介损角的非同步采样算法及其应用

分析了介质损耗角数字化测量的原理、算法及存在的问题.提出了一种非同步采样条件下采用基波相位分离法的补偿算法,即采用等时间间隔对电压、电流信号进行采样,同时对信号周期波动产生的误差进行补偿,并介绍了基于该算法的测量系统的硬件实现方案.仿真和试验结果表明该算法在增加较少运算量的同时提高了介质损耗角的测量精度.     

基于SWLSTM算法的超短期风向预测

风向预测是提高风能转化率、保障偏航系统运行安全的基础。为了建立高精度风向预测算法,提出一种基于自校正小波长短时记忆网络(self-tuning wavelet long-short term memory neural network,SWLSTM)算法。首先,利用互信息法选取时间序列特征的长度;然后,经过小波分解进一步提取风向序列的时域信息和频域信息;在此基础上,选择长短时记忆递归神经网络(long-short term memory neural network,LSTM)进行建模;最后,设计误差自校正策略,进一步提升预测精度。为了验证该文算法的适应性与预测精度,选择风电场实际风向数据分别进行实验。实验结果表明,SWLSTM算法优于常见数据建模方法,风向预测误差小于1.73%,满足风电场的生产要求。     

三峡梯级和清江梯级水电站群联合调度研究

开展对三峡梯级和清江梯级巨型混联水电站群优化调度研究,分别建立了以发电量最大和以发电效益最大为目标的水电站群联合调度模型,采用POA算法分别计算两个梯级单独运行和梯级联合运行在两种准则下的库容和电力补偿效益。选择1982-1987连续水文周期年的日径流资料进行计算,并与原设计方案相比,两种准则下联合调度的系统年平均发电量分别增加了60.90亿kW.h和60.71亿kW.h,年发电效益分别增加了14.37亿元和14.70亿元;在以发电量最大为准则的情况下,三峡梯级和清江梯级的弃水量分别减少了566.88亿m3和36.73亿m3,系统年均发电量增加了5.80%,库容补偿效益显著。     

基于改进级联泰勒补偿的TIADC时间误差校准

本文提出了一种针对于高速高精度TIADC时间失配误差的改进级联泰勒补偿算法。利用线性近似原理来估计时间失配误差,再采用一种经过改进的级联泰勒补偿结构进行误差补偿。其中,误差补偿模块与误差估计模块一起构成反馈式校准结构,以便于能够对时间失配误差实时估计与校准。在MATLAB建立一个位数为16 bit,时钟采样频率为500 MHz的4通道TIADC系统时间失配误差校准模型进行仿真验证。实验结果表明,当输入信号频率在整个奈奎斯特频段内,经过3阶校准后,TIADC系统的SFDR平均提高56.2 dB,SNR平均提高55.6 dB。相比于传统的级联泰勒补偿结构,进一步缩小了硬件实现规模。     

长江上游控制型梯级水库群联合补偿效益分析

介绍了长江上游水电系统的总体特征以及主要控制型梯级水库的拓扑关系,以发电量最大或保证出力最大为目标建立了优化模型,并分别按梯级和库群2个层次构建了4个长序列优化调度方案,最后根据各方案优化结果分析了主要控制型梯级水库的联合补偿规律及补偿效益。分析结果表明:以发电量最大为主要目标时,库群年均发电量可增加11.79%;以保证出力最大为主要目标时,库群总保证出力可提高29.53%;同时,年均发电量增加9.91%,各梯级互补能力突出,联合运行时电力电量补偿效益显著。     

变频器逆变单元死区效应分析及其补偿

在SPWM控制的变频器中,死区的加入会使输出电压和电流波形发生畸变,使谐波分量增加。详细分析了死区对逆变器输出电压基波的影响,并在尽量不增加通用变频器硬件基础上,提出一种具有自适应零点调整的电流反馈型补偿方法。通过TMS320F2808 DSP芯片实现补偿算法,在5.5kW异步电机上验证了该补偿算法的有效性。     

混合式抽水蓄能电站水库中长期优化调度

建立了以多年年平均发电量最大为目标的混合式抽水蓄能电站水库中长期优化调度模型;使用长序列法并以引用流量和抽水时间作为双控制变量的动态规划算法对水位和抽水时间离散,寻找多种离散水位和抽水时间的最优组合,达到优化水库的各时段运行水位和抽水时间的目的。实例结果表明,在增加抽水蓄能机组后,多年年平均发电量从20.63×108 kW.h增加到了23.06×108 kW.h,保证出力增加了约10 MW,整个调度周期内各时段的水位比不抽水时有所提高;优化算法中的抽水时间以每天1 h为步长的离散处理误差在0.4%以内。     

