法进行实验测试。结果表明,当学习率为0.010时CNN网络的性能最佳,所提算法的预测准确率为94％,并且与造价的真实值最为接近。

为了优化大数据预测系统的准确率和运算耗时,在张量理论的基础上,提出了一种适用于电网领域的多模态预测方法。通过综合运用张量和马尔科夫理论,设计了一种具有较强适应性的多元多阶马尔科夫模型,以及无假设前提的马尔科夫转移方法。在此基础上,基于张量链理论的短期预测和长期预测算法,提出了具有较低计算复杂度的大数据多模态预测方法。相关仿真验证结果表明,与经典马尔科夫预测方法相比,基于张量链的多模态预测方法具有更高的预测准确率与更少的运算耗时。

针对传统基于阈值判别方法的电网火灾预警系统预测精度低、抗干扰能力弱的问题,提出了一种基于模糊神经网络的电网消防预警算法。该算法利用神经网络学习大规模电网数据,使用模糊逻辑推理算法来提升预测结果的推理能力,并通过结合神经网络对大规模数据的学习能力和模糊逻辑算法的推理能力来分析电网线路参数,从而提升电网消防预警系统的精度和抗干扰能力。实验与仿真结果表明,所提出方法能显著提升电网火灾的预警精度,且使用模糊逻辑推理可以得到更符合实际情况的电网火灾预警结果。

针对电网中行为种类复杂多样且数量众多的问题,提出了一种基于自回归模型的电网异常流量检测算法。该算法利用深度自编码网络自动提取网络流量数据的特征,降低异常流量检测的分析周期,并自动挖掘数据的层次关系。通过支持向量机对提取的特征进行分类,实现对异常流量的检测。仿真实验结果表明,所提算法可以分析不同攻击向量,避免噪声数据的干扰,进而提高电网异常流量检测的精度,对于流量数据处理具有重要意义。

针对变电站消防资源分配与分布不均匀的问题,提出了一种基于多目标优化的变电站消防资源配置算法。该算法采用电力生产场所的道路网作为变电站消防责任区划分的依据,并结合各划分区域的消防需求构建消防资源配置模型。根据该模型的特点,在帕累托最优解的约束下提出了一种基于模拟退火的多目标优化算法,来求解该消防资源配置模型。仿真与实验结果表明,所提出的消防资源配置模型更符合实际变电站各场所分布的特点,且所提出的多目标优化算法得到的消防资源分配结果能在消防资源有限的条件下,实现最大的配置效益和快速的消防响应。

为解决新能源、电动汽车、储能等新技术应用下,高复杂度电力系统电压稳定控制问题,提出了一种基于模糊理论的输电网络电压无功控制策略。该方法引入模糊理论中的隶属度函数,根据系统节点与不同分区之间的耦合程度制定无功控制策略。根据灵敏度计算网络各个节点之间的电气距离,通过模糊聚类算法对节点进行初步分区,并采用聚类融合算法对聚类产生的多个结果进行融合,从而得到最终分区结果。根据关键节点对各个分区的隶属度制定主辅控制策略。IEEE30节点输电网络的算例分析表明,该控制策略可以有效实现对无功功率的控制。

为贯彻落实绿色发展理念,提升现有电网工程绿色建造评价方法的全面性、系统性以及客观性,提出了一种基于灰色系统理论的模糊综合评价模型。通过研究影响电网工程设计、施工与交付等环节的重要绿色评价因子,构建了多层次的绿色建造评价指标体系。并基于灰色系统理论确定指标权重,建立了多层级模糊综合评价模型。同时选取电网工程案例来进行验证,证明了该模型能够科学、合理地确定各指标的权重,从而为电网工程绿色建造评价及不断优化提供了支撑。

针对输电线路无人机巡检实时性和准确性的要求,深入研究了YOLOv3目标检测算法在无人机巡检机载AI模块中的应用。利用将目标检测候选区选取和对象识别合二为一的YOLOv3算法,结合多尺度特征融合方式实现了目标检测的高准确性和实时优化,并采用残差块解决了模型退化问题。输电线路绝缘子检测结果表明:YOLOv3算法平均精度可达90％,相同条件下YOLOv3算法平均处理速度约为Faster RCNN算法的3.2倍,约为SSD算法的1.6倍。

