电网技术

作者：张重远; 岳浩天; 王博闻; 刘云鹏; 罗世豪 刊期：2019年第06期

电气设备的故障类型与局部放电现象密切相关,有效提取和分析局部放电信号中的特征信息对故障类型判断和运维检修具有重要意义。针对局部放电超声信号的特点,提出了基于相似矩阵的盲源分离方法对原始超声信号进行预处理,有效提取局部放电的特征量。采用光纤传输的局部放电超声检测平台对4种类型的局部放电信号进行采集,并应用上述方法对信号数据...

作者：齐波; 王一鸣; 张鹏; 李成榕; 王红斌 刊期：2019年第06期

油色谱数据及其变化趋势是评估变压器健康状态的重要依据。现有研究表明,深度信念网络(deep belief network,DBN)在油色谱数据预测领域已取得一定成果,为变压器的运行维护提供了参考。但在实际应用过程中,仍存在因网络结构限制导致油色谱时域相关性表述不充分的情况,其预测结果呈现显著的"时移"误差,从而使得基于该方法的设备状态预测结果与实际...

作者：张宇帆; 艾芊; 林琳; 袁帅; 李昭昱 刊期：2019年第06期

超短期负荷预测为实时电力市场运行提供重要依据,预测准确度的提升对于揭示负荷变化的不确定性以及日前预测偏差具有重要意义。基于电力系统中含有的丰富大数据资源,提出了一种针对区域级负荷的深度长短时记忆网络超短期预测方法,该方法包括输入数据的预处理、深度长短时记忆(long short-termmemory,LSTM)网络的构建以及模型的训练和超参数的寻...

作者：邵美阳; 吴俊勇; 石琛; 安然; 朱孝文; 黄杏; 蔡蓉 刊期：2019年第06期

随着分布式电源和随机负荷电动汽车等的大量接入,配电网的运行环境日益复杂,对在线无功优化及其快速性提出了更高的要求。该文将“深度学习”引入配电网无功优化,提出了基于深度置信网络的无功优化方法。通过构造高维随机矩阵,从配电网运行数据中提取统计特征作为输入,将历史控制策略进行编码作为输出,利用先无监督后有监督的方式训练深层架构,...

作者：张宇航; 邱才明; 杨帆; 徐舒玮; 石鑫; 贺兴 刊期：2019年第06期

智能电网的数字化建设提供了海量的数据,而深度学习的发展则为数据价值萃取提供了有效手段。首先阐述了深度学习的发展史及基本框架,总结了深度学习的理论基础和技术体系;而后结合电力系统实际需求,以图像数据和时空数据这两大类为基础综述了深度学习在电力系统数据处理的重点应用领域和价值,并提出了相关的技术发展建议。