采用最优多分辨率快速S变换的电能质量分析

为兼顾电能质量信号分析的类型识别与参数估计需要,设计一种最优化多分辨率快速S变换(OMFST),用于电能质量信号识别与参数估计。首先,分析不同时-频分辨率下时间-幅值曲线与频率-幅值曲线中,扰动起、止处峭度与扰动参数估计误差间的关系;之后,根据离差最大化法,确定不同频率范围内最优窗宽调整因子,并通过3次样条插值法进行拟合,自适应调整不同扰动信号识别和参数估计所需最优窗宽;然后,针对扰动信号基频与扰动所在的中、高频频域范围进行OMFST处理;最后,从原始信号、原始信号傅里叶谱和OMFST变换结果中提取5条特征,构建基于模糊决策树的扰动分类器,识别13种电能质量信号,并估计电能质量信号参数。仿真实验和实测数据分析表明,新方法能够满足电能质量复合扰动参数估计需要,参数估计误差低于广义S变换等方法,同时保留了良好的分类能力。     

考虑电热耦合的交直流微电网多目标优化配置

在当前电热联系日渐紧密以及交直流微电网日益成熟的发展趋势下,以投资成本、CO_2排放量以及换流损耗最小为优化目标,综合考虑微电网电/热功率平衡、自治能力等多种约束,提出了考虑电热耦合的交直流混合微电网电/热源双层优化配置模型。其上层为微电网内的各设备容量配置模型,下层是对微电网内各设备运行策略的确定,通过上下层的联合优化对微电网内各设备容量进行配置研究。对比不同规划场景,分析电热耦合对优化目标的影响,通过全年的设备出力和典型日的功率平衡曲线,说明了含电热耦合的交直流微电网供电/热的可靠性,最终验证了所述模型的合理性和有效性。     

基于人工鱼群算法的多目标分布式光伏电源规划

分布式电源（distributed generation,DG）对智能电网的稳定安全运行至关重要,为了合理地对分布式电源进行选址定容,针对现有算法对初值要求高,收敛慢,容易陷入局部极值等缺点,提出了人工鱼群算法（artificial fish swarm algorithm,AFSA）。首先,确定了DG规划的多目标函数与约束条件;其次,介绍了人工鱼群算法,针对DG规划对AFSA进行的调整;最后,在IEEE-33节点系统中进行仿真验证,并与遗传算法（genetic algorithm,GA）进行对比。结果表明：利用AFSA对DG选址定容进行寻优,可有效地降低电压偏差,降低网损,提高系统稳定性和安全性。AFSA寻优效果较好,效果显著。     

交直流混合微电网母线接口参数自适应VSG控制策略

针对交直流混合微电网的母线接口变换器采用传统VSG控制策略时存在母线频率的超调量与暂态过程时间矛盾,以及传输功率的暂态过程长期处于超调状态问题,提出一种交直流混合微电网母线接口参数自适应VSG控制策略。该控制策略可以使接口变换器的传输功率、母线频率的超调量减小;可以优化系统的动态调节能力,进而缩短暂态过程。建立了符合母线接口变换器VSG的数学模型,在VSG数学模型的基础上引出了参数自适应VSG控制策略。通过仿真,对比参数自适应VSG控制策略与传统VSG控制策略的控制效果,验证了所提出的控制策略的有效性和可行性。     

输电线路故障层次化变步长Tsallis小波奇异熵诊断方法

为提高熵方法输电线路故障信号时-频域的特征提取能力,提出层次化变步长Tsallis小波奇异熵(Tsallis Wavelet Singular Entropy, TWSE)方法用于电力系统故障诊断。首先,对采集到的电压信号进行小波分解与单支重构,构建时-频矩阵;之后,将奇异值分解与Tsallis熵理论相结合,对该时-频矩阵求滑动步长为1的Tsallis奇异熵,确定故障发生时刻;然后,对故障发生后1周期内的三相电压重构系数求滑动步长为1/4周期的TWSE,构建用于故障诊断的特征向量;最后,将TWSE特征向量输入到极限学习机(Extremly Learning Machine, ELM)分类器中,实现输电线路故障诊断。仿真结果表明,新方法具有更好的故障暂态信号特征表现能力,且分类结果不受故障时间、过渡电阻和故障位置等因素影响,相较基于小波奇异熵的线路故障诊断方法具有更好的诊断效果。     

