农网35kV不接地系统投空载线路零序电压偏高研究

由中性点偏移引起的零序电压偏高在国内农网35kV系统中屡见不鲜。以上饶110kV煌固变电站1号主变压器35kV侧投入空载线路后零序电压偏高为例,结合现场实测数据及ATPdraw仿真研究,得出农网35kV输电线路由于不换相施工及线路首、尾端在各别相装设CVT及耦合电容器造成空载线路本身不平衡引起35kV侧中性点零序电压偏高的结论。     

基于Matlab/Simulink的三相动态负荷实际电网动态仿真的应用

负荷是电力系统的重要组成部分之一,在仿真时选择或建立合适的负荷模型对电力系统稳定分析有很重要的影响。总结了在Matlab/Simulink的仿真环境中,其电力系统模块库中特有的三相动态负荷元件的三种工作模式,提出了两种当此元件处于"外部功率控制"工作状态实现负荷功率由外部控制的有效方法。并在某地区电网的基础上进行动态仿真,仿真结果表明这两种由外部控制三相动态负荷功率的方法可以实现在电力系统动态仿真中,对于电网模型搭建时在动态负荷元件的选择与运用以及电力系统稳定性分析时域仿真有一定程度的有参考价值。     

深度学习与幅值特征相融合的低频采样非侵入式负荷辨识算法

非侵入式负荷监测中虽然高频采样能提高负荷辨识准确率,但对数据采集设备要求高,难以推广,因此,低频采样下负荷辨识方法成为研究热点。以低频采样下负荷投入时的暂态电流波形为特征,采用卷积神经网络算法实现负荷辨识,辨识结果发现CNN对暂态电流波形差异大的负荷辨识准确度高,但是对暂态电流波形相似的负荷识别准确率低,为解决这一问题,在卷积神经网络辨识的基础上,对暂态电流波形相似的负荷,以暂态电流幅值为特征作进一步辨识,以提高辨识准确率。通过使用实测数据进行验证,结果表明所提算法可以很好地克服低频采样下波形特征相似负荷识别准确率低的问题。     

基于电热耦合模型和寿命预测的IGBT可靠性评估

针对IGBT可靠性评估中结温与运行工况和工作特性紧密相关的问题,以及考虑寿命预测中受多因素的影响,基于IGBT结构及失效机理,提出基于电热耦合模型和Bayerer寿命预测模型的IGBT可靠性预测流程,并结合贵州大学城市配电网柔性互联关键设备及技术研究示范工程,以MMC和DAB换流器中IGBT模块为研究对象,建立其热网络模型并根据设备实际运行工况计算内部IGBT芯片、FWD功率损耗和瞬时结温;通过雨流算法提取温度循环获得IGBT结温统计特征,从而得到IGBT的寿命预测和可靠性评估相关参数,并与利用功率循环曲线计算的失效率进行对比,结果表明,考虑了工作运行状态并基于电热耦合模型和寿命预测模型获得的失效率更能反映IGBT的实际运行情况.     

TEADBC位置相关的全局能量高效传感器网络分簇算法

在无线传感器网络的拓扑结构中,基于簇的层次拓扑结构能够延长无线传感器网络的生命周期,降低网络的整体能耗,因此把网络分成簇来管理是一个常见的方法.本文提出一个基于位置信息的全局能量高效的簇头选择算法TEADBCA.在该算法中,簇头节点的选择依据是一个全局能量消耗参数,这在根本上保证了算法具有较小的网络整体能耗.本文对算法进行了仿真分析,结果证明,基于位置信息的能量高效的簇头选择算法在网络生命周期、网络整体能耗、能耗均衡性等指标上优于LEACH算法.     

基于改进复杂网络模型的电网关键环节辨识

为了更好地揭示电网复杂形态下的特性以及辨识可能触发电网大规模事故的关键环节,通过功率传输路径、功率加权传输距离、路径传输能力的定义对已有的电网复杂网络模型进行改进,使之符合电网基本电气规律和满足物理特性约束。进而基于改进的电网复杂网络模型建立了包含距离度、能力度、枢纽介数、距离介数和能力介数的电网关键节点和支路的评价指标集,使之能准确考虑节点和支路在电网结构和运行中的地位和作用。利用所述模型对IEEE典型系统以及某省级电网进行建模和关键环节辨识,取得了较好效果,并通过与现有方法的对比验证了算法的合理性与有效性。     

浅谈小区规划与设计的分析

人民生活的改善,带来了社会生活各方面的巨大变化,为新的住宅小区设计新理念的产生提供了良好的氛围。而"建设总试点小区"和"国家小康示范小区"的成功推广,以及正在推行的"国家康居示范工程"也把我国的住宅产业现代化推到一个新的历程,但同时也带来一些新的课题,值得我们去研究和思考。     

基于改进电压/频率正反馈的孤岛检测方法研究

孤岛检测是分布式发电系统并网运行时的一个重要问题。在电压相位突变检测方法、电压-有功正反馈检测方法和基于无功-频率下垂特性的正反馈无功扰动检测方法的基础上,结合三者的优势,提出了一种基于改进电压/频率正反馈的孤岛检测方法。该方法克服了采用单一电压相位突变检测方法在负载近似呈阻性和功率相匹配时失效的问题,不存在检测盲区,对系统电能质量影响较小,并通过Matlab软件仿真验证了该方法的正确性。     

基于CNN的改进行人重识别技术

针对行人重识别研究中训练样本的不足,为提高识别精度及泛化能力,提出一种基于卷积神经网络的改进行人重识别方法。首先对训练数据集进行扩充,使用生成对抗网络无监督学习方法生成无标签图像;然后与原数据集联合作半监督卷积神经网络训练,通过构建一个Siamese网络,结合分类模型和验证模型的特点进行训练;最后加入无标签图像类别分布方法,计算交叉熵损失来进行相似度量。实验结果表明,在Market-1501、CUHK03和DukeMTMC-reID数据集上,该方法相比原有的Siamese方法在Rank-1和mAP等性能指标上有近3～5个百分点的提升。当样本较少时,该方法具有一定应用价值。     

基于深层特征融合的行人重识别方法

针对现有基于深度学习的行人重识别方法对于行人姿态变化、部分遮挡等引起的行人判别特征信息缺失的问题,提出了一种深层特征融合的行人重识别方法。首先,利用卷积层和池化层多次提取网络深层特征,从空间维度提升网络性能,使用融合后的深层特征作为行人图像的全局特征属性;其次,为提高模型的泛化能力,在深层融合特征后加入一个批量归一化层,同时采用标签平滑损失函数和三元组损失函数对模型进行联合训练。实验结果表明,所提的深层特征融合方法具有很好的表达能力。在Market1501、DukeMTMC-reID、CUHK03和MSMT17 4个数据集上对所提方法进行了验证,其中在Market1501数据集上,Rank-1值达到了95.0%,mAP达到了85.6%。