人工智能與電氣應用

目錄
第一部分 理論篇
第1章 人工智能技術 3
1.1 人工智能技術簡介 3
1.2 人工神經(jīng)網(wǎng)絡 3
1.2.1 人工神經(jīng)網(wǎng)絡簡介 3
1.2.2 人工神經(jīng)網(wǎng)絡基本結構 5
1.3 卷積神經(jīng)網(wǎng)絡 8
1.3.1 卷積神經(jīng)網(wǎng)絡簡介 8
1.3.2 卷積神經(jīng)網(wǎng)絡基本結構 8
1.3.3 幾種典型的卷積神經(jīng)網(wǎng)絡 10
1.4 循環(huán)神經(jīng)網(wǎng)絡 13
1.4.1 循環(huán)神經(jīng)網(wǎng)絡簡介 13
1.4.2 循環(huán)神經(jīng)網(wǎng)絡基本結構 13
1.4.3 循環(huán)神經(jīng)網(wǎng)絡的輸出層 14
1.4.4 循環(huán)神經(jīng)網(wǎng)絡的參數(shù)優(yōu)化 15
1.4.5 長短期記憶網(wǎng)絡 16
1.5 生成對抗神經(jīng)網(wǎng)絡 17
1.5.1 生成對抗神經(jīng)網(wǎng)絡簡介 17
1.5.2 生成對抗神經(jīng)網(wǎng)絡的訓練原理 18
1.5.3 生成對抗神經(jīng)網(wǎng)絡的經(jīng)典模型 19
1.5.4 生成對抗神經(jīng)網(wǎng)絡模型的評價指標 21
1.5.5 其他類型的生成模型 22
1.6 圖網(wǎng)絡 23
1.6.1 圖的簡介 23
1.6.2 圖數(shù)據(jù)應用場景 23
1.6.3 圖嵌入 25
1.6.4 圖卷積神經(jīng)網(wǎng)絡 26
1.7 強化學習 31
1.7.1 強化學習基本概念 31
1.7.2 強化學習算法介紹 32
1.7.3 強化學習實驗環(huán)境 34
1.7.4 強化學習和深度學習 35
參考文獻 35
第二部分 基于人工智能的故障診斷技術
第1章 基于深度學習的風機葉片覆冰故障檢測 39
1.1 應用背景 39
1.2 基于深度學習的風機葉片覆冰故障檢測整體框架 40
1.3 基于深度學習的風機葉片覆冰故障檢測方法 41
1.3.1 數(shù)據(jù)處理 41
1.3.2 特征提取 41
1.3.3 算法簡介 42
1.4 基于深度學習的風機葉片覆冰故障檢測整體模型與算例分析 45
1.4.1 算例背景 46
1.4.2 算例分析 46
1.4.3 對比分析 48
1.5 本章小結 49
參考文獻 49
第2章 基于深度學習的風力發(fā)電機組機械故障智能辨識與診斷 51
2.1 風電機組智能辨識與診斷需求 51
2.2 風電機組故障診斷技術現(xiàn)狀與趨勢 53
2.2.1 風電機組故障診斷主要方式與檢測信號 53
2.2.2 風電機組機械振動信號檢測與分析方法 54
2.2.3 風電機組機械故障辨識與診斷技術的發(fā)展趨勢 55
2.3 風電機組軸承故障機理特性分析 56
2.3.1 軸承部件分布與結構特征 56
2.3.2 軸承部件失效原因分析 57
2.3.3 軸承部件故障信號特征 58
2.4 基于卷積神經(jīng)網(wǎng)絡的風電機組軸承故障診斷 59
2.4.1 基于CNN的故障辨識和診斷流程 59
2.4.2 算例應用與結果分析 62
2.5 基于多標簽分類的風電機組軸承復合故障診斷 68
2.5.1 軸承部件復合故障與診斷 68
2.5.2 基于多標簽分類的診斷方法 68
2.5.3 算例應用與結果分析 71
2.6 本章小結 73
參考文獻 73
第3章 基于深度學習的柔直線路故障測距 76
3.1 高壓直流輸電線路行波分析 77
3.1.1 行波的產(chǎn)生和傳播 77
3.1.2 行波的折反射 77
3.2 基于堆疊式自編碼器的柔直線路故障測距 78
3.2.1 堆疊式自編碼器 78
3.2.2 基于SAE的故障測距 79
