【目的】随着新能源占比的持续提升,基于锁相环同步的传统跟网型控制在弱电网条件下逐渐暴露出稳定性不足的缺陷,具备自主同步源特性的构网型控制逐步成为热点解决方案,但当前研究大多聚焦于其电压或同步稳定特性,较少关注其频率调节能力和特性。【方法】本文概述了下垂控制、虚拟同步机控制、匹配控制和虚拟振荡器控制这4种主流构网型控制方式的发展进程和调频控制原理,并从控制环路、适用场景等方面分析了以上方式的优势与不足。在此基础上,构建了新能源并网仿真模型,模拟分析了不同调频控制在多样化场景下的调频响应特性,总结了构网型控制在策略优化、参数整定和多机协同等方面所面临的挑战,并对其发展趋势进行了展望。【结果】下垂控制通过响应系统频率偏差调节机组有功功率,具有结构简单、电网强度适应性强的优点,但该控制方式缺乏惯量支撑,调频性能相对较弱;虚拟同步机控制在下垂控制的基础上,模拟了传统同步机的惯量响应特性,能更好地抑制系统频率变化性能,但面临参数整定、故障穿越和多机协同等挑战;匹配控制以直流电容的动态特性模拟传统同步机惯量特性,抑制了系统频率变化性能,但难以在频率暂稳态区间长期为系统提供支撑;虚拟振荡器控制因幅值和频率由振荡器动态方程直接生成,调频响应类似下垂控制,但输出谐波含量较高难以满足并网要求。【结论】虚拟同步机控制在参与系统调频中凭借其兼顾调频性能和电网强度适应性的技术优势,成为构网型控制中最具前景的研究方向,但需要突破同步稳定、故障穿越和协同控制等技术难题。未来应针对控制策略与参数优化、多机协同控制等方面进行深化研究,进而推动构网型控制的规模化应用。

【目的】配电网工程造价受规模容量、设备材料成本、地理条件等多维度因素影响,传统统计方法难以有效处理高维非线性数据,而现有机器学习方法虽引入特征降维技术,但仍存在一定局限性,主成分分析(PCA)虽能降低维度却牺牲了预测精度,而灰色关联分析(GRA)忽略了特征间的交互作用。因此,亟须构建一种既能保留关键特征信息、又能兼顾特征间复杂关系的预测方法。通过融合递归特征消除(RFE)法与随机森林(RF)算法构建RFE-RF预测模型,旨在解决特征冗余与非线性建模难题。【方法】采用“特征选择-模型构建-实验验证”技术路线,选用RFE法进行特征选择,通过迭代训练模型逐步剔除对预测贡献最小的特征并保留最优特征子集。采用RF算法进行模型构建,基于集成学习思路构建多棵决策树,通过平均化输出结果有效抑制过拟合,提升模型鲁棒性。RF对噪声数据不敏感且能量化特征重要性,可为RFE提供可靠的特征排序依据,从而可将RFE嵌入RF训练流程形成闭环优化过程。【结果】选用某电网公司190个配电网工程项目数据,数据涵盖电压等级、线路长度、设备价格等21个初始特征,对分类型特征进行数值化映射并保留原始分布特征。通过五折交叉验证与均方根误差优化,确定包括线路长度、电缆综合价格、电压等级等关键因素的12个最佳特征子集。与传统线性回归(LR)算法、随机森林算法、基于互信息的随机森林(MI-RF)算法相比,RFE-RF算法在测试集上的预测平均绝对误差为8.6579,预测平均绝对百分误差为6.97％,显著优于其他算法。RFE-RF算法在测试集的平均绝对误差仅比训练集增加约4.5％,其过拟合风险低于其他算法,表明可以通过特征选择有效提升算法稳定性。【结论】特征选择成为提升配电网造价预测精度的关键,RFE法能够通过动态迭代来剔除冗余特征,显著降低数据维度与噪声干扰。RFE-RF模型兼具高精度与强解释性,其平均绝对误差相比传统模型大为降低,且能够清晰量化不同特征对造价的影响权重。将RFE与RF结合应用于配电网造价预测,能够解决特征交互与冗余筛选难题,可为复杂工程系统的数据建模提供新范式。RFE-RF模型可为电网企业提供精准造价预测工具,辅助投资决策与成本控制,推动配电网工程建设的智能化与精细化,并可通过揭示特征选择对机器学习模型泛化能力的影响机制,为高维非线性数据的特征优化提供实践参考。

【目的】随着全球能源结构的转型与清洁能源的大力发展,高渗透率光伏电源在配网台区中的接入比例日益增加。然而,光伏电源受光照强度、温度等自然因素影响,其输出功率具有显著的波动性和不确定性。当大量此类电源接入配网台区时,会引发电网电压波动、频率变化等一系列问题,进而给停电故障预测工作带来巨大挑战。传统的停电故障预测方法在面对含高渗透率光伏电源的复杂配网环境时,难以准确捕捉故障特征,导致其预测准确度下降、效率降低,无法满足配网台区稳定运营的需求。【方法】为了提升预测准确度和效率,提出含高渗透率光伏电源的配网台区停电故障预测方法。建立光伏电源接入电网模型,分析接入后的光伏电源对配网台区故障电流的影响机制。通过该模型清晰了解光伏电源在不同运行工况下对电网故障,电流大小、分布等方面的影响,为后续故障区域推断提供理论基础。结合电网拓扑结构和负载不均衡特征,推断可能发生停电故障的区域。电网拓扑结构反映了电网中各元件的连接关系,负载不均衡特征则体现了不同区域负荷的差异情况,综合考虑这两方面因素,更准确地定位潜在故障区域。引入潮流熵判断电路负荷是否处于临界状态。同时,提取发生故障区域线路包含故障发生时的关键信息的潮流值特征。将提取的特征输入经过优化的SA-SAE中进行训练,通过对大量样本数据的学习,自动挖掘数据中的潜在规律,实现配网台区停电故障的精准预测。【结果】实验结果表明,本文方法在含高渗透率光伏电源的配网台区故障定位中预测准确度较高,准确识别了故障区段(K5~K8线路的3~6段)和故障类型,且预测耗时仅为2.236s,显著优于对比方法。【结论】通过综合考虑光伏电源接入影响、电网拓扑、负载特征等多方面因素,并运用潮流熵和SA-SAE,可以实现对配网台区停电故障的高准确度、高效率预测。本文方法不仅有助于提高配网台区停电故障预测的准确性和及时性,降低停电事故发生的概率,减少经济损失,还能为电网的规划、运行和维护提供有力支持,保障配网台区的稳定运营,推动清洁能源在配网中的大规模应用。

