人工智能作为当前最前沿的技术，不仅可以模拟人类思维，学习人类经验，进行复杂多维度问题的快速处理，还具有自主学习能力，在电网运行控制等领域具有较为广泛的应用前景。小编整理了中国电科院期刊中心各刊2019-2020年报道的人工智能相关方向的优秀科研成果，希望能为相关领域专家学者提供借鉴与参考，欢迎品读。
摘要：现代智能电网出现了电力电子化、信息物理融合和大电网复杂互联等新特征,从而对电力系统暂态问题的分析与控制方法产生了极大影响。人工智能(artificialintelligence，AI)在解决数据问题中的优势与暂态问题特点匹配程度高。该文从信息、机理、仿真、分析和控制等角度分析了电力系统暂态问题出现的新特点,归纳总结了现有将AI用于分析电力系统暂态问题时的研究成果,指出了研究中仍需解决的问题,探讨了在数据获取、特征提取和算法应用等方面的若干改进思路,并对AI应用于暂态稳定问题的研究现状进行总结。
单位：电力系统及发电设备控制和仿真国家重点实验室(清华大学电机系)；国网重庆市电力公司
摘要：随着全国联网规模的扩大,电网时空特性日趋复杂,全面把握电网运行特性显得至关重要,仅靠人工经验手动筛选特征难以做到快速和准确。因此依托人工智能(artificial intelligence，AI)技术快速高效地找到能够反映电网安全信息的关键特征,对于实际电网的实时监控和安全运行具有重要意义。针对上述要求,该文提出一种电网关键稳定特征智能选择方法。该方法借助信息论和数据挖掘技术,采用分段方式集成改进(mutual information feature selection，MIFS)方法和封装方法进行电网关键稳定特征的智能选择。第一阶段利用改进MIFS方法进行特征初筛;第二阶段采用封装方法和后向搜索策略进一步选择关键特征。该分段智能选择方法针对电力系统安全稳定评估应用场景实现多种方法的集成应用，一方面可以有效地减小特征维度,实现特征的智能筛选,而且将运行经验纳入考虑范围,符合调度人员的先验认知,便于调度运行人员实时监控;另一方面减小了所选特征集合的冗余度,同时实现了特征分区筛选,提高了计算效率,有利于实时动态安全评估的开展。在IEEE-39节点系统上的仿真算例验证所提方法的有效性。
单位：上海交通大学大数据工程技术与人工智能研究中心；中国电力科学研究院有限公司
摘要：随着新能源大规模接入和负荷随机行为的出现,输电线路故障特征的构造和选择日趋困难。基于深度学习理论,提出了一种对故障数据进行特征自学习进而实现输电线路故障类型辨识的方法,并通过Ornstein-Uhlenbeck过程更好地模拟了分布式随机性电网的负荷波动。首先,利用PSS\E的PythonAPI编写脚本实现故障的自动化批量仿真,以构建深度学习所需的海量数据集。然后,基于TensorFlow平台对预处理后的高维时空故障样本实现基于深度网络的故障类型辨识,并采用深度自动编码器来可视化分析深度学习的分类效果。最后,以含光伏发电模型的PSS\E23节点系统为例,对所提方法进行验证。仿真结果表明,文中所述方法可基本达到99.99%的辨识正确率,不受故障线路、故障阻抗、故障位置、电压扰动、频率扰动和负荷波动的影响,且能够应对电网运行过程中的噪声干扰。
《基于卷积神经网络综合模型和稳态特征量的电力系统暂态稳定评估》
单位：中国电力科学研究院有限公司
出版时间 ：2019年01期
摘要：为了提高卷积神经网络(convolutional neural network,CNN)的分类性能,提出CNN综合模型,以及CNN与时域仿真相结合的暂态稳定评估解决思路。首先,构建若干个具有相同结构、不同参数的CNN模型进行训练和预测;然后根据一定的结果综合原则对若干个CNN模型的预测结果进行综合,得到"稳定"、"不稳定"和"不确定"3种分类预测结果;最后将结果不确定的样本送入时域仿真进行稳定评估。采用某省级电网算例进行了分类效果验证。结果表明,对于某故障形式,所提出的CNN综合模型,确定样本实现了100%的正确率,而结果不确定的样本占总样本的比例在6%以内,说明该模型具有良好的故障筛选性能。
单位：国家火力发电工程技术研究中心(华北电力大学)，宁夏京能宁东发电有限责任公司
摘要：随着新能源电力系统不断推进,能源网络面临的调峰形势日益严峻。新常态下,频繁、深度调峰,尤其是高额煤价对火电机组发电效益提出了严峻挑战。为探究火电机组参与调峰的经济性,以应对调峰带来的不利影响。该文提出实时度电成本模型,建立机组效益测算与调峰补偿报价预测模型。通过使用滑动窗口与BP神经网络等数据挖掘方法,对案例机组实时度电成本进行预测分析,并最终求得不同效益下可申报的补偿报价,为机组调峰策略提供数据参考。
《基于seq2seq和Attention机制的居民用户非侵入式负荷分解》
单位 ：电力系统及发电设备控制和仿真国家重点实验室(清华大学电机系)；美国加州大学河滨分校
摘要：非侵入式负荷分解(nonintrusiveloadmonitoring,NILM)是大数据分析在智能配电系统中为终端用户提供的重要应用之一,能够提升对负荷的认知水平,显著提升需求侧响应的潜力。长期以来,传统的NILM算法存在误判率高,功率分解值准确度低等问题。为此,采用深度学习的框架,提出一种基于序列到序列和Attention机制的NILM模型。该模型首先将输入的有功功率时间序列通过词嵌入映射到高维向量,并利用基于长短时记忆模型的编码器进行信息提取;然后通过引入Attention机制的解码器,从提取的信息中选取与当前时刻相关度最高的信息,用于解码并最终得到负荷分解结果。提出的深度学习网络模型能够显著提升对信息的提取与利用能力。基于REFITPowerData数据集的测试结果验证了方法的有效性。
单位：国网冀北电力有限公司；中国电力科学研究院有限公司；国家电网有限公司
摘要：伴随着大数据、人工智能等战略新兴信息技术的发展,人类社会逐渐进入到万物互联的智能化时代,信息物理系统和网络强国已成为大国战略竞争的制高点,亟需发展和建立万物互联形态下现实物理系统的智能分析与精准决策理论框架体系。首先,针对某种可观测的现实系统,提出具有通用泛在意义的智能全景系统设想,详细阐述了其基本概念、核心内涵、建设目标等,以期提高现实物理系统的可观性、可控性和可塑性。进而,以现代电网作为典型工业物联网行业应用场景,提出智能全景电网基本概念、宏观功能框架及智能调控大脑内核。在此基础上,以信息驱动的复杂电网时空动力学行为智能认知与协同控制为核心主线,系统性部署了智能全景电网各层面的基础理论体系与关键技术。最后,给出了智能全景电网工程实用化的时空大数据平台架构及建设实施方案,为实现互联大电网的智能分析和精准控制提供有力支撑。同时,为贯彻落实网络强国、数字中国、智慧社会等国家战略贡献价值理念和工程经验。
《基于数据驱动具有自我学习能力的机组组合智能决策方法研究》
摘要：在能源技术变革日新月异、人工智能技术快速发展的背景下,研究具有高适应性、高精度的机组组合决策方法具有重要意义。该文基于长短时记忆网络,通过构建面向机组组合问题的深度学习模型,提出一种基于数据驱动具有自我学习能力的机组组合智能决策方法。首先基于K-means算法对历史调度数据进行聚类预处理;然后构建基于长短时记忆网络的机组组合深度学习模型,通过历史数据训练建立系统负荷与调度决策结果之间的映射模型,以此为基础进行机组组合决策;最后通过积累历史数据实现对模型的持续修正,从而赋予其自我进化、自我学习的能力。基于标准算例、实际电网数据的一系列仿真结果表明:相比于传统决策方法,该方法不仅可以在实际使用过程中不断提升其决策精度或效率,且在面对不同类型的机组组合问题时适应性更好。
单位：电力系统及发电设备控制和仿真国家重点实验室(清华大学)；中国电力科学研究院有限公司
摘要：数据驱动的机器学习模型往往依赖于大幅提高训练样本数量以降低其泛化风险,对有限样本的应用场景适用性差。为此,该文在数据驱动的模型基础上引入领域知识这一学习要素,提出数据–知识融合的机器学习范式,可以降低机器学习方法的泛化风险。首先,给出关于数据–知识融合机器学习问题的表示,分析数据–知识融合的多种不同模式,并建立一般性的数据–知识融合机器学习模型。然后,分析该融合学习模型的解的形态,给出评价该模型在问题的全域学习空间和局部学习空间的泛化能力的表示。最后,结合实际应用案例,讨论该融合学习模型在回归分析、模式识别、动态规划等任务中如何实现数据–知识的融合学习。与单纯数据驱动的模型相比,数据–知识融合模型可使机器学习过程更加高效,并且在不提高训练样本数量的前提下降低学习器泛化风险。
《基于区块链的分布式能源交易市场信用风险管理方法》
单位：电力传输与功率变换控制教育部重点实验室(上海交通大学)；国网能源研究院有限公司
摘要：随着我国分布式发电渗透率不断提高,配网内分布式能源就近交易已成为我国配网未来的发展新趋势。由于分布式能源出力的不确定性及个体趋利属性,相较传统电力交易,分布式能源交易的违约现象可能更为严重。为此,该文提出基于区块链的分布式能源交易信用管理方法。首先,分析分布式能源交易信用风险的成因及其危害,提出分布式能源信用评估指标。然后,阐述基于区块链的分布式能源交易模式。在信用风险管理环节,建立基于区块链的分布式能源交易信用评估技术,实现分布式能源信用的透明、公正评估;提出基于信用证明（proof-of-credit,Po C）共识机制的分布式能源信用管控机制,以经济激励的方式促使市场主体维护自身信用,抑制分布式能源交易的信用问题。仿真测试表明,该文建立的分布式能源交易智能合约以及分布式能源信用管控机制可以使守信市场主体获得更多利益,维持分布式能源交易市场秩序。
单位: Southeast University, Nanjing, China; University of Notre Dame, Notre Dame, IN, US; University of Birmingham, Birmingham, Birmingham, GB.
