高风电穿透变电站母线净有功功率分布的随机模糊模型

考虑风电和负荷的季节特征,搭建一种高风电穿透变电站母线日内同时刻净有功功率分布的随机模糊模型。通过曲线拟合对特定高风电穿透变电站母线净有功功率历史数据进行概率特征分析,获取其概率密度函数;基于概率分布参数模糊性,获取特定置信水平下的模糊隶属函数;定义母线净有功功率为随机模糊变量,分季度建立母线净有功功率的随机模糊不确定模型。实例仿真结果表明:该模糊模型所得净有功功率处于历史相应时刻净有功功率上下限的概率大于90%,适用于高风电穿透母线净有功功率仿真。     

基于改进AP聚类与优化GRNN的非侵入式负荷分解研究

泛在电力物联网的提出推动了智慧用电、负荷监测等技术的大力发展,为解决传统非侵入式负荷监测与分解方法耗时长,辨识精度低等问题,文章提出了一种半监督学习聚类数据建立特征集并结合果蝇优化广义回归神经网络模型的负荷分解方法。首先,该方法利用输入的设备有功功率和电流数据采取半监督学习优化相似矩阵,以近邻传播聚类算法为基础挖掘出用电设备的运行状态特性以及功率信息,再使用数字编码方式将设备运行状态表示为分类标签,然后输入总有功功率、无功功率以及电流的时间序列数据和对应序列的分类标签矩阵,利用果蝇优化算法的寻优能力求得广义回归神经网络模型的最优Spread值完成模型优化和训练,随后输入测试时间序列数据,得到分类矩阵即各设备运行状态,并利用设备运行状态对应的功率信息进行总有功功率重构拟合,完成负荷分解。经仿真对比,此方法对所有用电设备运行状态辨识准确率达到86%左右,对单个用电设备运行状态辨识准确率达到96%左右,且耗时较短,显著提高了对负荷特性信息的挖掘能力和分解辨识能力。     

基于Fisher-SVM特征选择的负荷辨识研究

针对当前非侵入式负荷辨识中不同设备特征选择上主观性、盲目性的问题,提出基于Fisher-SVM特征选择的非侵入式负荷辨识算法。首先,基于高频采样终端提取入户侧电流、电压原始数据,使用傅里叶变换对原始信号分解得有功、无功及谐波时间序列;其次,将负荷波形分为4个阶段并计算得到负荷波形暂稳态特征;然后,通过Fisher-SVM算法在不同分类器中对特征进行选择,得到最优分类特征子集,并利用Sigmoid函数对结果进行概率校准;最后,根据贝叶斯理论对各分类器进行融合从而实现对不同负荷的辨识。以3类台区831户实际用户进行算法测试。结果表明,该算法能够有效利用不同电器负荷印记的独特性,克服特征选择上的盲目性,提高负荷辨识能力。     

基于谱变换和高阶稀疏Hodrick-Prescott分解的茶叶品种鲁棒判别方法

为了提高可见-近红外光谱定性分析的精度,需对光谱进行降噪预处理。针对降噪易产生额外小谱峰、恶化定性分析准确度的问题,提出一种基于谱变换和高阶稀疏Hodrick-Prescott分解的降噪方法。在该方法的优化方程中,假设可见-近红外光谱由低通的基本波形光谱、带通的特征波形光谱及噪声组成,以含噪光谱与基本波形光谱、带通的特征波形光谱之间残差L2范数为残差项,保证估计值逼近真实值;依据特征波形光谱的稀疏性,以其二阶差分的L1范数为正则化项,约束估计特征波形光谱,从而分解出茶叶中重要的特征吸收峰。该方法同时利用滤波器的谱变换技术获得低通和带通零相位滤波器矩阵,协助分解基本波形光谱和特征波形光谱,并利用L-曲线方法获取优化方程中的最佳正则化参数。本实验以6种茶叶的可见-近红外光谱为基础实验数据。在实验中,以信噪比、均方根差和茶叶品种定性分析分类模型的准确性为衡量指标,与小波分解法、改进的Hodrick-Prescott法和Savitzky-Golay法进行了比较。实验结果显示：对含高斯噪声合成光谱数据和含高斯-脉冲混合噪声合成光谱数据,该方法信噪比最高;对于合成和真实两个数据集,分类模型准确率均...     

