多谐波源的谐波电流耦合及解耦策略研究

针对多谐波耦合对电网带来的不利影响,首先建立了多谐波源的耦合导纳模型,然后结合模型进行谐波传导分析及耦合因子分析。其次,针对谐波源之间的耦合关系,提出基于SVD(奇异值分解)的解耦方法,实现耦合因子矩阵的解耦,使得谐波源之间的相互干扰减弱。最后,将提出的解耦策略应用在谐波传导及谐波责任区分方面,通过实例及IEEE 13节点系统进行MATLAB/Simulink仿真,结果表明:该解耦算法可用于指导谐波治理装置的优化配置以及得到更为精确的责任区分结果,从而验证了理论及算法的有效性与可行性。     

一种谐波阻抗未知条件下的谐波源定位方法

针对谐波阻抗难以准确获取的情况,提出种谐波阻抗未知条件下的谐波源定位方法。通过可观性分析及象征导纳矩阵,得到量测配置点。将谐波电压作为量测量,采用独立分量分析算法对谐波电流进行估计。通过次序辨识算法解决谐波源电流估计的序列问题,且根据目标函数小值的寻优,对谐波源位置进行定位。为验证提出方法的有效性,在IEEE-14节点系统上进行了仿真测试,通过方差、相关系数2个评价指标得知,提出的方法能对谐波源进行准确估计和定位。     

基于谐波有功功率贡献量的主谐波源定位

为了准确辨识和定位主谐波源,提出了一种基于谐波有功功率贡献量的方法。该方法综合考虑谐波电压和谐波电流的影响,不仅能够定量地划分各自的谐波责任,准确地判断出主谐波源的位置,而且克服了使用谐波电压贡献量或谐波电流贡献量进行主谐波源定位时存在的局限性。首先推导了系统侧和用户侧单独作用时对PCC处谐波有功功率贡献量公式,然后推广到多谐波源系统中,并建立了通用的数学模型,从理论上实现了对主谐波源的定位。最后以两个非线性用户系统为例进行Matlab/Simulink仿真分析,仿真结果与理论分析相一致,验证了该方法的正确性与有效性。     

考虑背景谐波电压变化的多谐波源谐波责任划分

提出了一种考虑背景谐波电压变化的多谐波源谐波责任划分方法。首先,利用主导波动量法估算出系统侧谐波阻抗,然后根据背景谐波电压的波动情况,采用均值漂移算法对背景谐波电压数据进行聚类处理,按照电压值分为不同的数据段。最后,利用偏最小二乘法计算各个数据段谐波责任,加权求和得到关注时间段的谐波责任。为验证方法的有效性,分别在实验电路和IEEE 13节点测试系统上进行仿真分析,结果表明,所提方法提高了谐波责任划分的准确度,能有效克服背景谐波电压变化对责任划分的影响。     

基于QR-RLS算法的自适应配电网谐波电流检测

电力有源滤波器对配电网中谐波的治理起着重要作用,而电力有源滤波器的核心是谐波电流检测算法。为了提高谐波电流检测的有效性,本文提出了基于QR分解的递归最小二乘(QR-RLS)算法的自适应配电网谐波电流检测,该方法能够准确地把基波电流和谐波电流分离出来。本文通过PSCAD/EMTDC仿真软件建立仿真电路得到电路中的电流数据,仿真数据和实测数据的分析结果证明了该算法的有效性。     

多DG不确定性建模及其对配电网谐波潮流的影响

分布式电源(DG)出力的随机性和间歇性导致其并网谐波电流具有不确定性,进而导致含DG配电网的谐波分布具有不确定性。为处理配电网谐波潮流计算中DG作为谐波源的不确定信息,以复仿射数代替点值,建立DG并网逆变器输出阻抗复仿射模型,该模型反映了直流侧电压源的不确定性对DG并网谐波电流的影响。在所提模型的基础上,改造传统确定性谐波潮流算法,提出含多DG配电网的不确定谐波潮流计算方法分析DG不确定性对谐波潮流的影响。采用典型33节点配电网算例进行仿真,与确定性分析方法计算结果的对比验证了所提方法的有效性和应用价值。     

一种基于谐波阻抗值的谐波源定位算法

为了明确谐波污染责任,提出一种基于谐波阻抗值的谐波源定位方法。以IEC61000-3-6对谐波发射水平的定义为依据,估算出系统侧的谐波阻抗,然后计算用户的谐波电压发射水平,不管三相电压和电流是否对称,该方法都适用;最后,通过一个110 kV的非线性用户系统测试数据验证该方法的准确性,并通过在实验室搭建物理仿真电路验证了谐波源定位算法的可行性。仿真结果表明:该算法能实现精确的谐波源定位,识别扰动来自于电网还是用户,明确划分谐波污染责任。     

