基于自适应极限学习机的变压器故障识别方法

针对变压器状态数据累积规模和复杂程度均增大的情况,单一智能算法进行数据处理的能力有限、精度低,提出了基于自适应极限学习机的变压器故障识别方法。利用免疫算法(IA)的多样性调节机制和存储机制对粒子种群进行优、劣分类,对优、劣粒子分别采用不同的进化方式。经IA改进的粒子群优化(PSO)算法有效克服了种群容易早熟从而导致进化停滞的缺点,提高了全局寻优能力。在参数寻优的基础上,根据寻优输出结果建立变压器故障识别模型。实验计算结果表明所提方法比极限学习机(ELM)、粒子群优化极限学习机(PSO-ELM)、遗传算法优化极限学习机(GA-ELM)方法的故障识别精度高。     

基于局部密度聚类算法的变压器故障状态评估

为提高油浸式电力变压器故障状态评估的准确性,结合局部密度聚类(local density clustering,LDC)算法和三比值法提出一种变压器故障状态评估方法——以油中溶解气体为研究对象,对气体数据进行LDC处理,以最后聚类结果作为故障状态评估模型及结合三比值法对新数据进行故障评估。该方法在弥补聚类方法无法准确反映故障状态和三比值法编码不全、编码太片面等不足的同时,在变压器状态发生变化时能随着新数据的输入自主修正故障状态评估模型。不同实验结果表明该方法用在变压器故障评估中,具有较高的故障评估准确率,并且当出现未知故障时能有效修正所搭建故障状态评估模型,可以在一定程度上反映变压器故障状态,保证变压器正常、安全运行。     

“人-车-桩-路-网”深度耦合下的配电网协同规划与运行优化

电动汽车(EV)作为连接交通电气化和电网清洁化的纽带和桥梁,可实现电力-交通-信息之间的深度耦合,形成电力-交通一体化的规划及运行架构。配电-交通融合系统(DTIS)中,EV充放电行为多时空动态交织、电能流-交通流-信息流深度融合、多利益主体动态博弈等大量不确定性因素使配电网的规划及运行优化的边界都将发生重大转变,但同时也给挖掘利用EV的移动储能特性和提升配电网灵活性带来了契机。为此,在分析“人-车-桩-路-网”深度耦合下配电网的形态演化特征基础上,剖析了新形态下配电网协同规划与运行优化所面临的新挑战,进而针对“人-车-桩-路-网”耦合下的EV灵活性建模、灵活域高效构建及预测、协同规划、运行优化4个方面关键技术展开讨论,并对相关技术问题的研究方向进行了展望。