关于 PDR 算法步长估计模型的改进研究

为了更加精确地判别基于微惯性测量单元( IMU)的行人定位信息,本文深入研究了传统行人航迹推算(PDR)算法模 型,发现传统算法所采用的判别条件单一且精准度不高。 针对传统算法中步长估计模型不准确的问题,本研究首先提出一种基 于扩展卡尔曼滤波的误差补偿优化算法,以实现 IMU 内集成的加速度计、陀螺仪等传感器的误差补偿。 将优化后的原始数据 放入 BP 神经网络算法对单参数步长估算经验模型进行训练。 实验结果表明,基于 BP 神经网络融合基础模型的步长算法相比 单纯的基础步长模型,闭环精度提高了 0. 3%以上,开环误差减小了 8. 5 倍,基于 BP 神经网络的改进 PDR 算法可以有效抑制惯 性算法的误差发散。     

湖南电网跨流域水库群联合调度补偿效益研究

针对湖南省湘资沅澧四大流域季调节及其以上电站建立了跨流域水库群长期联合优化模型,采用POA-DPSA-DDDP混合算法进行求解,在此基础上分析了四大流域联合调度发电量的补偿情况。结果表明:与各流域单独优化相比,通过流域间补偿,四大流域年均发电量增加了5.7万MWh,补偿效益可观。研究成果对合理安排四大流域水电站的运行方式、提高水电系统水能综合利用率有一定的指导意义,同时为电力企业在激烈的市场竞争中降低成本提供了实例。     

一种永磁同步电机矢量控制SVPWM死区效应在线补偿方法

在电压源型逆变器驱动的永磁同步电机系统中,开关器件的死区效应会导致电机电流畸变,电机转矩波动和额外功率损耗。该文详细分析由死区效应所引起的开关管导通时间误差和电机相电压的误差,并结合永磁同步电机d轴电流给定为零的矢量控制算法,提出基于q轴电流误差的死区时间在线补偿算法,所提算法无需电机和逆变器的精确模型,且未增加硬件电路。此外,将dq旋转坐标系下的参考电流变换到三相静止坐标系,利用参考电流可准确判定电流方向,解决了电流过零点附近方向不易判断的问题。最后,对传统死区补偿算法与所提出的在线补偿算法进行对比实验研究,实验结果验证了所提死区补偿策略能够较好地解决死区效应所引起的电流畸变问题。     

基于风速局部爬坡误差校正的风电功率优化预测

准确的风电功率预测对于电力系统安全稳定运行具有重要意义,滞后性是产生风电功率预测误差的主要原因,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风电功率的变化息息相关,提出一种基于风速局部爬坡(LR)误差校正的方法来改善预测风速的滞后性,并将校正后的预测风速及历史功率数据作为输入进行风电功率预测。提出利用灰狼优化(GWO)算法对最小二乘支持向量机(LSSVM)的参数进行优化,以提高风电功率预测的准确性。算例结果表明,所提方法能够有效提高风电功率预测精度。     

基于灰色神经网络优化组合的风力发电量预测研究

文中提出一种新型灰色神经网络优化组合的风力发电量预测研究,将人工神经网络预测模型和灰色预测模型有效结合,不仅考虑了风力、风向和温度等影响因素,而且将往年风力发电量的历史数据综合考虑,结合两种预测优点,从而提高了预测的准确度并降低预测误差。算例结果证明,这种新型的灰色神经网络优化组合预测值误差低于单一的灰色预测或神经网络预测。     

融合两阶段分解与 iJaya-ELM 的短期风速预测模型

准确的预测风速对于风电场的安全运行和高效发电具有重要意义。 针对已有文献在风速预测问题中采用的单一分解 策略存在固有缺陷、优化预测模型效果不稳定等问题,提出了一种融合两阶段分解与 iJaya-ELM 的混合预测模型。 首先,对原 始风速序列进行 ICEEMDAN 分解,得到 12 个分量后基于排列熵熵值重构为高频项、中频项与低频项;随后对高频项进行奇异 谱分解滤去序列噪声;提出一种改进的 Jaya 算法 iJaya,利用 iJaya 算法获取极限学习机 ELM 的最优连接权值与阈值,最后将各 个分量的预测结果线性集成得到最终结果。 以我国甘肃地区风电场风速数据进行模型验证,并利用新疆地区数据集测试其鲁 棒性与通用性。 实验结果表明,iJaya 算法具有较强的寻优精度与稳定性,两阶段分解能够深度挖掘风速序列的特征;该混合模 型能够有效提升风速预测精度,平均绝对误差与均方误差分别为 0. 067 9 和 0. 134 5。     

