深度神经网络

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。

目前围绕量测条件受限的配电网展开的故障定位研究较少，且传统的主站集中式故障定位系统在实时性与安全性等方面存在不足。针对上述问题，提出一种基于边缘计算和深度学习的单相接地故障区段定位方法。首先，构建基于分区修正的边缘计算单元配置多目标优化模型。该模型通过分区修正方法降低了故障定位系统的通信时延，提升了数据传输安全性，进而保障配电网安全运行。其次，将基于数据驱动的智能算法应用于配电网故障区段定位，选择易获取的相电流稳态有效值在故障前后的变化量作为故障特征，利用全连接型深度神经网络学习样本特征与标签间的映射关系，得到离线训练好的定位模型并储存在边缘节点以实现快速故障定位。最后，以IEEE33节点系统为例进行仿真。算例结果表明该模型在分布式电源接入、高阻故障、噪声干扰以及拓扑改变等情况下均具有良好表现。

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。

本成果属于配电网领域。通过重大科技项目研究及工程实践，产学研用团队历时 8 年联合攻关、自主创新，实现了面向大型城市配电网智能化运行关键技术重大突破，构建了集智能监控、故障自愈、异常预警、全过程运维管控于一体的支撑技术体系，取得四方面创新：(1)提出了面向省级部署的“一体双核”配电自动化主站架构，突破了系统双活灾备、海量实时数据分布式处理关键技术，开发了一体化配电自动化系统软件，解决了传统配电自动化主站运行容灾能力不足、数据接入和处理性能受限等难题，同等接入能力下可节省投资 60%；(2)提出了单相接地故障就地判别方法和行波单端测距方法，开发了陶瓷电容零序电压采集单元，研制了一二次融合柱上开关设备，实现接地故障就地隔离；(3)提出了基于暂态录波和深度神经网络的故障区段定位及异常原因识别方法，研发了高精度高速同步录波技术，研制了暂态录波型故障指示器，开发了接地故障检测和状态分析模块，接地故障与异常原因查找速度显著提高；(4)提出了基于移动 APP 的配电网运维及抢修全过程管控方法，实现了全电压等级电源路径自动追溯，开发了供电服务指挥平台，班组精简率31%，指挥效率提升 27%。 项目获得授权发明专利 23 项、实用新型专利 1 项，软著 5 项，发表 SCI/EI 检索论文 10 篇，核心期刊论文 4 篇，专著 2 部。提升了重大活动的供电保障能力，实现了首都供电企业的社会责任。确保了全国“两会”、十八届七中全会、十九大、十九届一中全会、亚太经合组织领导人非正式会议及其他在京重大活动的顺利进行，避免了停电问题造成的不良社会影响，助力首都城市形象及国际影响力提升。支撑建设世界一流配电网，服务北京总体规划建设大局 通过构建全面监控、全面自愈、状态检修、快速抢修于一体的配电网智能化运行技术体系，支撑了北京地区“世界一流城市配电网”建设，全面提升了配电网智能化水平，推进了智慧城市发展，服务了北京城市总体规划建设大局。

深度强化学习算法以数据为驱动，且不依赖具体模型，能有效应对虚拟电厂运营中的复杂性问题。然而，现有算法难以严格执行操作约束，在实际系统中的应用受到限制。为了克服这一问题，提出了一种基于深度强化学习的改进深度Q网络（improved deep Q-network，MDQN）算法。该算法将深度神经网络表达为混合整数规划公式，以确保在动作空间内严格执行所有操作约束，从而保证了所制定的调度在实际运行中的可行性。此外，还进行了敏感性分析，以灵活地调整超参数，为算法的优化提供了更大的灵活性。最后，通过对比实验验证了MDQN算法的优越性能。该算法为应对虚拟电厂运营中的复杂性问题提供了一种有效的解决方案。

随着大量分布式能源的接入，配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题，提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先，利用量测数据相关性检验的数据辨识技术识别不良数据和新能源波动数据。在此基础上，利用时域卷积网络(temporal convolutional network, TCN)-双向长短期记忆网络(bidirectional long short term memory, BILSTM)对不良数据进行修正。然后，建立集成深度神经网络(deep neural network, DNN)状态估计模型，采用最大相关-最小冗余(maximum relevance-minimum redundancy, MRMR)的方法优化训练样本，从而提高状态估计的精度和鲁棒性。最后，建立分布式集成深度神经网络模型，弥补了集中式状态估计速度慢的不足，从而提高状态估计效率。基于IEEE123配电网的算例分析表明，所提方法能更准确地辨识分布式电源波动数据和不良数据，同时提高状态估计的精度和效率，且具有较高的鲁棒性。

为提升多区域电力负荷的预测精度，聚焦于多区域电力数据的时空相关性分析，提出了一种基于Spearman-GCN-GRU的超短期多区域电力负荷预测模型。该模型通过Spearman相关系数分析不同区域电力负荷的时空相关性，构建Spearman邻接矩阵并输入图卷积神经网络（graph convolutional network，GCN）和门控循环单元（gated recurrent unit，GRU）提取数据中的空间特征和时序特征，最后由多层感知机（multilayer perceptron，MLP）解码输出预测结果。与基于距离邻接矩阵的模型进行对比，验证了Spearman-GCN-GRU模型的可行性。在模型的预测精度上，与传统统计模型和神经网络模型相比，Spearman-GCN-GRU模型在通用的评价指标中均取得最优结果。就均方根误差（root mean square error，RMSE）而言，Spearman-GCN-GRU模型与神经网络模型GRU、GCN和深度神经网络（deep neural network，DNN）相比，RMSE指标分别下降了13.90%、11.66%和8.36%，验证了模型具有更好的预测效果。

精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题，提出一种基于随机森林(random forest，RF)算法和粗糙集理论(rough set theory，RST)的改进型深度学习(deep learning，DL)短期负荷预测模型(RF-DL-RST)。该模型首先基于历史数据，利用随机森林算法提取影响负荷预测的关键特征量；然后将关键特征量和历史负荷值作为深度神经网络的输入、输出项进行训练，并通过粗糙集理论修正预测结果。最后，通过算例进行仿真验证，结果表明，该模型的预测准确度比单一的深度学习模型及不进行预测修正的模型更高。

电力物联建设进程稳步推进，电网控制类业务、调控云信息采集类业务以及智能感知终端类业务呈现“大带宽、低时延、高可靠、广覆盖、大互联”特征，对电力通信传输网提出巨大的挑战。5G作为移动网络新技术，成为未来电力传输通信网的主要研究方向，针对5G网络中Massive MIMO空口技术，本文提 出基于深度神经网络的Massive MIMO检测算法PoNET，在时变信道中检测电力5G网络基站侧MIMO信号，实现 结果表明该算法与其他算法相比，在时变信道下误比特率更低，更加符合电力5G应用场景实际需求，为未来电力5G应用提供指导意义。

精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题，提出一种基于随机森林(random forest，RF)算法和粗糙集理论(rough set theory，RST)的改进型深度学习(deep learning，DL)短期负荷预测模型(RF-DL-RST)。该模型首先基于历史数据，利用随机森林算法提取影响负荷预测的关键特征量；然后将关键特征量和历史负荷值作为深度神经网络的输入、输出项进行训练，并通过粗糙集理论修正预测结果。最后，通过算例进行仿真验证，结果表明，该模型的预测准确度比单一的深度学习模型及不进行预测修正的模型更高。