一种SH-ResNet模型的换流阀外冷却系统最优化选型方法

为在换流阀外冷却系统设计初期快速选择合理的冷却方式,分析了影响冷却方式选择的当地气候环境和换流站设备条件等因素,构建基于堆叠异构的残差网络（SH-ResNet）模型用于对冷却方式进行分类,模型集成了有监督的分类器与无监督的聚类方法,并将ResNet作为元分类器,深度挖掘输出结果之间的潜在联系。通过研究近年来不同地区站点的气候环境、换流阀冷却系统需求、设备布置情况以及最终设计使用的冷却方式,总计209个样本数据对所提出模型进行训练与评估试验。结果表明:SH-ResNet的分类正确率达到0.97,相较于基础分类器平均提高了11.46%,可见,在样本集较小的情况下该模型保证了其强大的泛化能力,并提高了分类准确度。基于该模型的冷却方式推荐系统交互窗口的设计不仅给予了冷却方式的推荐占比,并可视化特征参数与冷却方式间的联系,为换流阀外冷却系统设计提供了一种最优化选型方法。     

考虑功率裕度的VSC-MTDC系统改进下垂控制策略

针对VSC-MTDC系统下垂控制策略未考虑到换流站实际运行工况这一不足之处,提出一种考虑功率裕度的改进下垂控制策略.改进策略中主导站下垂系数的选取与换流站容量无关,而是由功率裕度决定,可以避免主导站出现不必要的满载现象;同时,在定有功功率站中引入偏差下垂控制,避免直流网络的功率不平衡过大导致直流电压失稳的情况.PSCAD/EMTDC环境下的仿真结果表明,该方法保证了初始功率裕度较小的换流站分担较少的不平衡功率,初始功率裕度较大的换流站承担较多的不平衡功率,实现了不平衡功率的合理分配.     

电网电压不平衡下基于模块化多电平的高压直流输电控制策略

研究了基于多电平变流器(MMC)的两端柔性高压直流(HVDC)输电系统。首先建立了MMC数学模型,分析了MMC内部环流产生的原因以及环流危害,接着研究了HVDC输电系统的工作原理和控制策略。系统的控制逻辑可分为3级,其中最低层控制策略为换流站内的阀级控制,包含MMC的调制方法和环流抑制策略。重点研究了换流站级的双环PI控制和阀级的环流抑制。通过搭建输电系统模型实现了正常工况下理论分析和软件仿真论证,同时设计了非正常工况下经过正负序分离后的双环PI控制方法,实现了电网电压不平衡时系统的稳定控制。     

LUDV多路阀的挖掘机电液流量 匹配控制系统特性

为了提高挖掘机液压系统的操控性和节能性,采用电比例泵和电比例多路阀同步、开环控制方式的电液流量匹配控制系统.以2 t挖掘机试验样机为研究对象,分析基于与负载压力无关的流量分配（LUDV）多路阀的电液流量匹配控制系统的结构原理和特点,建立基于Adams和AMEsim的挖掘机机液联合仿真模型;以LUDV负载敏感系统为对比研究对象,通过挖掘机动臂和铲斗复合动作,仿真与试验分析电液流量匹配控制系统的稳定、响应和节能性,并进行挖掘机流量饱和和典型挖掘工况的试验研究.结果表明：仿真与试验结果吻合较好,验证仿真模型的准确性,仿真模型可用于进一步理论研究;与LUDV负载敏感系统相比,基于LUDV多路阀的电液流量匹配控制系统改善了系统的稳定性和响应性,压力裕度减小了0.9～1 MPa,提高系统的节能性.通过典型挖掘工况对整机能耗进行评估,与LUDV负载敏感系统相比,电液流量匹配控制系统系统压力裕度降低了1 MPa,节能达12%.     