【目的】随着无人机在电力巡检、应急救援等复杂场景中应用需求的不断提升,单架无人机在任务执行时的局限性日益突出。多无人机编队能够有效提升巡检效率、扩大作业覆盖范围,但在实际应用过程中,编队队形保持、航迹协同优化及对复杂环境的适应能力仍面临诸多挑战。针对无人机集群在平面大机动飞行过程中的队形保持与路径优化难题,提出了一种结合虚拟弹簧力和hp自适应伪谱法的最优控制方法,旨在提升无人机编队协同飞行的稳定性、灵活性及抗干扰能力,为电力巡检等无人机高要求场景提供技术支撑。【方法】建立多无人机系统的动力学模型,并将虚拟弹簧机制引入编队控制体系,实现机间柔性约束和弹性自调节。通过将虚拟弹簧法与传统领航跟随法结合,设计了一种可兼顾队形刚性支撑与自适应调整能力的编队策略。在此基础上,采用hp自适应伪谱法对无人机编队的最优控制问题进行求解。该方法通过在Legendre-Gauss节点上离散状态量与控制量,构造全局插值多项式,将无人机编队路径优化问题转化为非线性规划问题,并结合动力学、能耗、速度等约束条件进行高精度数值求解。仿真实验中,设定了典型的四机菱形编队场景,全面考察了算法在不同地形、风扰和任务需求下的适应性。【结果】仿真结果显示,基于虚拟弹簧的hp自适应伪谱法能够有效实现无人机编队的平滑转弯和速度控制。在编队90°大机动转弯过程中,无人机不仅能够满足航迹偏转、速度变化等多重约束,还能保持良好的编队队形。与传统领航跟随法和人工势场法相比,本文方法在位置误差、队形保持、抗风扰能力等方面均表现出显著优势。在10m/s强风干扰情形下,本文方法队形稳定性可达70％以上,显著优于其他对比算法。三维地形仿真和实际飞行测试进一步验证了算法的适应性和鲁棒性,方法在丘陵、山区、峡谷等多种地形下,依然能够维持较低的队形变形率和较小的航迹跟踪误差,能耗控制合理,具备较强的工程实用性。【结论】本文创新性地将虚拟弹簧弹性约束机制与hp自适应伪谱法深度融合,提出一种适用于复杂环境下多无人机编队航迹规划的最优控制技术。该方法不仅突破了传统编队的刚性约束,实现了队形的柔性保持和自适应调整,还显著提升了编队航迹优化的精度与效率。研究结果为无人机集群在电力巡检、应急救援等高难度任务中的协同编队飞行提供高效、可靠的技术路径。后续研究可进一步拓展该方法在多编队协同、复杂障碍环境下的应用潜力,推动无人机编队的智能化、实用化发展。

【目的】内置式永磁(interior permanent magnet,IPM)电机因具有结构稳定、效率和功率因数高等优点被广泛用作井下潜油电机,油井井筒直径的限制和高温工作环境要求潜油永磁电机具有较高的转矩密度和较强的永磁体抗退磁能力。本文提出一种由一字型磁极和弓形磁极合成的正弦磁极,充分利用一字型磁极上方的转子空间,增加永磁体用量和d轴永磁体厚度,达到提高IPM电机功率密度和抗退磁能力的目的。【方法】保持一字型磁极尺寸恒定,采用有限元法分别研究了弓形磁极矢高对IPM电机短路电流、抗退磁能力以及空载和负载电磁性能的影响,并分析了内在原因。此外,采用等效圆环法研究了磁极矢高对转子铁心最大应力影响,保证转子机械强度。【结果】随着正弦磁极矢高的增加,尽管IPM电机的短路电流会随之增加,但其永磁体展现出更强的抗退磁能力;增加矢高虽会增加转子铁心的最大应力,但其最大应力远小于铁心材料的屈服应力,机械强度能满足实际需求;矢高较小时对IPM电机磁阻转矩的影响可以忽略,当矢高大于3 mm后,其磁阻转矩最大值随矢高的增加而下降明显,但总输出转矩一直随着矢高的增加而增加,转矩波动则随之减小。【结论】综合考虑磁极矢高对电机性能影响,选择了合适的正弦磁极尺寸,制造了样机并进行试验;试验结果与二维有限元仿真结果吻合良好,验证了提出的正弦磁极结构能有效提高IPM电机的转矩密度和抗退磁能力,为内置式永磁电机转子磁极设计提供了新的思路。

【目的】开展电力系统二次设备的状态评价工作,有助于防范电网运行风险,提升电网运行可靠性。针对电力系统二次设备评价模型在数值差异处理方面的局限性,为解决层次分析法的逻辑性问题和熵权法主观判断能力方面的不足,设计提出了一种改进熵权法的二次设备健康状态评估算法。【方法】按照电力系统二次设备的基本特征,分别构建了用于二次设备状态评估的技术指标和管理指标,并采用正向映射、反向映射和梯形映射关系对指标参数进行了标准化处理。在此基础上,采用基于正态分布的隶属度函数进行评价,既保留了高隶属度区间的有效信息,又涵盖了低隶属度区间的信息,而且避免了低隶属度区间比重过大而造成的误判。利用层次分析的权重原则建立各评价指标的判断矩阵,根据各个指标算术平均值和标准差引入熵权法的变异系数,实现了对评价指标权重的客观表达。建立了电力系统二次设备状态评价综合模型,以某变电站内36套保护装置为例对模型进行验证。【结果】验证结果显示,评价结果和站内实际保护装置运行状态一致。评语为“良好”的隶属度值为0.890 1,“一般”的隶属度值为0.097 9,由此可以判断出该变电站内的220 kV主变保护装置处于良好运行状态,与变电站内实际保护装置的运行状态一致。样本数据的对比分析结果显示,采用层次分析法得到的评价指标隶属度函数极差为0.321 0,熵权法极差为0.341 4,可能出现误判。纵向比较AHP-熵权法、熵值法赋权算法后发现,两者隶属度极差值分别为0.125 0和0.1849,最小值分别为0.806 5和0.708 8,不会出现误判。本文算法得到的隶属度极差值为0.048 1,最大值和最小值分别为0.900 0和0.851 9,数据的波动范围更小,判断的可靠性更高。【结论】本文创新点在于:一方面采用层次分析法和熵权法相结合的组合赋权方式,有效规避了主观赋权法带来的人为因素干扰;另一方面充分考虑了设备评价的客观因素,引入了基于变异系数的熵权法权值计算方法,使得权值计算更好地反映了设备的实际运行状态。实际测算结果显示,本文方法能够更优地反映设备运行的实际状态,为设备运维提供了关键支撑。

【目的】随着电网规模不断扩大和结构日益复杂,传统电网建模和可视化方法逐渐暴露出诸多问题,如建模准确度难以满足复杂电网结构的精细化展示需求、受限于应用场景而无法有效应对多样化业务需求,且建模普遍缺乏科学有效的校验机制,难以保障结果的准确性和可靠性。为解决这些问题,提出了一种融合GIS-GIM与DETR网络的三维电网建模及校验方法,以实现高准确度的三维电网建模,并建立有效的校验体系,为电网规划、运维与管理提供坚实的数据基础和可靠的决策支持。【方法】首先,将电网信息模型(GIM)集成到地理信息系统(GIS)中,利用GIS强大的地理空间分析与展示能力,结合GIM对电网设备和拓扑结构的详细描述,实现更宏观、更全面的三维电网建模,从地理空间维度直观呈现电网的整体布局与设备分布。其次,对DETR网络进行改进,通过优化网络结构、调整参数设置以及采用更有效的训练策略,使其能够更准确地对三维电网设备进行检测和分类。在训练过程中,收集大量的三维电网设备数据,构建丰富多样的数据集,并对数据进行标注和预处理,以提高模型的泛化能力。最后,将改进后的DETR网络应用于三维电网建模过程中,对建模结果中所涉及的设备进行逐一检测和分类,确保设备信息的准确性,从而保障整个建模结果的准确性。【结果】为验证本文方法的有效性,对基于3座新建变电站的100组设备数据展开实验分析。实验结果显示,相较于传统建模方法,融合GIS-GIM与DETR网络的三维电网建模方法在建模准确性上有显著提升,能够更精准地还原电网设备的空间位置、结构形态以及设备间的连接关系。在建模结果校验方面,校验网络展现出良好性能,其准确率达到93.14％,表明该方法能够有效检测出建模过程中可能存在的错误和偏差,确保建模结果的可靠性。【结论】融合GIS-GIM与DETR网络的三维电网建模及校验方法,在提高电网建模准确率和建立有效校验机制方面表现优异,能够满足实际电网建模的高准确度需求。该方法能够为电网的日常运维、故障诊断与抢修等管理工作提供直观、准确的三维可视化信息,为电网规划和管理提供可靠的决策依据,具有重要的理论意义和广阔的应用前景。