摘要：This paper presents a smart energy community management approach which is capable of implementing P2P trading and managing household energy storage systems. A smart residential community concept is proposed consisting of domestic users and a local energy pool, in which users are free to trade with the local energy pool and enjoy cheap renewable energy while avoiding the installation of new energy generation equipment. The local energy pool could harvest surplus energy from users and renewable resources, at the same time it sells energy at a higher price than Feed-in-Tariff (FIT) but lower than the retail price. In order to encourage the participation in local energy trading, the electricity price of the energy pool is determined by a real-time demand/supply ratio. Under this pricing mechanism, retail price, users and renewable energy could all affect the electricity price which leads to higher consumers' profits and more optimized utilization of renewable energy. The proposed energy trading process was modeled as a Markov Decision Process (MDP) and a reinforcement learning algorithm was adopted to find the optimal decision in the MDP because of its excellent performance in on-going and model-free tasks. In addition, the fuzzy inference system makes it possible to use Q-learning in continuous state-space problems (Fuzzy Q-learning) considering the infinite possibilities in the energy trading process. To evaluate the performance of the proposed demand side management system, a numerical analysis is conducted in a community comparing the electricity costs before and after using the proposed energy management system.
《From Independence to Interconnection—A Review of AI Technology Applied in Energy Systems》
单位: Northeastern University, Shenyang, Liaoning, CN.
摘要：The development of diversified energy structures, distributed energy scheduling models and active participation ability of users, leads to a rapid movement toward energy system in which different energy carriers and systems interact together in a synergistic way. This energy development will face many challenges with the requirements of big data processing capability, professional skill, distributed collaboration and realtime monitoring for the energy system that demands an intelligent and flexible tool to realize the smart energy. Artificial intelligence (AI) technology has become a focus because of its better performance. This paper proposed a classification method that incorporates the intelligence of an independent energy unit (IEU) and the intelligence among interconnected energy units (IEUS) to review the development of AI technology in energy systems. The dominant structures of IEU can be considered from three aspects including perception, decision and implementation to study the optimal strategy for AI methods utilized in IEU. And considering the interaction relationship of IEUS, the AI applied for it can be described by the coordinated relationship and adversarial relationship problems to achieve consensus. By discussing the AI technologies and the potentials of AI in the energy system, some suggestions are presented to improve intelligent technologies for sustainable energy systems in the future.
单位: Huazhong University of Science and Technology, Wuhan, Hubei, CN; State Grid Corporation of China, Beijing, Beijing, CN.
摘要：By maliciously manipulating the synchrophasors produced by phasor measurement units in power systems, cyber attackers can mislead the control center into taking wrong actions. From the viewpoint of machine learning, normal and malicious synchrophasors may exhibit different spatial distribution characteristics when mapped into a latent space. Hence, a malicious synchrophasor detector can be acquired by training a classification model with instances derived from historical operational synchrophasor data. However, malicious synchrophasors occur infrequently in practice. It is likely to incur a great deal of effort and may even introduce inevitable experience errors when extracting and labeling a sufficient number of malicious synchrophasors from historical operational data for training. For most existing detectors, if they are directly trained with highly imbalanced datasets, their performances may severely deteriorate. In this paper, a novel type of malicious synchrophasor detector is developed based on a combinatorial use of data rebalancing, Bagging-based ensemble learning, and the widely recognized eXtreme Gradient Boosting (XGBoost) classifier. Experiments show that although fewer malicious instances are provided, the proposed detector is still capable of detecting malicious synchrophasors.
