BP

高寒地区须携带多台仪器以满足3种不同量级SF6气体中CF4气体浓度的检测需求，现场运维效率低且仪器购置成本高。为此，首先设计了一种基于热释电检测技术的SF6气体中CF4气体浓度检测仪器，可自动选择不同的放大电阻以实现多量程切换。然后提出了BP和PSO-BP 2种神经网络温度-压力协同补偿模型，并通过搭建高效模拟实验平台为模型预测提供数据支撑，预测结果表明，PSO-BP神经网络优于BP神经网络。最后将PSO-BP神经网络温度-压力协同补偿模型内置于多量程检测仪器CF4气体浓度检测仪器。模拟实验结果表明，该检测仪器在不同温度和压力下，小量程和大量程检测误差和重复性分别不超过±2%和1.6%，混合比量程下误差和重复性分别不超过±0.5%和0.2%，对高寒地区电网运维检修具有重要作用。

由于新能源发电设备的弱支撑性，新能源高占比的受端电网的电压支撑强度难以满足系统安全稳定运行的要求。为了解决现有静止无功发生器(static var generator, SVG)配置方法未能充分提升系统小干扰电压稳定性和暂态电压稳定性的问题，提出了一种综合考虑系统小干扰电压稳定和暂态电压稳定的SVG优化配置方法。首先，在第一阶段考虑SVG投资运行总成本和系统小干扰电压稳定裕度，在第二阶段引入SVG接入对系统故障后暂态电压稳定裕度的影响。然后，利用基于组合赋权法和相对熵距离的改进理想解法得到最优配置方案。最后，应用PSD- BPA对新能源高占比受端电网算例进行分析，验证了所提配置方法能充分发挥SVG对系统电压稳定的提升作用。

针对目前电力系统谐波发射水平难以直接测量的问题，提出了一种基于改进秃鹰算法(improved bald eagle search, IBES)优化极限学习机(extreme learning machine, ELM)的谐波发射水平估计方法。首先，在传统秃鹰搜索算法中引入Tent混沌映射和柯西变异算子，利用IBES算法对ELM模型的输入权重和阈值进行寻优。其次，输入公共连接点(point of common coupling, PCC)处谐波电压和谐波电流，代入IBES-ELM模型，估计用户侧和系统侧谐波发射水平。最后进行仿真和工程实例分析，并与其他算法的估计结果进行对比。结果表明，所提IBES-ELM方法估计精度优于长短期记忆网络(long short-term memory, LSTM)、卷积神经网络(convolution neural network, CNN)、反向传播神经网络(back propagation neural network, BP)和CNN-LSTM算法模型，验证了该方法的有效性和稳定性。

针对单传感器状态识别算法存在漏检、误检的缺陷,文章提出一种基于双传声器和深度学习的变压器状态识别算法,即基于一维卷积神经网络和双传声器数据融合算法(1D-CNN based dual microphones fusion algorithm,1D-CNN-DMF)。利用2个传声器分别同时采集变压器声信号,通过一维卷积神经网络对2个传声器采集到的声信号分别进行特征提取,并利用全连接层对特征进行融合,最终通过softmax分类器进行分类。通过采集500 kV变压器的声信号构建数据集进行验证,结果表明1D-CNN-DMF算法可以有效地对变压器不同状态进行分类,分类准确率高于1D-CNN-LSTM、1D-CNN、FFT-BP、SVM和FFT-SAE等算法。最后利用t-SNE可视化工具揭示了1D-CNN-DMF算法的内在机制。

输变电工程造价计算作为造价管控技术的核心环节，其计算模型的好坏直接影响输变电工程造价管控效能。然而现有模型往往不能兼顾计算速度、精确性与稳定性。为解决上述问题，首先，针对输变电工程造价中的实际需求确定模型的输入与输出，构建卷积神经网络模型；然后，将历史造价数据作为样本输入网络模型，得到网络输出；最后，针对期望输出与实际输出相差较大的问题，利用列文伯格-马夸尔特算法对卷积神经网络的权重参数进行优化，完成模型训练。该模型结合列文伯格-马夸尔特算法与卷积神经网络模型的优点，相比于反向传播（BP）神经网络与梯度下降法-卷积神经网络（GD-CNN）具有更高的预测精度与稳定性，提高了输变电工程造价的计算效果。