柔性直流换流站关键设备宽频模型

为研究柔性直流换流阀正常运行时产生的电磁骚扰的传播规律及其对换流站内的二次设备和周围的无线电台站的影响,基于黑箱理论,以点对点阻抗模型(NIF)为基础,利用网络分析仪测量了三相设备在外部端子不同的连接方式下的端口阻抗,根据测量的端口阻抗参数与NIF模型中虚拟阻抗的关系得到三相设备的宽频模型(频带范围100 k Hz~50 MHz)。以华北电力大学新能源实验室VSC-HVDC换流系统为实验平台,对换流站内的三相设备变压器、EMI滤波器、换相电抗器进行建模。将建立的模型根据实际系统互相连接,模拟了整个交流系统对高频信号的衰减特性,为换流站的电磁干扰预测和电磁兼容提供可靠依据,并通过实验测量与仿真结果对比证明了本文方法和模型的有效性。     

基于堆稀疏自编码神经网络的电网安全预判

为了满足安全裕度概念下电力系统暂态稳定评估的准确率和时效性,提出了基于深度学习的堆稀疏自编码神经网络(SSAEN)预判模型.首先尝试将母线时序电压数据构成的矩阵看作蕴含暂态运行机制的模式图,然后利用SSAEN逐层级地挖掘模式图的主导特征,并通过分析SSAEN的连接权重阐述了主导特征及其演变过程.最后通过Logistic分类器识别主导特征,预判未来时刻系统的稳定性.基于IEEE39系统仿真样本进行了实验,实验结果表明,SSAEN具有较高的准确度和预测速度,可为系统暂态失稳情况提供足够的安全时间裕度.     

基于正则贯序极端学习机的换热设备污垢预测

对换热设备积聚的污垢快速、准确的预测,可以为换热设备污垢的监测和解决对策提供指导和依据,进而避免污垢对换热设备安全经济运行带来的不利影响。通过在线贯序极端学习机理论建立换热设备污垢预测模型,利用初始样本建立初始模型,随着工况变化,不断加入新的样本集,更新预测模型,实现换热设备污垢的在线预测。并通过引入正则参数权衡经验风险和结构风险,提高模型的泛化性能和预测精度。与传统神经网络建立的预测模型相比,基于在线贯序极端学习机的换热设备污垢预测模型训练速度更快,精度更高,泛化能力更好。为此,进一步基于MATLAB和LABVIEW混合编程设计了正则贯序极端学习机污垢预测系统,结果表明,该污垢预测系统可以实现换热设备污垢的在线实时预测,并且预测精度较高,预测效果较好。     

基于误差修正的极端天气下风速预测

精确地预测极端天气下的风速能为配电网防灾抗灾提供重要的指导作用.本文提出基于时间卷积网络（Temporal Convolutional Network，TCN）与双向长短期记忆网络（Bi-directional Long Short-Term Memory，BiLSTM）和误差修正的组合模型对极端天气下的风速进行预测.首先对天气数据进行预处理，用TCN提取多特征数据的时间序列特性，将提取信息输入到BiLSTM中进行风速预测.为进一步提高预测精度，引入变分模态分解（Variational Mode Decomposition，VMD）对误差序列进行分解，分别对分解后的误差子序列构建BiLSTM模型进行误差预测，用误差预测值对风速预测值进行误差修正.结合河南省某地实测天气数据进行实验，仿真结果验证了所提方法能有效预测风速，并在极端天气发生时，对风速具有较高的预测精度.     

换流站电磁噪声的计算机仿真模型

高压直流换流站中的换流阀在运行过程中会产生高强度电磁噪声,在30-500 kHz频段对邻近的载波通讯系统形成潜在干扰.为预测该电磁噪声水平,以高肇直流系统载波频段噪声水平的实测结果为基础,建立了符合换流站实际运行参数和一次设备高频参数的仿真模型,通过对肇庆换流站的电磁噪声实测值与仿真计算结果的比较证明了模型的有效性.     