《An Accurate and Real-time Method of Self-blast Glass Insulator Location based on Faster R-CNN and U-net with Aerial Images》
单位: Shanghai Jiao Tong University, Shanghai, China; China Electric Power Research Institute, Beijing, China; Tennessee Technological University, Cookeville, TN, USA.
摘要：This paper proposes a new deep learning framework for the location of broken insulators (in particular the self-blast glass insulator) in aerial images. We address the broken insulators location problem in a low signal-noise-ratio (SNR) setting. We deal with two modules: 1) object detection based on Faster R-CNN, and 2) classification of pixels based on U-net. For the first time, our paper combines the above two modules. This combination is motivated as follows: Faster R-CNN is used to improve SNR, while the U-net is used for classification of pixels. A diverse aerial image set measured by a power grid in China is tested to validate the proposed approach. Furthermore, a comparison is made among different methods and the result shows that our approach is accurate in real time.
单位: University of New South Wales, Sydney, NSW, AU; China University of Mining and Technology, Xuzhou, Jiangsu, CN.
摘要：Continuous monitoring of wind turbine (WT) operation can improve the reliability of the wind turbine and lower the operation and maintenance costs. To improve the condition monitoring (CM) and fault detection performance on WTs, this paper proposes an artificial intelligence-based probabilistic anomaly detection approach that can not only provide a deterministic estimation of the WT condition but also evaluate the uncertainties associated with the estimation. An abnormal WT condition is detected based on the evaluated uncertainties, to provide a noise-free incipient fault indication. Compared to the conventional deterministic CM approaches with a residual-based anomaly detection criterion, the proposed probabilistic approach tends to accurately detect the faults earlier, which allows more time for maintenance scheduling to prevent WT component failure. The early fault detection ability of the proposed approach was verified on an operational WT in China.
《Optimization Strategy Based on Deep Reinforcement Learning for Home Energy Management》
单位: China Electric Power Research Institute, Beijing, China; Nanyang Technological University, Singapore, Singapore.
摘要：With the development of a smart grid and smart home, massive amounts of data can be made available, providing the basis for algorithm training in artificial intelligence applications. These continuous improving conditions are expected to enable the home energy management system (HEMS) to cope with the increasing complexities and uncertainties in the enduser side of the power grid system. In this paper, a home energy management optimization strategy is proposed based on deep Q-learning (DQN) and double deep Q-learning (DDQN) to perform scheduling of home energy appliances. The applied algorithms are model-free and can help the customers reduce electricity consumption by taking a series of actions in response to a dynamic environment. In the test, the DDQN is more appropriate for minimizing the cost in a HEMS compared to DQN. In the process of method implementation, the generalization and reward setting of the algorithms are discussed and analyzed in detail. The results of this method are compared with those of Particle Swarm Optimization (PSO) to validate the performance of the proposed algorithm. The effectiveness of applied data-driven methods is validated by using a real-world database combined with the household energy storage model.