基于注意力时序网络的非侵入式负荷分解

非侵入式负荷分解的本质是根据已知的总功率信号分解出单一的负荷设备的功率信号.目前基于深度学习模型大多存在网络模型负荷特征提取不充分、分解精度低、对使用频率较低的负荷设备分解误差大等问题.本文提出一种注意力时序网络模型(Attention Recurrent Neural Network, ARNN)实现非侵入式负荷分解,它将回归网络与分类网络相结合来解决非侵入式负荷分解问题.该模型通过RNN网络实现对序列信号特征的提取,同时利用注意力机制定位输入序列中重要信息的位置,提高神经网络的表征能力.在公开数据集Wiki-Energy以及UK-DALE上进行的对比实验结果表明,本文提出的深度神经网络在所有考虑的实验条件下都是最优的.另外,通过注意力机制和辅助分类网络能够正确检测设备的开启或关闭,并定位高功耗的信号部分,提高了负荷分解的准确性.     

基于CFSFDP图拉普拉斯算法的非侵入式负荷监测方法

非侵入式负荷监测(NILM)是我国未来电网建设的重要发展方向之一。为克服传统非侵入式负荷监测方法的计算数据量大、辨识准确率较低等问题,提出了一种基于CFSFDP(快速密度峰值搜索算法)图拉普拉斯算法的非侵入式负荷监测方法。首先,该方法利用输入的设备有功功率数据采取快速密度峰值搜索聚类算法构建家用电器的功率阈值向量和先验图结构;然后结合图信号的平滑度特征和总功率信号构建图拉普拉斯二次型最优函数,利用Tikhonov正则化方法以迭代的方式求得最优解,从而实现用电负荷图信号的重构;最后根据功率阈值向量将图信号转换为功率信号,即可实现用户的非侵入式负荷监测。对某一家庭两天的实测用电数据进行仿真分析,得到如下结果：1)该方法对第一天的负荷辨识精度达到了100%,各用电设备消耗用电量比例与实际耗电量比例误差均低于3%。2) 该方法对第二天的负荷识别准确率达到了90.1%,相比于对比算法至少高了0.8%。对单个用电设备分解精度达到91%以上,设备的用电量误差不超过5%且低于对比算法。3) 当数据采样间隔增大为2min,所提算法的准确率、辨识精度和单设备分解精度都有所降低,但数值上优于对比算法,并且有更优的时间复杂度。研究结果验证了所提非侵入式负荷监测方法的有效性及其优越性,对于解决实际低频NILM问题有很大的优势。     

基于储能的机电波控制器

提出2种通过储能装置实现的电力系统控制器,用以减小在系统中以波的形式传播的机电扰动（发电机角速度偏移量或输电线路上功率变化量）的幅值．分析控制器在机电波传播路径上的安装位置,一种控制器安装在发电机母线上,输出有功功率随安装处发电机角速度的变化而变化;另一种控制器安装在负荷母线上,输出有功功率随安装处负荷母线电压频率的变化而变化．理论计算结果和WECC127母线的仿真结果均表明该控制器能有效降低机电波的幅值．     

基于改进的模糊C均值聚类的负荷预处理

SCADA系统采集的电力负荷数据由于各种原因,会存在一些坏数据。在负荷预测中,必须仔细而合理地对历史负荷数据进行处理。电力负荷预处理应该充分考虑负荷曲线本身的特征,即平滑性和相似性。模糊C均值算法可以较好地进行聚类,但是其由于存在聚类数和初始聚类中心未知的问题,因此提出改进的模糊C均值算法——IFCM,即使用改进K均值算法确定初始聚类中心,引入粒度原理确定最佳聚类数。首先采用IFCM对日负荷曲线进行聚类,产生各类特征曲线;然后计算每个时刻点的方差,根据3σ法则进行坏数据的辨识;最后利用特征曲线对坏数据进行修正。针对四川某电网的实际电力负荷进行分析,表明了模型的实用性。     

