配永磁机构真空断路器操动时间分散性的预测模型与影响因素研究

针对现有模型存在的难以实现多场充分耦合的问题，提出了一种对配永磁机构真空断路器动作时间进行预测的新模型。该模型考虑励磁变化和运动部件速度效应带来的涡流影响，实现了永磁操动机构的复杂机械运动、电子瞬态电路与瞬态磁场的多场耦合分析。基于该模型，对某型号配永磁机构真空断路器的动作时间进行了预测，实验证明所提方法是正确的。在此基础上，利用模型分析了励磁电压、环境温度、铁心材料和励磁方式等因素对永磁操作机构动作时间分散性的影响，并研究了各因素对动作时间分散性的影响机理。     

真空开关高动作稳定性的永磁操动机构控制系统

基于永磁操动机构的真空开关被广泛应用在电力系统中,以确保真空开关在不同环境下操动的精度和动作时间稳定,可以有效提高电力系统的稳定性.该文首先对10kV真空开关操动机构的分合闸动态特性进行分析计算,并建立仿真实验模型;利用径向基函数(RBF)神经网络与模糊PID自适应控制相结合的技术设计算法控制器,对机构的线圈电流与位移特性进行实时检测控制;通过仿真实验证明了该控制器在提高机构动作稳定性上的可行性.搭建实验测试平台,进行合闸对比实验,未加入算法控制器时,操动机构总体合闸时间在22.7～31.8ms;加入算法控制器后,合闸时间稳定在25.5～26.1ms.同时该算法控制器将机构合闸时间分散性由原来的±1.5ms降低为±0.3ms左右,不同环境温度下分散性依然可以保持在±0.3ms左右,证明加入该控制系统后,提高了动作时间的稳定性和有效性.     

基于磁路饱和调整的永磁机构设计方法

从分析永磁机构磁路的饱和度入手,以提高静态保持力降低工作能耗为目的,对单稳态永磁机构磁路进行调整。首先确定了永磁机构中永久磁铁的工作点,其后着重研究了衔铁面积与磁路饱和的关系,及其对机构合闸保持力、分合闸电流峰值、分合闸动作时间和刚分刚合速度等动静态性能的影响,最终确定动铁心最佳尺寸。实验证明调整尺寸对机构性能的改进效果显著。     

12 kV真空断路器永磁直线电机操动机构特性分析

为解决12 kV真空断路器(Vacuum Circuit Breaker, VCB)传统操动机构和旋转电机操动机构结构复杂、可靠性低、动作分散性大以及有槽直线电机操动机构定位力引起推力脉动、振动、噪声及速度控制退化等而导致其难以精确分、合闸的问题,提出无槽圆筒形永磁直线同步电机操动机构。根据12 kV真空断路器分、合闸特性要求,对无槽圆筒形永磁直线同步电机(Slotless Tubular Permanent Magnet Linear Synchronous Motor, STPMLSM)的结构和参数进行设计,推导出其数学模型。利用有限元法对该电机操动机构的静、动态特性进行仿真分析,得到启动过程中电磁推力与时间的关系,分合闸过程中断路器动触头行程与时间、速度与时间的关系。结果表明:所设计的电机操动机构结构参数能够满足断路器分合闸特性要求,且推力波动得到有效抑制,为各电压等级断路器采用此类电机操动机构提供可靠依据。     

基于永磁操动机构的同步关合关键技术的研究

介绍了同步关合技术的工作原理,对影响永磁操动机构开关的同步关合关键技术——参考信号的过零点精确检测和动作分散性的减少分别进行分析。利用FIR滤波的方法提取参考信号的过零点,通过仿真结果可以看出,该方法对于受干扰信号过零点的提取有较高的精确度,并提出实际采样过程中应用线性插值法得到过零点。分析得出引起开关动作时间分散性的因素主要包括操动机构动作时间的分散性、控制信号的分散性和预击穿的影响,应用BP神经网络和自适应算法补偿实时环境(温度和控制电压)下的操动时间可减小操动机构分散性,选取高精度的电子器件可减小控制信号的分散性。同时还推导出预击穿电压和操动机构分散性以及绝缘强度下降率(RDDS)的关系,为同步关合的实际操作提供理论依据。     

基于最小二乘法的永磁断路器同步关合控制的研究

以同步关合电容器为例论述了同步关合技术的原理。同步关合技术实现的关键是准确地预测合闸时间。分析了影响永磁机构动作时间的因素,并提出利用最小二乘算法进行合闸时间的预测,建立了合闸时间预测的数学模型。最后给出了试验结果分析。分析结果表明,利用最小二乘拟合算法进行合闸时间的预测是可行的。     

