低功耗无线传感网电力应用现状与发展报告
本书围绕电力无线传感网技术创新应用,聚焦于低功耗无线传感网在发电、输电、变电、配电、用电等电力行业领域的应用,具体包括电力发电厂监测区域的事故预警、环境状态判断、劣化趋势分析,输电线路的电力巡检和运维管理,变电站内电力设备的运行状态、环境状态等在线监测,配电领域储能和配电自动化业务的监控和故障定位系统,用电采集和精准负荷控制业务的监测和分析管理等。介绍了无线传感网及其产业发展现状,概述了无线传感网主流技术,总结提炼了电力无线传感网在电力领域的应用情况,分析研究了电力无线传感网的应用价值和挑战,探讨提出了电力无线传感网技术应用发展趋势及建议。 无线传感网是大量的静止或移动的传感器节点以自组织和多跳的方式构成的无线网络,可以感知、采集和处理信息,并将获得的详尽信息发送给需要的用户。 “十四五”期间,国家电网有限公司服务新型电力系统构建需求,将“全力推进电力物联网高质量发展”作为重点工作任务之一,其中的各项工作部署均离不开无线传感网的支撑。无线传感器网中众多类型的传感器,可探测包括地震、电磁、温度、湿度、噪声、光强度、压力、土壤成分、移动物体的大小、速度和方向等。潜在的应用领域可以归纳为军事、航空、防爆、救灾、环境、医疗、保健、家居、工业、商业等领域。新型电力系统的一些重要的、需要被监控的设备上可以安装传感器,实时监控设备的运行状况。采用无线传感网络技术,将监测到的重要参数上传到集中处理平台,智能电力系统可以根据参数的变化,及时发现设备故障等,主动预防可能发生的各种事故。 与传统有线网络相比,无线传感网络具有很明显的优势,主要有:低能耗、低成本、通用性、网络拓扑、安全、实时性、以数据为中心等。无线传感网给电力行业带来应用价值的同时,也面临着极大的挑战。通用无线传感网技术无法满足某些特定的业务需求,变电站、输电线路等某些复杂的电力现场环境对于功耗控制、传输距离、组网灵活性等方面有特定需求,需要结合电力物联网的业务需求和应用场景来实现功耗和连接性能的协同优化;在终端接入和数据传输方面,设备和数据量均呈爆发式增长,海量数据给电力物联网带来了资源和数据传输带宽的压力;传感节点大多布置在户外环境中,恶劣环境和网络攻击均影响传感节点的运行和信息传递,因此,提升终端接入安全和抗干扰能力是保证电力物联网健康发展的重要基础;传感器小型化、无源化技术有待突破,利用电网沿线的磁场、电场、振动及温差等外部条件,实现微源取能是关键难点。为此,电力企业需要弥补现有的不足和短板,结合电力行业发展战略,研究低功耗无线传感网的网络与安全连接技术,全方位地提高感知数据的颗粒度、广度和维度,并持续积极探索基于人工智能的知识赋能、5G通信技术、基于边缘计算的技术、数据开发服务技术等方面融合发展。 联系人:陈姗姗 手 机:13261508443 邮 箱:chenshanshan@eptc.org.cn
基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测
近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。
基于同步相量数据幅频特征的次超同步振荡模式辨识
随着可再生能源和高压直流输电的快速发展,次超同步振荡事故频发,对现有电力系统振荡的在线监测提出了更高要求。为此,提出了一种基于同步相量数据幅频特征的次超同步振荡模式辨识方法。首先分析了次同步振荡和超同步振荡对同步相量测量装置(phasor measurement unit, PMU)数据的影响机制,结果表明,PMU数据的正负频谱与次超同步振荡的模态线性相关。其次利用多点PMU数据相干谱判别振荡与噪声,有效减少了噪声引起的误判断。然后对次超同步振荡下的PMU数据开展频谱分析,建立了4个幅频特征量,并将振荡数据的特征集合作为输入训练并优化极限梯度提升树(extreme gradient boosting, XGBoost)模型,建立幅频特征与振荡模式的映射关系。所提方法利用振荡环境下PMU数据的固有幅频特征以及XGBoost算法强大的泛化性与计算效率,实现了噪声环境下次超同步振荡模式的快速、准确辨识。最后,利用仿真数据和实测数据验证了所提方法的有效性和实用性。
基于重采样降噪与主成分分析的宽卷积深度神经网络风机故障诊断方法
针对数据驱动的风机故障诊断面临的数据量少、信号噪声干扰等问题,提出了一种基于宽卷积深度神经网络的故障诊断方法。该方法采用了重采样、小波阈值去噪等信号预处理方式,既增加了信息密度,又保证了信息的完整性,结合主成分分析法(principal component analysis,PCA)替代人工经验进行数据通道的选取。利用卷积神经网络的强大特征提取能力,通过较少的数据训练即可对风机机组在时域上的故障信号进行有效的特征提取,从而可以对风机进行精确的故障诊断。基于某真实风机机组数据的实验结果,验证了该方法的有效性。
塔架式电力电容器装置噪声计算导则
基于拐点密集区凹凸波动特性的直流配网故障检测方法
基于模块化多电平换流器(modular multilevel converter, MMC)的柔性直流配电网具有不存在换相失败等优点。但换流器存在低惯性、弱阻尼等特性,导致故障电流上升速度快且峰值高,对系统危害极大。针对直流配电网发生单极接地故障难以准确选择故障馈线的问题,提出了一种基于拐点密集区凹凸波动特性的直流配网故障检测方法。首先,利用变分模态分解算法对各馈线零模电流进行分解,选取特征分量。然后,计算特征分量的二阶导数,选择拐点密集区并进行归一化处理,得到各馈线的凹凸波动性。最后,判定凹凸波动性与其他馈线相异的线路为故障线路。仿真结果表明,所提方法能够快速识别故障馈线,且受过渡电阻、采样频率、数据窗和噪声等因素影响小。
基于自适应噪声完全集合经验模态分解与BiLSTM-Transformer的锂离子电池剩余使用寿命预测
锂离子电池剩余使用寿命(remaining useful life, RUL)是使用者十分关心的问题,其涉及电池的更换时间和安全。针对锂离子电池的电容量非线性变化趋势,提出了一种基于自适应噪声完全集合经验模态分解与双向长短期记忆网络-Transformer的锂离子电池剩余使用寿命预测方法。首先,利用自适应噪声完全集合经验模态分解方法对锂离子电池电容量数据进行分解。其次,使用串联的双向长短期记忆神经网络和Transformer网络对分解后得到的残差序列和本征模态分量序列进行建模预测。最后,将预测的若干本征模态分量序列和残差序列进行求和,并对求和之后的最终预测数据与原始数据进行RUL预测。采用NASA公开的电池数据集对所提方法进行验证,结果表明,所提方法的平均绝对误差、均方根误差、平均绝对百分比误差和绝对误差控制分别控制在0.0173、0.0231、1.2084%和3个循环周期以内,能够有效地提高锂离子电池RUL的预测精度。