装备电力系统谐波性负荷建模中的电流检测方法

配有大量非线性元件的装备电力系统多为独立供电的三相四线制系统,且具有更大的内阻.为满足其电流快速准确检测在非线性谐波性负荷建模中的要求,提出一种基于同步坐标变换的装备负荷建模电流谐波检测id-iq-i0方法,能准确检测出供电系统母线电流中与基波正序分量相同步的有功和无功电流,进一步计算负荷的谐波指令电流.通过阐明基于同步坐标变换的检测算法原理与电流处理流程,以建模仿真手段分析变换坐标系后的电流特性,并指出其变换实质.最后,利用该检测方法建立的负荷模型对实际装备电力系统测试参数进行仿真试验,通过波形、总体谐波畸变率及各次谐波含量的分析比较,验证该方法的有效性.     

三相电路谐波和负序电流检测方法实验研究

电力电子技术的发展和应用,电力系统中的谐波电流污染越来越严重,而且由于负载的不对称产生负序电流。正确评价用户电能质量的好坏,如何消除这些电流分量,均要求准确检测这些电流分量。本文提出了一种用有源ＲＣ电路检测三相电路谐波、负序电流分量的方法,并对该检测方法和电路性能进行了理论分析。实验和仿真证明了所提方法的正确性。     

基于神经网络的三相电路基波与谐波电流检测

分析了三相非线性电流相关分量的构成,给出了一种基于坐标变换的三相电路基波与谐波电流神经网络检测方法.该方法计算工作量小,检测实时性好,检测结果准确.利用该方法,可根据不同的需要,方便地检测正序(负序)基波有功电流、正序(负序)基波无功电流和谐波及畸变电流.     

基于互信息的配电网多谐波源识别方法

针对配电网非线性负荷谐波污染责任划分,及多谐波源位置判定方法中存在的问题,提出一种基于互信息的多谐波源识别方法。首先,测量PCC点谐波电压,通过独立分量分析估计出谐波电流的大小;然后,利用Copula熵法估计谐波电流和谐波电压之间的互信息,依据互信息的值识别出多谐波源;最后,在IEEE 14节点系统上进行仿真测试,测试结果表明:在网络参数未知的情况下,该文所提方法能准确定位多个谐波源,可以作为区分实际谐波污染责任的新判据。     

具有频率自适应改进的FBD谐波检测方法的研究

针对传统FBD检测方法中锁相环引起的误差和延时问题,研究了一种改进的无锁相环的FBD谐波检测方法。该方法采用正弦幅值积分器代替锁相环,在αβ坐标系下对电网电压的幅值进行积分,得到与基波电压正序分量同步的信号,进而检测谐波分量。同时,为了避免电网频率波动对谐波检测精度的影响,通过引入锁频环,构造了频率自适应环节。与传统方法相比,该方法结构简单,动态响应快。仿真实验表明,当电网电压不对称或频率波动时,该方法可以准确、快速地检测出谐波电流分量。     

基于标准正弦波的i_p-i_q谐波电流检测方法

针对谐波抑制中谐波电流检测不够准确的问题,提出基于标准正弦波的ip-iq谐波电流检测方法.该方法以瞬时功率理论为基础,在传统ip-iq谐波电流检测法中引入标准正弦波直接构成单位C矩阵,标准正弦波以电网电压基波正序分量的频率f和初相位θ为参数生成.因为标准正弦波的频率非常稳定,所以基波和谐波检测较为准确,同时避免出现间谐波.建立了模型,并利用Simulink仿真对比分析,结果表明,此方法提高了基波电流和谐波电流检测精度.     

民用电网谐波电流检测方法及仿真研究

针对民用电网中存在的电压不稳、三相不平衡和中线电流大等问题,在传统的ip-iq法基础上,采用对称分量法和零序电流分离法研究电流中的零序分量问题,并结合PI调节器建立数学模型对其谐波、基波负序和零序电流进行了实时检测。结果表明,该方法可准确地检测出电网电流中含有的谐波、基波负序和零序电流,且检测精度高、实时性好。     

基于Root-MUSIC和Adaline神经网络的 间谐波参数估计

为了提高电力系统间谐波分析的精度和分辨率,提出基于求根多重信号分类法（root-MUSIC)和自适应线性神经网络的间谐波参数估计方法.该算法利用求根多重信号分类法估计信号中谐波和间谐波的个数及频率,将谐波和间谐波的频率作为Adaline神经网络的输入进行学习,用得到的权值确定谐波和间谐波的幅值和相位;将频率作为权值在改进的Adaline神经网络中参与学习,估计谐波和间谐波的频率、幅值和相位.Matlab仿真结果表明,该算法频率分辨率高、检测准确、收敛快;当频率估计准确时,基本Adaline神经网络与改进的Adaline神经网络具有相近的检测精度,且前者的实时性更好.     

基于相位补偿的任意次谐波有功/无功电流的检测

为了实现更加精细化的谐波分析和治理,需要对任意次谐波电流的有功分量和无功分量进行精确检测。对传统的同步坐标变换法进行了改进,采用park变换构建了电网电压各次谐波的初相位计算方法,根据该初相位构建扩展广义park变换矩阵对电流进行广义park变换,得到各次谐波电流的有功分量和无功分量。设计了改进的检测电路结构并用Matlab/simulink进行了仿真验证,结果表明,该方法可以精确地提取电流有功分量和无功分量,满足任意次谐波细粒度检测的要求。     

基于带通滤波器的实时谐波检测

准确、快速地检测系统电流中的谐波成分,是保证有源电力滤波器具备良好工作性能的关键.因此针对电网中谐波变化的特点,提出一种谐波电流实时检测方法,能够正确预测出未来时刻的谐波电流值.     

