特征提取

负荷识别是非侵入式负荷监测(non-intrusive load monitoring, NILM)的关键一步。针对目前识别方法存在网络参数量大、识别率低的局限性，提出了一种基于马尔可夫转移场((Markov transition field, MTF)和轻量级网络的非侵入式负荷识别方法。首先，利用归一化后的电压电流计算马尔可夫状态转移矩阵，在时域上排列每个状态转移概率构建MTF。其次，对MTF降采样以适应神经网络的学习，利用伪彩色编码技术得到RGB彩色图像。最后，在轻量级网络ShuffleNetV2中加入SimAM无参注意力模块作为特征提取网络，以较少的参数量实现负荷分类识别。使用公共数据集PLAID和WHITED对所提方法进行实验，结果表明，SimAM-ShuffleNetV2在两个数据集的识别准确率分别达到了98.99%和99.22%，参数量分别为0.37 M和0.41 M，比现有的方法具有更高的识别准确率和更少的参数量，验证了所提方法的有效性和优越性。

当前，基于深度学习目标检测技术的设备缺陷识别已经在变电站远程智能巡视中得到广泛应用，本报告先总体概述基于深度学习目标检测的技术发展路线图；其次通过对不同类别和场景设备缺陷识别算法的深度分析，给出相应的技术路线在算法层面和数据层面的优化，在算法层面，引入特征提取和表征能力更强的Transformer架构，再结合端到端的目标检测架构，实现检测效果大幅度提升；数据层面，采用数据生成和增广策略，如生成对抗网络和扩散模型，增加样本的多样性，从而进一步实现检测效果的提升；最后探讨基于深度学习的设备缺陷识别及设备状态评价技术研发趋势及应用前景。

单相接地故障具有特征提取困难、工况环境复杂、高阻信号微弱等挑战、所以提高配电网单相接地判断准确率，需要从传感器的精度和单相接地的算法、抗干扰等多方面着手解决配电设备的问题。

电力大文本中存在大量专业词汇缩写和别名等不规则表达，现有分词工具无法有效识别电气工程领域专业词汇，这对非结构化文本的分析和利用造成很大影响。首先，根据电气工程领域非结构化文本特点，提出一种电气工程领域词汇索引规则，基于该索引规则构建的索引集进行分词能够有效改善分词效果，为电力文本特征提取提供基础。其次，利用有效的长文本分割算法保留原始文本语义信息，将基于BERT模型提取的文本特征信息与Word2Vec提取的电力词汇特征信息进行联合嵌入，从而提取到准确的电力非结构化大文本特征。最后，通过实验证明了所提出的电力非结构化大文本特征提取方法的有效性。

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。

分合闸线圈的电流特性提取是高压断路器状态监测的重要手段。从高压断路器分合闸线圈电流的波形形态出发，研究了基于CCS（曲率尺度空间）局部阈值的电流波形角点提取方法，进而根据真实角点处的电流特征曲线实现了高压断路器机械状态的精准监测。对某变电站高压断路器实测分合闸线圈电流的计算结果表明，所提CCS局部阈值方法能够精确识别分合闸线圈电流的波形特征。基于分合闸线圈电流特征曲线的高压断路器机械状态监测效果良好，研究结果可为高压断路器的机械状态监测提供重要参考。

场景生成是应用序贯蒙特卡洛方法进行含可再生能源的电力系统可靠性评估的基础。传统的时间序列生成方法不能同时反映出风–光–荷的季节性变化趋势与昼夜变化的规律，并且鲜有研究同时考虑风–光–荷在时间上的相关性。该文将一年的数据分为12个部分，按月份对风–光–荷历史数据的季节特性与日特性进行特征提取，形成该地区的天气–负荷特征参数库，并提出基于伊藤随机过程的时间序列生成模型，在此基础上生成多源–荷联合场景。仿真结果显示，该文提出的时间序列生成方法体现出了风–光–荷的季节特性以及日特性。生成的多源–荷联合场景满足了风–光–荷在时间上的相关性，在反映某地区风–光–荷的实际情况时有更高的准确性。

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。

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。

网络流量的异常检测对于保护电力信息系统安全具有重要意义。目前深度学习等人工智能技术在入侵检测中表现出良好的性能,但由于电力流量数据中类别不平衡以及噪声含量高等问题,严重影响入侵检测模型的准确率。针对以上问题,文章提出了一种深度残差收缩网络(deep residual shrinkage networks,DRSN)-双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)混合深度学习模型实现及时有效的多矢量攻击威胁识别与检测。首先采用条件生成对抗网络模型生成少数类数据,构造平衡数据集,然后使用DRSN-BiLSTM模型进行特征提取,DRSN中的残差项可以解决网络退化与过拟合问题,注意力机制降低了噪声对异常流量检测的影响,同时基于BiLSTM进行流量时序特征提取,最后用softmax分类器进行流量分类,实现网络入侵检测。该模型在电力信息系统数据集上进行了测试,结果显示,提出的混合深度学习模型在检测准确性、精确度、召回率和F1分数指标均优于比较算法。