考虑误差影响的两阶段谐波源定位方法

针对基于谐波状态估计的谐波源定位方法所需量测点较多的状况,提出一种两阶段谐波源定位方法。首先,采用一种考虑量测误差的改进独立分量分析算法,进行初次谐波源筛选;然后,根据筛选结果,综合考虑量测和参数误差对谐波状态估计的影响,采用总体最小二乘算法估计可疑节点的谐波注入电流,进而实现谐波源的准确定位;最后,采用IEEE14节点系统,以失效率、均方根误差平均值及最小量测点数为评价指标,验证了本文方法的有效性。     

基于优化神经网络的电网谐波检测方法

为了检测电力系统中的谐波,本文提出了一种基于优化神经网络的电网谐波测量方法.该方法应用一个结构和训练算法都优化了的多层前馈神经网络(MLFNN)对电网中的谐波进行检测,即首先考虑到神经网络的权值记忆负担主要来自谐波幅值和相角的变化,因此先对相角进行确定;再用基于神经网络理论方法对幅值进行检测,并使每一个输出神经元都对应于自己的隐层;然后利用多层前馈神经网络对当前及上一时刻的采样值进行分析,实现了对电网谐波的检测.实验仿真结果证明了该方法的有效性.     

自适应谐波检测算法的研究与实现

阐述了谐波变化,基波幅值变化等情况下,最小均方算法(LMS)在谐波检测中的应用,对LMS算法的检测步长进行了分析。指出了定步长算法的固有缺点,并采用变步长原则对算法进行了优化,仿真证明了优化后的检测算法的有效性。最后基于FPGA实现了一个定步长的LMS滤波器,实验证明了自适应谐波检测算法的可行性。     

基于ICA和MI的谐波源识别研究

把电力系统谐波源识别问题抽象为盲源分离问题。运用独立分量分析和互信息论,提出了一种电网多谐波源识别的新方法。独立分量分析法用于重构谐波电流,互信息论用于谐波源的定位。为证明所述方法的正确性,运用IEEE39节点建立仿真来识别多谐波源。结论证明在网络参数未知的条件下,所提出的方法能准确识别多个谐波源的位置。     

基于Kmeans-SVM的短期光伏发电功率预测

短期光伏发电功率预测对维护电网安全稳定和协调资源利用具有重要的意义。提出了一种基于K均值算法(Kmeans)和支持向量机(SVM)的短期光伏发电功率预测方法。根据短期光伏发电特性和光伏发电季节特性,组织预测模型的训练样本集。通过K均值算法对训练样本集进行聚类分析,在聚类得到的各类别数据上分别训练支持向量机。预测时根据预测样本的类别使用相应的支持向量机进行发电功率预测。经实验表明所提出的方法相较于传统的BP、SVM模型精度有了明显的提升,具有较好的工程应用潜力。     

变分模态分解在电力系统谐波检测中的应用

针对电能质量分析中的谐波检测问题,将变分模态分解(VMD)应用到电力系统谐波检测中。利用VMD对信号的频带划分能力,实现各谐波模态的有效分离。对谐波信号进行频谱预分析确定VMD模态分解数,采用Hilbert变换提取各谐波模态幅值、频率等特征信息,通过基于奇异值分解的扰动定位方法对暂态谐波起止时刻与幅值变化时刻进行准确定位。不同类型谐波信号仿真实验验证了该方法的有效性,在无噪声与较低信噪比情况下均具有较高检测精度,具有良好的噪声鲁棒性。     

非线性负荷谐波贡献畸变功率评估指标与方法

以谐波电压或谐波电流为依据的现有谐波贡献度评估指标对电网侧和用户侧阻抗参数敏感,对特定情况有效,但普适性不强。针对这一问题,从电力系统是电能量转换和传输系统的实质出发,研究电压或电流畸变条件下电功率流的物理机制。基于坡印廷矢量分析法,比较现有不同畸变功率的定义,提出一种基于非基波视在功率的多谐波源贡献度量化指标,并结合电流矢量法进行了求解算法研究。通过理论仿真和实验测试,并与传统的电压、电流指标评估结果进行比较,证明了所提贡献度评估指标的合理性和可行性。     