高压直流换流站阀厅穿墙套管封堵材料的涡流损耗和屏蔽效能分析

基于麦克斯韦方程,推导获得了高压直流换流站阀厅穿墙套管封堵材料的涡流分布的解析解,并对影响封堵材料涡流损耗和屏蔽效能的有关因素,如谐波频率、材料厚度等进行了分析。结合500 kV直流换流站阀厅穿墙套管封堵材料的具体几何尺寸,对材料参数、工频和各次谐波电流等因素,分析了材料厚度与集肤深度、温升之间的关系。结果可为高压换流站阀厅穿墙套管封堵材料的开发和工程设计提供参考。     

基于C-LSTM的短期用电预测模型和应用

基于深度学习下的长短期记忆循环神经网络对家庭短期用电预测进行研究。本研究引入卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short term memory, LSTM)模型结合的混合深度神经网络模型C-LSTM,并在此模型基础上提出多步预测策略。根据对5个真实家庭日常用电数据集的研究,C-LSTM实现了以5 min为单位的家庭电力需求预测。通过不断修改模型参数、完善模型,从本研究提供的3种误差指标的分析来看,C-LSTM预测准确性高于自回归集成移动平均模型、支持向量回归模型和LSTM模型。本研究评价模型预测效果的主要依据是平均绝对百分比误差值(mean absolute percentage error, MAPE), 从试验结果可得C-LSTM 模型在5 min的家庭需求电力预测,比支持向量回归模型提升4.63%,比 LSTM提升22.8%,比自回归集成移动平均模型提升 34.74%。因此,C-LSTM模型为智能电网对家庭层面电需求的准确及时预测提供了保障,对推动个性化用电套餐的广泛普及、减少能源浪费产生重要影响。     

基于神经网络的建筑能耗混合预测模型

为了提升建筑能耗预测的精度、鲁棒性和泛化能力,提出树种算法（TSA）优化的径向基函数（RBF）神经网络与长短时记忆（LSTM）神经网络结合的混合预测模型. 采用基于自适应噪声的完全集成经验模态分解算法,将建筑能耗数据分解为1组本征模态函数（IMF）分量和1个残余分量,利用样本熵算法将各分量划分为高频分量和低频分量. 采用最小绝对收缩与选择算子（LASSO）方法进行特征选择. 分别利用TSA算法优化后的RBF模型与LSTM模型对低频分量和高频分量进行预测,并叠加重构得到最终预测结果. 模型评估结果表明,混合预测模型的精度为98. 72%. 相比于RBF、TSA-RBF、LSTM模型,所提模型的预测效果更好,且具有较强的鲁棒性和泛化能力,能够更为有效地用于建筑逐时电力能耗预测.     

基于LSTM网络预测的水轮机机组运行状态检测

利用长短期记忆(long short-term memory, LSTM)网络对水轮机机组的运行状态进行预测。对水轮机机组的流式监测数据进行标准化处理,并利用滑动窗口技术将数据转换为LSTM网络训练所需的训练数据集与测试数据集;给出LSTM预测模型结构,并通过调节网络层数、隐层神经元数目等参数对模型进行优化,建立水轮机机组的时间序列数据预测模型。经试验分析验证,与其它模型相比,基于多测点的多元长短期记忆网络预测模型具备更高的预测精度,并基于改进的雷达图分析法计算健康偏离度,成功地检测出某水电厂5号水轮机机组5月末的数据出现异常,验证了模型的有效性。     

GA-LSTM模型在高速公路交通流预测中的应用

为提高高速公路交通流预测精度,为高速公路管理部门动态控制诱导提供有效支撑,以实时交通流预测误差最小为目标,通过对高速公路数据的清洗和归一处理,分为4个不同时间间隔的数据集,按比例划分为训练数据集和测试数据集.采用遗传算法(GA)对数据时间窗步长、长短期记忆(LSTM)神经网络的隐藏层数、训练次数、dropout进行优化调参,分析4种参数对模型寻优影响,GA-LSTM模型在keras中以Tensorflow为后台进行训练拟合.结果表明:GA-LSTM模型寻优速度快,同传统预测算法中的SVM、KNN、BP和LSTM神经网络相比较,GA-LSTM对数据预测均方误差和均方根误差最小,模型表现出更好的预测性能.     