随着高比例分布式能源(distributed generation, DG)的接入，配电网的拓扑变化更加频繁。针对含DG的配电网拓扑辨识所需量测特征多、辨识准确率低的问题，提出基于随机森林(random forest, RF)算法和最大互信息系数(maximal information coefficient, MIC)关键特征选择的配电网拓扑辨识方法。首先，考虑风光出力的不确定性和相关性，基于Frank-Copula函数得到典型风光出力场景，与配电网不同拓扑相结合构建数据集。然后，根据RF和MIC进行特征选择，筛选出对拓扑辨识最重要且不含冗余信息的关键特征。最后，利用蝙蝠算法(bat algorithm, BA)优化BP(back propagation, BP)神经网络模型对配电网拓扑模型进行辨识。通过IEEE 33节点配电网和PG&E 69节点配电网进行仿真分析，验证所提模型的可行性。

对光伏出力的精准预测在配电网安全稳定运行中起着至关重要的作用。因此，提出了一种基于余弦相似度和TSO-BP（金枪鱼群优化-反向传播）神经网络的短期光伏预测方法。首先，利用余弦相似度算法筛选出与预测日具有强相似度的历史数据作为训练样本；然后，采用TSO算法寻找BP神经网络的最优初始权值与阈值，训练TSO-BP短期光伏预测模型；最后，利用TSO-BP模型分别预测平缓天气与波动天气下的光伏出力。仿真结果表明：在平稳和波动两种不同天气情况下，该方法相较于传统预测方法精度更高。

电池状态有效评估过程中数据驱动法的模型输入虽与容量呈现相关性，但并没有考虑其信息量及信息质量，低质量的数据输入会造成一定程度的预测偏差。针对上述问题，提出一种计及健康特征信息量的加权神经网络电池健康状态(state of health, SOH)预测与剩余寿命(remaining useful life, RUL)估计模型。该模型在GA-BP神经网络的基础上，通过确定有效健康特征数据集，利用数据信息度构建动量因子来保证神经网络迭代收敛速度。并基于熵权思想过滤出低信息量健康特征的预测结果，将过滤后的预测结果作为电池老化模型的输入，进一步实现剩余寿命的估计。通过公开电池老化数据集与实验平台进行验证，得到该模型健康状态预测结果MAE、RMSE分别控制在0.63%、0.81%之下，剩余寿命估计结果MAE、RMSE分别控制在0.0031 mA·h、0.0042 mA·h之下，具有良好的可行性与有效性。

为合理利用电力线信道的稀疏特性，提高G3-PLC系统通信的可靠性，基于压缩感知(compressed sensing，CS)理论，提出一种稀疏度自适应的变步长前向后向匹配追踪(sparsity adaptive variable step size forward-backward pursuit，SA-VSSFBP)算法。该算法在前向后向匹配追踪算法(forward-backward pursuit，FBP)的基础上引入变步长自适应的思想，于迭代初期选择大步长以减小迭代次数，迭代后期使用小步长获得精确估计。同时利用原子匹配度测试进行稀疏度预估计，确保逼近真实稀疏度的前提下，加快迭代速度，减少算法运行的时间。仿真实验结果表明，对比传统的信道估计方式，压缩感知信道估计方式具有更优越的性能，且相较于正交匹配追踪算法(orthogonal matching pursuit，OMP)与FBP的压缩感知信道估计算法，文章提出的算法能够在保证精度与步长为1的FBP相当的情况下算法效率分别能够提升24.14%和47.2%。

温度是影响材料力学性能的重要因素之一，准确测量器件温度是认识材料在应力作用下其力学性能演变以及评估设备健康状态和寿命的重要方式。面向功率器件开关过程中焊接界面快速温变测量的需求，传统方法存在时间分辨能力不足、难以测量瞬态温度的问题。文中基于激光诱导元素特征谱线强度与温度的密切相关性，提出了一种微秒量级时间分辨能力的表面温度测量方法，并建立了样品表面温度与光谱特性之间的定量关系。研究结果表明，物质表面温度提升导致激光诱导等离子体光谱强度和信噪比增强，且增强效果受到光谱采集延时和门宽影响。采用反向传播-人工神经网络(back propagation-artificial neural network,BP-ANN)和偏最小二乘(partial least squares,PLS)法对表面温度与光谱特性关系定量拟合并校准，拟合模型线性相关性拟合度指标均大于0.99。BP-ANN拟合模型的拟合偏差更小，其均方根误差(root mean squared error，RMSE)为2.582，正确率为98.3%。该方法为物体瞬态温度测量提供了一种有效手段，对功率器件焊接界面健康状态的评估给予了有力支撑。