单位: South China University of Technology, Guangzhou, China; Guangxi University, Nanning, China; Dalian University of Technology, Dalian, China.
摘要：Benefiting from the progress of power electronics technology, distributed generation technology is developing rapidly. Since microgrids cannot rely on traditional multi-time scale control strategies to ensure the high-quality frequency stability control and economic dispatch in the same time scale, this paper proposes an extreme dynamic programming algorithm. The proposed algorithm takes an adaptive dynamic programming algorithm as the framework, an extreme learning machine as a kernel of the evaluation module, a model module, an implementation module and a new prediction module. The resulting unified time scale intelligent control algorithm better realizes the combined functions of "droop control + automatic generation control + economic dispatch" in the traditional opermode. Finally, in order to verify the effectiveness of the proposed algorithm, a microgrid model of 8 nodes is simulated. The results confirm the feasibility and validity of the proposed extreme dynamic programming algorithm.
单位：1．现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学)；2．中国电力科学研究院有限公司；3．国家电网公司东北分部
摘要：针对实时评估电网暂态稳定性的快速性和准确性的需求，提出一种基于故障清除后短时受扰轨迹和卷积神经网络的电力系统暂态稳定性的评估方法。该方法无需人工计算轨迹特征作为输入量，直接基于量测时序数据，利用深度学习模型的自主学习能力逐层提取隐含在短时轨迹的局部特征，构建短时受扰轨迹与稳定类别间的非线性映射关系，并引入考虑故障初期受扰程度的暂态稳定信息矩阵样本构建，以增强提取的局部特征的鲁棒性，提升模型的泛化能力，有效减少误判样本数，达到进一步提高准确率的目的。IEEE-39节点系统的仿真结果验证所提方法的有效性，并且所提方法的评估准确率比传统的暂态稳定浅层评估模型更加优越。
单位：1．电力调度自动化技术研究与系统评价北京市重点实验室(中国电力科学研究院有限公司)；2．哈尔滨工业大学 电气工程及自动化学院
摘要：近年来，以深度学习为代表的先进人工智能技术促进了各行业的智能化发展。电网调控作为人工智能技术应用的重要领域之一，亟需借鉴互联网思维，充分利用人工智能技术，进一步提升电网调控业务的智能化水平。分析总结了人工智能技术的发展脉络，重点介绍了引发新一代人工智能技术大跨越的深度学习技术。聚焦大电网调控领域，论述了其对人工智能技术的需求分析。在此基础上，分析了人工智能技术在电网故障辨识、负荷预测、电网智能辅助决策和人机交互应用等方面的典型应用场景。最后通过电网故障辨识算例，进行了深度学习技术在电网调控应用的探索，可为调控业务智能化研究与发展提供有益的参考和借鉴。
摘要：当前电力巡检工作中，有大量缺陷需要人工观测可见光图像进行检测，工作量大、效率低下且容易受工作人员技能水平影响使检测效果参差不齐。为了应对这一问题，人们进行了大量研究以求实现视觉检查的自动化，但远不能满足工程应用需要。首先介绍电力巡检可见光图像的来源，总结可见光巡检的内容及缺陷特点，将可见光图像视觉检查问题分解为2类问题：图像目标检测和图像测距；然后分别对2类问题的研究与应用现状进行综述，结合实验数据分析可见光巡检图像智能处理技术的发展趋势，探讨深度学习技术在该领域的应用前景；在此基础上，阐述进一步推进巡检图像智能处理所面临的挑战及可能的解决方案，并给出若干点建议。
《面向变压器油中溶解气体分析的组合DBN诊断方法》
单位：1．华北电力大学 电气与电子工程学院；2．国网山东省电力公司电力科学研究院
摘要：油中溶解气体分析是变压器内绝缘故障诊断的重要方法之一。但误判案例分析表明，传统的基于深度信念网络(deep belief network，DBN)油中溶解气体故障诊断方法存在较多的局部放电、低温过热、低能电弧放电兼过热混淆等误判。为进一步提高故障诊断效果，提出一种面向变压器油中溶解气体分析的组合DBN故障诊断方法。该方法引入深度信念网络群识别故障类型及严重程度，根据第一层故障类型识别结果激活相应的二层DBN识别故障严重程度。研究不同输入下，网络层数、节点数对于组合DBN的油中溶解气体故障诊断准确率的影响，结果表明当输入为无编码比值加特征气体含量，网络层数选取为3时网络具有最高准确率；当网络节点数大于3，增加节点数无法显著提高网络识别准确率。组合DBN查准率及查全率均高于单一DBN，总体准确率由80.9%提高到90.1%。分析案例数据量对诊断结果的影响，查全率及查准率随数据量增加而增加，案例多的故障类型查准率高于案例少的故障类型。
摘要：随着智能电能表分拣业务的开展，为实现分拣后重复利用电能表的误差超差风险预测，将分拣中测得的智能电能表误差数据和其它相关参数分类后作为征兆，设计了一种适用于电能表误差超差风险预测的改进模糊神经网络模型。先利用BP-RBF混合神经网络得到未来第n年误差的预测值，在此基础上通过模糊推理方法得到未来第n年电能表误差超差的风险。最后利用浙江分拣试点工作的部分结果作为训练和预测数据进行了风险预测模型的验证，经验证其有效性符合预期。
单位：1．清华大学 电机工程与应用电子技术系；2．电力系统及发电设备控制和仿真国家重点实验室(清华大学)；3．广东电网有限责任公司电力调度控制中心；4．南瑞集团(国网电力科学研究院)有限公司；5．国家电网公司电力调度控制中心
摘要：随着电网运行方式时变性和复杂性日益增强，传统基于人工离线规则的调度决策机制难以为继，成为国内外复杂电网运行迫切需要解决的问题。基于人工智能、立足现有调度机制，研究面向调度决策的智能机器调度员(automatic operator，AO)关键技术及应用。在总结10余年研究的基础上，提出了电网调度运行“邻域知识”模型，构建了AO体系架构，提出了知识自动发现、管理和在线应用的技术路线，研发了复杂电网AO系统，并在多个省级电网调控中心在线投运。AO将“专家智能”离线制定粗放运行规则的模式，变革为“人工智能”在线发现精细运行规则的模式，推动调度决策从“自动化”到“智能化”的跨越。最后，指出了尚待研究的问题。
