人工智能与电气应用

目录
第一部分 理论篇
第1章 人工智能技术 3
1.1 人工智能技术简介 3
1.2 人工神经网络 3
1.2.1 人工神经网络简介 3
1.2.2 人工神经网络基本结构 5
1.3 卷积神经网络 8
1.3.1 卷积神经网络简介 8
1.3.2 卷积神经网络基本结构 8
1.3.3 几种典型的卷积神经网络 10
1.4 循环神经网络 13
1.4.1 循环神经网络简介 13
1.4.2 循环神经网络基本结构 13
1.4.3 循环神经网络的输出层 14
1.4.4 循环神经网络的参数优化 15
1.4.5 长短期记忆网络 16
1.5 生成对抗神经网络 17
1.5.1 生成对抗神经网络简介 17
1.5.2 生成对抗神经网络的训练原理 18
1.5.3 生成对抗神经网络的经典模型 19
1.5.4 生成对抗神经网络模型的评价指标 21
1.5.5 其他类型的生成模型 22
1.6 图网络 23
1.6.1 图的简介 23
1.6.2 图数据应用场景 23
1.6.3 图嵌入 25
1.6.4 图卷积神经网络 26
1.7 强化学习 31
1.7.1 强化学习基本概念 31
1.7.2 强化学习算法介绍 32
1.7.3 强化学习实验环境 34
1.7.4 强化学习和深度学习 35
参考文献 35
第二部分 基于人工智能的故障诊断技术
第1章 基于深度学习的风机叶片覆冰故障检测 39
1.1 应用背景 39
1.2 基于深度学习的风机叶片覆冰故障检测整体框架 40
1.3 基于深度学习的风机叶片覆冰故障检测方法 41
1.3.1 数据处理 41
1.3.2 特征提取 41
1.3.3 算法简介 42
1.4 基于深度学习的风机叶片覆冰故障检测整体模型与算例分析 45
1.4.1 算例背景 46
1.4.2 算例分析 46
1.4.3 对比分析 48
1.5 本章小结 49
参考文献 49
第2章 基于深度学习的风力发电机组机械故障智能辨识与诊断 51
2.1 风电机组智能辨识与诊断需求 51
2.2 风电机组故障诊断技术现状与趋势 53
2.2.1 风电机组故障诊断主要方式与检测信号 53
2.2.2 风电机组机械振动信号检测与分析方法 54
2.2.3 风电机组机械故障辨识与诊断技术的发展趋势 55
2.3 风电机组轴承故障机理特性分析 56
2.3.1 轴承部件分布与结构特征 56
2.3.2 轴承部件失效原因分析 57
2.3.3 轴承部件故障信号特征 58
2.4 基于卷积神经网络的风电机组轴承故障诊断 59
2.4.1 基于CNN的故障辨识和诊断流程 59
2.4.2 算例应用与结果分析 62
2.5 基于多标签分类的风电机组轴承复合故障诊断 68
2.5.1 轴承部件复合故障与诊断 68
2.5.2 基于多标签分类的诊断方法 68
2.5.3 算例应用与结果分析 71
2.6 本章小结 73
参考文献 73
第3章 基于深度学习的柔直线路故障测距 76
3.1 高压直流输电线路行波分析 77
3.1.1 行波的产生和传播 77
3.1.2 行波的折反射 77
3.2 基于堆叠式自编码器的柔直线路故障测距 78
3.2.1 堆叠式自编码器 78
3.2.2 基于SAE的故障测距 79
3.2.3 SAE参数选取 80
3.2.4 仿真结果 81
3.2.5 对比分析 84
3.3 基于堆叠式降噪自编码器的柔直线路故障测距 85
3.3.1 堆叠式降噪自编码器 85
3.3.2 基于SDAE的故障测距 85
3.3.3 SDAE参数选取 86
3.3.4 仿真结果 86
3.3.5 对比分析 92
3.4 本章小结 93
参考文献 93
第4章 基于脉冲神经膜计算模型的电网故障诊断 95
4.1 脉冲神经膜计算基础 95
4.1.1 脉冲神经膜系统模型 95
4.1.2 模糊推理实数脉冲神经膜系统 96
4.2 脉冲神经膜系统电网故障诊断 100
4.2.1 基于脉冲神经膜系统的电网故障诊断框架 100
4.2.2 网络拓扑分析 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实数脉冲神经膜系统建模 101
4.2.5 模糊推理 104
4.2.6 电网故障诊断案例分析 106
4.3 本章小结 108
参考文献 108
第5章 基于深度学习的电力设备图像识别 110
5.1 引言 110
5.2 电力设备图像分析与处理 110
5.2.1 图像采集 110
5.2.2 图像处理 110
5.3 电力设备的图像识别技术研究 115
5.3.1 基于卷积神经网络的图像分类与检测研究 115
5.3.2 基于深度学习的电力设备图像识别技术应用 122
5.4 本章小结 128
参考文献 128
第6章 基于深度学习的输电线路部件视觉检测 130
6.1 绝缘子视觉检测 130
6.1.1 基于深度特征表达的绝缘子红外图像定位方法 130
6.1.2 基于R-FCN的航拍巡线绝缘子检测方法 132
6.1.3 基于候选目标区域生成的绝缘子检测方法 136
6.1.4 基于Mask R-CNN的输电线路绝缘子掉片检测方法 139