双馈风力发电系统的比例谐振直接电压控制

提出双馈异步发电机的比例谐振直接电压控制策略,实现双馈风力发电系统的电网同步控制。通过分析双馈异步发电机的数学模型,建立了转子旋转坐标系中转子电压对定子电压的直接控制关系。在转子旋转坐标系中采用比例谐振控制器控制定子电压,以实现对交流电网电压的无静差跟踪。与传统双馈异步发电机的电网同步控制策略相比,提出的控制策略减少了坐标旋转变换的次数,消除了转子电流的测量和控制环节,避免采用受发电机参数影响的前馈补偿控制,从而简化了控制算法,提高了控制系统的鲁棒性。仿真结果表明,提出的控制策略可有效地实现双馈异步发电机的电网同步控制。     

基于功率预测的变速变桨距风电系统的优化控制

为了增强风电场主动融入大电网的能力,基于风速和功率的超短期提前一步预测,以最大风能捕获和输出功率平滑为优化目标,以发电机转速和桨矩角为控制变量,为了有效地减少桨矩角系统和机械系统的压力,制定了最小化控制标准,建立了相应的多目标优化模型。运用遗传算法求解出模型的优化解,将该优化解作用于风力发电机组来优化系统的性能。通过对1.5 MW的变速恒频风力发电系统进行仿真研究表明,与传统的最大功率追踪控制相比较,所提出的控制策略提高了发电机输出功率,同时抑制了输出功率的低频波动。     

考虑复杂海洋气候条件影响的海上风电场储能容量配置研究

复杂的海洋气候条件会影响到海上风电场风功率预测的精度,储能系统可有效补偿风功率预测误差。提出一种考虑风功率预测误差不确定性的海上风电场储能容量配置方法。首先,通过组合预测模型预测风速,根据风功率-风速关系求得风功率预测值,与实测值比较得到风功率预测误差。然后,以储能配置的功率成本与容量成本之和最小为目标,建立利用储能将风功率预测误差补偿至允许区间内的鲁棒机会约束模型,并采用凸近似和抽样平均方法将模型转换为线性规划形式实现高效求解。最后,在算例中分析台风事件对海上风电场储能配置的影响,验证了所提模型在处理风功率预测误差不确定性时能有效兼顾补偿效果与经济性。研究成果可为今后深远海风电场大规模配置储能提供有力支撑。     

考虑风电预测误差的电-热系统混合时间尺度调度

为了利用热网特性补偿风电预测误差,提出了一种电-热系统混合时间尺度调度策略。考虑到电能和热能传输在时间尺度上的差异性,建立了热网短时间尺度调节模型。在日内调度阶段,将指令周期分为长时间尺度和短时间尺度,由长时间尺度调度确定日内阶段30 min 级CHP机组的基本出力,短时间尺度调度则根据长时间尺度CHP机组的基本出力来确定日内15 min 级常规机组的基本出力。在实时调度阶段,CHP机组在日内长时间尺度出力的基础上进行15 min 级短时间尺度的调整,并协同储能设备补偿风电预测误差。通过算例验证表明,考虑风电预测误差的电-热系统混合时间尺度调度模型,降低了储能设备的使用率,提升了电-热系统的经济性,同时具有良好的风电预测误差补偿效果。     

Maximum power control system for small wind turbine using predicted wind speed

This paper describes a novel approach of maximum power control for small wind turbines by using predicted wind speed data. Because of the moment of inertia of the wind turbine, when using conventional control method, the time lag of control will occur due to turbulence in the environment. Our proposed control system uses future information, which is the predicted wind speed, for wind turbine control. The control algorithm creates a reference trajectory of the rotational speed of the wind turbine. The advantage of using the predicted data is that the controller can operate the wind turbine efficiently so that the rotational speed of the wind turbine catches up with the reference speed at the maximum power point. Simulation results show improvement of generation efficiency compared to the conventional control method. Then we discuss the influence of the prediction error of wind speed on control performance. © 2014 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于风场景识别的动态风电功率概率预测方法

传统风电功率预测是确定的、静态的、非条件性的,无法代表不同外部状态的发电过程,缺失预测误差的概率性信息。针对上述问题,提出了一种动态的基于风场景识别的风电功率概率预测方法。首先建立基于K means的风场景识别模型,根据风速和风向识别自然风特征,据此划分风电场风况类别。然后针对各风况类别建立基于相关向量机的概率预测模型。在实际预测中,根据实时风况动态调整概率预测模型参数。以中国西北某风电场为例进行验证,结果表明,该方法提高了单点预测精度、概率预测可靠性和技术分数、运行效率,为预测细化建模提供新的解决思路。     

基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variationalmodedecomposition,VMD)和门控循环单元(gatedrecurrentunit, GRU)相结合的风电功率预测方法。首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy, PE)的大小来确定序列分解的最佳模态数。然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征。使用GRU网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果。最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化。采用某风电场的风电数据对所提模型进行验证,并与其他6种模型进行性能对比。结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度。