《基于人工智能的电力电子变换器开路故障诊断研究综述》
单位：1．东北电力大学 电气工程学院；2．国网新源丰满培训中心；3．丹麦科技大学 电气工程学院
摘要：电力电子变换器已被广泛应用于航空航天系统、直流输电、分布式能源和智能电网等领域，其可靠性问题成为学术界和工业界的研究热点。开展对电力电子变换器开路故障监测与智能诊断方法研究，对避免二次故障、降低运维时间与成本和提高电力电子系统可靠性具有重要意义。文章首先对电力电子变换器故障特征进行分析与总结，然后对特定基于人工智能(artificial intelligence，AI)技术的电力电子变换器开路故障诊断方法及应用实例综述，随后提出一种基于随机森林与瞬时故障特征相结合的故障诊断方法用于三相电力电子变换器故障诊断，最后提出基于AI的电力电子变换器开路故障诊断方法面临的挑战，并展望该领域未来的研究方向。
单位：大数据工程技术与人工智能中心(上海交通大学)
摘要：智能电网的数字化建设提供了海量的数据，而深度学习的发展则为数据价值萃取提供了有效手段。首先阐述了深度学习的发展史及基本框架，总结了深度学习的理论基础和技术体系；而后结合电力系统实际需求，以图像数据和时空数据这两大类为基础综述了深度学习在电力系统数据处理的重点应用领域和价值，并提出了相关的技术发展建议。
《基于深度长短时记忆网络的区域级超短期负荷预测方法》
单位：1．电力传输与功率变换控制教育部重点实验室(上海交通大学)；2．山东电力调度控制中心
摘要：超短期负荷预测为实时电力市场运行提供重要依据，预测准确度的提升对于揭示负荷变化的不确定性以及日前预测偏差具有重要意义。基于电力系统中含有的丰富大数据资源，提出了一种针对区域级负荷的深度长短时记忆网络超短期预测方法，该方法包括输入数据的预处理、深度长短时记忆(long short-term memory，LSTM)网络的构建以及模型的训练和超参数的寻找等步骤。其中采用随机搜索的方法寻找最优超参数，并在该超参数下选择泛化能力最优的模型，与前沿机器学习预测算法进行对比。实验结果证实，深度LSTM网络可以取得更好的预测效果，适合于离线训练实时预测。此外，通过对隐藏层激活向量的可视化展示和相关关系定量计算，首次直观展示了深度LSTM算法对负荷数据中含有的抽象特征提取情况，证实了深度LSTM具有对输入负荷数据特征学习以及长短期相关性挖掘的能力。
《基于深度强化学习的分布式电采暖参与需求响应优化调度》
单位：现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学)
摘要：分布式电采暖具备可时移特性，能够作为需求响应资源，但其数量多、单体容量小，调度中心难以直接控制，且传统优化方法难以满足调度时效性。应用深度学习实现了无需热力学模型分析户用电采暖单元温变–功率动态关系，构建了包含负荷聚集商和楼宇级控制的调度架构。提出改进的深度确定性策略梯度(deep deterministic policy gradient，DDPG)算法作为楼宇级控制策略，构建了改进算法的框架及网络结构，网络训练收敛后可用于在线决策控制。日前调度场景下改进算法在线应用耗时仅耗时0.35s，且在多维度输入场景收敛能力更优。深度学习描述电采暖单元温变–功率关系的有效性通过仿真实验进行了证实。仿真结果表明所提架构相比现行模式更易通过实时电价动态增加/降低引导电采暖负荷减少/增多，提高了电采暖负荷侧需求响应能力；同时使等效负荷标准差由65.6kW降低到37.3kW，减小聚合负荷峰谷差；在保障用户热舒适前提下，用户费用由1031.4元降低到936.1元，减少了用户成本，实现了调度户用电采暖参与需求响应的有效性和经济性。
摘要：准确、及时的中长期负荷预测对于制定经济合理的电力分配方案具有十分重要的意义。传统基于统计和人工智能的电力负荷预测算法存在计算效率低、预测准确率不高的问题。文章结合基因表达式编程的思想,提出基于基因表达式编程的中长期电力负荷预测算法（Mid-long Term Load Forecasting Model Mining based on Gene Expression Programming,LFMM-GEP）。在标准EUNITE数据集上的仿真实验结果表明,文章提出的LFMM-GEP算法在MAE和MAPE以及预测精度上,要优于传统的其他人工智能和统计方法。
《面向能源互联网智能感知的边缘计算技术研究》
单位：华北电力大学电气与电子工程学院；中国电力科学研究院有限公司；国网昌吉供电公司
摘要：随着能源互联网建设的持续推进,大量的传感器接入到系统中,获取的感知数据是海量级的,导致系统传输压力大、主站计算负荷重。传统的传感信息获取处理方式存在数据良莠不齐、数据缺失、格式不统一的问题,引入边缘计算技术定义了智能感知的系统框架,就地实现数据的处理与判决,通过云边协同机制优化系统设计。文章首先给出了多参量智能感知数据优化传输方法,其次提出了面向多参量感知的边缘计算算法的设计方法,涉及数据统一、数据辨识、分布式群智几方面,最后落地在输电线路巡检,在微风振动、舞动分析、增容设计、视频分析、云边升级等方面做了尝试。
《知识图谱在电力领域的应用与研究》
单位：中国电力科学研究院有限公司；清华大学计算机科学与技术系
摘要：为了实现电力领域的技术创新,文章利用人工智能、大数据分析和挖掘、知识图谱、自然语言处理等技术,并结合领域专家的意见,构建电力领域的中文专业词典和知识图谱,并通过对电力领域与人工智能领域进行交叉分析,预测电力领域未来的研究热点。结果表明:知识图谱技术适用于电力领域,能够实现电力系统各个环节移动互联、人机交互的发展目标,扩大智能电网应用,推动能源生态建设。
《基于计算机视觉的智能仓储图像识别系统设计与实现》
单位：国家电网有限公司；北京中电普华信息技术有限公司
摘要：仓储管理智能化是提升仓储管理精益化水平的重要手段。文章基于人工智能典型技术——计算机视觉,研究适用于多目标识别与变化检测的高准确度实时智能仓储图像识别系统。利用图像采集设备,实现机器与人眼的互动,对仓储物料设备进行图像化管理,自动识别流转物料的缺陷问题和基本信息,提供智能检索、质量检验等功能,有效解决目前单独依赖RFID技术对人员能力要求较高、工作量大,RFID标签整体成本投入高,不能有效管控出入库物资设备质量的问题。通过将智能仓储图像识别系统与RFID技术相结合,提升出入库仓储物料的质量,提高电网安全运行能力,为仓储管理降本增效提供技术支撑。
《基于物联网的输电线路智能监测系统研究与应用》
单位：北京中电普华信息技术有限公司西安分公司
摘要：输电线路的监测对保证电网的安全稳定运行具有重要的意义。传统的输电线路监测方法比较单一,不能对输电线路进行全方位的监测感知,且智能化水平不高,不能对故障和安全隐患进行自动识别和预警。文章提出一种基于物联网技术和边缘计算技术,通过"端、边、云"结合的输电线路智能监测系统框架。系统整体采用物联网的3层架构,并对感知层、网络层和应用层分别进行设计。对传感器设备的使用、边缘智能终端的数据处理策略、网络接入和应用系统智能分析等提出具体的框架和解决方案。系统通过在输电线路监测工程中的实际应用,能有效地智能识别输电线路故障和安全隐患,显著地提升输电线路的智能化监测水平。
《基于边缘智能分析的图像识别技术在输电线路在线监测中的应用》
单位：北京国电通网络技术有限公司
摘要：输电线路监测工作对电网的安全运行起着至关重要的作用,基于人工智能算法的图像识别技术应用可以提高故障识别效率,降低人工成本。文章通过研究基于深度学习的图像识别技术和移动边缘计算技术,提出基于泛在电力物联网的输电线路在线监测系统架构,并通过物联网输电线路监测系统的研发应用,实现隐患可控,提高输电网的应急处置能力,为泛在电力物联网在输电线路在线监测领域的深入研究提供实践依据。
《基于大数据及人工智能的大电网智能调控系统框架》
单位：中国电力科学研究院有限公司；国家电网公司东北分部