永磁式接触器动触头动作特性仿真分析与试验研究

针对单线圈单稳态永磁式接触器，采用仿真和试验的方法对永磁机构接触器的静态和动态动作特性进行了研究。首先，利用ANSYS软件包采用有限元模型，进行了动铁心静态吸力的仿真；其次，耦合电压平衡和达朗贝尔机械运动特征微分方程，在上述静态仿真的基础上进行了动铁心动态吸力的仿真。然后，利用ADAMS软件构建操动机构的机械模型，仿真动触头和动铁心的位移-时间特性。最后，设计试验用原型机进行试验，对仿真结果和试验结果进行对比分析，显示动触头动作特性仿真和试验结果一致性很好。     

基于遗传算法的双E型永磁接触器仿真优化设计

在详细分析永磁操动机构模型和相关理论的基础上,给出了永磁接触器操动机构的设计方法。基于磁路法获得永磁操动机构的初始设计参数,建立永磁操动机构最优化模型。采用遗传算法并结合电磁场有限元计算方法求解该最优化模型,获得合理的设计参数,并研制了1台250A配双E型永磁操动机构的永磁接触器。试验结果表明,算法可实现永磁接触器的优化设计,大幅度提高产品的设计效率,验证了设计模型和算法的有效性与正确性。     

27.5kV永磁机构真空断路器动作特性仿真与试验研究

针对27.5kV永磁机构真空断路器并根据其动作特点,进行了基于Ansoft和Matlab软件的静态、动态特性仿真。首先,建立有限元模型,利用Ansoft软件包对永磁机构的静态特性进行仿真。其次,根据耦合电压平衡方程和达朗贝尔机械运动特征方程,在静态仿真基础上采用Matlab构建永磁机构断路器的运动模型,对永磁机构动铁心、断路器动触头运动特性进行了仿真分析。最后,对设计的样机进行了动态测试,测试结果表明仿真的正确性。     

采用模糊控制和脉冲宽度调制技术的同步真空开关位置伺服控制器设计

为保证真空开关动作时间长期稳定性,针对同步真空开关性能受开关动作时间分散性的影响,采用了位置伺服控制使真空开关动触头实现预定的最佳参考轨迹运动。在分析控制电压、环境温度、闲置时间等因素对永磁机构真空开关运动及操作时间影响的基础上,给出了同步真空开关位置伺服控制原理;设计了基于模糊控制和脉冲宽度调制(PWM)技术的同步真空开关位置伺服控制器,并对35kV同步真空开关进行了伺服控制性能测试。测试结果表明,真空开关动触头能很好地跟踪参考轨迹运动,开关合分闸时间分散性在±0.2ms范围内,满足IEC62271-302标准对开关操作时间一致性的要求。     

基于EOG的眼动信息提取与分类研究

基于眼电（Electro-oculogram,EOG）的人机交互系统（HCI）是生物电信号处理领域的研究热点之一。在研究眼动信息的基础上,提出了一种EOG扫视信号特征提取与分类算法,该算法提取扫视信号的线性预测（Linear Predictive Coding,LPC）系数,对其作差分运算获取一阶差分线性预测系数,与归一化极值作为组合特征参数,通过神经网络对样本信号分类。实验室环境下,采用所提该法对来自6名眼部功能均正常的受试者扫视样本分类,平均分类正确率超过92%。实验表明,该法能准确地描述EOG扫视信号,具有较高实用价值。     

线性递减权重粒子群优化人工神经网络算法的光伏系统谐波检测

提出了一种改进的人工神经网络(ANN)算法,利用线性递减权重粒子群优化算法(LDWPSO)来调节ANN各层的权重值,得到收敛最小时的权向量,计算谐波相角,实现对谐波的检测。仿真结果表明,线性递减权重粒子群人工神经网络算法(ANN-LDWPSO)具有高控制精度和快收敛速度,并能准确地检测电网谐波,从而验证了算法的可行性和实用性。     

采用长短期记忆深度学习模型的工业负荷短期预测方法

工业负荷不同于其他电力负荷, 受气温、时间、人口等外部因素的影响较小, 其功率需求主要由相关企业的生产计划来决定。在电力市场环境下, 准确的负荷预测有助于工业用户更好地制定电力交易策略, 从而增加收益。在此背景下, 基于改进的长短期记忆（long short term memory, LSTM）深度学习网络模型, 提出了一种工业负荷短期预测算法。首先,在网络层次上构建层数更多即网络层次更深的LSTM深度学习负荷预测模型。接着, 在每个LSTM单元构成的隐含层中, 采用Dropout技术对神经元进行随机概率失活, 并通过正则化有效避免深度学习过拟合问题并改善了模型性能。然后, 采用真实的工业用户历史负荷数据对所提算法进行测试, 并与已有的短期负荷预测算法进行对比, 包括自回归滑动平均模型 （auto-regressive and moving average model, ARMA）, 最邻近回归算法 （K nearest neighbor regression, KNN） 以及支持向量回归算法 （support vector regression, SVR）。仿真结果表明, 所提深度学习工业负荷短期预测算法相比于一些现有方法, 其预测准确度有明显提升,预测结果的平均绝对百分误差（mean absolute percentage error, MAPE）在9%以下。     

