采用混沌蝙蝠算法的含DG配电网无功优化

文中提出一种混沌蝙蝠算法(Chaotic Bat Algorithm,CBA)求解含分布式发电(Distributed Generation,DG)的配电网无功优化问题.CBA算法在基本蝙蝠算法(Bat Algorithm,BA)的基础上,采用Tent混沌映射初始化蝙蝠位置和更新脉冲发射率以提高全局收敛性,同时动态自适应更新蝙蝠速度以增加种群多样性.采用CBA算法对含DG接入的IEEE 33节点系统进行无功优化分析,计算结果验证了所提算法的有效性和优越性.     

基于IBBDE算法的交直流混联系统无功优化

随着高压直流输电工程(HVDC)投产规模持续增长,交直流混联电网的格局初步形成,给传统电网无功优化带来挑战。文中提出一种改进骨干差分进化算法(Improved Bare-bones Differential Evolution,IBBDE)求解交直流混联系统无功优化问题。在骨干差分进化算法的基础上,IBBDE算法采用广义反向学习初始化种群和自适应调整交叉概率的改进措施以提升种群的全局寻优能力。以含HVDC的IEEE 30节点系统为算例进行分析,结果表明,与差分进化算法和骨干差分进化算法相比,所提IBBDE算法可获得更优的无功优化效果,且寻优稳定性更好。     

负荷模型对西藏林芝电力系统暂态稳定计算的影响

本文以西藏林芝电力系统中新线发生三相短路为背景,对比研究恒定阻抗、静态特性、综合负荷模型对电力系统暂态稳定计算的影响。研究中,同步发电机采用含有暂态参数的凸极式发电机模型,调速系统采用水轮机调速器和原动机相结合的模型。研究表明,三种负荷模型的暂态数值字仿真结果虽有一定差异,但没有本质的区别,三种负荷模型对林芝电力系统暂态稳定功角计算均具有较好的适用性。中新线三相短路持续2.5s时,电力系统能保持稳定且无不利影响。     

基于IFAHP和TOPSIS的直流弱送端电网调相机配置方案综合评估

为提高特高压交直流混联电网稳定运行水平,同步调相机已广泛应用于特高压直流送受端电网。提出一种直流弱送端电网调相机配置方案综合评估方法。文章建立调相机配置方案综合评估指标体系,共包括暂态过电压、稳态过电压、暂态电压稳定、有效短路比和投资费用等5个评价指标;采用直觉模糊层次分析法(IFAHP)确定评价指标的权重,IFAHP法能较好地刻画决策人员进行评价指标比较时的不确定性;基于逼近理想解排序法(TOPSIS)对方案进行排序。实际工程算例验证了所提调相机配置方案综合评估方法的合理性和有效性。     

小样本条件下基于卷积孪生网络的变压器故障诊断

为提高小样本条件下变压器故障诊断的准确率,提出了一种小样本条件下基于卷积孪生网络CSNN(con-volutional Siamese neural network)的变压器故障诊断方法.利用具有强大特征提取能力的卷积层和池化层来构建孪生网络将原始数据映射到低维空间.并基于欧式距离进行相似度的对比,从而实现故障的分类.仿真结果表明,CSNN比传统方法更加适合小样本条件下的变压器故障诊断,利用卷积层和池化层来构建孪生网络比仅用全连接层来构建孪生网络会收获更高的准确率.     

基于PCPSO算法的配电网多目标动态优化*

为了适应当前配电网日趋复杂且分布式电源大量接入的情况,提出一种改进的多目标粒子群优化算法。该算法在标准粒子群算法中引入Pareto前沿和混沌搜索,通过Pareto前沿处理多目标问题,并用混沌搜索对粒子进行混沌遍历,既保留了进化过程中多目标的相对最优解,同时也兼顾了收敛性。通过算例进行仿真,结果表明该算法可以快速搜索多目标最优解,为配电网多目标动态优化提供思路和参考。     

基于改进粒子滤波的综合能源系统预测辅助状态估计

高效准确的状态估计是综合能源系统安全稳定的基础。粒子滤波具有精度高且对于非线性系统适应性更强的优点,已应用于电力系统的状态估计。为了提高综合能源系统的状态估计精度,研究粒子滤波在综合能源系统中的应用,提出了一种基于改进粒子滤波的综合能源系统预测辅助状态估计方法。首先,本文构建了包含电-气-热网络的区域综合能源系统模型;其次,将粒子滤波算法拓展到电-气-热网络,在详细分析粒子滤波相关理论的基础上,针对粒子滤波算法存在的跟踪误差问题对粒子滤波的预测步进行改进;最后,利用经典的综合能源系统算例对文中提出的改进粒子滤波算法进行验证。结果证明该方法能够有效解决传统粒子滤波算法的跟踪误差问题,提高系统的估计精度。     

基于图注意力网络与双阶注意力机制的径流预报模型

为了提高流域径流量预报的准确率,考虑数据驱动水文模型缺乏模型透明度与物理可解释性的问题,提出了一种使用图注意力网络与基于长短期记忆网络（LSTM）的双阶注意力机制（GAT-DALSTM）模型来进行径流预报。首先,以流域站点的水文资料为基础,引入图神经网络提取流域站点的拓扑结构并生成特征向量;其次,针对水文时间序列数据的特点,建立了基于双阶注意力机制的径流预报模型对流域径流量进行预测,并通过基于注意力系数热点图的模型评估方法验证所提模型的可靠性与透明度。在屯溪流域数据集上,将所提模型与图卷积神经网络（GCN）和长短期记忆网络（LSTM）在各个预测步长下进行比较,实验结果表明,所提模型的纳什效率系数分别平均提高了3.7%和4.9%,验证了GAT-DALSTM径流预报模型的准确性。从水文与应用角度对注意力系数热点图进行分析,验证了模型的可靠性与实用性。所提模型能为提高流域径流量的预测精度与模型透明度提供技术支撑。