-
题名基于深度学习和知识图谱的变电站设备故障智能诊断
- 1
-
-
作者
尚明远
罗锋
魏艳霞
许陈德
邓祺
-
机构
广东电网有限责任公司广州供电局
-
出处
《电气自动化》
2024年第6期100-102,105,共4页
-
文摘
基于深度学习网络和知识图谱技术,提出了一种关联电力设备多模态信息故障诊断方法。对采集的数据提取融合并构建一个多模态信息的知识图谱,利用YOLOv4算法提取电气设备故障库的先验框参数,将多模态信息知识图谱与YOLOv4算法视觉检测结合并应用到电气主设备进行故障诊断。试验结果证明,所提方法可以实现电气主设备故障智能化诊断,相比其他诊断算法精度提高约18.2%,能够提高电网运行维护效率。
-
关键词
深度学习
知识图谱
多模态
电气设备
智能诊断
-
Keywords
deep learning
knowledge graph
multimodal
electrical equipment
intelligent diagnosis
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名电力动态负荷数据概率区间预测方法设计
- 2
-
-
作者
许陈德
-
机构
广州供电局
-
出处
《传感器世界》
2024年第1期23-28,共6页
-
文摘
电力负荷具有较大的波动性,且负荷数据存在噪声、缺失或异常值等问题,影响概率区间预测结果的准确性。为此,提出一种优化的电力动态负荷数据概率区间预测方法,并对该方法展开验证分析。根据当前预测需求及标准的变化,对电力动态负荷数据预处理,计算动态负荷数据概率感知区间合适值,压缩概率感知区间范围。采用多层级的方式,细化负荷数据概率区间预测范围。设计电力动态负荷数据概率区间预测流程,采用多目标PF-Elman集成处理,实现概率区间预测。测试结果表明,此次所设计的动态负荷数据概率区间预测方法最终得出的APFE值均被较好地控制在4以下,当前所设计的预测方法更加灵活、高效,预测的效率更佳,预测结果的区间覆盖率都在95%以上,具有实际的应用价值。
-
关键词
电力动态负荷
数据概率
区间预测
预测方法
负荷控制
-
Keywords
power dynamic load
data probability
interval prediction
prediction method
load control
-
分类号
TM715
[电气工程—电力系统及自动化]
-
-
题名基于曲线特征聚类与信息聚合的电力负荷预测
被引量：1
- 3
-
-
作者
岳首志
洪海生
邓祺
许陈德
罗锋
-
机构
长沙理工大学电气与信息工程学院
广东电网有限责任公司广州供电局
-
出处
《长沙理工大学学报（自然科学版）》
CAS
2023年第6期128-139,共12页
-
基金
中国南方电网资助项目(GZHKJXM20200037)。
-
文摘
【目的】为获得准确可靠的超短期电力负荷预测结果以满足电力系统快速响应和实时调度的需要,考虑到电网负荷数据非线性、时序性等特征,提出一种基于曲线特征聚类与信息聚合的电力负荷超短期区间预测方法。【方法】首先,考虑负荷曲线的局部波动特征和整体趋势特征,将电力负荷曲线分为不同类别;然后,将高斯过程回归模型作为表征负荷整体趋势的预测模型,并将基于分位数的双向长短期记忆神经网络作为表征负荷局部波动的预测模型;最后,引入聚合思想,将Choquet积分算法作为聚合函数,对上述两种预测模型的结果进行聚合。【结果】所提预测方法有效实现了考虑多种特征的日负荷曲线的聚类;对单一模型的预测结果进行聚合,得到了不同场景下各置信度的区间预测结果。通过算例分析,所提预测方法的可靠性指标比上述两个单一预测模型的分别平均提高了14.70%、10.81%,综合性能分别平均提高了3.14%、15.55%。【结论】算例结果表明,与常见负荷概率预测方法和单一预测模型相比,所提方法在预测精度和可靠性上均有显著提高。此外,聚类方法和信息聚合思想的引入有助于预测模型精度的提升。
-
关键词
负荷区间预测
长短期记忆神经网络
K-MEANS聚类
高斯过程回归
信息聚合
-
Keywords
load interval prediction
long and short-term memory neural network
K-means clustering
Gaussian process regression
information aggregation
-
分类号
TM73
[电气工程—电力系统及自动化]
-
