检索结果-南通市图书馆

维普期刊数据库博看期刊

基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别

在线全文

学校读者我要写书评

暂无评论

电力系统保护与控制 2024年第4期52卷 12-25页

作者：毕贵红鲍童语陈臣鹏赵四洪陈仕龙张梓睿昆明理工大学电力工程学院云南昆明650500

能源互联网背景下的电能质量问题越来越凸显,针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种混合分量多尺度时频图和残差神经网络(res... 详细信息

能源互联网背景下的电能质量问题越来越凸显,针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种混合分量多尺度时频图和残差神经网络(residual neural network,ResNet)、门控循环单元(gated recurrent units,GRU)网络与注意力机制(attention,AT)组合的电能质量复合扰动识别新方法—Res-GRU-AT。首先利用奇异谱分解(singular spectrum decomposition,SSD)和逐次变分模态分解(successive variational mode decomposition,SVMD)对PQDs信号分别进行多尺度分解得到混合分量,再对混合分量进行希尔伯特黄变换(Hilbert-Huang transform,HHT),分析得到多尺度时频图。其次,利用Res-GRU-AT模型对多尺度时频图进行深层次特征提取、强化和识别。Res-GRU-AT模型能够利用ResNet的二维图像空间特征提取能力和GRU的时序特征提取能力进行特征融合,再通过AT进行特征加权强化,提高了PQDs的识别能力。不同方案的仿真结果表明,所提方法特征提取能力强且抗噪性能好,对复合扰动识别率高。

关键词：电能质量故障识别时频分析混合模式分解深度学习

基于PAM-SSD-LSTM的短期风速预测

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

太阳能学报 2023年第1期44卷 281-288页

作者：赵鑫陈臣鹏毕贵红陈仕龙昆明理工大学电力工程学院昆明650500

为提高短期风速预测的准确性,提出一种基于PAM聚类、奇异谱分解(SSD)和LSTM神经网络的组合预测模型来预测短期风速,以解决上述问题。首先,为提高神经网络的学习效率,采用PAM算法对原始风速数据进行相似日聚类;其次,SSD具有抑制模态混叠... 详细信息

为提高短期风速预测的准确性,提出一种基于PAM聚类、奇异谱分解(SSD)和LSTM神经网络的组合预测模型来预测短期风速,以解决上述问题。首先,为提高神经网络的学习效率,采用PAM算法对原始风速数据进行相似日聚类;其次,SSD具有抑制模态混叠和虚假分量产生的优点,使用SSD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。实验结果表明,基于PAM-SSD-LSTM的组合预测模型可有效提高风速短期预测的准确率。

关键词：风速短期预测 PAM聚类奇异谱分解 LSTM神经网络

基于深度学习的特高压多端混合直流输电线路故障区域诊断

在线全文

学校读者我要写书评

暂无评论

基于深度学习的特高压多端混合直流输电线路故障区域诊断

作者：陈臣鹏昆明理工大学

学位级别：硕士

跨区输送清洁能源的力度正随着我国“碳达峰-碳中和”战略进一步加大,多端混合直流输电也逐渐成为未来电网的一个重要发展方向。由于LCC-MMC型多端混合直流输电分别兼顾了LCC-HVDC、MMC-HVDC中换流技术成熟、投资费用低、不存在换相失... 详细信息

