增强长期电压稳定的切负荷控制方法

基于模型预测控制原理,采用动态特性的负荷模型,针对切负荷这一控制动作,研究了一种增强长期电压稳定性的切负荷控制方法。针对长期电压稳定慢动态的特点,建立长期电压稳定的准稳态系统模型并进行仿真。以美国西部电网WSCC 3机9节点系统为例,验证了切负荷控制方法的有效性。     

基于深度信念网络与数据聚合模型的智能电表数据异常检测方法

针对智能电网中广泛应用的智能电表(smart meters,SM)可能在测量和监视电能消耗的过程中遭受的多种网络攻击的问题,提出了一种新的异常模式检测框架,以防止智能电表的能源欺诈。所提方法首先基于智能电表向智能配变终端发送用户的用电特征数据,采用分布式数据模型对数据进行聚合,以更好地解决用户隐私保护问题;然后利用深度信念网络(deep belief network,DBN)将得到的数据与期望数据进行对比,以更好地获取数据特征,并对训练结果进行自上而下的特征优化;最后,通过智能配变终端将集群中的智能电表从1到N进行标记,并将执行数据经过深度信念网络提取特征传送至电表数据计量管理系统(meter data management system,MDMS),检查并更换故障或受损的智能电表,以获得更精确的非专业技术损失检测分析。实验结果表明,所提方法相对于传统智能电表数据异常检测具有更高的检测率和适用性。     

低压配电网线损异常智能识别方法

针对传统的低压配电网线损异常识别方法识别效果不理想,提出一种新的低压配电网线损异常智能识别方法.通过联立整体等值电阻、配线等值电阻以及配电变压器等值电阻关系,推导出线损率的计算公式,基于鲁棒尺度的中心化与标准化策略,采用3σ准则与混合高斯模型的数据仿真能力,检测配电网异常点,通过能够反映线损情况的参考标准体系,划分线损异常状态,利用最大期望算法聚类分析低压配电网,依据隐藏变量当前估算数据,推算出似然估算极大值,经过最大化处理,更新模型参数,利用深度网络后向传播神经网络模型,使线损异常得到智能化识别.仿真实验表明,所提方法不仅能够有效识别线损异常,且具有理想的精准度.     

基于动态三相不平衡度的线损电量预测模型构建

针对传统的线损电量预测模型预测精准度较低,提出并设计了一种基于动态三相不平衡度的线损电量预测模型.通过三相不平衡度对线损的影响,分析三相不平衡和线损的关系;利用线损二项式与线损率公式,计算电量的增长修正系数;根据计算结果构建线损电量预测模型.仿真实验表明,基于动态三相不平衡度的线损电量预测模型使用三相不平衡度对装置进行采集时,能够清楚的表达出负荷运转情况,并与传统模型相比,所设计模型的预测精准度较高,且过程简单、鲁棒性良好.     

刍议独立发电企业市场营销

分析了独立发电企业在新市场环境下的竞争战略,以及在竞争战略指导下的营销战略和策略。     

准同步离散傅里叶变换算法研究

介绍了准同步离散傅里叶变换(discrete foruier transformation,DFT)算法的基本原理,同时对算法进行了计算机仿真,讨论了采样起始时刻和频偏对算法测量准确度的影响,并对DFT算法和准同步DFT算法进行了比较。得到结论:准同步采样与采样起点无关;被测信号频率在一定范围内变化不影响测量结果;在一定条件下,采用准同步DFT算法能够获得较高的测量准确度。