基于S变换和极限学习机的高压断路器机械故障诊断

机械故障是高压断路器最常见的故障,研究高压断路器机械故障诊断方法对于提高电力系统可靠性具有重要意义。为提高高压断路器机械故障诊断的效率,文中提出一种基于S变换和极限学习机(ELM)的高压断路器机械故障诊断新方法。首先,对高压断路器动作期间产生的振动信号进行S变换处理,获得相应的时—频矩阵;然后,对S变换模值矩阵进行时域和频域划分,计算振动信号在不同时段和频段的局部奇异值,并选择各子矩阵的最大奇异值作为故障诊断的特征向量;最后,采用ELM对高压断路器机械状态进行分类。对高压断路器在正常和故障状态下进行诊断实例测试,实验结果表明,该方法能够快速准确地识别断路器机械状态,具有较高的诊断效率。     

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。     

基于条件互信息的低冗余短期负荷预测特征选择

为避免负荷预测特征集中冗余特征对预测精度的负面影响,降低预测器复杂度,提出一种基于条件互信息(CMI)和高斯过程回归(GPR)的短期负荷预测特征选择方法.首先,为降低建模所用特征量,根据与目标变量具有最大互信息的特征,选取剩余特征中可对目标变量提供最大信息增益的特征,计算CMI值并进行排序;然后,以GPR为预测器,以其预测结果平均绝对百分比误差为决策变量,按照特征CMI值排序顺序,采用序列前向选择方法,确定最优特征子集;最终,以最优特征子集构建GPR预测模型,并与皮尔逊相关系数法(PCC)和互信息(MI)2种特征选择方法分别结合支持向量机和反向传播神经网络开展对比实验.实验结果证明新方法降低了最优特征集合冗余度与预测模型复杂度,且具有更高的预测精度.     

人耳识别系统中的定位点选择及检测算法的设计

本文提出了一种新的可应用于人耳识别系统的人耳轮廓定位方法,即利用耳轮脚和耳垂脚两个端点进行定位,在此基础上提出了一种基于轮廓方向的定位点检测算法,并在实验中取得了良好的效果．     

基于布谷鸟搜索优化支持向量机的短期负荷预测

针对支持向量机(SVM)在短期负荷预测中,根据经验选取参数导致预测精度下降的问题,提出一种基于布谷鸟搜索算法(CSA)优化SVM的短期负荷预测新方法(CSA-SVM)。先以历史负荷、温度、湿度等属性构成训练样本集的输入向量作为SVM的输入,以负荷值作为输出,建立SVM预测模型;再根据训练误差,以CSA对SVM中惩罚因子和核参数进行寻优;最后,按照CSA寻优获得的最优参数建立基于CSA-SVM的预测模型并开展短期负荷预测。实际负荷数据试验显示,相较于SVM模型、粒子群(PSO)优化SVM模型、BP神经网络模型,CSA-SVM具有更高的预测精度,能够满足电力系统短期负荷预测精度需求。     

采用正则化极限学习机的短期风速预测

摘要： 高效、准确的风速预测是风电场功率预测的基础,对风力发电控制和风电场并网运行等具有重要意义。针对风速时间序列具有强烈的非线性和波动性,且难以精准预测的特点,提出一种基于正则化极限学习机（regularized extreme learning machine,RELM）的风电场短期风速预测新方法。首先,采用自相关函数（ACF）对风速时间序列的相关性进行分析,得到预测模型输入属性集合;其次,确定预测网络的输入、输出等参数,并建立RELM模型;再次,利用训练集在训练过程中确定网络参数,构建RELM预测模型;最后,以RELM预测模型开展短期风速预测,得出预测结果。采用美国风能技术中心的实测风电场风速数据开展实验证明,相对于标准的ELM和BP神经网络,新方法具有更好的预测精度。     

计及复杂气象影响的含光伏电源的母线峰值负荷预测

光伏电源并网后,配电网母线负荷波动会更复杂,峰值负荷预测更加困难。为提高母线峰值负荷预测精度,文章提出了计及复杂气象影响的母线峰值负荷预测方法。首先,根据不同气象日下累积的历史数据,通过条件互信息分析母线峰荷数据与高维气象、社会等特征间相关性,获得特征重要度排序;其次,在条件互信息降低潜在特征集合特征间冗余性基础上,针对不同气象日,以改进粒子群优化极限学习机预测精度为决策变量,开展针对性前向特征选择,确定不同最优特征子集;最后,根据最优特征子集,针对性建立不同气象日下母线峰值负荷最优预测模型。以某地区实际含高渗透率光伏电源母线负荷开展实验,证明所提方法可有效提高母线峰荷预测精度。     

频率切片小波变换在局部放电信号分析中的应用

在对电力设备局部放电信号进行时频分析时,当信噪比较低或周期性窄带干扰的频率与局放信号频带重叠时,会影响信号时频特征提取的准确性,使目前的局放信号时频分析方法存在局限性.为此,利用频率切片小波变换具有自由分割时频面的优点,提出一种基于频率切片小波变换的局放信号时频分析新方法.首先根据Heisenberg不确定性原理选择时频聚集性最佳的频率切片函数,利用频率切片小波变换获取局放信号的时频分布,突出信号非平稳特征,再根据噪声信号能量与局放信号能量时频分布的差异,选择时频细化区域重构分离出局放信号,结合3σ准则及窄带干扰抑制方法进一步消噪.仿真和实测信号的处理结果表明,与S变换相比,频率切片小波变换具有更高的时频分辨率和任意频带信号提取的灵活性,能够细腻刻画信号的非平稳过程;将时频信息融入局放信号噪声干扰抑制,信号能量损失和波形畸变较小,有利于后续局放信号的模式识别和机理研究.     

采用EWT和OCSVM的高压断路器机械故障诊断

根据断路器故障诊断对可靠性要求较高的实际工程需求,提出了一种采用经验小波变换(EWT)和单类支持向量机(OCSVM)的高压断路器机械故障诊断新方法。首先,通过EWT准确分离断路器振动信号中具有不同物理意义的固有模态函数(IMF);之后,通过Hilbert谱分析,获得时-频矩阵并计算其时-频熵,构成用于分类的特征向量;然后,仅使用易于获取的正常状态振动信号训练经粒子群算法(PSO)常数参数寻优的OCSVM,并通过OCSVM来准确判断断路器是否发生机械故障,提高故障诊断可靠性;如OCSVM判断发生机械故障,则进一步通过支持向量机(SVM)判断具体故障类型。在SF6高压断路器上进行实验证明,新方法能够更加准确地区分故障与正常样本,满足高压断路器故障诊断的高可靠性要求。