基于相关系数的水文序列滑动周期识别方法

准确进行周期识别对于合理认识水文变异规律、开展中长期水文模拟预报、水安全评价等具有重要的意义.本文通过滑动改变周期长度和初相位,构造出多组模拟周期序列,并以相关系数作为模拟周期序列与原始序列拟合精度的判别指标,选择拟合程度最好的模拟周期作为最优周期识别结果,从而提出水文序列滑动周期识别方法.理论和公式推导表明:相关系数可表征水文序列中的周期波动程度,相关系数越大,说明拟合精度越高,对应的周期变异越显著.统计试验结果显示:相比于常用的周期识别方法,文中方法的周期识别效率更高,且在各因素影响下也最具稳定性和可靠性.最后,文中方法应用于澜沧江流域21个站的年降雨量序列进行周期识别,结果显示该流域的降雨周期存在多时间尺度特征,北部和中部的降雨周期长度较短,多数在2～5 a左右,而南部的降雨周期5～10 a居多,个别站点的周期长度达到了18 a.     

基于多层次非负稀疏编码和SVM的窃电检测方法

针对现有方法对新型窃电方式检测准确率不高的问题,文中提出了一种基于多层次非负稀疏编码和支持向量机(support vector machines, SVM)的窃电检测新方法。该方法以月度用电曲线为检测对象,基于多层次非负稀疏编码提取样本的多层次用电模式特征,以及窃电情景分析提取样本的数值统计特征,将二者的融合检测特征输入SVM分类器进行窃电检测。以爱尔兰智能电表数据集构造的算例验证了所提方法能够提高窃电检测的精确率和召回率。     

智能变电站二次设备状态的灰色层次聚类评估

智能变电站作为智能电网建设的核心部分,其二次设备运行状态关系着电力系统的安全性和稳定性。针对智能变电站二次设备故障原因错综复杂以及运行状态信息不完全的特征,建立智能变电站二次设备状态评估层次模型和指标体系,引入灰色聚类对智能变电站二次设备状态进行灰色分类以及构建灰色白化权函数,并利用层次分析法计算状态指标权重,结合层次分析法与灰色聚类对智能变电站二次设备进行定性和定量的状态评估。实例分析验证了文中方法有效易行,为智能变电站二次设备状态检修工作提供了理论依据。     

柔性直流馈入下交流输电线路单端故障测距分析

柔性直流输电具有不同于交流输电和常规直流输电的运行原理和特性,随着柔性直流输电技术的应用,交流电力系统的故障特征可能发生显著变化,基于传统交流系统暂态故障特征量的故障测距面临挑战。为此,基于柔性直流输电的运行原理,分析了柔直交流侧故障时换流器的运行特性,推导了在换流器保护未启动、限流以及闭锁条件下柔直交流侧短路电流解析式,分析比较了柔直不同暂态运行状态下对输电线路单端故障测距的影响规律。结果表明,柔直馈入下交流输电线路单端故障测距受换流器交流侧电压跌落系数和换流器无功功率指令的影响,通过PSCAD/EMTDC仿真验证了理论分析的正确性。     

基于Hadoop分布式计算的混合神经网络负荷分类模型

为了对电力物联网背景下的海量负荷数据进行精细化分析,从中提取用电模式,提出一种基于Hadoop分布式并行计算的混合神经网络分类模型。首先,基于时间维度的一维卷积神经网络(1DCNN)搭建“负荷特征提取器”;其次,使用长短期记忆网络(LSTM)搭建“序列分类器”;最后,将该“混合神经网络分类方法”在Hadoop平台上搭建,实现算法的并行化运行,以适用于海量负荷曲线的高效辨识。使用标准时序数据与真实负荷数据测试该方法的分类性能,算例结果表明所提分类方法具有较高的分类精度,经并行化处理后有效提高了负荷数据的处理效率。     

基于因子分析的母线负荷异常数据辨识方法

针对现有母线负荷数据异常辨识方法适应性差、辨识精度不高的问题,基于母线负荷数据现状剖析异常数据的基本特征,分析因子分析的理论及其应用于母线负荷异常数据辨识的原理,提出了基于因子分析的母线负荷异常数据辨识方法.该方法引入因子分析将母线负荷曲线分解为表征曲线正常时序变化规律的基本分量和表征曲线数据异常或随机波动特征的随机分量;同时基于负荷曲线随机分量给出了异常数据辨识的3σ判定准则.最后,以重庆某供电公司算例验证了所提方法较现有方法更具合理性、有效性.     

SENet优化的Deeplabv3+滑坡识别

为降低山区滑坡等地质灾害影响的风险和对沿线电网安全的监测保护,利用人工智能实现电力线通道地质灾害的快速筛查。实验利用Deeplabv3+网络对川西地区遥感影像中的滑坡区域进行分割,选取了不同的主干网,包括Resnet、Xception、Mobilenet和引入SE(squeeze-and-excitation)注意力机制的ResNet,实验数据表明,SENet(squeeze-and-excitation networks)优化的Deeplabv3+语义分割模型效果最好,像素准确率(pixel accuracy, PA)达95.5%,平均交并比(mean inetersection over union, MIoU)达84.7%,相比于其他主干网络模型PA最低提升1.3%,MIoU最低提升2.2%。结果表明SENet优化的网络模型在滑坡边缘细节上的分割更精确,误识别和漏识别现象更少,识别效果优于其他模型。