跨区输送清洁能源的力度正随着我国“碳达峰-碳中和”战略进一步加大,多端混合直流输电也逐渐成为未来电网的一个重要发展方向。由于LCC-MMC型多端混合直流输电分别兼顾了LCC-HVDC、MMC-HVDC中换流技术成熟、投资费用低、不存在换相失败和无功控制灵活等特点,因而成为了解决我国功率消纳和新能源并网的有效途径之一。实际工程中的多端混合直流输电系统,使用了大规模的直流输电线路,其跨地区输电距离远,运行环境恶劣,故障概率较高。此外,并联型多端混合直流输电系统存在T区汇流母线,但T区位置边界条件较弱,容易导致T区两侧线路难以依靠暂态行波直接判别,其故障特性与传统直流电力系统、柔性直流电力系统存在显著差异。因此,为了保证多端混合直流电力系统的安全、稳定、可靠运行,需要深入研究多端混合直流输电系统故障区域识别的方法,并为多端混合直流输电系统的保护方法提供理论支持,主要研究内容如下:搭建了两种不同的识别方案—保护测量点分别置于T区左右和整流侧线路首端,构建三种不同的算法对其故障区域进行识别,为现有保护方案提供参考与补充。(1)提出一种基于PCNN-LSTM的特高压三端混合直流输电线路故障区域诊断方法。针对方案一,首先,分析昆北侧、龙门侧线路和柳北T区电压传递函数的幅频特性,指出特高压多端混合直流输电线路不同区域故障的特征差异。其次,利用柳北T区左右四个测量点采集暂态故障电压数据,作为深度学习的训练样本,构建了具有双支路CNN空间特征提取能力和LSTM时序特征提取能力的PCNN-LSTM诊断模型,通过参数对比实验确定模型的结构参数。采用“离线训练,在线诊断”的方法实现端到端的区域诊断。经仿真实验表明,该故障区域识别方法能够对不同线路的区内外故障进行准确识别,且具备一定的耐过渡电阻和抗干扰能力。(2)提出一种基于Res-GRU网络的特高压三端混合直流输电线路故障区域诊断方法。针对方案一首先对昆北侧、龙门侧线路和柳北T区电流传递函数的幅频特性进行分析,推断出特高压多端混合直流输电线路不同区域故障的特征差异,其次,通过小波分解对故障暂态电流进行分解,获得电流子分量集合,将其作为深度学习模型的输入样本,随后,搭建Res-GRU模型,该模型结合了残差网络和GRU网络,通过残差连接可以有效地减少训练过程中的梯度消失和爆炸问题,而GRU网络能够有效地捕捉暂态电流序列中的动态变化,二者结合,使得模型更加稳定。经过仿真测试,验证了基于多模式分解和Res-GRU网络的特高压三端混合直流输电线路故障区域诊断方法能够正确诊断线路区内外故障和T区汇流母线故障。通过搭建不同机器学习、深度学习模型对比分析得知,所提方法在高阻接地和噪声背景下仍然适用。(3)提出一种基于多模式分解和多支路并行残差网络的特高压三端混合直流输电线路故障区域诊断方法,针对方案二,首先,分析昆北侧、龙门侧线路和柳北T区不同故障区域的故障电流波形差异,利用多模式分解算法挖掘故障电流的初步特征,避免一些容易混叠的模态子序列在单一分解方法中逃逸,实现了不同分解算法的优势互补,通过特征可视化的方法发现了不同分解算法的互补性规律。随后,搭建SSA-MRes-GRU模型,将分解所得的电流分量特征矩阵作为该模型的输入,利用多支路残差网络不同支路的不同尺寸感受野同时提取故障电流分量的多尺度空间耦合交互特征,利用GRU模块进一步挖掘其时间维度上的时序性特征,使得特征得到显著增强,引入麻雀算法对该模型中的关键参数进行寻优,免去了人工设定模型参数的环节,增强了模型的适应性和可扩展性。通过不同模型对比模型实验、多模式分解实验和抗噪声干扰实验,验证了基于多模式分解和SSA-MRes-GRU故障区域诊断模型具有很高的诊断精度,基本不受故障距离、过渡电阻的影响。

关键词：特高压多端混合直流频率特性信号分解技术深度学习故障区域识别

基于多模式分解和麻雀优化残差网络的短期风速预测模型

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电网技术 2022年第8期46卷 2975-2985页

作者：陈臣鹏赵鑫毕贵红谢旭高敬业骆钊昆明理工大学电力工程学院云南省昆明市650500

为提高风速预测的精度,提出一种基于多模式分解、麻雀优化算法(sparrow search algorithm,SSA)、残差网络(residual neural network,ResNet)和门控循环单元网络(gated recurrent units,GRU)的短期风速预测模型。该模型首先利用小波分解(... 详细信息

为提高风速预测的精度,提出一种基于多模式分解、麻雀优化算法(sparrow search algorithm,SSA)、残差网络(residual neural network,ResNet)和门控循环单元网络(gated recurrent units,GRU)的短期风速预测模型。该模型首先利用小波分解(wavelet transform,WT)、变分模态分解(variational mode decomposition,VMD)和自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)分别分解经过模糊C均值聚类后的风速数据,不同模态分解分量组合为二维矩阵,作为卷积网络的输入数据,实现不同模式分量波动规律的互补;随后,在传统卷积网络结构中增加改进的残差模块,对多模式分解分量进行特征提取,使得深层特征得到显著增强;最后,将特征融合后输入GRU模块,进一步挖掘风速分量在时序上的特征,通过麻雀优化对Res-GRU中的关键参数进行寻优,实现风速预测。实验表明,与传统组合模型相比,所提组合预测模型可以有效提高风速短期预测的准确率。