基于改进麻雀搜索算法优化深度学习网络超参数的短期风电功率预测

提出了一种CNN-Attention-BiGRU网络模型,以及采用ISSA优化网络模型超参数的短期风电功率预测方法。首先,设计CNN-Attention-BiGRU深度学习网络,利用CNN-Attention提取数据特征,再利用BiGRU对时间序列的预测;然后,采用ISSA优化CNN-Attention-BiGRU网络超参数,提高模型的预测精度;最后,采用甘肃省某风电场数据集进行验证该预测方法,结果表明,该预测模型有效地提高了预测精度和输出结果的稳定性。     

一种基才多方法组合的新型等值附盐密度预测模型

为了克服目前预测等值附盐密度的三种单一预测模型,即多元线性回归法,BP神经网络法和最小二乘支持向量机法存在的问题,以光传感器输变电设备盐密在线监测系统提供的数据为依据,建立了基于小波神经网络的一种等值附盐密度的非线性组合预测模型。该模型为单输出的3层小波神经网络,即将多元线性回归,BP神经网络及最小二乘支持向量机的预测结果作为模型的输入,实际测量值作为输出,使训练的网络具有预测能力。为了更好地反映单一模型预测值对等值附盐密度的影响及提高等值附盐密度的预测精度,选用Morlet小波构建小波神经网络．采用误差反向传播学习算法来训练网络,利用遗传算法确定网络参数的初始值。仿真结果表明本模型预测精度不仅高于任一个单一预测模型,而且高于线性组合预测模型。     

一种基于最小二乘支持向量机的年电力需求预测方法

针对电力系统年用电量增长的特点,将最小二乘支持向量机LS-SVM(least squares support vector m a-ch ine)回归模型引入年电力需求预测领域,并给出了相应的过程和算法。与常规基于人工神经网络ANN(ar-tific ial neural networks)的智能预测方法比较,该模型优点是明显的:1)将神经网络迭代学习问题转化为直接求解多元线性方程;2)整个训练过程中有且仅有一个全局极值点,确定了预测的稳定性;3)将年电力需求预测的外插回归问题转换为内插问题,提高了预测精度。应用实例表明:该模型实现容易、预测精度高,更适合年电力需求预测。     

神经网络响应面在堆石坝流变反演中的应用

堆石体的流变参数对高面板堆石坝的长期安全性分析具有重要意义。参数反演可以准确获得符合坝体实际长期变形规律的流变参数。本文分别采用反向传播神经网络（BP）和径向基神经网络（RBF）构造出待反演参数与位移值之间的响应，引入统计学回归预测模型中的均方根误差（RMSE），平均绝对百分比误差（MAPE）和线性回归决定系数（R2）等指标来全面评估不同神经网络响应面映射能力的优劣，从而提高参数反演的效率和准确率。结果表明，RBF神经网络响应面的评估指标均优于BP神经网络响应面。利用RBF神经网络响应面和多种群遗传算法（MPGA）得到反演后的流变参数并将其用于有限元计算，得到的蓄集峡坝体沉降值在大小和分布上与实测值有很好的一致性。     

基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型

针对波动大且具有非平稳性的负荷序列预测问题,建立了基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型(R.E Kalman-G(1,1)-PSO-BP)。利用了卡尔曼滤波算法能够剔除非平稳序列中的随机误差,以获得逼近真实情况的有效信息的特点,对负荷测量序列进行滤波处理,根据GM(1,1)模型算法对滤波后的量测序列进行拟合预测。利用基于粒子群优化算法的BP神经网络算法对残差进行修正,得到了新的预测值。实践表明新预测值的整体精确度远高于GM(1,1)模型及Kalman-G(1,1)模型的预测精度。因此,所建模型具有较高的使用价值。     

基于RBF神经网络非线性预测模型的开关磁阻电机自适应PID控制

开关磁阻电机的非线性和变参数特性使得采用传统的PID控制很难取得较好的控制效果。人工神经网络在一定的条件下可以任意精度逼近任意非线性函数且具有较强的自学习、自适应、自组织能力。故将其与传统的PID控制相结合构成神经网络自适应PID控制策略，应用于非线性严重的开关磁阻电机，可实现对开关磁阻电机的高性能控制。同时，神经网络所具有的非线性变换特性和高度的并行运算能力使得其适合建立非线性预测模型进行参数预测。通过对被控系统参数的预测，可提高系统的动态响应性能。该文采用两个神经网络-BP神经网络和RBF神经网络来分别构成神经网络NNC和神经网络NNI。神经网络NNC进行自适应PID参数调节；神经网络NNI用来建立非线性预测模型进行参数预测。为进一步加快神经网络的学习收敛速度，该文采用变学习速率的神经网络学习算法，学习速率随收敛过程误差的大小而自适应地进行调整，这可大大加快神经网络学习训练的收敛速度，进一步提高系统动态响应速度。实验结果表明，系统的动态响应快，超调小，稳态精度高，鲁棒性强，有较强的抗扰动能力，具有较好的控制效果。     

基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。