一种关联RNN模型的非侵入式负荷辨识方法

为了进一步拓展监督学习方法在非侵入式负荷辨识中的应用,提出了一种关联循环神经网络(Recurrent Neural Networks, RNN)模型的负荷辨识方法。在该方法中,首先引入了时间窗负荷事件检测方法,提取谐波分量作为负荷特征,并将负荷特征作为RNN模型的输入。然后根据其对历史输入特征量的记忆建立由输入映射到输出的内在关联,从而建立面向时间序列输入的RNN负荷辨识方法。进一步地,为了避免"梯度消失"问题,选择了最佳的激活函数和损失函数。最后,通过单负荷辨识、多负荷辨识的实测实验,证实了所提关联RNN模型的负荷辨识方法能够有效地实现用户内部负荷设备状态的辨识要求。     

基于小波域相子的电压暂降特征提取与成因辨识

有效提取电压暂降的特征并进行成因辨识是确定治理方案的前提。在多分辨分析基础上发展起来的离散小波变换(DWT)具有简单、快速和信息非冗余等特点,但一般认为不易于提取电压暂降信号的相位跳变特征。基于小波域相子方法对电压暂降的幅值和相角特征进行了有效提取。通过小波域相子的幅值和相位信息构造出电压暂降成因辨识特征指标。最后采用支持向量机(SVM)方法进行了电压暂降成因的辨识。结果表明,所提方法可以有效实现电压暂降的特征提取和成因辨识。     

基于测量阻抗变化轨迹智能识别的发电机失磁保护

为了提高发电机失磁保护的选择性和速动性,提出了一种基于支持向量机（SVM）进行轨迹智能识别的发电机失磁保护方法。机端测量阻抗轨迹蕴含大量发电机运行信息,其运动特征能反映发电机的运行状态。首先对机端测量阻抗轨迹进行运动特征提取,将提取的运动特征序列分别进行统计学参数计算,形成24维特征;其次通过相关系数分析和前向序惯法进行特征选择,形成相应的训练输入特征空间,并采用遗传模拟退火算法对SVM进行参数寻优;最后通过仿真样本验证了该方法可准确识别失磁故障。相比传统失磁保护,该方法提高了发电机失磁保护动作的选择性和速动性。     

基于经验小波变换的电力系统谐波检测方法

针对噪声干扰下的稳态以及暂态谐波检测问题,首次提出一种基于经验小波变换的电力系统谐波检测方法。首先利用经验小波变换从电力谐波信号中提取出一组具有紧支撑频谱的调幅-调频分量,实现各次谐波与基波信号的分离。接着对分离出的谐波分量进行Hilbert变换,从而获取各次谐波的幅值和频率检测参数以及暂态谐波的扰动起止时刻。对多类谐波信号的仿真结果表明,所提方法有效避免了传统Hilbert-Huang变换存在的模态混叠问题,即使在低信噪比下也能实现多频谐波信号的自适应分解,在确保各类参数检测结果精度的同时,兼具良好的噪声鲁棒性和检测实时性。     

基于HHT和特征离散化的电压暂降扰动源分类特征提取

特征提取是分类问题最关键的环节之一,针对电压暂降扰动源分类中分类特征的提取问题进行研究。首先基于希尔伯特—黄变换(HHT)和类别—属性关联程度最大化(CAIM)离散化方法提出了三种分类特征提取方案,然后分别在决策树(DT)、概率神经网络(PNN)和支持向量机(SVM)上进行了验证。仿真结果表明,基于HHT的特征提取方法可提取有效的电压暂降扰动源分类特征。而且特征的离散化处理可以在不降低分类精度的前提下,有效压缩训练样本集。同时增强分类算法的鲁棒性,对实现电压暂降扰动源的快速、准确识别具有重要的意义。     

基于监督学习的非侵入式负荷监测算法比较

非侵入式负荷监测(NILM)能够在不干扰用户正常用电的情况下,低成本地实现用户用电设备类型的识别和用电负荷的分解,因此非常适用于家庭用户用电监测。大量智能电表在家庭用户中的安装为居民NILM提供了数据支撑,也使得居民NILM研究成为热点。基于家庭负荷稳态电流样本,采用负荷电流谐波系数作为负荷分类特征,建立了基于多层感知器(MLP)神经网络、k-近邻算法、逻辑回归、支持向量机的4种NILM分类模型,利用BLUED数据库对4种分类器进行训练和测试,对比分析其在识别精度、训练时间、识别速度和抗噪能力方面的表现,并对其在家庭负荷识别中的应用效果进行对比研究。结果表明,4种分类器中MLP神经网络具有总体最优的分类效果和计算性能,更适用于家庭用户负荷监测。