【目的】变电站作为电力传输和分配的核心枢纽,其安全稳定运行是保障电力系统高效、可靠供电的关键。然而,传统的变电站监控方式存在自动监控能力有限、目标监测精度欠佳等问题,难以满足当下电力系统日益增长的安全需求。本研究致力于开发一种基于区域全卷积网络(R-FCN)的变电站目标识别与安全监控技术,旨在攻克传统监控方式的短板,大幅提升变电站安全保障的整体水平,为电力系统的稳健运行筑牢根基。【方法】方法融合了区域提取和全卷积网络的独特优势,构建起一套高效智能的监控体系。在数据采集环节,部署高清视频监控摄像头,从多个角度全方位、不间断地实时捕捉变电站内的图像数据,为后续的深度分析提供海量且精准的原始素材。针对采集到的图像,运用先进的R-FCN模型进行目标检测。R-FCN凭借其全卷积特性在处理不同尺寸的图像时能够巧妙地维持特征图的高分辨率,避免了传统方法在降采样过程中容易出现的信息丢失问题,极大地提高了目标监测的精度。同时,精心设计并引入区域提取模块,该模块犹如智能导航系统,能够在错综复杂的变电站背景中,精准定位各类关键设施,确保对设备的运行状态进行实时、精准的监测。对于异常行为,如人员未经授权闯入危险区域、设备突发冒烟起火等,也能及时察觉,为后续的应急处置争取宝贵时间。【结果】通过大量的模拟实验以及在实际变电站监控场景中的测试验证,本系统展现出了卓越的性能表现。在与传统目标监测方法的对比实验中,本系统的目标监测准确率相较于传统方法有了显著提升,有效提高了监控的可靠性,避免了不必要的人力、物力。【结论】基于R-FCN的变电站目标识别与安全监控技术,兼具高效的实时处理能力和精准的目标定位能力。在面对海量监控数据时,能够迅速做出响应,快速准确地识别各类目标和异常情况,为电力系统的安全稳定运行提供了强有力的技术支撑,对提升变电站整体监控水平、保障电力系统的可靠供电具有深远意义。

【目的】由于架空线路长期暴露在野外且受自然环境因素的影响较大,及时监测其运行状态对电网安全运行具有关键作用。随着无人机飞控技术的发展,在其上搭载红外、紫外与激光雷达等检测模块被广泛应用于输电线路的巡检中。但目前传统方法仅在单一场景线路巡检过程中具有较优的处理效果,而面对混合输电线路巡检等复杂环境,难以快速准确地分析输电线路巡检数据,为此提出了一种面向混合输电线路巡检的点云数据处理优化方法。【方法】构建输电线路巡检点云数据处理平台,通过搭载在无人机平台上的激光雷达采集输电线路混合点云数据,且点云数据处理包括数据管理、预处理、分类与智能巡检4个环节。利用八叉树方法对混合点云数据进行抽稀处理以减少冗余数据量,从而保证数据的精准性。设计了一种神经网络模型对抽稀后的数据进行优化处理,该模型主要包括特征学习层、卷积层和分类层。特征学习层通过多次投影和最大池化处理可以避免三维点云数据自身的无序性对特征提取造成的影响;卷积层用于提取各个体素栅格与周边个体的共同特征,并引入传统输电线路特征提取算法提取体素栅格特征;分类层包含全连接层与ReLU激活函数,并以Softmax模型作为分类函数以获得混合点云数据的分类结果。【结果】选择LDLRS3100激光雷达采集某地区输电线路通道的点云数据,无人机雷达系统测距范围为360 m,飞行速度为20 km/h,飞行高度为150 m。基于Pytorch平台进行实验分析,结果表明,面向混合输电线路巡检的点云数据处理优化方法能够有效识别输电线路与地物的差别,并获取清晰的杆塔及其所处环境信息,总体准确率达到了92.71％,明显优于其他对比方法。为兼顾最高抽稀率和最佳点云数据视觉效果,可将抽稀密度设置为0.02 m。【结论】利用八叉树抽稀法和神经网络模型对混合输电线路巡检的点云数据进行优化处理,能够快速准确地划分各类点云数据,有效提升输电线路智能巡检的可靠性。

【目的】传统电机优化设计方法是通过搭建电机体积、损耗和成本的解析模型,并选择优化算法对其进行改进,得到最优设计变量。然而,电机模型较为复杂,解析模型无法精确描述部分变量。定子磁密是无槽永磁直流电机的重要变量,其解析式精度较低。粒子群算法广泛用于优化设计,但是其寻优能力较差。【方法】针对上述问题,提出一种基于自适应改进粒子群算法的无槽永磁直流电机优化设计方法。首先,通过搭建无槽永磁直流电机解析模型,构建以电机体积、损耗和成本为优化目标的目标函数。利用Sobol法获取电机的高灵敏度变量,减少设计变量个数。然后,采用有限元仿真搭建电机磁路模型,调整设计变量参数大小,获取磁密数据。使用响应面法对磁密数据进行重新拟合,构建定子磁密响应面模型,代替定子磁密解析式。对粒子群算法进行改进,通过比较粒子迭代更新时个体适应度值与全局粒子平均适应度值的大小,选择不同的惯性权重与学习因子更新方式,实现算法精度上的提升。最后,分别采用原始算法和改进算法对目标函数进行优化,通过比较得到电机最优设计参数。【结果】通过比较定子磁密解析式与定子磁密响应面模型计算结果发现,定子磁密响应面模型计算结果误差较小。采用自适应粒子群算法、原始粒子群算法和其他经典算法对目标函数进行优化,改进粒子群算法优化得到的结果最优。【结论】实验结果表明,定子磁密响应面模型代替定子磁密解析式可以改善定子磁密解析式计算误差较大的问题。同时,自适应更新惯性权重与学习因子的粒子群算法寻优能力得到了提升,与经典算法相比,其寻优能力更强。

【目的】在交流电源系统中,分布式控制系统(DCS)控制器作为核心部件,负责实时采集和处理各类关键数据,这些数据对系统的稳定运行和故障预警至关重要。然而,在实际应用中,DCS控制器数据采集过程受外部电磁干扰、硬件故障等因素影响,导致数据丢失或其他异常问题发生,使数据密度变得难以确定,进而影响系统的可靠性和准确性。基于此,提出一种针对交流电源系统DCS控制器数据多通道同步采样方法,以解决数据采集过程中的干扰和缺失问题,提升数据质量和系统性能。【方法】信号调理电路预处理来自不同通道的模拟数据信号,确保信号质量满足模数转换器(ADC)转换要求。现场可编程门阵列(FPGA)作为控制中心,利用其并行处理能力和编程灵活性,精确控制各通道ADC转换过程,实现高精度、低延迟的同步采样,有效解决了采样不同步导致的相位偏差和数据不一致问题。针对数据缺失,采用Clearbout理论进行数据插补,基于信号时频特性和已知数据点相关性智能估计并填补缺失数据,保障数据连续性和完整性。同时,结合蚁群算法优化同步采样方法,通过模拟蚂蚁寻找食物的信息素更新机制,动态调整采样参数以提升采样效率和准确性。【结果】多通道同步采样方法显著提升了DCS控制器的数据采集性能。采集后的DCS数据频谱图与实际的数据频谱图高度一致,验证了采样方法的准确性和可靠性;采样速度明显提升,满足了交流电源系统对数据实时性的高要求。【结论】综上所述,方法结合FPGA控制实现了高精度、低延迟的多通道同步采样,解决了相位偏差和数据不一致问题;引入Clearbout理论和蚁群算法,有效保障了数据完整性并优化了采样方法;设计的多通道数据上传机制避免了数据上传过程中存在的冲突,确保了数据传输的顺畅。这些创新不仅提升了交流电源系统DCS控制器的数据采集能力,也为同类系统的设计和优化提供了参考,有助于提高整个交流电源系统的稳定性和可靠性,降低因数据异常导致的系统故障风险,对保障电力系统的安全运行具有重要意义。