A reversibly used cooling tower with adaptive neuro-fuzzy inference system

An adaptive neuro-fuzzy inference system (ANFIS) for predicting the performance of a reversibly used cooling tower (RUCT) under cross flow conditions as part of a heat pump system for a heating mode in winter was demonstrated. Extensive field experimental work was carried out in order to gather enough data for training and prediction. The statistical methods, such as the correlation coefficient, absolute fraction of variance and root mean square error, were given to compare the predicted and actual values for model validation. The simulation results predicted with the ANFIS can be used to simulate the performance of a reversibly used cooling tower quite accurately. Therefore, the ANFIS approach can reliably be used for forecasting the performance of RUCT.     

基于时序分解与误差修正的新能源爬坡事件预测

为了提高以风电、光伏为代表的新能源的爬坡预测的准确性,提出基于主成分分析、时序分解与修正长短期记忆（LSTM）网络预测误差的爬坡预测模型. 为了充分考虑功率的时序特性,采用时序分解方法将功率分解为周期、趋势和余项,结合多个特征因素的主成分建立基于LSTM的趋势和余项预测模型,实现功率的时间特征与影响因素主成分的映射关系刻画. 在采用LSTM对趋势和余项进行初步预测的基础上,引入误差修正算法计算拟合预测模型的动态误差并构建新的非平稳时间序列,获得准度性更佳的趋势和余项预测值. 通过加法模型融合趋势、余项以及利用朴素法获得的周期,得到最终预测功率. 结合风电和光伏爬坡事件定义,运用所提模型分别进行风电和光伏爬坡预测. 实验结果表明,与其他预测方法相比,所提模型在功率直接预测和爬坡事件间接预测上均具有更优的精度,能够为电网调度提供更可靠的依据.     

基于LSTM模型的SCR喷氨串级预测控制

常规PID对时变、时滞的SCR系统控制效果不佳,难以满足环保排放要求。因此提出一种基于长短期记忆神经网络（LSTM）滚动预测的串级预测控制策略。将LSTM网络预测输出组装成下一时刻输入数据,建立能自动微调的SCR系统模型;通过将LSTM网络与预测控制方法相结合应用于SCR喷氨优化控制中,并在此优化控制方案基础上加入PID控制,建立喷氨量的串级预测控制系统。结果表明：该控制策略对于SCR系统调节速度快、动态控制性能好、能克服模型失配的影响。     

基于注意力机制的车辆运动轨迹预测

基于经典的Convolutional Social LSTM轨迹预测算法,提出一种全新的采用注意力机制的车辆运动轨迹预测算法. 引入横向注意力机制对邻居车辆赋予不同的权重,将车辆历史轨迹经由LSTM得到的特征作为全局特征,通过卷积池化提取轨迹特征作为局部特征,将两者融合作为整体邻居特征信息,用于轨迹预测. 对用于传统轨迹预测的Encoder-Decoder框架进行改进,引入关于历史位置的纵向注意力机制,使得预测的每一时刻都能使用与当前时刻最相关的历史信息. 在NGSIM提供的US101和I80数据集进行验证,结果表明：提出的轨迹预测算法相比其他算法能更精确地预测车辆未来轨迹.     

基于多变量LSTM神经网络的澳大利亚大火预测研究

长短周期记忆神经网络(LSTM)受益于能够捕获长期依赖关系的特点,在许多实际应用中展现了优异的性能。该文构建了LSTM多变量数据驱动的预测模型,通过多变量输入的方式预测澳大利亚森林大火。首先使用多变量LSTM预测模型对日最高温度进行预测,并与反向传播(BP)神经网络以及ARIMA预测模型的结果进行对比。研究表明:以相关变量为输入的BP神经网络无法考虑时序变化规律,预测误差最大;以温度单变量为输入的ARIMA根据时序变化做出相应预测,预测效果较好;多变量LSTM预测模型综合考虑了多种因素的相互影响,同时结合了时间序列依赖关系,预测效果最好。最后通过多变量LSTM预测模型对某节点是否着火进行了预测,预测结果与实际值契合较好。总体来说,多变量LSTM预测模型对澳大利亚大火的预测结果可信。