摘要：为应对大电网日趋复杂的运行环境,全面提升新形势下电网安全稳定智能监控能力,文章深度融合新一代信息、计算与控制技术,设计了基于大数据及人工智能的大电网智能调控系统框架,对实现大电网"即测-即辨-即控"的在线智能调度具有重要的工程价值。首先,结合电网调控系统的发展现状,分析了新一代智能调控系统的功能需求;然后以大电网全局监控的视角,设计其大数据与人工智能顶层功能框架,并对该系统涉及的基本理论及关键技术进行系统概述;最后,以东北电网为背景,搭建了基于大数据技术的智能调控系统环境,实现东北电网稳定态势评估与智能决策。该系统可全面提升大电网在线智能监控能力,为大电网安全稳定运行提供技术支撑。
《大云物移智等新技术在电网应用的研究》
单位：国网信通埃森哲信息技术有限公司；四川中电启明星信息技术有限公司；国电南瑞科技股份有限公司信息系统集成分公司
摘要：大数据、云计算、物联网、移动互联、人工智能等新技术快速发展,给电网领域发展带来新的机遇。为探究此类新技术在电网的应用状况、存在的问题以及下一步应用推广策略,文章提出新技术应用研究模型,并结合Gartner技术成熟度曲线等多种分析工具,充分分析新技术发展态势及在电网领域应用实践,确定目前新技术在电网领域应用推广过程中存在的共性问题,并给出相应的解决策略及推广建议。
《基于自动化巡检的智能辅助决策系统》
单位：国家电网客户服务中心
摘要：随着电力信息系统业务量的增加,服务器常年满负荷运转,故障频发,运行压力不断增大。而大数据、自动化技术的蓬勃发展为自动化运维、机器人自动化巡检、减少故障提供了可能。文章运用大数据、自动化技术,将日常巡检做到自动化、精细化、智能化,避免服务器故障对核心业务系统使用造成影响,提高防灾减灾能力。
单位：1. 广东电力信息科技有限公司；2. 国电南瑞科技股份有限责任公司
摘要：随着第四次工业革命的兴起,云计算、大数据、物联网、移动互联网和人工智能等新一代数字化技术已成为提升行业竞争力的重要手段。然而目前这些新技术在南方电网范围内尚未形成科学有效的一体化技术架构与应用顶层设计。为解决上述问题,文章根据南方电网数字化建设需求,提出了云大物移智技术支撑融合体系,并对其关键技术开展了研究。实践案例表明,该技术体系有效指导了公司业务领域融合应用的建设工作,促进了新技术与电网业务的深度融合,大幅提升了公司的生产运营服务水平,助力公司完成数字化转型。
《人工智能驱动的数据分析技术在电力变压器状态检修中的应用综述》
单位：1. 华北电力大学河北省输变电设备安全防御重点实验室,保定071003；2. 华北电力大学新能源电力系统国家重点实验室,北京102206；3. 华北电力大学控制与计算机工程学院,保定071003；4. 国网河北省电力有限公司电力科学研究院,石家庄050021
摘要：状态检修为电力变压器的稳定运行与优质电力的正常供应提供了重要保障。随着智能电网建设的不断推进,包括状态监测、生产管理、运行调度、气象环境等在内的电力变压器运行状态相关信息已逐步呈现出体量大、种类多、增长快的典型大数据特征。因此,在电力大数据的时代背景下,开展结合人工智能技术的电力变压器状态数据综合挖掘与分析研究,对于进一步提升设备状态检修的全面性、高效性与准确性具有十分重要的意义。鉴于此,首先概述了面向数据分析的人工智能技术,涵盖专家系统、不确定性推理、机器学习及智能优化计算等研究内容;然后,结合电力变压器状态检修各阶段任务的智能化需求,论述了人工智能驱动的数据分析技术在数据清洗、文本挖掘、图像识别、状态评估、故障诊断、状态预测及检修决策优化等典型场景中的应用研究现状;最后,探讨了现阶段影响基于人工智能的数据分析技术在状态检修领域应用效果的关键问题,并对未来的主要研究方向进行了展望。
单位：重庆大学输配电装备及系统安全与新技术国家重点实验室,重庆400030摘要：电压电流传感测量在电力系统的电能计量、继电保护、过电压在线监测、智能设备控制、电力检修等领域均具有极其重要的地位。随着中国智能电网的加速建设以及电网数字化、智能化和自动化程度的不断提高,电压电流传感器将面临数字化、小型化及便捷化的发展需要。相比较于传统电磁式互感器,基于电光（磁光）、逆压电（磁致伸缩）、热电效应等原理的先进电压电流测量技术在电磁免疫、无损传输、拓扑结构、宽幅值和宽频带测量等方面具有各自的优势;另一方面,针对未来电网多场景应用,传感器的封装、高精度和高可靠安全运行也面临巨大挑战。因此,从电压测量和电流测量耦合机制方面,分别介绍了基于电光效应、逆压电效应和电致发光效应的电压/电场传感技术,以及基于法拉第效应、磁致伸缩、热效应和磁阻效应的电流/磁场传感技术,同时总结了相应传感材料和拓扑结构。在此基础上,指出电压电流传感在传感方式、频率特性、大气参数适应性、传感器取能、传感设备的小型化等方面面临的挑战,需要新的物理量耦合机制指引、新型先进传感材料支援和新颖有效传感器拓扑协助;性能稳定、准确度高且成本低的新型电压电流传感技术能够广泛应用于智能电网建设。
《大型无人直升机电力线路智能巡检宽带卫星通信系统》
单位：1. 广东电网公司电力科学研究院,广州510080；2. 中国人民解放军总参谋部第六十研究所,南京210016；3. 广东电网公司,广州510600摘要：大型无人直升机载荷能力强、续航时间长,可满足长距离输电线路巡检需求,是无人机电力巡检重要研究和应用方向,但目前通信问题制约着无人机的巡检应用。在国内首次采用卫星中继通信技术解决大型无人直升机电力巡检通信问题,分析了无人机卫星通信若干关键技术需求,基于Z5型国产大型无人机平台完成宽带卫星通信系统研制,采用机载调制解调器突发通信模式防止无人机旋翼遮挡天线信号;同时介绍了系统调试中发现的问题和解决方法,经过设计、生产、试验和试飞等阶段,验证了系统的功能和性能。研制的机载卫通系统质量小于16 kg,机载天线直径0.3 m,开展了20余回110~500 kV带电线路巡检试验和应用,无人机单架次最大巡检线路长度超过30 km,卫通系统达到了设计目标,无人机超低空、超视距巡检作业不受复杂地域条件限制。
《智能巡检机器人系统在苏通GIL综合管廊工程中的应用》
单位：1. 国网江苏省电力有限公司电力科学研究院国家电网公司GIS设备运维检修技术实验室,南京211103；2. 国网江苏省电力有限公司检修分公司,南京211100；3. 国网江苏省电力有限公司,南京210024摘要：为解决苏通气体绝缘金属封闭输电线路（GIL）管廊人工巡检难度大、效率低、巡检人员安全风险高的问题,研制了一种轨道式智能巡检机器人系统,该系统包含机器人本体、通信配电系统、轨道系统、综合监控平台系统4个部分。机器人本体由行走机构、升降机构及检测单元组成,经实验测试,水平方向定位精度可控制在5 mm以内,垂直方向定位精度可控制在3 mm以内。该智能巡检机器人可实现视频图像监控、仪表读数识别、红外热成像温度检测、局部放电检测定位、管廊内环境监测等功能。可通过综合监控平台客户端软件或移动客户端APP实现对巡检机器人进行远程遥控、任务配置、数据访问等操作。经测试各项数据指标均满足苏通GIL管廊日常巡检需求,该系统可应用于其他GIL工程,具有极强的推广应用价值。
《基于并行化大数据流及迁移学习的配电变压器故障在线辨识–诊断模型》
单位：1．国网湖北省电力有限公司电力科学研究院,武汉430077；2．武汉中原电子信息有限公司,武汉430074摘要：针对配变故障在线诊断对计算速度的要求,以及配变单体在线监测量种类及例行试验数据量不足的问题,建立了一种基于并行化大数据流及迁移学习的配电变压器故障在线辨识-诊断模型。首先,分析配变在线监测量在故障辨识中的可行性,基于此提出配变故障在线辨识的主要指标;其次,提出基于ARIMA预测技术的配变故障在线辨识方法,建立了基于大数据流的配变故障在线辨识模型,并利用Storm平台完成配变故障的并行化在线辨识,辨识出存在故障隐患的配变作为待诊断配变;再次,构建配变故障诊断指标体系,利用迁移学习算法TrAdaBoost从大量配变中提取有效故障信息,辅助待诊断配变进行故障诊断,建立了基于迁移学习的配变故障诊断模型,并在Storm平台上完成配变故障的并行化诊断;最后,根据配变故障数据进行算例分析,仿真结果表明,所建模型故障诊断精确性高达97%,能够实现配变故障的实时辨识与诊断。
