基于时域缩放ERA方法的工作模态辨识技术

研究了基于时域缩放选带,使用振动模态特征系统实现算法(eigensystem realization algorithm,ERA)的工作模态辨识技术.分析了ERA环境激励模态辨识方法的理论,给出了时域缩放选带技术和真实模态挑选技术的方法以及工作流程.通过算例研究了采用时域缩放技术的ERA工作模态辨识方法.研究结果表明:使用该方法可以有效地辨识出结构的模态,且可以采用滑动时间窗的方法获得模态随时间的变化结果;用于辨识的数据长度需要包含所需识别模态的6～8周期;阻尼辨识结果的偏差随阻尼比理论值变大而变小,对于理论值从1％～5％,辨识偏差从175％减小至10％;一阶和二阶阻尼比辨识结果偏差基本一致;振型辨识结果MAC值均在0.99以上.     

疑似危险物的鉴定与评估

为配合公安机关对疑似危险物进行鉴定和评估,由国家颁布的国家标准《化学品物理危险性测试导则》和《GB/T 13226-1991工业雷管铅板试验方法》,被系统地应用于危险物的爆炸性试验鉴定与评估标准。其中,联合国隔板试验1(a)、克南试验1(b)和时间/压力试验1(c)用于鉴别危险物是否具有爆炸性;雷管敏感度试验5(a)用于确定危险物对强烈机械刺激的敏感度;铅板试验用于鉴定各种火雷管、电雷管和导爆管雷管是否具有爆炸性。利用上述试验方法,对硝酸铵(AN)和高氯酸铵(AP)样品,以及某公安机关缴获的疑似黑火药和导火索、疑似硝铵炸药、疑似电雷管和火雷管等危险物,进行了燃烧性或爆炸性的鉴定和评估。结果表明,AN不能用工业雷管起爆,AP以及与AN的混合物均具有爆炸性,能用工业雷管起爆,验证了该爆炸性试验鉴定与评估标准的有效性。疑似硝铵炸药可用联合国隔板试验1(a)鉴别出是否具有爆炸性,疑似黑火药和疑似导火索可用燃烧试验定性鉴别出是否具有燃烧性,疑似电雷管和疑似火雷管可用铅板试验鉴别出是否具有爆炸性。     

基于ARIMA的矿山电网故障暂态行波波头辨识及故障测距

由于矿山电网含有大量的整流设备及非线性负载,运行时含有稳定的高次谐波分量和高频噪声,同时矿山电网多为短距离线路,故障后产生的暂态信号与原有高次谐波混叠严重,给行波故障测距带来了极大的困难。通过分析矿山电网故障行波的时域特征,提出基于整合移动平均自回归模型(ARIMA)对行波波头到达前的高频周期信号进行预测,并结合波头到达时刻的真实波形得到波形残差,同时对残差进行平稳性校验,通过行波波头到达时刻前后残差平稳性的不同确定准确的波头到达时刻,进而实现行波故障测距。利用低压电缆网络仿真实现矿山电网故障,仿真结果表明:与小波变换与经验模态分解相比,所提方法能够准确辨识行波波头,且不易受故障状况和噪声的影响,能有效提升行波可行性及精度,尤其适用于含有整流设备及非线性负载矿山电网故障测距。     

基于业务逻辑的电力业务报文攻击识别方法

针对电网测控终端的电力业务报文攻击极易造成电力一次设备误动,从而引发电力事故。电力业务报文攻击通常通过干扰正常业务逻辑达到攻击目的,已有攻击识别方法没有考虑业务逻辑,有效性比较差。因此,提出一种基于业务逻辑的电力业务报文攻击识别方法,该方法定义了电力业务逻辑状态链和黑白名单,将误用检测与异常检测方法相结合,基于业务逻辑黑白名单对业务的威胁度进行评估,并考虑电网时间风险与业务重要性,对威胁度进行修正,通过比较业务威胁度与安全阈值,实现对电力业务报文攻击的高效准确识别。给出了应用所提方法实现的一个攻击识别系统架构,并对实现后的系统进行了测试,验证了所提方法的有效性。     

基于深度-迁移学习的输电线路故障选相模型及其可迁移性研究

为提高输电线路故障诊断模型的可迁移性,根据迁移学习理论将输电线路分为源线路和目标线路,提出一种基于深度-迁移学习的输电线路故障类型识别方法。通过组合不同故障条件,生成输电线路故障期间的时序数据,并通过对数据的预处理,得到面向卷积神经网络的输入数据样本;利用源域数据对初始卷积神经网络进行预训练,获取适用于源线路故障类型识别的预训练模型;采用最大均值差异法对源线路和目标线路进行相似性检验,筛选出待迁移的源域预训练模型;利用目标域数据对预训练模型进行微调迁移训练,获取最终的目标域故障诊断模型。仿真结果表明,利用源域数据量5 %的目标域数据对预训练模型进行微调迁移训练,得到的目标域模型对目标线路故障诊断的准确率达99 %以上。     