针对现有大多数方法难以充分挖掘出电网数据潜在价值的问题,提出了一种云边协同背景下基于随机森林算法结合BP神经网络的电网数据资产综合处理技术。该技术在靠近电网数据源一侧部署边缘计算节点,以构建云边协同环境下的电网数字化资产管理系统。利用随机森林算法设计分类器完成电网数据类型的划分,并将各类型数据输入至BP神经网络中进行学习,通过不断地迭代优化输出相应的综合处理结果。基于Python平台进行的实验分析结果表明,所提技术的分类准确率均超过了90％,能够有效提升电网数据资产的处理效率。

为了进一步降低电力监控网络遭受攻击的风险,基于ECC公钥加密算法,提出了具有较高安全性能的智能接入协议。通过研究电力监控网络的基本架构和安全体系,总结了电力监控终端所面临的多种攻击方式。并在此基础上,利用ECC公钥加密算法,深度改进适用于电力监控网络的智能接入协议,进而优化协议的加密耗时、解密耗时及安全强度等多项参数。仿真结果表明,与基于RSA算法的协议相比,基于ECC算法的智能接入协议具备更高的安全强度。

针对电力市场环境下短期电力系统负荷预测准确性较低的问题,提出了一种基于LSTM人工神经网络的组合预测模型。分析了LSTM神经网络和其变体GRU神经网络在进行负荷预测时学习时序特征的独特优势,并以卷积神经网络作为负荷数据的特征提取层,结合GRU网络构建了组合模型,通过建立残差预测模型对结果进行修正。仿真结果表明,具有记忆功能的神经网络预测效果要优于ANN和SVM模型,且所提出残差预测模型的负荷预测平均相对误差约为1.79％,其准确性高于单一算法的负荷预测模型。

针对传统异常用电行为识别方法准确率低、时效性差且人工消耗较高等问题,提出了一种基于粒子群算法的改进孤立森林识别方法。该方法通过总结异常用电行为规律,重构相关行为的特征指标,并侧重于对异常样本的学习与训练,进而在集成算法套袋思想的基础上构建了孤立森林。同时利用粒子群算法的群集寻优能力选择出精准度较高、差异度较大的孤立树形成子集,进一步优化了异常用电行为的识别效果。实验结果表明,改进方法的AUC值和识别效率均高于聚类算法及孤立森林算法,能够对异常用电行为进行准确识别。

针对现阶段变电站智能化设计中,电力工程造价在价格预测及管控策略方面存在的不足,利用粗糙集的属性约简理论对历史数据做约简压缩,结合蒙特卡洛模拟算法对具有一定概率分布的子项目进行单位容量工程造价到项目总造价预测;以智能变电站为研究对象,构建了基于蒙特卡洛算法的电力工程造价预测模型。实验结果表明,智能化工程建设造价预测分析方法可靠准确,基于粗糙集规约的蒙特卡洛算法相较于经典蒙特卡洛模拟算法,在随机抽样数据集上的测试精度至少提高0.5％。

针对现有大多数方法难以兼顾系统经济性与新能源消纳的问题,提出一种基于改进遗传算法的源网荷储协同控制方法。该方法综合考虑源网荷储系统的特性,构建了以运行成本和弃风弃光量最小化为目标的模型。通过采用混沌优化算法来对遗传算法进行改进,进而设计一种基于双层嵌套结构及改进遗传算法相结合的高效方法用于目标函数的求解,以得到最佳的系统控制模式。基于IEEE33节点系统对所提方法进行实验论证的结果表明,优化后系统的弃风弃光量和运行成本仅为0.872 MW及2.330万元,说明了该方法可有效减少系统的运行成本,并提高新能源的消纳。

针对大部分电缆局放(PD)信号识别方法在噪声影响下的识别准确率低、波形失真等问题,提出了一种基于小波变换与数学形态学的电缆PD信号识别及降噪方法。该方法利用最大重叠离散小波变换提取PD信号的高频和低频特征,结合重构和数学形态法滤除噪声。利用自适应神经网络学习小波变换后的特征,最终完成PD信号的识别分类。基于某变电站实测PD信号波形对所提方法进行实验分析结果表明,信号降噪处理后的信噪比与均方误差分别为5.439 dB、0.251,且整体的识别准确率超过了88％,均优于其他对比方法,具有良好的应用前景。

