修正的潜在结构正交投影的过程监控

近年来,质量相关的故障诊断受到学界的广泛关注。目前存在多种基于后处理的故障诊断算法,但是,进一步的研究发现,当质量无关的故障幅度增强时,这些后处理算法会逐渐失去功能,除此之外,后处理算法在实践中会产生很大的计算量。为了进一步解决上述算法的弊端,采取一种预处理、建模、后处理的结构,并提出修正的潜在结构正交投影算法。对比之前的算法,该方法对质量相关的故障更具实用性,同时减少了模型所需潜在变量的数目,与之前算法相比,计算量更低,数值示例和田纳西-伊士曼过程用来验证该方法的有效性。     

非参数自回归方法在短期电力负荷预测中的应用

为了避免短期负荷预测中主观因素的影响,采用非参数核密度估计技术建立了基于数据驱动的非参数自回归模型,从而将短期电力负荷预测看作一个非线性时间序列预测问题,并从历史负荷数据本身出发挖掘负荷变动的内在随机分布规律.非参数自回归模型详细考虑了滞后阶数的选择、平滑参数(宽窗)的确定以及预测置信区间计算.通过对某一实际电力系统的...     

配电网故障时空特征及形成机理分析

针对识别配电网故障原因,目前的“人工巡线”方法,不仅耗费大量的人力物力资源,而且延长了停电时间。因此,提出一种基于数据驱动的配电网故障原因识别方法。首先通过对大量现场记录的故障波形数据进行分析,得到不同原因故障的机理以及波形特征,提出一种基于经验模态分解 (empirical mode decomposition,EMD) 和主成分分析(principal component analysis,PCA) 的故障特征提取方法。通过EMD将故障时域波形按照不同的时间尺度进行分解,得到具有信号局部特征的本征模态函数(intrinsic mode function,IMF) 分量。其次利用PCA对多个IMF分量进行降维,提取IMF序列中的主要特征分量并将其组成特征向量。最后提出一种基于长短期记忆网络的故障原因分类模型,用于提取特征序列的动态时间尺度特征并实现故障原因的分类。使用实际现场数据的实验结果表明,该故障原因分类模型具有较高的准确度。     

SOME REMARKS ON ADAPTIVE NEURO-FUZZY SYSTEMS

In this brief note we make three remarks concerning adaptive implementations of neural networks and fuzzy systems. First, we bring to the readers attention the fact that the potential power of these systems as function approximators is lost when, as in some recently published works, the adjustable parameters are only the linear combination weights of the basis functions. Second, we show that the stability analysis in those papers in any way uses properties particular to neural nets or fuzzy systems and follows immediately from well-established results in adaptive systems theory. The second fact is well known to people familiar with adaptive systems theory, but not necessarily so to the neuro-fuzzy community. On the other hand, the opposite seems to be the case for the first remark. Finally, we present a simple version of a result on adaptive stablilization of non-linearly parametrized non-linear systems which might be useful for the stability analysis of adaptive neuro-fuzzy systems. This result, though well known in the Russian literature for a long time, has apparantly been overlooked in ‘western’ publications.     

调控一体化智能变电站运行管理模式研究

随着我国科技水平的长足发展,传统电网已不能满足国民经济对电力系统的要求,智能电网成为电力网络的发展趋势和方向。智能变电站是智能电网的重要工作环节,是保障智能电网顺利运行的基础,因此,智能变电站的设计和运行管理成为研究的重点。在分析智能变电站技术背景的前提下,以"信息化、智能性、互动节能"为目标,对智能变电站调控一体化的管理模式进行了探讨。     

新息图法电力系统不良数据检测与辨识

不良数据检测和辨识是电力系统状态估计的重要组成部分;所采用的新息图方法,结合动态和静态两方面理论,将具有具体物理意义的数据（新息向量）,转化为虚拟假设条件下的等价表示,并利用基本的电路理论,达到检测和辨识坏数据以及拓扑错误的目的。该方法具有模型简单、快速准确等优点。以IEEE-14节点系统算例,初步验证^了所提方法的有效性。     

基于改进转移潮流法的拓扑错误辨识方法

提出了转移潮流法的改进算法,增强了同步辨识拓扑错误和不良数据的能力。改进算法充分利用了转移潮流对拓扑变化的敏感性以及加权最小绝对值状态估计对不良数据的抑制性,通过情形判断将拓扑错误回路和不良数据回路尽可能地区别开来,从而避免了原转移潮流法的缺点,提高了辨识能力。     

一种新型电网拓扑错误辨识方法

提出一种基于道路-回路方程的拓扑错误辨识方法。利用网络拓扑约束与基尔霍夫定律,并借助相量测量单元(PMU)提供的同步电气量信息,建立道路-回路方程,计算支路电流。在此基础上,考虑各种拓扑错误及不良数据并存的情况,根据计算值与量测值间的差值,对拓扑信息及支路电流量测值进行校验。IEEE 9与IEEE 39节点系统仿真结果表明所提方法具有较好的适应性、可靠性及容错能力。     

Unifying the landmark developments in optimal bounding ellipsoid identification

A general class of optimal bounding elipsoid (OBE) algorithms, including all methods published to date, is unified into a single framework called the unified OBE (UOBE) algorithm. UOBE is based on generalized weighted recursive least squares in which very broad classes of ‘forgetting factors’ and data weights may be employed. Different instances of UOBE are distinguished by their weighting policies and the criteria for determining optimal weight values. A study of existing OBE algorithms, with a particular interest in the trade-off between algorithm performance interpretability and convergence properties, is presented. Results suggest that an interpretable, converging UOBE algorithm will be found. In this context a new UOBE technique, the set membership stochastic approximation (SM-SA) algorithm, is introduced. SM-SA possesses interpretable optimization measures and known conditions under which its point estimator converges.     

高比例风电系统的爬坡备用需求评估

在极端天气情况下,风电功率会在短时间尺度内发生大幅度的变化,出现风电功率高风险爬坡事件,严重威胁电力系统的安全稳定运行。开展爬坡备用的需求评估,有助于减小风电出力波动和预测误差对电网运行带来的不利影响。为保障高比例风电系统的备用充裕度,提出一种基于门控循环单元和非参数核密度估计法的组合区间爬坡备用需求预测方法。首先,将风电功率实际数据和日前预测数据构建成多变量时间序列,基于门控循环单元（gate recurrent unit,GRU）模型提高预测结果的准确度。进而,采用非参数核密度估计方法对风电功率预测误差进行置信区间估计,得出给定置信区间下的风电功率预测区间。最后,根据区间预测结果,预测爬坡事件并提取爬坡特征量,建立爬坡备用需求评估模型,评估得出爬坡备用容量需求。基于西北某省级电网的数据开展了算例测试,验证了所提方法的有效性。