随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利...随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利用量测数据相关性检验的数据辨识技术识别不良数据和新能源波动数据。在此基础上,利用时域卷积网络(temporal convolutional network,TCN)-双向长短期记忆网络(bidirectional long short term memory,BILSTM)对不良数据进行修正。然后,建立集成深度神经网络(deep neural network,DNN)状态估计模型,采用最大相关-最小冗余(maximum relevance-minimum redundancy,MRMR)的方法优化训练样本,从而提高状态估计的精度和鲁棒性。最后,建立分布式集成深度神经网络模型,弥补了集中式状态估计速度慢的不足,从而提高状态估计效率。基于IEEE123配电网的算例分析表明,所提方法能更准确地辨识分布式电源波动数据和不良数据,同时提高状态估计的精度和效率,且具有较高的鲁棒性。展开更多
文摘由于具有高时间分辨率、无创性,脑电(Electroencephalogram,EEG)信号被广泛应用于航空航天任务操作员的疲劳、脑力负荷分析等。针对EEG信号多通道且各通道内信息不完全相同的特性,提出了一种基于最小冗余最大相关性(Minimum redundancy maximum relevance,mRMR)算法的EEG特征评价技术。通过设置目标变量,计算各通道内EEG特征与目标变量的互信息量、特征在通道内部的冗余度,可对EEG特征的性能做出评价。进一步,获取管制员在不同脑力负荷下的EEG数据,对一系列EEG特征做出评价并与已有研究、特征在不同分类方式下的可分性进行对比,验证了该特征评价技术的有效性。与现有的技术相比,该技术避免了灰色关联分析法确定权重参数和灰色关联度的主观性、避免了分类器评价法的差异性。相较于已有的特征选择算法,考虑了通道内部信息的冗余,使得评价结果更为准确。相较于基于统计学的相关技术,该方法可对特征的性能做出定量的评价,以便对不同指标进行比较。最后,阐述了该评价方式疲劳程度分析、情绪识别等方面的应用。
文摘随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利用量测数据相关性检验的数据辨识技术识别不良数据和新能源波动数据。在此基础上,利用时域卷积网络(temporal convolutional network,TCN)-双向长短期记忆网络(bidirectional long short term memory,BILSTM)对不良数据进行修正。然后,建立集成深度神经网络(deep neural network,DNN)状态估计模型,采用最大相关-最小冗余(maximum relevance-minimum redundancy,MRMR)的方法优化训练样本,从而提高状态估计的精度和鲁棒性。最后,建立分布式集成深度神经网络模型,弥补了集中式状态估计速度慢的不足,从而提高状态估计效率。基于IEEE123配电网的算例分析表明,所提方法能更准确地辨识分布式电源波动数据和不良数据,同时提高状态估计的精度和效率,且具有较高的鲁棒性。