关键词：风速短期预测信号分解技术残差网络 GRU神经网络麻雀优化

在线全文

学校读者我要写书评

暂无评论

动态条件下基于深度学习的锂电池容量估计

汽车工程 2022年第6期44卷 868-877,885页

作者：毕贵红谢旭蔡子龙骆钊陈臣鹏赵鑫昆明理工大学电力工程学院昆明650500

锂离子电池在老化过程中,其内部呈现非线性的复杂变化,因此直接使用动态条件下的锂离子电池运行时段的数据(电流、电压和温度)进行电池健康状态的实时估计是一个具有挑战性的问题。本文中选取锂离子电池随机充放电数据,对动态数据的部... 详细信息

锂离子电池在老化过程中,其内部呈现非线性的复杂变化,因此直接使用动态条件下的锂离子电池运行时段的数据(电流、电压和温度)进行电池健康状态的实时估计是一个具有挑战性的问题。本文中选取锂离子电池随机充放电数据,对动态数据的部分片段进行时频特征提取,组成时频特征矩阵作为输入,构建级联式卷积神经网络和门控循环单元容量估计模型,对输入数据进行内在特征提取,并进一步挖掘各时间序列中的相关特征,实现锂离子电池动态条件下的容量估计。利用美国航空航天局锂离子电池随机使用数据集进行实验验证的结果表明,该方法能在仅已知电池的额定容量的情况下,准确完成锂离子电池容量估计。最后,本文还分析了模型超参数设置、原始数据时序长度、网络输入和模型结构对容量估计精度的影响。

关键词：锂离子电池容量估计卷积神经网络门控循环单元循环神经网络深度学习

双模式分解CNN-LSTM集成的短期风速预测模型

在线全文

学校读者我要写书评

暂无评论

太阳能学报 2023年第3期44卷 191-197页

作者：毕贵红赵鑫李璐陈仕龙陈臣鹏昆明理工大学电力工程学院昆明650500

为提高短期风速的预测精度,提出一种基于双模式分解、双通道卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的组合预测模型以提高预测精度。首先,对经过PAM方法聚类后的风速时间序列利用奇异谱分解(SSD)和变分模态分解(VMD)2种信号分解... 详细信息

为提高短期风速的预测精度,提出一种基于双模式分解、双通道卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的组合预测模型以提高预测精度。首先,对经过PAM方法聚类后的风速时间序列利用奇异谱分解(SSD)和变分模态分解(VMD)2种信号分解方法进行分解,获得2类多尺度分量。不同模式的多尺度分量可降低原始风速的复杂度和非平稳性,实现不同模式模态分量规律的互补;其次,将2种分解方法得到的风速子序列合并为一个矩阵,输入到双通道CNN进行波形特征深度提取;最后,采用LSTM建立历史风速时序的时间依赖关系,在时空相关性分析的基础上得到最终风速预测结果。实验结果表明,基于双模式分解-双通道CNN-LSTM的组合预测模型可有效提高风速短期预测的精度。

关键词：风力发电深度学习卷积神经网络长短期记忆网络奇异谱分解变分模态分解风速预测

基于多通道输入和PCNN-BiLSTM的光伏发电功率超短期预测

在线全文

学校读者我要写书评

暂无评论

电网技术 2022年第9期46卷 3463-3476页

作者：毕贵红赵鑫陈臣鹏陈仕龙李璐谢旭骆钊昆明理工大学电力工程学院云南省昆明市650500

由于太阳能和天气变量的随机性和不稳定性,光伏发电具有很高的不确定性,准确的光伏发电功率预测对于光伏电站的短期调度和发电计划的运行至关重要。提出一种基于多模式分解、多通道输入、并联卷积神经网络(parallel convolutional neura... 详细信息