3.2.3 SAE參數(shù)選取 80
3.2.4 仿真結果 81
3.2.5 對比分析 84
3.3 基于堆疊式降噪自編碼器的柔直線路故障測距 85
3.3.1 堆疊式降噪自編碼器 85
3.3.2 基于SDAE的故障測距 85
3.3.3 SDAE參數(shù)選取 86
3.3.4 仿真結果 86
3.3.5 對比分析 92
3.4 本章小結 93
參考文獻 93
第4章 基于脈沖神經(jīng)膜計算模型的電網(wǎng)故障診斷 95
4.1 脈沖神經(jīng)膜計算基礎 95
4.1.1 脈沖神經(jīng)膜系統(tǒng)模型 95
4.1.2 模糊推理實數(shù)脈沖神經(jīng)膜系統(tǒng) 96
4.2 脈沖神經(jīng)膜系統(tǒng)電網(wǎng)故障診斷 100
4.2.1 基于脈沖神經(jīng)膜系統(tǒng)的電網(wǎng)故障診斷框架 100
4.2.2 網(wǎng)絡拓撲分析 100
4.2.3 可疑故障元件分析 101
4.2.4 可疑故障元件模糊推理實數(shù)脈沖神經(jīng)膜系統(tǒng)建模 101
4.2.5 模糊推理 104
4.2.6 電網(wǎng)故障診斷案例分析 106
4.3 本章小結 108
參考文獻 108
第5章 基于深度學習的電力設備圖像識別 110
5.1 引言 110
5.2 電力設備圖像分析與處理 110
5.2.1 圖像采集 110
5.2.2 圖像處理 110
5.3 電力設備的圖像識別技術研究 115
5.3.1 基于卷積神經(jīng)網(wǎng)絡的圖像分類與檢測研究 115
5.3.2 基于深度學習的電力設備圖像識別技術應用 122
5.4 本章小結 128
參考文獻 128
第6章 基于深度學習的輸電線路部件視覺檢測 130
6.1 絕緣子視覺檢測 130
6.1.1 基于深度特征表達的絕緣子紅外圖像定位方法 130
6.1.2 基于R-FCN的航拍巡線絕緣子檢測方法 132
6.1.3 基于候選目標區(qū)域生成的絕緣子檢測方法 136
6.1.4 基于Mask R-CNN的輸電線路絕緣子掉片檢測方法 139
6.1.5 基于深度特征表達的絕緣子表面缺陷分類方法 140
6.2 導地線視覺檢測 142
6.3 金具視覺檢測 144
6.3.1 防震錘檢測 144
6.3.2 間隔棒檢測 145
6.3.3 線夾檢測 147
6.4 螺栓視覺檢測 149
6.5 本章小結 150
參考文獻 150
第三部分 基于人工智能的模式識別和預測技術
第1章 基于機器學習的電力指紋負荷識別技術 153
1.1 技術產(chǎn)生背景 153
1.1.1 電網(wǎng)感知的內涵 153
1.1.2 識別是能源互聯(lián)網(wǎng)的基礎 154
1.1.3 當前識別技術存在的問題 155
1.2 電力指紋定義與內涵 156
1.2.1 電力指紋技術的定義 156
1.2.2 基于電力指紋的五大識別 158
1.2.3 電力指紋的優(yōu)勢 159
1.3 電力指紋關鍵技術 159
1.3.1 信號特征分析技術 159
1.3.2 數(shù)據(jù)特征分析技術 161
1.3.3 相關識別算法 161
1.4 家用電器電力指紋研究 162
1.4.1 家用電器的主要分類 162
1.4.2 不同電器建模與數(shù)據(jù)分析 163
1.4.3 家用電器的類型識別研究 164
1.5 電力指紋應用場景 165
1.5.1 相關應用技術 165
1.5.2 安全用電實例 166
1.6 本章小結 168
參考文獻 169
第2章 基于用電行為特征重要度聚類的居民負荷預測 170
2.1 居民負荷時域波動性分析 171
2.1.1 居民智能電表數(shù)據(jù)集 171
2.1.2 居民負荷時域波動特性分析 171
2.1.3 負荷波動對聚類結果的影響 172
2.2 *優(yōu)特征重要度聚類 173