6.1.5 基于深度特征表达的绝缘子表面缺陷分类方法 140
6.2 导地线视觉检测 142
6.3 金具视觉检测 144
6.3.1 防震锤检测 144
6.3.2 间隔棒检测 145
6.3.3 线夹检测 147
6.4 螺栓视觉检测 149
6.5 本章小结 150
参考文献 150
第三部分 基于人工智能的模式识别和预测技术
第1章 基于机器学习的电力指纹负荷识别技术 153
1.1 技术产生背景 153
1.1.1 电网感知的内涵 153
1.1.2 识别是能源互联网的基础 154
1.1.3 当前识别技术存在的问题 155
1.2 电力指纹定义与内涵 156
1.2.1 电力指纹技术的定义 156
1.2.2 基于电力指纹的五大识别 158
1.2.3 电力指纹的优势 159
1.3 电力指纹关键技术 159
1.3.1 信号特征分析技术 159
1.3.2 数据特征分析技术 161
1.3.3 相关识别算法 161
1.4 家用电器电力指纹研究 162
1.4.1 家用电器的主要分类 162
1.4.2 不同电器建模与数据分析 163
1.4.3 家用电器的类型识别研究 164
1.5 电力指纹应用场景 165
1.5.1 相关应用技术 165
1.5.2 安全用电实例 166
1.6 本章小结 168
参考文献 169
第2章 基于用电行为特征重要度聚类的居民负荷预测 170
2.1 居民负荷时域波动性分析 171
2.1.1 居民智能电表数据集 171
2.1.2 居民负荷时域波动特性分析 171
2.1.3 负荷波动对聚类结果的影响 172
2.2 *优特征重要度聚类 173
2.2.1 基于RReliefF的特征重要度分析 173
2.2.2 FI聚类实现 173
2.2.3 FI-SDCKM实用性 175
2.3 负荷预测模型 176
2.3.1 基于随机森林的负荷预测 176
2.3.2 构建特征集合 177
2.3.3 滚动预测模型中RF的预测精度 177
2.4 负荷预测结果 178
2.4.1 预测模型比较 178
2.4.2 工作日和非工作日预测结果 179
2.5 本章小结 180
参考文献 180
第3章 基于机器学习的配电网可靠性评估技术 183
3.1 概述 183
3.1.1 基本概念和必要性 183
3.1.2 配电网可靠性评估的基本原理 184
3.1.3 挑战与机遇 188
3.2 基于机器学习的可靠性评估框架 190
3.2.1 传统的可靠性评估框架 190
3.2.2 数据驱动的可靠性评估框架 190
3.3 数据驱动的元件可靠性建模 192
3.3.1 影响因子选择 192
3.3.2 特征优选与集成学习模型 193
3.4 基于感知机的系统状态评估 195
3.4.1 感知机模型 195
3.4.2 可靠性建模 196
3.4.3 基于感知机的系统状态评估 197
3.5 基于感知机的配电网可靠性评估 198
3.5.1 可靠性评估算法 198
3.5.2 可靠性指标建模 200
3.5.3 测试算例 201
3.6 结论与展望 203
3.6.1 结论 203
3.6.2 展望 203
参考文献 204
第4章 基于深度学习的微网互动需求响应特性封装与预测 205
4.1 微网互动响应特性的深度学习封装与优化运行机制 205
4.2 微网互动运行数据的特性挖掘与样本增量 206
4.2.1 非参数核密度估计的微网互动数据特性挖掘 206
4.2.2 拉丁超立方抽样的数据样本增量 209
4.2.3 互动数据场景的聚类识别与分类 211
4.3 微网互动响应行为的深度学习封装方法 213
4.3.1 深度学习的微网互动特性封装 213
4.3.2 对比算法 214
4.3.3 数据驱动的微网互动响应特性封装和预测流程 215
4.4 算例分析与验证 216
4.4.1 不含储能装置的微网互动特性行为封装与结果分析 216
4.4.2 含储能装置的微网互动特性行为封装与结果分析 221
4.4.3 深度学习的微网互动特性学习收敛性和敏感性分析 223
4.5 本章小结 225
参考文献 225
第5章 基于人工智能的电力点功率预测和区间预测技术 227
5.1 基于S-BGD和梯度累积策略的改进深度学习光伏出力预测方法 227
5.1.1 引言 227
5.1.2 传统深度学习算法 228
5.1.3 改进的深度学习算法 228
5.1.4 基于深度学习的光伏出力预测方法 230
5.1.5 基于深度学习的光伏出力预测方法实例 232
5.1.6 结论 236
5.2 基于改进混沌时间序列的风电功率区间预测方法 236
5.2.1 引言 236
5.2.2 基于传统混沌时间序列的风电功率区间预测方法 237
5.2.3 基于蚁群聚类算法和支持向量机的改进风电功率区间预测方法 238
5.2.4 风电功率区间预测性能评价指标 240
5.2.5 算例分析 241
5.2.6 结论 245
5.3 基于改进权值优化模型的光伏功率区间预测 245
5.3.1 引言 245
5.3.2 基于RBF神经网络的区