为解决微电网储能调度中消耗功率高的问题,设计了基于能源区块链网络的微电网共享储能调度模型。将微电网共享储能调度模型设置为分层储存、调度模型,上层为能源区块链网络模型,下层为微电网储存调度模型。利用储能规划方法多次归纳能源区块链网络信息。设定固定约束格式,从日前能源储存调度合约和日内能源储存调度合约两个方面约束模型。通过状态预测、信息预测、模型调度能力验证、自动预测和模型方案执行完成调度工作。结果表明:该模型降低了微电网日前调度合约电价和消耗功率,提高了微电网储能调度能力。

针对新能源发电因大量并网而导致电网安全性降低的问题,提出了一种基于改进孪生支持向量机的新型电力系统继电保护故障诊断模型。该模型面向新型电力系统设计了一种继电保护体系,并结合设备状态特征构建了故障时序模型。同时利用蛙跳算法对孪生支持向量机的参数进行寻优,以获得最优模型用于设备状态量的分析处理,从而实现故障类型的快速分类。实验结果表明,改进孪生支持向量机的分类准确率约为90％,且所提模型的故障诊断准确率和时间分别约为98.05％及1.48 s,优于其他对比方法。

针对现有预算控制方法存在目标单一,效果不理想等问题,提出了一种基于FA-ELM深度挖掘模型的电力工程预算控制技术。通过深入剖析电力工程费用的组成与影响因素,提出了工程进度与预算双目标的管控方式。利用萤火虫算法优化极限学习机网络,构建FA-ELM预测模型,将预处理后的电力数据输入FA-ELM模型中,可估计每个阶段的工程费用,便于管理人员采取相应的措施。在MATLAB仿真平台上对所提技术进行实验分析,结果表明:FA-ELM模型的预测误差均控制在6％以内,且工程总费用节约了14.09％,整体性能优于其他对比技术。

针对非接触式电力变压器在监测及运行状态识别过程中存在的问题,提出了一种基于粒子群优化的电力变压器声纹识别技术。通过利用加权优化的线性预测倒谱系数和差分组合的梅尔频率倒谱系数作为变压器声纹识别的特征向量,构建了应用于变压器声纹识别的粒子群优化神经网络模型。实验结果表明,特征向量为线性倒谱系数时,所提模型识别效率要比BP神经网络的识别效率高33％;采用梅尔倒谱系数作为特征量识别准确率比线性预测倒谱系数大约提高了5.3%,平均识别时间缩短了约25%。

针对常规检测方法在气体绝缘组合电器击穿点定位的局限性,采用基于波束形成的声成像技术对GIS击穿放电点进行定位。通过研究可控响应功率的波束形成技术,利用互相关函数进行延时估计,并结合相位加权算法进行滤波处理,从而得到了一种具有更强抗噪性和抗混响能力的击穿点定位方法。实验结果表明,所提方法对GIS击穿点的综合定位误差约为4.79％,具有更高的鲁棒性。在放电点位置和传感器位置发生变化的情况下,该方法的平均定位误差约为4.57％,定位精度高于95％。

针对调度主站和电网GIS平台图模数据源不统一、图模规范不一致,导致电力系统输变配拓扑无法贯通及图模维护工作量大的问题,提出了一种基于CIM/SVG的电力系统图模数据融合技术。依据图模交互规范梳理图模校验规则,采用CIM解析图模,运用SVG分析中间结构拓扑。开发图模数据融合系统实现数据维护源头统一,支撑输变配一张网的拓扑贯通与集成应用。通过对多个地市局不同电压等级大量变电站样例图模接入,结果表明所提技术的正确性及可行性,有效解决了输变配图模数据融合的问题。

针对电力市场环境下短期电力系统负荷预测准确、高效的要求,提出了一种改进的支持向量机短期负荷预测方法。利用主成分降维获取日负荷数据的特征因子,通过灰色关联分析建立负荷特征因子与影响因素之间的关联关系。构建不同日之间影响因素的加权差异度值,将倒数作为权重系数引入支持向量机模型,建立了一种考虑影响因素权值特征的SVM负荷预测模型。仿真结果表明,改进的SVM模型在一个月内负荷预测的平均预测准确率约为97.01％,日均相对误差在0.32％~3.57％范围内波动。该模型的负荷预测准确率和稳定性均优于常规的SVM模型与LS-SVM模型。