市场环境下基于多级储能系统的风电场经济调度策略

随着新能源技术与电力市场结构的不断完善成熟,以风电为代表的分布式新能源将在电力市场中扮演重要角色。通过市场激励有效提升风电场的经济效益,并合理抑制风电出力波动,是新能源消纳过程中亟待探索的问题之一。针对此问题,文章提出了一种在市场环境下基于多级储能系统的风电场经济调度策略。两级储能系统分别用于日前和实时电力市场中的风电并网调度:第一阶段的储能系统用于提高风力发电的经济效益;第二阶段的储能系统用于平滑并入电网的风功率。通过算例验证了该调度策略对提升风电场经济效益、平滑并网电量波动的有效性。     

基于数据驱动的500 kV高压并联电抗器过流误报警在线判别方法研究

为提升500 kV并联电抗器在线监测的准确性,提出了基于逻辑回归和主成分分析的并联电抗器过流误报警在线判别方法。首先,分析了并联电抗器所在母线电压互感器以及电抗支路电流互感器测量误差对过流报警条件概率的影响。其次,定义逻辑回归拟合函数的中心点及不确定域为故障检测的二维关键指标,并利用主成分分析法生成一维综合指标。最后,通过将检测日综合指标与设备正常运行工况下综合指标进行对比,对检测日过流报警的正确性进行判别。该方法只需使用高压并联电抗器所在母线的电压测量有效值和监控系统所报出的过流报警信号,无需额外增加测量设备。以某实际500 kV高压并联电抗器作为算例进行的仿真实验,验证了该方法的有效性。     

基于虚拟同步机的双馈风电机组自适应控制

为了保障风机参与有功调频后的运行稳定，在研究双馈风电机组的虚拟同步控制的基础上，切实考虑了风机运行工况和电力系统调频需求两方面的情况，将风速和频率偏差值作为模糊逻辑控制器的输入信号，来相应地调节虚拟同步机的虚拟转动惯量参数，实现了双馈风电机组参与有功调频的自适应控制。仿真结果表明，采用该方案的双馈风电机组在保障自身平稳运行的同时，能适应不同的风速和电力系统的调频需求，合理地调整自身的调频出力水平。     

减小叶片不利载荷的统一变桨技术

风机在实际运行中,由于风剪切和塔影效应的存在,导致各桨叶载荷均不平衡。载荷的不平衡严重影响风轮的性能。为减小由于空间位置不同带来的载荷不平衡,首先,仿用威布尔分布函数对风轮立体面风速进行优化处理,以提高风速计算准确度,其次,利用Blade软件计算不利载荷大小,通过变桨距系统减小风轮叶面推力来降低载荷。实验结果:风速优化法在风速信号采集上进行抑制,降低了风速的波动频率。且计算后的不利载荷对桨距角进行补偿的方法,使叶轮在吸收风能的同时降低风机不利载荷和部分叶片震动,延长了叶片使用寿命。     

风电场采用健康系数与变下垂输出系统参与电网调频研究

针对风电场参与电网调频导致备用功率冗余的问题，建立了风电场基于健康系数的备用功率分配系统与变下垂系数的备用功率输出的系统。为了分配风机备用功率与控制风机备用功率输出，采用了ARMA风功率预测法对风电场5台风机的历史功率数据进行处理，得到风机的能量密度和功率预测准度，再通过模糊逻辑系统求得风机健康系数，并按照健康系数进行备用功率分配。当频率响应系统检测到频率误差后，控制风机变下垂功率输出系统进行功率补偿，稳定电网频率。仿真结果表明，基于健康系数的功率分配系统与变下垂功率输出系统增加了风电参与电网调频的能力，减少了系统备用功率的冗余。     

试论网络道德规范

文章分析了计算机网络出现的新情况、新问题,运用马克思主义伦理学,阐述了网络道德的理念及基本规范。     

试论网络道德规范

文章分析了计算机网络出现的新情况、新问题,运用马克思主义伦理学,阐述了网络道德的理念及基本规范.     

服务于用电设备的快速辨识边沿检测方法研究

针对当前用户侧用电设备非侵入式辨识中负荷边沿检测方法准确率不高的问题,该文在研究阈值检测算法(threshold detection algorithm,TDA)、暂态能量启动算法(transient energy to start the algorithm,TEA)、微分算子(method of differential algorithm,MDA)以及拟合方法的基础上,提出一种基于高斯滤波器和工业检测累加求和(cumulative sum,CUSUM)算法的边沿检测方法,解决传统算法考虑因素单一、精度不高等问题。该方法采用自适应高斯滤波器能有效过滤噪声,同时保留突变点信息的特点,通过检测去噪后的突变点波动,提升检测的准确性。结合CUSUM算法对设备状态与工作模式变化检测灵敏的特点,提升设备模态的检测速度和准确性。通过搭建的非侵入式负荷辨识平台,对提出的方法进行仿真和实验验证,显示所提出的方法能有效提高用电设备的检测速度和准确率。     

基于EEMD-GRU-MLR的短期电力负荷预测EI北大核心CSCD

针对电力负荷随机性较强,预测精度不高的问题,通过构建集合经验模态分解(ensembleempiricalmode decomposition,EEMD)以及门控循环单元神经网络(gated recurrent unit neural network,GRU)和多元线性回归(multiple linearregression,MLR)组合而成的EEMD-GRU-MLR(EGM)预测方法,有效提高了电力负荷短期预测精度。首先通过集合经验模态分解将电力负荷数据分解为频率由高到低的不同本征模态函数(intrinsicmodefunctions,IMF),不同频率的本征模态函数分量代表了电力负荷不同的部分特征,随后分别使用多元线性回归方法和GRU神经网络方法对低频部分和高频部分进行快速准确的预测,最后将所得各预测结果组合后得到完整的预测结果。EGM预测方法不但能够对电力负荷的变化趋势进行有效预测,而且能够准确预测随机性较强的局部特征。最后通过实验验证,该方法有效地提高了负荷预测精度。     

服务于风电系统的改进缓存替换算法研究

针对风电系统中缓存命中率较低等问题,在最近最少使用算法(Least Recently Used,LRU)、最不经常访问算法(Least Frequently Used,LFU)、SIZE以及Hybrid算法的基础上,提出了一种基于综合因素的替换算法FST(Frequency,Object Size,Access Time),从而解决了传统算法考虑因素单一、系统性能较低等问题。该算法结合了访问频率、对象大小、访问时间间隔及最久未访问等特性,并根据最近访问时间长短采取分段的处理方法。在风电系统的缓存服务器中,将FST算法与LRU,LFU和SIZE算法进行实验对比,实验结果显示FST算法在提高命中率、减少延迟时间方面具有更好的性能。