基于双协方差随机子空间识别的类噪声数据低频振荡辨识

低频振荡可能会给电力系统的安全稳定带来极大危害,因此在线监测和分析低频振荡参数十分重要。为了有效地从类噪声数据中获取低频振荡模态参数,基于双协方差随机子空间识别(stochastic subspace identification,SSI)算法提出了一种低频振荡模态辨识的新方法。在传统SSI算法的基础上,引入双协方差SSI算法和系统聚类算法对物理模态自动拾取、自动定阶,实现低频振荡参数的有效精确辨识。分别应用传递函数和IEEE WSCC 3机9节点系统模型产生的仿真数据进行了测试,结果表明该方法能够实现自动定阶,得到的稳定图较传统SSI算法更清晰,识别结果中不会出现虚假模态,能高精度估计低频振荡模态参数,且抗噪性能良好。     

渐近辨识建模法在1000 MW火电机组脱硝控制系统优化中的应用

介绍了渐近辨识法在某1000 MW火电机组脱硝控制优化建模中的应用。在SCR(选择性催化还原)原常规PID闭环控制系统正常运行的情况下,采用ASYM(基于渐近辨识方法)通过在SCR装置的喷氨量指令上叠加测试信号,在不干扰SCR装置正常运行的前提下,辨识获取了高精度SCR控制模型,并以此为基础搭建MPC控制器,大大改进了SCR反应器出口NOX浓度的控制品质。     

基于快速参数辨识的感应电机转子温度在线评估方法

工程实际中,如何快速准确监测感应电机转子温度对电气设备状态评估、故障预测和安全生产具有重要意义。但受运行条件限制,转子温度很难直接测得且通过间接评估方法也存在较大难度。针对这一问题,提出一种快速参数辨识的转子温度评估方法,利用转子槽谐波辨识得到转子转速,进而利用可模拟电机堵转运行的起动初始阶段的实测电参数求解得出转子电阻。将上述求解得到的转速与转子电阻,当作实时辨识转子电阻的扩展卡尔曼滤波法(EKF)所需初值,避免了初值求解迭代时间过长的问题,实现了快速在线辨识转子电阻。进而基于金属材料电阻值与温度之间的关系,求出转子实时变化温度数据。以1台22 kW感应电机为例,辨识了负载条件下的转子温度情况,验证了所提出方法的有效性与可行性。     

基于AEPSO-BPNN的光伏阵列多场景参数辨识

针对光伏阵列内部机理较为复杂、参数难以快速准确辨识的问题,提出了一种自适应进化粒子群算法优化BP神经网络（AEPSO-BPNN）的模型建立和参数辨识方法。通过引入自适应、进化和重构等改进策略,可以提高粒子群算法的收敛性能,并将其对BP神经网络的初始权值和阈值进行优化,使神经网络算法在迭代后期不易陷入局部最优解,以提高参数辨识的精确度和速度。根据光伏阵列的实测输出电流和理论计算电流的差值,并考虑环境变化对内部参数的影响,构造均方根误差函数作为算法的适应度函数,从而将复杂的多参数辨识问题转化为带约束条件的非线性多变量最优化问题。最后采用多场景法,验证算法在不同光照强度和温度下的适用性和效果,并与其他算法进行对比,仿真结果表明该算法在误差、收敛速度和运行时间上有较大优势。     

随机数据驱动下基于SDMD的机电振荡参数辨识

随机响应数据蕴含丰富的系统工况信息,从随机响应数据可提取机电振荡特征参数、进行系统小干扰稳定分析。对环境激励电力系统随机响应进行建模,在此基础上提出了基于子空间动态模式分解的机电振荡参数辨识方法。SDMD辨识算法用于非线性随机动力系统的Koopman分析,利用截断的奇异值分解实现动态低秩近似,使系统维数大大降低,同时该算法可以有效地克服动态模式分解方法可能导致辨识结果产生偏差以及模态混合等问题。基于IEEE4机2区系统和IEEE16机5区系统进行仿真,并将该方法辨识结果与其他方法辨识结果进行对比和分析,验证了所提方法的可行性和有效性。