单位：1. 南瑞集团有限公司,北京100192；2. 北京科东电力控制系统有限责任公司,北京100192摘要：为了利用深度学习实现对输电线路的多目标识别以及多种故障的检测,以Faster RCNN(faster regions with convolutional neural networks features)网络为算法框架进行无人机图像的数据挖掘,针对输电线路的6种目标检测任务,提出了3种改进策略,分别为自适应图像预处理算法,基于面积的非极大值抑制算法,以及切分检测方案。研究结果表明：所提改进算法能够利用挖掘的数据对故障进行准确定位与识别,实现对复杂背景下航拍图像中多目标的故障检测,也可类推至其他类似多目标应用场景。论文研究可为多目标的检测和识别提供参考。
单位：中国电力科学研究院有限公司,北京100192摘要：电力设备的运行状态与电力系统的稳定及安全密切相关。全面、准确地掌握电力设备的内外部多源数据,并通过科学的手段进行信息汇总和融合,从而对设备的运行状态与变化趋势做出准确的评估和预测,并安排合理的运维检修计划,是整个电力系统可靠、经济运行的关键前提和重要基础。人工智能技术(artificial intelligence, AI)在识别、预测、优化、决策任务中的效率、精度、自学习能力等方面的发展和突破,为电力设备的运维检修提供了一种全新的技术手段与研究思路。论文回顾了人工智能在输变电设备运维检修业务中的关键技术和应用现状,按照数据层、算法层和应用层逐级展开论述和分析,梳理了设备运维的相关数据情况及现存问题,指出了人工智能关键技术框架及各类算法的应用特点与范围,总结了各类典型运维场景中的人工智能应用进展与困难,并提出了未来的重点解决思路,最后分析了人工智能技术应用所面临的问题,并对其发展趋势进行了展望和建议。
《采用最优云熵改进可拓云理论的变压器本体绝缘状态评估方法》
单位：1. 华北电力大学河北省输变电设备安全防御重点实验室,保定071003；2. 华北电力大学新能源电力系统国家重点实验室,北京102206；3. 华北电力大学控制与计算机工程学院,保定071003；4. 国网河北省电力有限公司电力科学研究院,石家庄050021摘要：状态评估是电力设备状态检修及健康管理的关键环节。以220 kV油浸式电力变压器为研究对象,构建了一种基于最优云熵改进可拓云理论的变压器本体绝缘状态评估模型。首先,针对绝缘状态等级边界的随机性与模糊性问题,提出使用可拓云理论来构建状态评估的基础理论框架;然后,在充分考虑等级划分分明性与模糊性特点的基础上,提出一种可自适应评估对象的最优云熵计算方法,实现了对传统可拓云理论的改进;最后,针对单一赋权方法存在的不足,构建了一种基于模糊集值统计法与熵权法的主客观组合赋权模型,实现了指标权重基于信息变化程度的动态调整。实例研究表明,相较于传统理论,该文所提方法能够有效处理变压器状态评估中的不确定性因素,其评估结果更接近设备的真实状态,具备较高的应用可行性。
《基于改进YOLOv3的绝缘子串定位与状态识别方法》
单位：长沙理工大学计算机与通信工程学院,长沙410114
摘要：为了对高压输电线路的绝缘子串航拍图像进行精确快速的定位与状态识别,提出了一种基于改进YOLOv3的绝缘子串诊断方法。在自主建立航拍绝缘子串数据库的基础上,针对数据集样本存在的复杂度不均衡和类别不均衡现象,采用Focal Loss函数和均衡交叉熵函数改进YOLOv3算法的损失函数;然后,对原网络在COCO数据集上训练的卷积层过滤器进行可视化分析,选择冻结层并采用多阶段迁移学习策略来训练网络。在Python环境下训练并测试实例,结果表明：改进的损失函数可优化网络训练的损失值,提升算法精确度;多阶段迁移学习策略在提高算法精确度的同时,能有效应对数据集小而易过拟合问题;所提方法可端对端实现绝缘子串的定位与状态识别,且诊断精确度达到0.918。研究结果证明所提方法具有较高的精确性和实时性。
《数据驱动的人工智能技术在电力设备状态分析中的研究与应用》
摘要：电力设备作为电力系统的基本要素,其运行状态对电网的安全经济运行有直接影响。随着电力物联网的建设和智能传感器技术的不断发展,电力设备运行状态的相关信息呈现出多源、异构的数据特征。研究以海量多源异构数据为驱动的基于人工智能技术的设备状态分析方法,对于全面、及时、准确地掌握电力设备运行状态及其发展趋势有重要意义。论文首先介绍了基于数据驱动的新一代人工智能技术;然后,以当前电力设备状态数据所呈现的海量、多源异构的特性为出发点,针对图像、文本、时序这3种数据类型综述了基于人工智能的电力设备状态特征提取技术;其次,通过研究当前电力设备状态分析的总体需求,总结和讨论了数据驱动的人工智能技术在电力设备智能巡检、故障诊断、状态预测等典型业务场景中的应用研究现状;最后,探讨了现阶段数据驱动的人工智能技术在电力设备状态分析中面临的挑战性问题,并对相关技术的发展趋势进行了展望。
《High voltage outdoor insulator surface condition evaluation using aerial insulator images》
单位：Department of Electrical and Computer Engineering, School of Engineering and Digital Sciences Nazarbayev University, Astana, Kazakhstan
摘要：High voltage insulator detection and monitoring via drone-based aerial images is a cost-effective alternative in extreme winter conditions and complex terrains. The authors examine different surface conditions of the outdoor electrical insulator that generally occur under winter condition using image processing techniques and state-of-the-art classification methods. Two different types of classification approaches are compared: one method is based on neural networks (e.g. CNN, InceptionV3, MobileNet, VGG16, and ResNet50) and the other method is based on traditional machine learning classifiers (e.g. Bayes Net, Decision Tree, Lazy, Rules, and Meta classifiers). They are evaluated to discriminate the images of insulator surface exposed to freezing, wet, and snowing conditions. The results indicate that traditional machine learning methods with proper selection of features can show high classification accuracy. The classification of the insulator surfaces will assist in determining the insulator conditions, and take preventive measures for its protection.
