-
题名深度学习在电力系统频率分析与控制中的应用综述
被引量：44
- 1
-
-
作者
张怡
张恒旭
李常刚
蒲天骄
-
机构
电网智能化调度与控制教育部重点实验室(山东大学)
中国电力科学研究院有限公司人工智能研究所
-
出处
《中国电机工程学报》
EI
CSCD
北大核心
2021年第10期3392-3406,共15页
-
基金
国家自然科学基金重大科研仪器研制项目(51627811)。
-
文摘
低惯量可再生能源的发展及大电网复杂互联导致现代电力系统呈现新特征和新形态,具有典型的强时变性、强非线性、随机不确定性、数据多样性、局部可观测性等特征,电力系统分析方法面临更大挑战。深度学习作为一项新的机器学习技术路径,其强大的数据分析、预测、分类能力在电力系统频率分析与控制等复杂问题中具有独特优势。首先分析深度学习的基本原理与研究进展,介绍深度学习的训练方法、典型模型结构及应用特点,总结频率动态趋势感知、频率安全与稳定评估以及频率控制与调节领域的问题特征及深度学习的应用现状,并探讨针对每类问题深度学习应用的适应性,构建了深度学习在电力系统频率分析与控制中的应用框架。最后,对深度学习的发展趋势及其在电力系统频率问题中的应用前景进行展望。
-
关键词
深度学习
频率分析
人工智能
智能电网
可再生能源
-
Keywords
deep learning
frequency analysis
artificial intelligence
smart grid
renewable energy
-
分类号
TM711
[电气工程—电力系统及自动化]
-
-
题名基于卷积神经学习的光伏板积灰状态识别与分析
被引量：27
- 2
-
-
作者
赵波
廖坤
邓春宇
谈元鹏
曹生现
-
机构
东北电力大学自动化工程学院
中国电力科学研究院有限公司人工智能应用研究所
-
出处
《中国电机工程学报》
EI
CSCD
北大核心
2019年第23期6981-6989,共9页
-
基金
国家自然科学基金项目(51606035)
吉林省科技发展计划(20190201098JC)
中国电力科学研究院有限公司科技项目(AI83-19-006)~~
-
文摘
光伏板积灰会降低光伏系统发电效率,易引发灼烧、腐蚀等连带故障,因而开展光伏板积灰智能识别与分析对提高光伏发电效益意义重大。鉴于积灰状态光伏板在可见光图像中显著的颜色与纹理特征,提出一种基于卷积神经学习的光伏板积灰状态识别与分析方法,在光伏电站现场构建积灰状态图像识别实验系统,获取积灰状态图像制备数据集,以残差网络来辨识不同积灰程度的光伏板图像,挖掘分析积灰状态图像与发电效率损失率的对应关系。结果表明:对于现场11个等级的光伏板积灰状态,ResNet-50和ResNet-101模型识别的准确率为0.81、0.72,均方根误差为0.69、0.95。提出的积灰状态识别与分析方法可直接、实时、定量分析积灰对光伏发电效率的影响,为光伏系统便携式巡检与智能化运维技术研究提供参考与新思路。
-
关键词
光伏板
积灰状态识别
卷积神经学习
残差网络
发电效率
-
Keywords
photovoltaic panel
dust status recognition
convolutional neural learning
residual network
generating efficiency
-
分类号
TM615
[电气工程—电力系统及自动化]
-
-
题名基于多元时间序列分割聚类的异常值检测方法
被引量：10
- 3
-
-
作者
邓春宇
吴克河
谈元鹏
胡杰
-
机构
华北电力大学控制与计算机工程学院
中国电力科学研究院有限公司人工智能应用研究所
华北电力大学电气与电子工程学院
-
出处
《计算机工程与设计》
北大核心
2020年第11期3123-3128,共6页
-
文摘
为解决多元时间序列中的异常数据问题,在分析已有研究方法的基础上,提出一种基于分割聚类算法和长短期记忆网络结合的大数据异常检测方法。建立多元时间序列聚类模型,采用流水线模型和交替方向乘子法求解,得到子数据分段;使用长短期记忆网络重构各子序列,比较与原始序列的残差检测出异常数据点。以变压器监测数据为例进行异常检测,检测结果表明,该方法具有较高的检测精度。
-
关键词
异常检测
多元时间序列
分割聚类
长短期记忆网络
变压器
-
Keywords
outlier detection
multivariate time series
segmentation clustering
long short-term memory network
transformer
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于近邻相似度图聚类的用户用电行为分析
被引量：6
- 4
-
-
作者
邓春宇
吴克河
张玉天
-
机构
华北电力大学控制与计算机工程学院
中国电力科学研究院有限公司人工智能应用研究所
-
出处
《计算机工程与设计》
北大核心
2021年第7期1933-1939,共7页
-
文摘
以周负荷数据为用户用电行为分析的视角较通常使用日负荷数据更符合用户客观用电周期规律,提出一种面向用户周负荷数据聚类方法,通过改进的近邻相似度图聚类避免计算过程中维度增高导致的相似一致化,优化计算的时间与空间复杂度,实现用户用电特征准确快速提取,相较常见的K-means和DBSCAN等方法聚类效果更佳,使用逐段聚集平均降维表示,便于后续分析。以某省大工业用户用电数据作为仿真算例进行验证。
-
关键词
聚类
用电行为分析
近邻相似度图
周数据
降维
-
Keywords
clustering
electricity consumption behavior analysis
nearest neighbor similarity graph
weekly data
dimension reduction
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