基于PSO算法的电动汽车有序充放电两阶段优化策略

传统分时电价(time-of-usetariff,TOUT)和实时电价(real-timeprice,RTP)需求响应机制均会在负荷低谷时段产生新的负荷高峰,针对这一问题,考虑电网侧的调峰需求以及不同用户对充电电量、充电成本的不同需求和参与意愿,提出一种分时电价动态优化方法。所提方法根据每辆电动汽车(electricvehicle,EV)接入电网时的负荷信息动态更新该EV的峰谷电价,弥补了TOUT和RTP充电方式的缺点。基于所提分时电价动态优化方法,通过建立充电电量最多和充电成本最小多目标函数,采用粒子群算法对每辆EV的充(放)电行为进行两阶段优化,并通过引入虚拟荷电状态对优化后的充(放)电行为进行修正,由每位用户自主响应实现EV的有序充(放)电。为验证所提方法的有效性,基于2017年全美家用车辆调查结果(NHTS2017),采用蒙特卡洛法模拟某居民区1000辆EV的充电需求,并对不同充电策略、不同优化权重、不同参与度和不同V2G(vehicle to grid)响应度下的充电需求进行了仿真分析,结果表明,相较于其他充电策略,所提优化策略可以明显降低用户的充电成本和负荷曲线的峰谷差。     

基于DFP校正拟牛顿法的傅里叶神经网络

针对傅里叶神经网络采用最速下降法导致局部极小、学习速度慢以及泛化能力差的问题,提出一种基于DFP校正拟牛顿法的新学习算法。该算法计算复杂度低,能保证网络具有良好的泛化能力和全局最优性。通过2个数值算例检验该算法,同时和BP神经网络以及另外2种傅里叶神经网络作比较。结果表明,该算法计算复杂度约为最速下降法的5%,为最小二乘学习算法的80%,具有较好的泛化 能力。     

基于GA和ELM的电能质量扰动识别特征选择方法

电力系统中海量暂态扰动的分析与治理需要以高效准确的扰动分类为基础。现有扰动识别方法缺少合理的特征选择环节,分类器过于复杂,不能满足高效分类的需要。提出一种新的电能质量扰动特征选择方法。首先,对原始信号使用S变换进行预处理,提取具有代表性的25种扰动信号特征构建原始特征集合;然后,根据极限学习机识别准确率构造用于扰动特征选择的遗传算法适应度函数;最后,用遗传算法来进行迭代运算,确定最优特征集合。实验证明,新方法能够有效去除冗余特征,在保证分类准确率前提下,有效降低分类器复杂度,提高分类效率。     

基于改进多层前馈神经网络的电能质量扰动分类

电能质量扰动分类是电能质量控制的重要工作之一,主要工作包括信号特征提取和分类器构造两个阶段。采用S变换与改进的多层前馈神经网络相结合,提出一种新的电能质量扰动分类方法。首先利用S变换对原始数据进行处理,提取具有代表性的4类典型特征以表征不同种类的扰动类型的特性,之后使用拟牛顿法和自适应因子改进传统的多层前馈神经网络,将特征作为改进的多层前馈神经网络的输入向量,实现自动的分类识别。实验表明,新方法减少了噪声对分类准确率的影响,学习能力强,能够有效的识别电压暂降、电压瞬升、电压中断、暂态震荡、谐波等5种电能扰动。     

基于局域均值分解和支持向量数据描述的高压断路器机械状态监测

为满足断路器机械状态监测的高可靠性要求,弥补现有方法易将轻微故障及无训练故障样本类型误识别为正常状态的不足,提出一种基于局域均值分解(LMD)能量熵和支持向量数据描述(SVDD)的高压断路器机械状态监测新方法。首先,利用LMD方法将断路器振动信号分解为一系列的PF(Product Function)分量,将各PF分量的包络按时间等间隔分段,并提取各PF分量包络的能量熵构成特征向量;然后,采用正常状态断路器振动信号的LMD能量熵向量训练SVDD分类器;最后,通过SVDD分类器对断路器的机械状态进行判断。实测信号实验证明,新方法比支持向量机(SVM)、BP神经网络(BPNN)等传统多类分类方法有更好的状态监测效果。