【目的】农业园区可再生能源资源禀赋丰富,在“双碳”目标驱动下,其综合能源系统(IES)的高效运行对于推动绿色低碳转型具有重要意义。然而,当前农业园区普遍存在能源利用效率低、多能源系统调配不均、可再生能源就地消纳能力不足等问题,严重制约了农业生产效率和可持续发展水平。为此,提出了一种基于深度学习的农业园区IES运行优化方法,旨在构建更具经济性与低碳性的能源调度机制。【方法】首先,构建农业园区IES多目标优化调度模型,综合考虑燃气轮机燃料成本、电网交互成本及设备运维成本,形成涵盖多种能源形式的系统数学模型;其次,针对风光(风电、光伏)出力及负荷预测需求,设计改进型长短时记忆(LSTM)神经网络功率预测模型,并引入量子粒子群优化算法(QPSO)对网络的隐含单元数量、学习率等超参数进行动态优化,以提升预测精度;最后,针对传统黄金正弦算法(GSA)易陷入早熟收敛的问题,引入Lévy飞行机制提升更新效率,结合动态权重策略优化全局与局部搜索能力,构建改进GSA实现系统调度优化。【结果】在实例分析中,改进的QPSO-LSTM预测模型将预测误差稳定控制在5％以内,相较传统方法具有更高的预测精度和更强的全局搜索能力。在调度优化方面,改进GSA使系统日运行成本较未优化方案下降69.7％,风光就地消纳率提升27.9％,显著优于传统GSA,展现出优良的多能调度协调能力。【结论】所提出的基于深度学习的农业园区综合能源系统运行优化方法,能够实现对系统功率的高精度预测,并在此基础上有效降低系统运行成本,提升可再生能源就地消纳能力,在经济性与低碳性协同优化方面具有显著优势,为农业园区IES的高效、绿色运行提供了可靠的技术路径。

【目的】针对传统负荷预测方法信息利用效率低、误差较大及难以适应电力负荷变化的多样性和随机性等问题,提出了一种基于用地空间信息感知的电力系统负荷预测方法。该方法旨在提高负荷预测的准确性和可靠性,为电力系统的规划和建设提供关键数据支撑,满足经济社会发展的需求。【方法】算法结合城市用地空间信息和电网负荷数据,采用分区分类处理策略:对已开发区,利用历史负荷数据进行曲线拟合预测;对新开发区,以已开发区的同类用地性质负荷平均密度值进行等效处理,形成基础预测信息后,再开展负荷预测。对历史负荷数据和等效负荷数据进行精细化和颗粒化处理,整合指数模型、生长曲线模型和弹性系数模型,通过动态权重组合形成最优拟合方案,构建基于用地空间信息感知的电力系统负荷预测技术。以2014—2020年历史数据为基准进行参数拟合,统计工业用电、居民生活用电、商业用电、公共设施用电和其他用电类型的负荷数据,并以2021年负荷情况为目标进行预测。实验对比分析了指数模型、生长曲线模型和弹性系数模型在总量预测与分区分类预测方面的差异,结果显示分区分类预测准确度较总量预测提高约33%。在此基础上,对比分析了基于动态权重和均值权值的最优拟合效果,计算结果显示基于动态权重的最优拟合预测误差为1.12%,较均值权重误差值降低约12%,显著提升了预测精度和可靠性。【结果】研究表明,采用分区分类方法将空间信息按用地性质和负荷类型进行归类,可有效提升负荷预测模型的准确性。通过动态调整参数权重,整合单一预测模型,算法具有更好的动态适应性,能够实现最优拟合结果,得到更高的预测精度。【结论】本文创新点为:一是采用分区分类数据处理方式,提升城市电网空间信息和负荷信息的利用率;二是引入动态权值整合传统负荷预测模型,克服单一模型的局限性。通过这两种创新手段,显著提高了城市电网负荷预测的准确性和可靠性。

【目的】电力工程因施工周期长,易受多种不确定因素影响,可能导致成本大幅增加。因此,合理估算应急成本对工程管理至关重要。然而,传统基于经验的方法误差较大,难以适应复杂的工程环境。基于模糊专家系统和机器学习的方法在性能上虽有所改进,但仍存在参数优化难、过拟合严重等问题。为此,提出了一种应急成本估算新方法,通过结合自适应网络模糊推理系统处理不确定性问题的优势,并引入主成分分析模块缓解过拟合问题,进而提高预测精度。【方法】提出了一种结合风险分析和自适应网络的模糊推理系统的应急成本估算方法,通过分析影响电力工程成本的13个风险因素,建立了应急成本与风险因素之间的关系模型;利用模糊逻辑处理不确定性问题,引入了自适应网络模糊推理系统。自适应网络模糊推理系统通过模糊化输入变量并利用神经网络进行推理,避免了传统模糊专家系统对模糊规则库的依赖。为进一步提高预测精度,在自适应网络模糊推理系统中引入了主成分分析模块,通过降维减少冗余信息,缓解了其在小数据集上可能出现的过拟合问题。【结果】实验选取210条电力工程应急成本数据,随机选取80%作为训练集、20%作为测试集,对比4种方法的性能:基于Mamdani模糊推理的方法、基于支持向量机的方法、基于自适应网络模糊推理系统的方法和基于改进型自适应网络模糊推理系统的方法。实验结果表明:对比两种现有方法,基于自适应网络模糊推理系统的方法在训练集上表现优异,但在测试集上过拟合严重;引入主成分分析模块后,基于改进型自适应网络模糊推理系统的方法在测试集上的表现明显更优、泛化能力更强且收敛速度更快。【结论】基于改进型自适应网络模糊推理系统的应急成本估算方法结合了模糊推理和神经网络的优势,提高了对电力工程应急成本的预测精度。主要创新点为:提出了一种应急成本估算方法,结合了模糊逻辑和神经网络的优势,能够有效处理不确定性问题;在自适应网络模糊推理系统中引入了主成分分析模块,通过降维减少了冗余信息,有效避免了模型过拟合问题,提高了其泛化能力。该方法可为电力工程预算管理提供智能化解决方案,也可推广至其他不确定性成本预测领域。

[目的]随着分布式能源的广泛接入,配电网的拓扑结构日益复杂,同时监控数据量呈指数级增长,对故障诊断提出了新的挑战。传统故障诊断方法主要依赖监控数据和人工经验,但随着云计算和通信技术的快速发展,人工智能方法在故障诊断领域得到了广泛应用。然而,现有人工智能方法高度依赖训练数据,需要大量基础数据支撑。为此,本文基于数字孪生技术,提出一种配电网智能化故障诊断方法,以提高故障诊断的效率和准确性。[方法]利用数字孪生技术构建配电网数字孪生体,通过虚拟诊断结果指导实际系统运行。同时,采用小波包分解方法提取信号各频带能量构成特征向量,输入改进的卷积自编码器模型中进行学习,以实现故障类型的准确识别。数字孪生系统由物理层、数据层、模型层和服务层组成,实现了虚实映射功能,虚拟孪生体能够实时反映实体运行状态。在仿真实验中,以某区域10 kV配电网的三端口环网结构为基础,构建了包含7 520个正常和故障样本数据的完备实验数据集。[结果]实验结果表明,经过100次迭代训练,改进的卷积自编码器模型的故障诊断准确率接近0.98。数字孪生系统的智能化诊断结果显示,本文方法能够准确识别故障类型,与实际故障类型基本一致。在对5种常见故障类型的诊断中,本文方法保持了较高的准确率,平均准确率达0.95,诊断耗时仅为5.39 s。与其他方法相比,本文方法的诊断准确率更高。[结论]通过将数字孪生技术应用于配电网智能化故障诊断,结合虚实一体化的诊断方式,显著提升了故障诊断的精确性和实时性。该方法为配电网智能化故障诊断提供了一种全新的技术手段,有助于提高配电网的可靠性和安全性,对智能电网的发展具有重要的理论意义和实践价值。此外,未来研究将重点探索应对配电网结构变化的技术方法,以进一步提升该故障诊断方法的适用性。