2.2.1 基于RReliefF的特征重要度分析 173
2.2.2 FI聚類實現(xiàn) 173
2.2.3 FI-SDCKM實用性 175
2.3 負荷預測模型 176
2.3.1 基于隨機森林的負荷預測 176
2.3.2 構建特征集合 177
2.3.3 滾動預測模型中RF的預測精度 177
2.4 負荷預測結果 178
2.4.1 預測模型比較 178
2.4.2 工作日和非工作日預測結果 179
2.5 本章小結 180
參考文獻 180
第3章 基于機器學習的配電網(wǎng)可靠性評估技術 183
3.1 概述 183
3.1.1 基本概念和必要性 183
3.1.2 配電網(wǎng)可靠性評估的基本原理 184
3.1.3 挑戰(zhàn)與機遇 188
3.2 基于機器學習的可靠性評估框架 190
3.2.1 傳統(tǒng)的可靠性評估框架 190
3.2.2 數(shù)據(jù)驅動的可靠性評估框架 190
3.3 數(shù)據(jù)驅動的元件可靠性建模 192
3.3.1 影響因子選擇 192
3.3.2 特征優(yōu)選與集成學習模型 193
3.4 基于感知機的系統(tǒng)狀態(tài)評估 195
3.4.1 感知機模型 195
3.4.2 可靠性建模 196
3.4.3 基于感知機的系統(tǒng)狀態(tài)評估 197
3.5 基于感知機的配電網(wǎng)可靠性評估 198
3.5.1 可靠性評估算法 198
3.5.2 可靠性指標建模 200
3.5.3 測試算例 201
3.6 結論與展望 203
3.6.1 結論 203
3.6.2 展望 203
參考文獻 204
第4章 基于深度學習的微網(wǎng)互動需求響應特性封裝與預測 205
4.1 微網(wǎng)互動響應特性的深度學習封裝與優(yōu)化運行機制 205
4.2 微網(wǎng)互動運行數(shù)據(jù)的特性挖掘與樣本增量 206
4.2.1 非參數(shù)核密度估計的微網(wǎng)互動數(shù)據(jù)特性挖掘 206
4.2.2 拉丁超立方抽樣的數(shù)據(jù)樣本增量 209
4.2.3 互動數(shù)據(jù)場景的聚類識別與分類 211
4.3 微網(wǎng)互動響應行為的深度學習封裝方法 213
4.3.1 深度學習的微網(wǎng)互動特性封裝 213
4.3.2 對比算法 214
4.3.3 數(shù)據(jù)驅動的微網(wǎng)互動響應特性封裝和預測流程 215
4.4 算例分析與驗證 216
4.4.1 不含儲能裝置的微網(wǎng)互動特性行為封裝與結果分析 216
4.4.2 含儲能裝置的微網(wǎng)互動特性行為封裝與結果分析 221
4.4.3 深度學習的微網(wǎng)互動特性學習收斂性和敏感性分析 223
4.5 本章小結 225
參考文獻 225
第5章 基于人工智能的電力點功率預測和區(qū)間預測技術 227
5.1 基于S-BGD和梯度累積策略的改進深度學習光伏出力預測方法 227
5.1.1 引言 227
5.1.2 傳統(tǒng)深度學習算法 228
5.1.3 改進的深度學習算法 228
5.1.4 基于深度學習的光伏出力預測方法 230
5.1.5 基于深度學習的光伏出力預測方法實例 232
5.1.6 結論 236
5.2 基于改進混沌時間序列的風電功率區(qū)間預測方法 236
5.2.1 引言 236
5.2.2 基于傳統(tǒng)混沌時間序列的風電功率區(qū)間預測方法 237
5.2.3 基于蟻群聚類算法和支持向量機的改進風電功率區(qū)間預測方法 238
5.2.4 風電功率區(qū)間預測性能評價指標 240
5.2.5 算例分析 241
5.2.6 結論 245
5.3 基于改進權值優(yōu)化模型的光伏功率區(qū)間預測 245
5.3.1 引言 245
5.3.2 基于RBF神經(jīng)網(wǎng)絡的區(qū)