Hermite前向神经网络隐节点数目自动确定

从函数逼近论出发,构造了一类以Hermite正交基为激励函数的前向神经网络.在保证网络逼近能力的前提下,令其输入层至隐层的权值和各神经元阈值分别为1和0,导出了基于伪逆的隐层至输出层最优权值的直接计算公式.并针对Hermite前向神经网络,提出一种依照学习精度要求而逐次递增型的隐节点数自动、快速、准确的确定算法.对多个目标函数的计算机仿真和预测结果表明,该神经网络权值直接确定方法和隐节点数自动确定算法能很快地找到最优的隐节点数及其对应的最优权值,且网络具有较好的预测能力.     

一种基于模糊神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络,并将其应用于两关节机械手轨迹跟踪控制。该网络采用三角形隶属度函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理。这种模糊神经网络能够在线调节输出隶属度函数中心以及关节间耦合权值,使得控制器具有更好的学习与自适应能力。仿真结果表明,这种网络能很好的用于机器人的轨迹跟踪控制中,是一种行之有效的控制方法。     

基于免疫遗传算法的模糊神经网络在交流伺服系统中的应用

为了满足交流伺服系统高精度、快响应的要求，结合免疫遗传算法寻优速度快和模糊神经网
络控制不依赖于控制对象的优点，设计了一种基于免疫遗传算法优化的模糊神经网络控制的交流伺服系统
。采用免疫遗传算法优化模糊神经网络控制器中隶属函数的平均值、标准偏差以及隶属函数层与规划层的
连接权值。实验和仿真结果验证了该控制策略的可行性。该方法对于系统调节和设定值跟踪均具有很好的
控制效果，而且具有很好的抗干扰性能和较强的鲁棒性，使交流伺服系统具有良好的动、静态性能。     

基于改进遗传算法的非侵入式电器负荷识别

针对传统非侵入式负荷识别算法在电器负荷接近或较小时并不能得到较理想识别效果的问题,提出了一种基于谐波特征和遗传算法的非侵入式电器负荷识别算法.通过提取电流数据的非活性电流及其谐波特征,来增大不同用电器间的差异性,从而提高识别精度;并使用遗传算法优化的神经网络的权重、阈值和隐含层神经元个数来提高分类识别精度,达到细粒度用电分析的目的;使用包含5种家用电器的用电场景测试所提出算法的识别精度,并将其与反向传播神经网络算法相比较.仿真测试结果表明,提出的特征和算法具有更高的负荷识别准确率及更快的识别速度.     

基于遗传小波神经网络的电网故障诊断方法研究

电网故障中继电保护和断路器的拒动、误动以及信息上传过程中的丢失、畸变等问题使快速、准确的故障诊断仍是一个难题。神经网络方法虽已应用,但神经网络容易陷入局部极小值,针对此情况,提出了基于小波神经网络和遗传算法相结合的故障诊断方法。用遗传算法学习小波神经网络的权值、尺度函数、结构,可以确定用于故障诊断的最优小波神经网络。并对算例进行了仿真,仿真结果表明优化的故障诊断系统优于BP算法的诊断系统,提高了故障诊断精度。     

基于遗传算法的BP神经网络在声音智能监控中应用

针对标准的BP神经网络对于声音信号在线监控模型的预测误差比较大,提出了一种用遗传算法优化BP神经网络的算法,建立了声音监控的预测模型。遗传算法优化BP神经网络主要是用遗传算法来优化BP神经网络的初始权值和阀值,然后通过训练BP神经网络以得到预测模型的最优解,优化后的神经网络具有预测误差比较小、反应速度快等特点。实验结果证明,利用遗传算法优化BP神经网络在声音的智能监控中取得了比较好的效果,达到了系统设计的目的。     

粒子群优化的BP神经网络在电梯群控系统中的应用

目的提出基于粒子群优化的BP神经网络获取评价电梯群控系统派梯性能指标的新方法．方法综合考虑电梯运行特性,确定电梯调度控制策略,建立了电梯运行性能的评价指标函数,利用神经网络自学习功能获取评价指标的初始权值和阀值,针对平均候梯时间对比研究了普通BP神经网络算法和粒子群优化BP神经网络算法．结果将优化的权值和阀值代入BP神经网络获得平均候梯时间,粒子群优化的BP神经网络与BP神经网络相比,减少了迭代次数,缩短了运行时间．结论仿真实验表明,该方法可以避免BP神经网络训练中产生局部极小值,加快BP神经网络训练速率,提高电梯群控系统控制的速度．     

基于迟滞神经网络的风速时间序列预测

为了改善风速时间序列的预测性能,提出了一种基于迟滞神经网络的预测方法.通过改变神经元激励函数的方式将迟滞特性引入神经网络中,以增强历史输入对当前响应的影响,从而提高有用信息的利用率,提高风速时间序列的预测性能;借助于相空间重构理论构造风速预测训练样本,采用梯度下降法对网络权值进行训练,利用遗传算法对迟滞参数进行优化.仿真结果表明:与传统神经网络及ARMA模型等方法相比,迟滞神经网络能够有效减小风速时间序列的预测误差,提高预测性能.     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

基于灰箱模型的聚合反应分子量分布形状控制

利用离散正交多项式组合神经网络对聚合反应分子量分布(Molecular weight distri-bution,MWD)进行建模,由MWD矩向量线性表示网络权向量,从而实现了灰箱建模。首先,推导了作为网络基函数的正交多项式需满足的约束条件,扩展了基函数的选择范围,为建模方法提供了理论基础。然后,利用最优化方法推导了MWD控制序列,利用权向量可以由矩向量代替的性质,对控制系统性能指标函数进行了修正,实现了对分子量分布形状的控制,提高了算法鲁棒性。最后,通过实验室规模的苯乙烯聚合试验,证明了该方法的可行性。