【目的】电力工程项目通常具有成本高和工期长的特点,且施工过程中受到多种因素的影响,如气候条件、原材料成本等。传统的成本和工期预测主要依赖经验,容易导致成本估算不足或冗余,进而造成工期延误或资源浪费。随着机器学习技术的快速发展,基于数据驱动的方法被引入成本和工期预测中,但由于电力工程领域的数据集规模较小,传统机器学习模型易出现过拟合问题,预测性能受限。基于该背景提出了一种结合支持向量回归(SVR)、分类与回归决策树(CART)、多变量线性回归模型(MLR)和灰狼优化算法(GWO)的混合模型,通过改进更新策略和参数搜索方法,以提升模型在小数据集上的预测精度和泛化能力。【方法】方案结合机器学习模型和改进的灰狼优化算法,搭建了一个高效的电力工程成本和工期预测框架。采用支持向量回归、分类与回归决策树和多变量线性回归模型作为基线机器学习方法,并利用灰狼优化算法对上述模型的参数进行搜索以防止过拟合,同时提出两项改进措施:采用混沌序列初始化狼群位置,确保种群多样性;优化灰狼位置的更新策略,通过周围群体信息共享提升搜索能力。【结果】实验结果表明,与传统方法相比,所提出的混合模型在成本和工期预测上具有较明显的优势。在训练和测试集上的性能结果对比显示,传统机器学习模型容易产生过拟合问题,导致泛化能力不足,而结合GWO的模型改善了该问题。其中,MLR+GWO混合模型在训练集和测试集上的表现均优于其他模型。进一步实验结果表明,通过改进灰狼优化算法(iGWO),混合模型的收敛速度显著加快,仅需6～8次迭代即可达到较优的适应度,而传统GWO算法需迭代11～12次才能达到类似效果。此外,改进算法有效避免了传统GWO算法容易陷入局部最优的问题。【结论】所提出基于线性回归和改进灰狼优化算法的混合模型在电力工程成本和工期预测领域展现出较为明显的性能优势。改进的灰狼优化算法通过优化初始化序列及更新策略,提升了算法的全局搜索能力和收敛速度。提出的混合模型泛化性能优于传统的机器学习模型,与传统方法相比,该方法在预测精度和训练效率方面均表现良好。

[目的]电力工程造价预测在电网企业资源优化、财务稳定、风险管理、效率提升、项目决策、政策制定、市场秩序维护和投资者决策等方面具有重要意义。针对传统预测方法综合性能较差的问题,并考虑电力工程造价数据的小样本特性,提出了一种基于梯度提升决策树(gradient boosting decision tree,GBDT)的预测模型,通过优化训练过程中的残差,显著提升预测精度。[方法]从自然环境和技术因素出发,深入分析了电力工程造价的影响因子,筛选出11个影响电力工程造价的关键变量。通过数据清洗、特征编码和对数变换,构建适配GBDT模型的特征工程。采用Optuna框架进行超参数调优,并利用5折交叉验证法评估模型性能。模型优化以拟合优度作为评价指标,迭代寻找最优超参数,直至满足预测精度要求或达到最大迭代次数,最终建立结合Optuna框架的梯度提升决策树预测模型。以某地区变电工程造价数据为例,90％的数据样本作为训练集和验证集,10％的数据样本作为测试集,对比分析随机森林、神经网络、GBDT和结合Optuna的GBDT模型的预测效果,通过拟合优度与均方根误差进行性能评估。[结果]实验结果显示,结合Optuna的GBDT模型预测效果优于随机森林、神经网络及GBDT算法,预测值在真实值的±10元/kVA区间浮动。在验证集上,拟合优度为0.892 3,均方根误差为8.01;在测试集上,拟合优度为0.886 6,均方根误差为8.09。[结论]基于GBDT的电力工程造价预测模型能够精准预测电力工程造价,相较传统方法具有更高预测精度,尤其适用于电力工程造价类的小样本数据集。结合Optuna框架进行超参数调优,进一步提升了预测效果。未来研究将引入更多样本数据,并结合神经网络算法,探索更优的预测方案,助力电网企业实现高效运营与良性发展。

【目的】准确的电力负荷预测是电力系统实现顺利运行和有效管理的关键,可使电力公司有效调度发电设备,从而提高电力系统的运行效率和经济效益。然而,电力负荷数据受多种外部因素影响,同时具有显著的时间依赖性,导致其难以精准预测。为此,提出一种融合多因素建模与时间序列分析的电力负荷预测模型,通过兼顾多因素复杂影响分析与电力负荷时间依赖性特征,实现电力负荷的精准预测。【方法】为了突破多因素分析方法与时间序列预测建模方法各自的局限性,基于深度学习与多因素分析方法,提出了一种结合长短期记忆(long short-term memory,LSTM)网络与贝叶斯优化算法的改进电力负荷预测模型。首先,构建了一个全面的多因素特征池,包括电力负荷的历史时序特征和多种外部因素特征,以充分捕捉电力负荷数据与多种影响因素间的复杂关系。其次,采用LSTM网络作为核心模型,利用其独特的门控机制与记忆单元,捕捉电力负荷数据的时间依赖性和多因素之间的复杂关联。引入贝叶斯优化算法对LSTM模型的超参数进行调优,以高斯过程作为代理模型,充分利用先验信息,提升模型训练效率和预测性能。【结果】利用5个实际变压器数据集对模型进行了训练和测试,并通过多种评价指标验证了模型的有效性。基于多因素特征工程建模的电力负荷预测方法在5个不同变压器数据集上的预测性能均显著优于利用单一因素预测的模型,进一步突出了多因素特征池的有效性。LSTM模型的最大决定系数为0.920 7,最小均方误差为0.042,最小平均绝对误差为0.024,表明其在复杂电力负荷预测任务中具有优越性能。【结论】融合多因素建模与时间序列分析的电力负荷预测模型充分考虑了外部因素的复杂性和电力负荷数据的时间依赖性特征,创新性地引入了一个全面的特征池参与LSTM模型的训练和测试。结合多因素特征池建模的LSTM网络具有较高的预测精度和鲁棒性,为电力负荷预测提供了新的技术思路,对智能电网的规划和调度具有重要的参考价值,并为进一步发展精准负荷预测技术奠定了基础。

【目的】传统电网变电工程造价预测方法通常依赖单一影响因子或线性假设模型,难以全面捕捉多因子间复杂的非线性关系,预测精度不足。此外,现有方法在处理高维度分类变量时面临维度爆炸或信息损失等问题,尤其在小样本数据场景下容易过拟合。因此,本文构建了一种能有效融合多源影响因子、适应非线性关系且在小样本数据中表现稳健的变电工程造价预测模型,为电网企业的投资决策提供更精准的技术支持。【方法】提出了一种基于均值编码(ME)并融合极端梯度提升框架(XGBoost)的变电工程造价预测模型(ME-XGB)。首先,从设备和材料、施工工艺、施工规模、地理环境及设计标准等多维度中提取13个关键影响因子,涵盖分类变量与连续变量。针对分类变量与造价间的非线性关系,利用均值编码进行特征工程处理,通过计算类别内目标变量即单位容量造价的均值并结合平滑因子,将分类变量转化为连续特征,既保留类别信息又避免维度爆炸。其次,利用XGBoost构建预测模型,通过集成多棵决策树逐步修正残差,并引入正则化项和超参数调优,提升模型泛化能力。实验选取某电网公司200个变电工程样本,随机划分为训练集(80％)与测试集(20％),以平均绝对误差(M_AE)和拟合优度(R²)作为评价指标,与MK-TESM、BP神经网络和XGBoost模型的性能进行对比分析。【结果】ME-XGB模型在测试集上的预测精度显著优于对比模型。其M_AE中位数与均值分别为5和6.875,较MK-TESM、BP神经网络和XGBoost模型均有所降低。同时,ME-XGB模型的R²值达到0.857 9,远高于对比模型,表明该模型对数据变动的解释能力更强。此外,箱线图分析结果显示,ME-XGB模型的预测误差分布范围最窄,验证了该模型的稳定性更强。超参数调优结果表明,XGBoost模型的树深度和学习率等超参数设置有效平衡了模型复杂度与过拟合风险。【结论】ME-XGB模型通过均值编码解决了分类变量非线性表达与维度控制问题,结合XGBoost模型的集成学习能力,显著提升了小样本场景下的预测性能。ME-XGB模型在平均绝对误差、拟合优度及误差稳定性方面均优于对比模型,可为电网企业提供更可靠的造价预测。未来研究可进一步探索动态影响因子的建模,并结合迁移学习拓展模型在跨区域工程中的应用。

