电缆作为输电线路重要一环,其运行状态对电力系统影响重大,当电缆结构发生异常时,由于电力电缆敷设环境较为复杂,难以对不均匀结构的电缆进行详细分析。该文以数据驱动的信息融合处理技术为基础,提出了一种基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short term memory,LSTM)混合模型的电力电缆故障诊断方法,将CNN强大的局部特征提取能力和LSTM处理长序列的方法相结合,有效解决了因电缆参数变化致使原始数据多源性和异构性的问题。使用CNN-LSTM(convolutional neural network-long short term memory)对9种不同类型的电缆状态进行分类,平均识别率为95.9%。所提方法与传统的反向传播神经网络(back propagation neural network,BPNN)、LSTM等方式进行对比,结果表明,提出的电缆故障诊断方法的检测效果优于传统方法,具有更高的可靠性和稳定性。
精确的短期光伏功率区间概率预测可以有效量化光伏功率预测的不确定性,对于新型电力系统运行调度避险至关重要。为了提高模型预测性能,基于气象变量的数据特征提出模糊C均值(fuzzy C-means,FCM)聚类方法,将历史数据集聚类为晴天、晴转多云和阴雨天,采用与测试集具有相似天气类型的历史数据作为训练样本训练模型;集合卷积神经网络(convolutional neural network,CNN)模型出色的特征提取优势,双向长短期记忆(bidirectional long short term memory,BiLSTM)神经网络模型擅长双向捕捉长时间序列中长期依赖关系的优势,以及可生成区间预测结果的分位数回归(quantile regression,QR)模型,提出QR-CNN-Bi LSTM深度学习融合模型,计及筛选得到的多种气象因素,对光伏功率进行以5min为间隔的精细时间粒度分类区间预测,最后采用交叉验证和网格搜索方法的核密度估计给出概率密度预测结果。选取多种评价指标对提出的模型进行评价,并与QR-LSTM、QR-BiLSTM模型预测结果做对比分析,结果表明:1)FCM算法能有效实现光伏历史数据集的聚类;2)QR-CNN-BiLSTM融合模型能够生成以5min为间隔的高质量区间预测结果,95%置信预测区间综合评价指标平均值由QR-LSTM、QR-BiLSTM的0.1371、0.1288减小到0.0971;3)基于交叉验证和网格搜索方法的核密度估计能够实现可靠的光伏功率概率密度预测结果生成。