基于节点日负荷曲线的深度嵌入式聚类及其改进方法对比研究

基于日负荷曲线的负荷节点分类是负荷建模的重要环节,详略得当的分类结果保留了负荷节点的内在特性,可提升电力系统仿真计算的效率。当前基于人工智能的节点聚类方法进展迅速,然而总体上针对数据深层特征提取的适应性仍存在不足。采用了基于改进的深度嵌入式算法的日负荷曲线聚类方法,利用神经网络可有效提取数据的深层特征的能力。进而,提出一种先升维后聚类的改进方法,通过算例对比分析,验证了本文所提算法的可行性,以及所提升维—重构聚类方法的正确性。     

基于自调节下垂系数的微电网控制策略

在微电网中,当R?X时,传统的下垂控制方法并不完全适用。分析得出:在低压微电网中,电压幅值决定换流器输出的有功功率,但电压为局部变量,在线路阻抗不同和负荷需求突变的情况下,各DG有功功率不能合理分配;为此,提出一种自调节下垂系数的控制策略,下垂系数随线路阻抗和负荷的变化而自动调整,从而实现有功功率的合理分配;仿真分析结果表明:在DG并联运行时,线路阻抗不同和负荷变动的条件下,该方法可以实现有功功率的合理分配,提高了微电网系统的稳定性。     

规则波形的智能理解方法

本文提出了一种波形的符号描述方法,该方法的实现便于诊断专家系统从规则波形中自动获取故障知识.文中讨论了如何将规则波形用波元符号来表达和基于这种符号表达的波形局部畸变特征的谓词描述,并讨论了基于深知识的发动机点火波形的理解,从而获取状态知识的过程.     

基于聚类特征及优化网络的非侵入式负荷分解

非侵入式负荷分解可以通过总表负荷数据,识别不同电器的运行情况,对需求侧用电实现有效管理.针对多电器同时运行时负荷数据相似导致的识别正确率低的问题,提出基于特征聚类及优化时序卷积网络的非侵入式负荷分解模型.首先对用电器的负荷数据进行非负矩阵分解提取特征数据,之后使用高斯混合模型识别用电器的运行状态并进行编码,最后将多个用...     

基于多注意力机制集成的非侵入式负荷分解算法

针对输入负荷特征对分解结果的重要程度不同,以及长短时记忆网络（LSTM）在捕捉长时间用电信息的时间依赖性方面受限导致分解误差高等问题,提出一种基于多注意力机制集成的非侵入式负荷分解算法.首先,利用概率自注意力机制对一维空洞卷积提取到的负荷特征进行优化处理,实现重要负荷特征的遴选;其次,采用时间模式注意力机制对LSTM的隐状态赋予权重,从而增强网络对长时间用电信息之间的时间依赖性的学习能力;最后,利用公开数据集UKDALE和REDD对所提分解模型的有效性和创新性进行验证.实验结果表明,与其他多种现有分解算法相比,基于多注意力机制集成的分解算法不仅具备更好的负荷特征遴选能力,而且能更加精确地建立特征之间的时间依赖关系,有效降低了分解误差.     

基于ACO-PAM综合算法的电力负荷聚类分析

负荷特性分类与综合是实现负荷模型实用化的关键.为建立合适的变电站负荷模型,将聚类方法引入负荷特性分析,提出一种基于ACO-PAM的综合聚类算法.该综合算法是PAM算法对蚁群的历史最优位置进行聚类分析,将此位置代替PAM的参考点,作为新的聚类中心,数据将自适应地加入到适合它的聚类中.ACO算法具有全局搜索能力强、易于与其...     

