第41卷第5期2023年5月水电能源科学WaterResourcesandPowerVol.41No.5May2023DOI:10.20040/j.cnki.1000-7709.2023.20221390基于数据融合并行特征提取的调峰电源设备状态评估方法郝峰1,方冰2,祁炜雯2,郭勤慧2,朱传古3,潘伟峰3(1.国网水新部,北京100031;2.国网浙江省电力有限公司绍兴供电公司,浙江绍兴310000;3.国网电力科学研究院有限公司,江苏南京211106)摘要:调峰电源设备状态评估有利于电力系统安全稳定运行。系统监测数据本质为一系列指标量的时间序列,评价系统状态时需综合考虑不同指标量间的耦合关系,且实时监测系统对模型的处理速度也有所要求。对此,提出了一种基于数据融合并行特征提取的调峰电源设备状态评估方法。并行提取时间序列统计特征,基于多重假设检验选择重要特征,再利用所设计的分层图卷积网络实现信息整合。实验表明,对比现有模型,该方法的识别准确率大幅提高,运行时间缩短,可迁移性提升。关键词:调峰电源设备状态评估;并行时间序列处理;图网络;特征提取;数据融合中图分类号:TM712文献标志码:A文章编号:1000-7709(2023)05-0203-04收稿日期:2022-07-03,修回日期:2022-10-12基金项目:国家电网有限公司总部科技项目(5700-202140381A-0-0-00)作者简介:郝峰(1983-),男,高级工程师,研究方向为抽水蓄能智能化,E-mail:feng-hao@sgcc.com.cn通讯作者:方冰(1986-),女,高级工程师,研究方向为电力系统及其自动化,E-mail:dianxueke80639576@126.com1引言深入分析调峰电源设备状态、开展相关理论研究和实践检验,是保障电力系统供电可靠性的关键。水电机组设备众多且结构复杂,其故障模式机理复杂、多种因素耦合,基于电路或机械模型的常规故障分析难度较大。近年来,随着各种在线监测装置的安装,相关案例中的关键数据被逐步收集,通过大数据挖掘和人工智能算法实现调峰电源设备状态的自动评价成为可能。现有评估调峰电源设备状态的方法主要分为传统算法和机器学习方法两类。前者需要大量人为修正和调整以保证模型性能,且难以实现复杂系统有效建模;另一方面,直接将机器学习算法应用到调峰电源状态评价的研究较少,而在其他电力设备在线监测领域有不少应用[1]。但将这些方法直接应用于调峰电源状态评价中存在以下问题:①调峰电源监测数据为一系列指标量的时间序列,系统对模型的处理速度有要求;②不同指标量间存在耦合关系,评价系统状态时需综合考虑。对此,本文提出了一种全新的数据融合并行特征提取算法框架,可并行提取不同指标量序列的统计特征,利用多...
