Monte Carlo模拟(Monte Carlo simulation,MCS)在复杂电力系统可靠性评估中广泛应用,但计算效率较低。针对此,该文提出一种基于卷积神经网络(conventional neural network,CNN)的可靠性评估方法,在时序MCS框架下采用CNN加速系统状态评...Monte Carlo模拟(Monte Carlo simulation,MCS)在复杂电力系统可靠性评估中广泛应用,但计算效率较低。针对此,该文提出一种基于卷积神经网络(conventional neural network,CNN)的可靠性评估方法,在时序MCS框架下采用CNN加速系统状态评估计算。首先,构造反映系统运行状态的特征向量,建立基于CNN的系统失负荷量回归模型;其次,针对可靠性评估样本不均衡、回归训练效率低的问题,进一步建立系统状态分类器,形成基于CNN的分类-回归模型;此外,针对CNN训练样本和实际评估样本不一致的问题,提出分类结果矫正机制,进一步提升模型的实用性;最后,通过改编IEEE-RTS系统的计算分析验证了所提方法的有效性和优越性。展开更多
基于台架采集数据,采用外部输入非线性自回归(nonlinear autoregressive model with exogenous input,NARX)神经网络建立了具备瞬态特性的柴油机排气温度计算模型作为虚拟传感器,并采用并发式训练方法对模型进行训练。将结果与前馈神经...基于台架采集数据,采用外部输入非线性自回归(nonlinear autoregressive model with exogenous input,NARX)神经网络建立了具备瞬态特性的柴油机排气温度计算模型作为虚拟传感器,并采用并发式训练方法对模型进行训练。将结果与前馈神经网络、长短期记忆网络(long short term memory,LSTM)神经网络及量产发动机的排温传感器采集结果进行对比。经验证,稳态工况下,两种神经网络均能达到较高精度;欧洲瞬态循环(European transient cycle,ETC)工况下,NARX神经网络计算温度的最大偏差为6.6℃,量产发动机排温传感器测得温度最大偏差为45.9℃。NARX神经网络所需的计算时间约为现有电控单元排温模型的2.5倍。展开更多
文摘基于台架采集数据,采用外部输入非线性自回归(nonlinear autoregressive model with exogenous input,NARX)神经网络建立了具备瞬态特性的柴油机排气温度计算模型作为虚拟传感器,并采用并发式训练方法对模型进行训练。将结果与前馈神经网络、长短期记忆网络(long short term memory,LSTM)神经网络及量产发动机的排温传感器采集结果进行对比。经验证,稳态工况下,两种神经网络均能达到较高精度;欧洲瞬态循环(European transient cycle,ETC)工况下,NARX神经网络计算温度的最大偏差为6.6℃,量产发动机排温传感器测得温度最大偏差为45.9℃。NARX神经网络所需的计算时间约为现有电控单元排温模型的2.5倍。