基于SCADA/EMS的负荷实测与网损在线计算的研究与应用

基于SCADA/EMS系统实时采集和处理电网数据的基础上,实现负荷实测与网损的在线计算。每隔5分钟实现一次负荷实测与电网元件负载率、容载比等指标的计算与统计,并将这种计算与统计指标推广至整年月,从而准确反映电网元件的负载情况与运行水平。每隔5分钟实现一次电网的在线网损计算,从而累加获得电网每日的电能量损耗,并实现与电能量采集系统网损电量的校核。通过实际应用表明,基于SCADA/EMS系统的负荷实测与网损在线计算能为电网运行人员提供有益的指导,具有较高的实际价值。     

基于SCADA/EMS的负荷实测与网损在线计算的研究与应用

基于SCADA/EMS系统实时采集和处理电网数据的基础上,实现负荷实测与网损的在线计算。每隔5分钟实现一次负荷实测与电网元件负载率、容载比等指标的计算与统计,并将这种计算与统计指标推广至整年月,从而准确反映电网元件的负载情况与运行水平。每隔5分钟实现一次电网的在线网损计算,从而累加获得电网每日的电能量损耗,并实现与电能量采集系统网损电量的校核。通过实际应用表明,基于SCADA/EMS系统的负荷实测与网损在线计算能为电网运行人员提供有益的指导,具有较高的实际价值。     

基于匹配小波变换的初级视皮层神经元锋电位分类

神经元锋电位分类是研究神经系统信息处理机制的关键.为了提高锋电位分类效果,将匹配小波应用到锋电位分类中来,提出了基于匹配小波变换的初级视皮层神经元锋电位分类方法.首先根据提取的锋电位信号波形特性和匹配准则,构造出匹配小波,然后基于匹配小波对锋电位信号进行小波变换,获取锋电位信号特征进行锋电位聚类,从而实现锋电位分类.将该方法用于由多电极阵列采集的大鼠初级视皮层神经元锋电位的分类,并与基于传统小波的分类方法进行聚类比较,该方法得到的散点图具有两个更加明显的聚类中心,聚类效果更好.再对信号进行加噪处理,当信噪比较低时,该方法仍保持较高的分类正确率,抗噪性能较强.     

电力系统等值阻抗的在线估计法

变电站母线处的系统戴维南等值电路是电力系统规划与运行的重要参数。提出一种利用各变电站母线的稳态电压电流测量值,在线估计正序和零序戴维南等值电路阻抗的新方法。此方法可应用于各种负荷工况,不向系统注入扰动信号,且该方法不需要同步采样数据,因此不受系统频率变化的影响。仿真分析和现场测量数据表明此方法可准确实现系统阻抗参数的在线估计。     

基于离散傅里叶变换的微电网混合储能容量优化

针对并网型微电网中由蓄电池和超级电容组成的混合储能系统进行容量的优化配置。光伏发电和负荷之间产生的净负荷功率由大电网和混合储能装置来共同进行平抑。建立一个俩阶段混合储能容量优化的数学模型,利用离散傅里叶变换对微电网中产生的净负荷功率进行分解,第一阶段在满足联络线功率波动要求的基础上来选取联络线功率和混合储能系统功率的分界点使得联络线利用率最高的;第二阶段以混合储能容量配置的经济成本最低为目标选取蓄电池功率和超级电容功率的分界点;从而得到联络线、蓄电池和超级电容的功率分配。利用遗传算法对混合储能容量的优化模型进行求解,得到最优的混合储能容量的配置。通过算例进行了验证分析。     

基于神经网络的母线保护方法的研究

针对基于ANN分类能力的母线保护方法需要大量故障样本，而完整的故障样本获取不易的问题，提出了基于ANN函数逼近能力的母线保护方法，构建了母线保护的ANN数学模型，应用MATLAB软件平台对模型进行仿真训练，经过训练以后的母线保护的ANN模型，能正确判断母线的区内和区外故障，从而验证了基于ANN函数逼近能力的母线保护方法的正确性。