《Method of inter-turn fault detection for next-generation smart transformers based on deep learning algorithm》
单位：1.Department of Electrical Engineering, Tsinghua University, Beijing, People's Republic of China；2.Center for Magnetic Nanotechnology, Stanford University, USA
摘要：In this study, an inter-turn fault diagnosis method is proposed based on deep learning algorithm. 12-channel data is obtained in MATLAB/Simulink as the time-domain monitoring signals and labelled with 16 different fault tags, including both primary and secondary voltage and current waveforms. An auto-encoder is presented to classify the fault type of the abundant and comprehensive fault waveforms. The overall waveforms compose a two-dimension data matrix and the auto-encoder is trained to extract the features in the multi-channel waveforms. The selected features are convoluted with the original data, generating a one-dimensional vector as the input to the softmax classifier. Variables such as type, activation function and depth of auto-encoder, sparsity of sparse auto-encoder, number of features and pooling strategies are studied, which gives an intuitive process to train a proper learning model. The overall recognition accuracy reaches 99.5%. Signal characteristics such as channel selection, time span of the input signal and signal sampling frequency are studied to find the best solution for the inter-turn fault detection of the three-phase transformer. The proposed method under deep learning framework increases the accuracy and robustness in transformer fault diagnosis, indicating its potential and prospect in the next-generation smart transformers.
《Research on automatic location and recognition of insulators in substation based on YOLOv3》
单位：1.Hebei Provincial Key Laboratory of Power Transmission Equipment Security Defense, North China Electric Power University, People's Republic of China;2.State Grid Corp of China Shandong Electric Power Research Institute, People's Republic of China
摘要：With the development of a smart grid, the automatic location of power equipment is becoming a trend. In this study, a method for automatic location identification and diagnosis of external power insulation equipment based on YOLOv3 is proposed. This deep learning algorithm is used to extract the characteristics of image data under the visible light channel of the insulator. It learns and trains the collected data to realise the rapid location identification and frame selection of the external insulation equipment and extract discharge characteristics of the target box under the ultraviolet channel. According to the number of photons and the spot area information, the operating status of the equipment is determined. The results show that the YOLOv3 algorithm with a training rate of 0.005 achieved a fast convergence of the location recognition model. The average recognition accuracy was 88.7% and the average detection time was 0.0182 s. The combination of visible light path insulator target recognition and ultraviolet light path diagnosis can realise a lean and intelligent diagnosis of power equipment. This method had good real-time performance, accuracy, and robustness to the background. It provides a new concept for intelligent diagnosis and location analysis of power equipment.
《Intelligent learning approach for UHF partial discharge localisation in airinsulated substations》
单位：1Department of Electrical Engineering, Shanghai Jiao Tong University, People's Republic of China
摘要：To achieve comprehensive insulation deterioration motoring of power equipment and early fault warning in air-insulated substations, a data-driven partial discharge (PD) source localisation method employing noisy ultra-high frequency (UHF) received signal strength indicator (RSSI) and particle filter is proposed in this study. Compared with the existing UHF time-difference-based techniques, UHF wireless sensor arrays and RSSI-based methods provide an economical and high-adaptability solution. However, owing to the multi-pathing and shadowing effects, UHF signal attenuation cannot be modelled. Therefore, a Kalman filter was employed to smoothen the RSSI signal. Furthermore, a semi-parametric regression model is proposed to achieve a more accurate relationship between the RSSI and the transmission distance. Finally, in contrast to traditional localisation algorithms directly based on the RSSI ranging model, a particle filter was used to achieve higher accuracy. It predicted the best distribution of the position of PD by learning and considering all the system states of the previous moment. The laboratory test was performed within an area of 6 m × 6 m, and the results demonstrate that the mean PD source localisation error was 1.16 m, which gives a potential application for the identification of power equipment with insulation deterioration in a substation, while the accuracy is still needed to be verified further by field tests.
《Directional derivative-based method for quasi-stationary voltage support analysis of single-infeed VSC-HVDC units》
单位：1.Electrical Sustainable Energy Department, Delft University of Technology, The Netherlands;2.Department of Energy Technology, Aalborg University, Aalborg, Denmark;3.TenneT TSO B.V, Arnhem, The Netherlands
摘要：This study presents an investigation of the impact of the quasi-stationary voltage support provided by a voltage source converter (VSC) connected to a single point of a power system. Based on the directional derivative concept, an analytical method is developed to quantify the sensitivities of the AC bus voltage with respect to the VSC reactive power control modes. Based on a real case study, it is shown that the method applies to VSC units that are part of VSC-HVDC systems, which can operate in a point-to-point or multi-terminal configuration. Time-domain simulations are performed to verify the findings from the application of the analytical method on a reduced size power system.
《Availability assessment of voltage source converter HVDC grids using optimal power flow-based remedial actions》
单位：Department of Electrical Engineering and Electronics, School of Engineering, Universidad de los Andes, Bogota, Colombia
摘要：This study proposes a methodology for assessing the availability of voltage source converter high-voltage direct current (HVDC) grids based on the enumeration methodology of contingency analysis with N − 2 criteria and makes contributions in the computation of remedial actions and the definition and computation of reliability indices applied for HVDC grids. Thus, this study proposes the computation of remedial actions based on an optimal power flow, looking to maintain power exchanges between HVDC and high-voltage alternating current grids, when a contingency occurs on the HVDC grid and converter stations or HVDC lines are out of their operating limits. On the other hand, an HVDC grid has the function of injecting and extracting power from AC interconnected zones, and then traditionally used nodal reliability indices must be modified to indices that reflect the performance of the HVDC network to fulfil its function of interconnection of systems. This study defines two sets of availability indices applicable to HVDC grids: (i) loss of power and energy extracted from the DC grid to the AC zones and (ii) loss of power and energy injected to AC zones from the DC grid. The proposed methodology is applied to perform the availability assessment of the CIGRE B4 DC grid test system and the results are presented.
《Initialisation of a hybrid AC/DC power system for harmonic stability analysis using a power flow formulation》
单位：1.Department of Electrical Engineering (ESAT-ELECTA), KU Leuven, Leuven, Belgium;2.EnergyVille, Genk, Belgium
摘要：This study presents the initialisation of a hybrid alternating current/direct current (AC/DC) power system to determine the operation point around which the system is linearised as a starting point for an electromagnetic or harmonic stability analysis. To this end, each AC or DC power system component is modelled in the Fourier transform domain and further adjusted to a simplified representation compatible with a power flow formulation. The study also presents how voltage source converter (VSC) high-voltage DC-based systems can be analysed when the different VSC controls are applied. The result of the power flow solution is then used for the power converters’ initialisation.
联系我们
电话: 010-82812972
邮箱: pcsee@epri.sgcc.com.cn，
pcsee_1964@163.com
网址: www.pcsee.org
主办：中国电机工程学会