【目的】在传统永磁电机故障监测领域,接触式信号虽被广泛使用,但通常只能反映电机的单一运行状态且信息量不足,难以识别永磁同步电机的全面运行状态。为丰富信息量,需要额外增加传感器,但这不仅增加了系统的复杂性,还提高了实际应用难度。因此,提高永磁电机状态监测的精度与便捷性成为重要的研究目标。随着智能化监测技术的发展,非接触式信号的应用越来越受到关注。永磁电机运行时产生的音频信号包含了丰富的状态信息,为故障诊断提供了新的方向。相较于接触式信号,音频信号能实时反映由故障引起的电机振动、噪声等特征,有较大的研究价值。然而这类信号易受环境噪声的干扰,导致信号质量差、特征信息不清晰,不利于永磁同步电机的状态监测。针对上述问题,提出了一种基于声纹识别的永磁同步电机深度学习模型,旨在通过深度学习技术高效地监测和诊断电机运行状态。【方法】采用小波去噪算法减少噪声干扰,提升信号质量,进而提升信噪比,确保模型能够更清晰地提取梅尔谱特征,为故障识别和分类奠定基础。然而,直接使用卷积神经网络提取梅尔谱特征可能会削弱特征间的关联性,影响故障识别的精度。引入空间注意力机制,通过加权增强特征的空间位置相关性,使模型关注最关键的部分,提高特征提取的有效性。为提升模型的识别准确率,对梅尔谱特征进行归一化处理,并采用AAM-softmax损失函数。该函数通过强化类间约束,提高模型在不同类别之间的区分能力,进而提升识别精度和泛化能力并优化训练过程,使模型更好地适应不同工况。【结果】仿真测试结果表明,所提出的模型在训练集上表现出色,能够准确识别电机的不同运行状态,并在测试集上展现出较强的泛化能力。实验结果证实,基于深度学习的声纹识别方法能够有效监测永磁电机的多种运行状态,准确度较高且实用性较强。【结论】基于声纹识别的永磁同步电机深度学习模型能够有效去除噪声并提取关键特征。通过引入空间注意力机制和AAM-softmax损失函数,显著提升了模型的识别精度和泛化能力。该模型具有广阔的发展前景,可广泛应用于永磁电机的状态监测与故障诊断,推动电机智能化维护技术的发展。

【目的】输电线路作为电能传输和使用过程中的重要环节,其安全稳定对电力系统的正常运行起着至关重要的作用,因此输电线路日常巡检具有重要作用。重大事故通常由微小缺陷隐患发展而来,日常巡检通常采用人工、无人机、可视化通道等手段,无论何种方式都需要处理大量可视化、红外或者紫外照片。但由于输电线路的特殊性,架设条件涉及多种环境,其巡检图像背景通常较为复杂,采用人工复核审查的方式精度较高,但对经验依赖较大且效率极低。如何快速、准确地识别架空线路巡检图片是架空输电线路缺陷识别的关键。传统输电线路巡检图片识别方法在复杂背景的干扰下,容易出现缺陷识别精确度不高的问题。【方法】为提高架空输电线路巡检图像复杂背景下的检测准确率,提出了一种兼顾识别效率和准确性的缺陷检测方法。基于压缩图像技术并结合YOLOv5模型,设计了一种基于稀疏卷积的非对称特征聚合压缩算法,将原始图像通过编码减少图像存储所需空间以便于存储和传输,经过信息通道传输到解密器后,再将压缩图像进行解码复原以提升局部集合特征的学习效率。同时,通过融入通道空间注意力模块从特征图中得到注意力通道权重矩阵和空间权重矩阵,并通过权重矩阵判断特征图区域的重要程度,完成对YOLOv5模型处理效率的提升。【结果】将压缩恢复后的图像输入改进YOLOv5模型中,利用通道注意力模块(CAM)和空间注意力模块(SAM)分别对图像进行通道与空间上的注意力数据处理,通过全局平均池化和最大池化处理增强目标区域的特征,并引入空间注意力模块增强通道注意力对特征位置信息的关注,以检测出存在缺陷的设备,并通过实验验证了方法的有效性。【结论】以某架空线路的巡检图像数据集为基础,对检测方法开展训练与测试,结果表明,巡检图像经所提技术压缩后,尺寸明显减小,恢复后的图像尺寸较原图约降低了3 MB且未出现失真;改进YOLOv5模型具有较高的检测精确度,其检测准确率和时间分别为0.91和0.87 s,算法在降低图像尺寸提升检测速度的同时保证了检测准确率。

【目的】输电线路是电力系统的重要组成部分,其中大多数线路故障由雷击引起。雷击干扰识别是行波故障分析准确性的关键。为快速识别500 kV超高压直流输电线路中的雷击故障,保障电力系统的稳定运行,提出了一种基于自动化方法的雷击故障识别技术。【方法】利用字典学习算法对输电线路信号进行去噪,构建信号幅值波动最小误差目标函数,并通过热启动更新字典和牛顿迭代法优化字典矩阵,从而获得高纯度的雷击故障信号,有效降低噪声干扰,提高识别精度。采用小波时间熵技术提取去噪信号中的关键特征。通过小波变换生成小波系数,重构特定层的系数,并定义滑动时间窗以计算熵和信息量,从雷电流暂态信号中提取特征,为故障识别提供数据支持。收集不同雷击特征信号,采用集成学习算法训练特征,生成多个弱分类器,并通过权值融合为强分类器,用于分类每一个雷电流暂态信号样本,提高分类器的泛化能力,使其能够应对不同种类的雷击故障信号。利用麻雀算法优化分类器,通过随机初始化种群、适应度计算、筛选麻雀、更新麻雀发现者与加入者、变异更新等步骤获得分类器的最优参数,并将其应用于优化后的分类器中,实现500 kV超高压直流输电线路雷击故障的自动化识别。麻雀算法作为启发式优化方法,具备自适应性与全局搜索能力,可快速在复杂搜索空间中找到最优参数,提高优化效率与识别速度。【结果】实验结果表明,去噪后信号信噪比(SNR)高于40 dB,识别均方误差(MSE)低于1.5,识别效率超过90％,平均识别时间约为2.5 s,能够准确、高效地识别500 kV超高压直流输电线路中的雷击故障。【结论】本文方法为500 kV超高压直流输电线路雷击故障的自动化识别提供了一种新技术,显著提升了识别精度和效率,为电力系统的安全稳定运行提供了有力支持。此外,该方法可推广应用于其他输电线路故障的识别,具有广泛的应用价值。

