采用不同模型预测低碳Fe–Ni合金等离子熔覆层的冲击韧性

采用等离子熔覆法在Mn13高锰钢上制备了低碳Fe-Ni合金层。以熔覆电流、喷头移动速率、离子气流量和热处理温度作为输入参数,以冲击韧性作为输出参数,建立了BP(误差反向传播)神经网络模型和粒子群算法优化(PSO)BP神经网络模型,并跟冲击韧性与热处理温度之间的线性回归模型进行对比。结果表明,线性回归模型、BP神经网络模型和PSO-BP模型的平均相对误差分别为7.06%、6.12%和3.03%。PSO-BP模型的预测结果与实测值的误差较小。     

基于恢复价值动态评估的配电网恢复控制决策

配电网停电后,停电场景、恢复进程和应急情况下的负荷职能等均会影响负荷恢复供电的紧急程度,通常根据待恢复对象自身的恢复价值静态设置其重要等级或重要度,这制约了有限恢复资源的精细化管理.为此,考虑冷负荷启动特性与负荷间职能耦合关系对负荷单位恢复价值的影响,考虑间歇性电源出力的可控性对电源恢复价值的影响,结合母线恢复为周边其他待恢复对象带来的潜在恢复价值,同时计及系统供电缺额、恢复代价和恢复操作的不确定性,提出了综合恢复收益、代价和风险的负荷及电源母线恢复价值动态评估方法.以此为基础,建立了配电网供电恢复多进程优化模型及分区并行恢复决策方法.最后,通过仿真分析验证了所提策略能够有效提高恢复资源的利用率.     

基于S变换相关度和深度学习的配电网单相接地故障选线新方法

针对配电网发生单相接地故障时特征信息不明显,且现有选线方法易受故障条件和环境噪声影响的问题,基于S变换相关度和深度学习,提出一种具有强抗噪声能力和高泛化水平的配电网单相接地故障选线新方法.首先,利用S变换获取零序电流时频信息,基于各线路零序电流的全频段信息计算线路故障信息相关度;其次,为提高故障特征的可辨识度和抗干扰性,提出一种S变换相关度图形(SCF)构建方法;在此基础上,建立含SCF层的卷积神经网络深度学习模型(S-CNN),并利用Simulink仿真模型生成的故障数据对其结构参数和超参数进行分步训练;最后,通过S-CNN提取配电网故障零序电流深层特征,实现故障选线,并测试了S-CNN在配电网不同运行状况和故障条件下的选线效果.仿真结果和实际配电网故障数据测试表明:在强噪声干扰场景中,基于S-CNN的故障选线模型在不同故障位置、故障相角、过渡电阻条件下可实现高正确率选线,且在各线路零序电流采样不同步条件下仍具有较强的鲁棒性.     

孤岛微电网逆变器不平衡负载下的控制策略

提出一种孤岛微电网逆变器在不平衡负载下的控制策略,采用分序网络解耦控制,在虚拟同步发电机(VSG)控制的基础上引入自适应负序补偿环.对三相负载不平衡下的电路进行分析,得到逆变器分序网络等效电路和逆变器间负序环流产生机理.通过分序网络解耦控制得到电压环参考电压各序分量,引入分序网络虚拟阻抗改进逆变器各序输出阻抗.正序网络采用VSG控制实现正序调频调压和电流的自主分配,负序网络加入负序补偿环抑制微电网三相电压负序分量.详细分析了微电网电压负序分量与负序补偿系数和逆变器输出电流负序分量的关系.负序补偿环采用自适应控制,在实现微电网三相电压平衡的同时根据逆变器额定容量自主分配输出电流负序分量.建模仿真结果验证了所提控制策略的有效性.     

基于长短期记忆网络的电网故障区域定位与故障传播路径推理

为了在发生故障后维持电力系统的安全稳定,有必要实现对故障区域的快速定位并确定故障冲击的传播路径,提出基于长短期记忆网络(LSTM)的故障区域定位和故障传播路径推理方法.首先,利用LSTM建立2个故障诊断模型分别实现在线检测故障时刻和确定故障区域;然后,通过计算故障点附近线路的端口供给能量确定故障冲击的传播路径;最后,以8机36节点电网为例进行算例验证,结果表明所提模型可在发生故障后短时间内检测到故障,给出故障区域和故障冲击传播的路径,且对噪声有较强的鲁棒性.     

一种基于CGAN-CNN的同步电机转子绕组匝间短路故障诊断方法

由于同步电机故障样本数量较少,为解决同步电机故障诊断中普遍存在的样本不平衡问题,提出了一种基于条件生成式对抗网络(CGAN)和卷积神经网络(CNN)的同步电机转子绕组匝间短路故障诊断方法.首先,对传感器收集到的数据进行预处理,对正常样本和故障样本分别添加标签后输入CGAN中生成大量新样本,将生成的新样本与原始样本混合并划分训练集和测试集;然后,利用CNN训练平衡后的数据集,充分、精准地提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过实验证明,与非平衡数据集相比,利用平衡数据集后的故障识别准确率十分稳定且达到99.5％以上,同时与平衡的原始样本数据相比,生成样本避免了噪声和其他干扰,故障诊断的准确率也更高.     

考虑分布式电源出力随机特性的配电网节点脆弱性评估

随着分布式电源的接入及配电网规模的不断扩大,配电网的安全性与可靠性面临挑战,配电网脆弱环节辨识问题亟待解决.考虑分布式电源出力随机性对配电网节点脆弱性的影响,建立基于拉丁超立方抽样的风电与光伏随机出力模型;基于复杂网络理论与配电网辐射状的拓扑条件提出改进节点度、改进介数等节点脆弱度指标;利用分布式电源随机出力模型的采样结果得到节点脆弱度指标的分布特性;提出基于样本修正权重的模糊综合评价方法,对考虑分布式电源出力随机性的配电网节点脆弱性进行分析.改进的IEEE 123节点系统算例结果验证了所提方法的可行性与有效性.     

基于改进K-means聚类的配电网电压暂降频次估计法

传统考虑保护动作特性的电压暂降频次估计法需要获取详尽的保护配置信息,然而配电网保护配置多样,在不同因素如过渡电阻、运行方式、故障类型等的影响下,阶段式保护各级保护区可能产生较大变化,采用传统方法对电压暂降持续时间进行评估可能会产生较大误差。文中提出一种基于改进K-means聚类的配电网电压暂降频次估计方法,在未知线路保护配置基础上,基于电压暂降历史监测数据与保护动作信息,采用改进K-means聚类算法,对电压暂降幅值-持续时间进行聚类分析,推断线路保护配置情况,计算保护动作时间与保护动作电压。根据计算结果,在考虑不同故障类型、不同运行方式及不同过渡阻抗的情况下进行配电网电压暂降频次估计。在IEEE RBTS-6母线测试系统的母线5配电网中进行仿真,验证了文中方法的有效性和优越性。