算法融合

光伏发电功率的预测对电网稳定以及安全地运行有重要意义，提出一种基于长短期记忆网络(long short term memory ，LSTM)数字孪生体的预测模型，通过数字孪生体模型实现光伏发电功率的精准预测。数字孪生体分为物理空间与数据空间，首先根据物理空间得到的气象孪生数据由LSTM算法获取初步的预测功率，同时更新历史气象数据库。然后在气象数据库中找到相似日，对比相似日的预测功率和实际功率，对初步的预测功率进行误差修正，得到最终光伏功率预测值。文中所提的数字孪生体实现了物理实体与数据驱动的连接，同时物理实体可进行自我学习和更新，因此相较于传统的光伏预测结果更为精确，通过仿真算例进一步证实数字孪生体预测的准确性。

电力传感网可以用于对电力网络的设备工作状态和工作环境等信息实时采集和获取，对于电力网络设施的实时监控与快速响应具有重要作用。针对系统在数据排队时延和丢包率上的特殊要求，提出了一种基于强化学习的电力传感网资源分配方案。在资源受限的情况下，通过资源分配算法来优化传感器节点的排队时延和丢包率，并将该优化问题建模为马尔可夫决策过程（Markov decision process，MDP），通过双深度Q网络（double deep Q-learning，DDQN）来对优化目标函数求解。仿真结果与数值分析表明，所提方案在收敛性、排队时延和丢包率等方面的性能均优于基准方案。

分布式能源投资主体的多样性，使各资源在互动过程中的信任构建更加困难，因此需要探究多虚拟电厂交互模式并构建相应信任体系。基于主侧区块链技术构建了多虚拟电厂交易模型总体架构，明确了多虚拟电厂交易流程。通过主侧锚定技术构建跨链通道，实现多虚拟电厂链上协同运行模式。针对节点维护区块链网络环境积极性不高导致的信任环境缺失和区块链性能下降的问题，基于节点功能不同提出了一种差异化信用评价指标来规范节点行为，同时利用该指标对拜占庭容错算法（practical byzantine fault tolerance，PBFT）进行改进。实验结果表明使用差异化信用评价指标改进的共识算法在所提多虚拟电厂架构下能构建信任环境并提升共识效率。

本项目属于新能源研究领域，鉴于当时风力发电企业在运营过程中涉及的海量基础数据管理方式较为简单粗放，风电场运营管理迫切需要科学运用大数据等先进技术提供决策支撑。本项目以集团级风电统一数据采集、处理和标准化的大数据平台为基础，紧密围绕风电大数据在新能源领域的典型应用分析场景，采用人工智能算法模型及分析手段，开展了智慧风电运营方面的专题研究和应用。项目设计了风电大数据管理中心，在大数据云平台基础上建设了算法模型库，把LSTM神经网络，卷积神经网络等算法融合到算法模型库中，建设了一系列的分析和预警模型，研发成功了智慧风电应用系统，建设了风电大数据管理中心、运行数据分析预警中心，风电智慧协同运营中心的“三大中心”，对风电生产智能化运营在行业的应用进行了有益的探索。该项目已在龙源集团本部、省级公司和风电场逐步得到推广应用，涵盖 180多个风电场。

针对输电线路无人机巡检图像分辨率越来越高，而造成的小金具缺陷目标占比小、特征相似高，进而导致缺陷发现率低和误报高的问题，本文提出了一种基于层级识别模型的小金具缺陷识别方法。首先采用Cascade R-CNN、Faster R-CNN和RetinaNet、Yolov3算法分 别进行算法融合得到高精度的连接金具检测模型和高实时性的小金具识别模型；然后将二者组成层级识别模型，即先对输入图片检测连接金具，再对连接金具识别小金具缺陷。实验结果表明，与直接识别小金具的模型和层级模型中未使用模型融合策略的算法相比，该算法的小金具缺陷识别mAP（mean Average Precision）和查全率均可达到最高的0.762和0.826， 算法有效性得到了验证。