粗糙集

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。

本项目属于振动预警、故障诊断技术领域，主要面向电力行业旋转机械设备安全运行及治理需求，是中国大唐集团公司重大示范工程项目。本项目是深度灵活调峰条件下火电机组旋转机械设备振动故障治理的重大关键技术，国内外首次提出基于大数据的智能振动预警、故障诊断及监督管理一体化解决方案，并成功实现了大型机组旋转机械设备智能专家系统的整体工程化应用。 主要技术创新内容：构建了汽轮发电机组各个轴瓦的轴振、瓦振健康模型，提出了基于健康数据优选的BP神经网络智能预警方法，实现了汽轮发电机组的振动状态实时监测，解决了大型旋转机械振动早期精确预警的关键难题。应用模糊粗糙集理论和案例推理的研究方法，开发了基于人工智能的故障诊断技术，实现了汽轮机振动故障在线诊断，解决了故障征兆分类、搜索、识别方面在诊断效率及诊断误差概率的关键问题。基于PaaS数据服务平台，开发了集TDM数据、DCS参数、检修资料、专家知识于一体的多维度、一站式、多功能智能监督管理系统，实现了设备启停工况、典型运行工况的智能监督与安全对标。 本项目发表专利9项 论文5篇 软著4项 主编和参编标准3项，该创新成果已在大唐国际托克托发电公司进行了首期示范项目应用，实现了全厂十二台汽轮发电机组的在线监测、振动预警、故障诊断和技术监督管理等关键功能，达到了基于大数据的旋转机械振动管理专家系统一体化解决方案的预期研发目标。直接提高了设备故障诊断及日常监督效率，大幅降低了人员投入率，保障了重大电源点主设备运行安全，经济效益和社会效益显著。基于大数据的旋转机械振动管理专家系统，成功实现了大型机组振动预警、智能诊断及监督管理的一体化解决方案应用，推动了发电企业振动故障诊断和设备安全治理关键技术的进一步突破，有助于电力行业设备管理向智慧化的更高水平发展。

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。

针对目前广域保护理论快速性、容错性较差的不足，本文把保护问题转化为存在不确定和不完备信息下的决策问题，提出了一种利用区域电网保护信息、断路器信息及方向信息，与现有主保护协同工作的智能后备保护。该保护充分发挥粗糙集分类理论和贝叶斯分类理论的优势，利用结合了贪心算法和遗传算法的属性约简新方法求取一个最优属性集并得到保护的判据I。为克服信息丢失和畸变对保护性能的影响，采用简化朴素贝叶斯分类方法构成判据II，双判据综合决策，旨在提高后备保护的容错性和可靠性。仿真试验验证了其合理性和正确性。