【目的】电网建设项目中变电站工程造价的预测一直是影响项目成本管理的重要问题。然而,当前常用的变电站造价预测方法存在预测精度不足、计算效率低等问题,制约了预测模型在实际工程中的应用。为提高预测的准确性和计算效率,提出了一种基于改进的粒子群优化(IPSO)算法和最小二乘支持向量回归(LSSVR)算法的变电站工程造价预测方法。【方法】考虑到常规变电站与智能变电站在设备、技术和运维上的差异,通过分析这两类变电站的特点,对相关数据进行了有针对性的预处理,以去除噪声数据,填补缺失值,并将有效信息转换为特征向量,作为LSSVR模型的输入。为避免传统粒子群(PSO)算法易陷入局部最优解的问题,引入了一种混合调节策略,对PSO算法的惯性权重和学习因子进行优化,使得优化过程更加稳定并具备较强的全局搜索能力。通过该策略IPSO算法可以在全局搜索和局部搜索之间实现更好的平衡。利用IPSO算法优化LSSVR模型参数,并建立变电站工程造价预测模型。【结果】通过与其他预测模型进行比较分析得出结论,所提出的IPSO-LSSVR算法在预测精度上具有明显优势。具体来说,基于该模型的预测误差显著低于其他方法,可以将偏差控制在5％以内。改进后的粒子群优化算法能够有效避免陷入局部最优,确保了LSSVR模型在各种情况下都能提供较为准确的预测结果。【结论】基于IPSO优化LSSVR算法的变电站工程造价预测方法,克服了传统预测方法在预测精度和计算效率上的不足。在实际应用中,该方法能够为电网建设项目的成本管理提供更加准确的预测依据,从而有助于项目预算的合理制定和资源的有效配置。

【目的】电力工程图纸在建设中是生产计划、施工及验收等环节的重要依据。然而,传统人工识别方式存在效率低、错误率高、成本高等问题,难以满足现代复杂工程项目的需求。近年来,计算机视觉技术在自动识别领域取得显著进展,但现有算法在电力工程图纸识别中仍面临识别效率低以及对倾斜和变形字符识别准确率低的难题。【方法】提出了一种基于VGG网络和Hu不变矩的电力工程图纸字符识别算法,旨在通过结合尺度自适应深度卷积特征与Hu不变矩特征,提高电力工程图纸的识别效率和准确率。利用VGG网络提取深度卷积特征,并通过自适应方式选择目标层,以实现模板与图像的尺度自适应特征提取。该方法避免了传统滑动窗技术多次提取特征的问题,仅需对每个模板和图像进行一次特征提取,大幅提升了处理效率。为解决字符倾斜和变形的难题,结合了Hu不变矩特征,利用其平移及旋转不变性作为补充特征,有效增强了对复杂字符形态识别的鲁棒性。【结果】通过对比现有算法,从识别效率和准确率两方面验证了算法的性能优势。实验结果表明,算法在识别效率和准确率上均表现出显著优势:与传统CNN字符识别算法相比,算法的执行时间约为其1/4,显著提高了处理速度;通过结合Hu不变矩特征,算法在识别倾斜和变形字符方面表现出较强的鲁棒性;采用自适应目标层选择策略后,特征提取的准确性和鲁棒性可以得到进一步提高,优于固定网络层的特征提取方式。在复杂场景下算法具有更强的适应能力,具有良好的应用前景。【结论】研究的创新之处在于:提出的尺度自适应深度卷积特征提取方法在电力工程图纸识别中可以进行单次特征提取,大幅提升识别效率;结合Hu不变矩特征的设计增强了对复杂字符形态的识别能力,特别是增强了对倾斜和变形字符的鲁棒性。研究不仅提供了一种高效的字符识别算法,还为基于计算机视觉的电力工程图纸自动化处理提供了新的思路,未来可进一步优化字符特征的鲁棒性,提升系统的性能。

【目的】电力工程建设成本的准确预测对资源配置和决策优化至关重要。传统成本估算方法依赖于人工经验,容易受到工程项目复杂性和不确定性的影响,导致预测误差较大。近期广受关注的机器学习技术则为电力工程成本的预测提供了新的解决方案。但现有模型往往缺乏对预测结果不确定性的评估,且存在预测精度低、训练效率低、容易过拟合的缺点。本文提出了一种基于混合自然梯度与轻量梯度增加模型的电力工程成本预测方法,旨在提高预测精度,同时提供预测结果的不确定性估计。【方法】自然梯度增加模型能够估计预测值概率分布的特点,可应用于电力工程成本预测领域。然而,考虑到自然梯度增加模型在训练效率和过拟合问题中的不足,借鉴了轻量梯度增加模型的直方图优化算法,并将其融合到自然梯度增加模型中,形成了一种基于混合自然梯度与轻量梯度增加模型的电力工程成本预测方法,该模型不仅能够提高预测精度,还能够量化分析预测结果的不确定性。【结果】为验证所提模型的有效性,选用2002—2022年间发布的全真工程造价BIM数据库进行分析,该数据库包含2 000条电力工程数据。提出的混合模型在测试集上表现优异,相关系数、均方根误差和平均偏置误差等指标均优于其他模型,且测试集上预测结果处于置信度为95％预测区间的概率达到了94.3％。相较于自然梯度增加模型,混合模型不仅提高了预测精度,还有效避免了过拟合问题,并在训练效率方面表现较好。【结论】本文提出的混合自然梯度与轻量梯度增加模型能够在提高预测精度的同时进行预测结果的不确定性估计,满足电力工程成本预测的多样化需求。实验验证了该模型在预测精度、泛化能力和训练效率上的优势,特别适用于复杂电力工程项目的成本估算。研究的创新之处在于提出了一种新型混合模型,结合了轻量梯度增加模型训练效率高以及自然梯度增加模型可提供预测结果的不确定性估计的双重优势,解决了传统模型训练效率低、容易过拟合的问题,并且可以量化分析预测结果的不确定性,能够为优化资源配置与提高决策效率提供有力支持。

【目的】随着降本增效需求的日益迫切和电力工程管控精细化要求的不断提高,输变电基建项目在智慧基建背景下对多要素、全过程、精细化造价管理的要求日趋显著。传统工程造价方法已无法满足智慧基建项目全生命周期成本最优化的需求,因此迫切需要由单一造价控制向智慧型造价管理转型。【方法】为提升输变电工程海量数据下造价管理的精细化水平,实现全过程覆盖,在深入研究现有工程造价管理模式的基础上,针对传统方法难以精准分析智能电网基建中复杂且海量数据的问题,提出了一种基于主成分分析(PCA)法和层次分析(AHP)法的输变电工程云边协同造价分析方法。该方法设计了基于云边协同架构的输变电工程造价系统,构建了包含目标层、准则层和方案层的3层造价因素评价指标体系,用于评价造价影响因素。在边缘计算中心,通过PCA对海量工程造价数据进行降维处理,并上传至云中心;采用粒子群优化(PSO)算法优化AHP的评价指标权重,有效减小传统AHP的主观偏差,并利用优化后的AHP在云中心完成工程造价的可靠计算。【结果】基于选取的输变电工程造价数据进行实验分析,结果表明:PSO算法在45次迭代后完成AHP参数优化,具备较快的寻优速度和较高的准确性。与其他造价方法对比,本文方法的工程造价计算值与实际值误差最小,仅为4.16％,且整体误差小于7％,显著优于对比方法。【结论】本文方法基于云边协同架构,充分利用边缘计算结合PCA实现海量数据的高效降维预处理,优化后的AHP-PSO算法在合理的评价指标权重下实现更小的分析误差和更高的评价可靠性,有效满足智慧基建工程对全过程、全要素造价精细化管理的要求,为智能电网基建项目的造价优化管理提供了有效解决方案。