由于太阳能和天气变量的随机性和不稳定性,光伏发电具有很高的不确定性,准确的光伏发电功率预测对于光伏电站的短期调度和发电计划的运行至关重要。提出一种基于多模式分解、多通道输入、并联卷积神经网络(parallel convolutional neural network,PCNN)和双向长短期记忆网络(bi-directional long short term memory,BiLSTM)的组合预测方法,用于不同天气类型的超短期光伏发电功率预测。首先,由相关性分析算法确定辐照度和温度是对光伏发电贡献最大的2个环境变量,并根据环境因素与光伏功率波动特征的关联性将全年数据划分为4类;其次,使用完全集合经验模态分解、奇异谱分解和变分模态分解对辐照度、温度和光伏发电功率进行分解,以降低原始数据的复杂度和非平稳性,实现不同模式模态分量规律互补;最后,建立基于PCNN和BiLSTM的组合预测模型,使用PCNN提取不同的深度特征,并将PCNN输出的特征融合后输入到BiLSTM中,使用BiLSTM建立历史数据之间的时间特征关系,学习历史数据间的正、反向规律,在时空相关性分析的基础上得到最终光伏发电功率预测结果。实验结果表明,提出的组合预测方法在超短期光伏发电功率预测中具有较高的准确性和稳定性,并优于其他深度学习方法。

关键词：光伏发电多通道输入并联卷积神经网络双向长短期记忆神经网络功率预测

在线全文

学校读者我要写书评

暂无评论

基于多模式分解的碳交易价格组合预测模型

电力科学与工程 2022年第2期38卷 52-59页

作者：赵鑫陈臣鹏毕贵红陈仕龙谢旭昆明理工大学电力工程学院云南昆明650500

针对碳交易过程中碳价序列的非线性和非平稳性,提出一种基于多模式分解、样本熵、鲸鱼优化(whale optimization algorithm,WOA)和长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型。首先,使用奇异谱分解、变分模态分解... 详细信息

针对碳交易过程中碳价序列的非线性和非平稳性,提出一种基于多模式分解、样本熵、鲸鱼优化(whale optimization algorithm,WOA)和长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型。首先,使用奇异谱分解、变分模态分解和完全集合经验模态分解,分别分解原始碳价序列,降低原始序列的复杂度和非平稳性,实现不同模式模态分量规律的互补;然后,使用样本熵算法将熵值接近分量重构为一个新的分量,以提高预测效率;最后,使用WOA-LSTM组合预测网络建立历史碳价之间的时间特征关系,在时空相关性分析的基础上得到碳价预测值。实验结果表明,该组合预测模型可以有效地提高碳交易价格的预测准确率。

关键词：碳交易价格多模式分解样本熵鲸鱼优化 LSTM神经网络组合预测

基于并联CNN-LSTM的弱受端直流输电系统故障诊断

在线全文

学校读者我要写书评

暂无评论

电机与控制应用 2022年第6期49卷 83-91页

作者：陈臣鹏陈仕龙毕贵红高敬业赵鑫李璐昆明理工大学电力工程学院云南昆明650500

现有的故障诊断手段面对复杂电网时,难以精确提取故障特征,急需适应性强、识别率高的故障诊断方法。鉴于此,提出一种基于压缩感知与并联卷积神经网络(CNN)和长短期记忆网络(LSTM)结合的电网故障诊断方法。搭建永富直流输电系统模型采集... 详细信息

现有的故障诊断手段面对复杂电网时,难以精确提取故障特征,急需适应性强、识别率高的故障诊断方法。鉴于此,提出一种基于压缩感知与并联卷积神经网络(CNN)和长短期记忆网络(LSTM)结合的电网故障诊断方法。搭建永富直流输电系统模型采集原始故障数据,原始故障数据应用压缩感知原理进行压缩采样,获得压缩域故障信号,以提高网络的计算效率。然后搭建了麻雀搜索算法(SSA)优化的并联CNN-LSTM深度学习模型。通过SSA确定并联CNN-LSTM的网络结构及参数,利用并联CNN-LSTM深度学习模型直接在故障的压缩域挖掘故障波形特征和时序特征,并对故障进行识别。仿真结果表明该模型相较于传统方法具有更高的故障诊断精度。

关键词：弱受端直流输电系统故障诊断并联卷积神经网络(CNN) 长短期记忆网络(LSTM) 麻雀搜索算法(SSA)