【目的】由于永磁同步直线电机省去了中间传动装置,其结构简单,能够实现直驱式往复运动,具有推力密度大、效率高、能够满足高速大行程运动和微纳米级动态精度要求等优点,在激光切割机、数控机床、3D打印机等高精密加工领域具有广泛应用前景。永磁体作为永磁同步直线电机的重要组成部分,可为电机气隙空间提供恒定的磁场环境。磁场分布的一致性与电机性能息息相关,因此需要及时检测并更换故障永磁体以保证电机推力密度和功率密度的稳定性。【方法】主要对永磁同步直线电机次级磁场检测内容进行综述性研究:对电机的拓扑结构、工作原理和磁场的解析公式进行了梳理;对磁场的变化机理和磁场故障发生的常见原因进行了总结;对目前研究的永磁体局部退磁、均匀退磁、缺损和裂纹故障及不同故障磁场的建模方法,如解析法、有限元法和Matlab建模法等进行了介绍;对永磁同步直线电机次级磁场检测所选择的故障信号,如电流信号、磁密信号、电动势信号、振动信号和磁场信号等进行了讨论,指出其用于永磁同步直线电机时的优缺点。【结果】在对各类方法进行梳理和归纳后,对相应的研究内容与关键技术进行总结并发现,目前永磁同步直线电机磁场检测多借助于磁场信号和特征提取方法实现磁场故障的离线诊断。【结论】为实现实时化故障诊断和提高电机可靠性的目标,在未来磁场故障诊断发展趋势中,可以加强对电动势、电流、磁密等实时采集信号的研究,以期实现退磁故障的在线检测。同时需要开展具有高容错适应性的容错控制策略研究,保证电机在发生退磁故障时,仍可以维持电机的输出性能,进而保证其可靠运行。

【目的】输电线路容易受到外力破坏,如建筑施工和车辆碰撞等。通过准确测量外破隐患空间距离,可以预警并及时采取措施避免故障发生,进而保障输电线路的安全稳定运行。但在输电线路较长的情况下,区域点云密度不均匀性会明显增加,给计算外破隐患空间距离带来困难,同时在噪声点的干扰下,测量误差和转换参数不准确等问题导致故障点与端点之间产生坐标转换误差。为了及时智能化测量输电线路外破故障点与端点之间的距离、快速消除外破故障,提出了一种输电线路外破隐患空间距离三维点云测量方法。【方法】基于点云密度的高程滤波区间,利用kdtree空间结构遍历整幅图像,获取点云数据。对三维点云提取到的输电线路目标图像进行色彩调整、旋转、分辨率调整以及翻转等一系列预处理;当输电线路外破引起不对称短路故障时,结合输电线路的正序电感、电容以及容抗信息,解算目标像素点后的输电线路外破隐患空间距离,分析输电线路两端的正序分量和负序分量,对目标像素点进行解算,消除故障点处不同步相角的影响,构建空间距离测量函数,根据子空间网格点云的最小值和均值之和确定搜索半径,解算目标图像中的像素点,实现对输电线路外破隐患空间距离的精准测量。【结果】所提方法在不同步相角和不同过渡电阻下,测距绝对误差较小,最大值未超过2 m,不存在伪根情况,所测量的空间距离与故障距离最为接近,可实现对输电线路外破隐患精准测距。在恶劣天气或复杂地形条件下,若人员难以到达现场巡检,可通过远程监控点云数据来分析外破隐患空间距离,如果发现某一物体(如正在靠近输电线路的施工机械)与输电线路之间的空间距离逐渐缩小,当达到设定的危险阈值时,系统需要发出预警并及时采取措施避免外破事故的发生。【结论】采用三维点云测量技术对输电线路外破隐患空间距离进行测量,可以实时监测输电线路周围环境,全面准确地掌握输电线路的健康状况。根据实际情况优化巡检策略,重点巡检外破隐患风险较高的区域,减少不必要的巡检工作量,提高运维效率。

【目的】随着智能变电站的快速发展,其在电力系统中的地位日益重要。智能变电站具有网络化信息共享等特性,SCD文件作为运行关键数据来源,直接关系到站内继电保护动作的准确性,然而当前SCD虚回路校核面临诸多困境。人工校核在面对大量虚回路信息时,工作量大、效率低下且容易出现漏查等情况,故对人员专业水平要求颇高。基于固定规则的校核技术,因智能站虚回路受电压等级、主接线形式、间隔类型、装置类型、保护功能需求等众多复杂因素影响,致使校核规则极为繁杂,其可靠性与可维护性难以保证。在此背景下,本研究致力于提升智能变电站虚回路自动校核技术的适应性和准确性,涉及智能变电站二次系统整体架构及运行保障等相关范围,对确保变电站安全稳定运行具有重要意义。【方法】采用基于标准模型方法深入剖析影响SCD虚回路校核的因素,通过构建标准模型来适配差异。专业人员依据电压等级、接线方式及装置类型等构建并维护ICD标准虚端子模型库,其标识具备唯一性。同时,建立ICD厂家虚端子与标准虚端子的映射模型,明确映射文件表达方式及数据结构,记录两者精确对应关系。综合考虑多种影响因素构建标准虚回路模型,并由专业人员负责维护发布,为校核提供准确依据。在具体校核过程中,通过解析SCD文件生成装置间互操作关系对象标识,运用数学模型集合的逻辑运算差集,将解析的虚回路数据与标准虚回路模型进行对比,精准计算正确、多余与缺失回路的情况。【结果】所提方法通过标准模型及配套流程可有效解决SCD虚回路校核难题,在一定程度上提高了校核准确性,可有效应对多种差异。【结论】与传统方法相比,提出的基于标准模型的校核模式优势明显,可为智能变电站运维管理政策制定提供有力技术支撑,助力规范行业建设与运维标准制定。在学术交流价值方面,可为智能变电站二次系统研究开拓新路径,为后续虚回路校核研究在模型构建、数据处理等方面提供借鉴。

【目的】在智能电网快速发展的背景下,配电网作为电力传输与分配的关键环节,其数据的有效管理和分析对于保障电网稳定运行、提升供电质量至关重要。然而,配电网数据种类繁多且复杂,涵盖了用户用电行为、天气情况、设备基础信息及营销数据等多个维度。不同类型的数据在采集和传输过程中,会因磁场信号、噪声信号、冗余数据等干扰出现缺失,不仅增加了配电网运行监控的难度,还为故障分析、状态评估及优化决策等工作带来极大挑战。【方法】为提高数据处理的准确性和效率,提出一种数据缺失情况下的配电网时间序列数据分类算法。根据时间序列数据在配电网中的分布状态,利用平滑算法去除数据噪声,从而显著提升数据的准确性和可靠性,优化因冗余数据干扰而产生的问题。对缺失数据进行增量填补,依据时间序列数据的内在规律和相邻数据点的相关性,对缺失数据进行合理推测和填补,保持了数据的完整性,同时确保了时间序列的连续性和一致性。计算不同时间序列的数据缺失情况,将高维和低维数据状态空间与单元、多元时间序列相结合,凭借维度映射得到数据维度因子,实现簇内分类。【结果】设计方法填补后数据均在原始数据附近,无冗余问题,且分类耗时点均匀分布,呈现出线性趋势,充分展示了其高效稳定的数据处理能力。设计方法分类配电网时间序列数据后,同种类配电网数据聚集且互不干扰,噪声数据大幅减少,相对差异值(RDV)始终保持在0.05以下,特异度在数据缺失率5％~35％的范围内均维持在95.0％以上,显著高于对比方法的91.5％和92.0％。【结论】设计方法通过平滑去噪、增量填补和维度映射等技术手段,有效应对数据缺失带来的挑战,提高了数据处理的准确性和效率。同时,验证了设计方法在保持高分类精度和快速收敛速度方面的优势,表明其能够有效应对数据缺失情况,显著提升配电网数据的分类效果和运行稳定性。该算法研究不仅丰富了配电网数据分析的理论体系,还为智能电网的运维管理提供了实用的技术支持,具有重要的理论价值和现实意义。