基于CMAC的双馈水轮发电机系统控制策略研究

针对可调速双馈水轮发电机系统的不确定性、非线性和参数时变的特点，提出了一种采用小脑模型(CMAC)神经网络的自适应控制策略。该控制策略以系统动态误差和给定信号量作为CMAC的激励信号，并与自适应神经网络控制器相结合构成系统的复合控制。该文对双馈水轮发电机系统的稳态调节和暂态特性进行了数字仿真研究，并与常规的PID控制进行比较。结果表明，基于CMAC的自适应控制策略对系统模型结构和参数变化、负荷扰动都具有很好的适应性和鲁棒性，控制品质优良，是一种适于在线学习控制的双馈水轮发电机系统控制方法。     

双馈水轮发电机快速功率响应的控制策略研究

与常规水轮发电机组相比,双馈水轮发电机组响应速度更快、工作水头更宽,但由于双馈发电机及变频器的使用,其控制更加复杂。首先,本文基于负荷优化理论,提出了一种在等单位功率曲线上寻找最小单位流量的方法,用于改进最优转速寻优策略;其次,依据电机定子磁链定向矢量控制理论,结合双通道励磁和多变量误差叠加的控制方法,将滞环电流控制引入到双馈水轮发电机励磁控制策略中,得到快速产生电压源变换器触发信号的方法;最后,建立了双馈水轮机单机无穷大发电系统仿真模型。在实现变速恒频功能的基础上,对改变给定功率工况进行仿真研究,并与常规水电站同工况仿真对比。结果表明,本文提出的控制方法可明显缩短功率响应的调节时间,具有一定的参考应用价值。     

双馈风力发电机的频率控制策略研究

提出了双馈风电机组参加频率控制的2种控制策略,惯性控制策略和下降速率控制策略,建立了2种控制策略下的双馈机组的控制器模型。为充分发挥双馈发电机和常规发电机的快速功率调节能力,下降速率控制策略采用冲失滤波器提取频率变化的高频信号做为双馈发电机的频率输入信号,并对双馈机组的控制参数提出了基于ISE优化设计方法。建立了含风电机组的两区域AGC控制系统模式,进行了负荷扰动仿真,对2种控制策略下的系统动态性能进行了比较。仿真结果表明,基于下降速率的控制策略可以使双馈风电机组在频率调节中充分发挥有功调节作用。     

基于人工神经网络的海上风场双馈风机功率分配优化策略

针对海上风电场双馈发电机的功率调节方式和可调范围,以风电场线路损耗最小为优化目标,通过改进粒子群算法获得功率分配优化数据,并以此优化数据作为人工神经网络聚合模型的学习数据。以风电场出口电网侧有功、无功需求和各风机的风速作为人工神经网络的输入,将各双馈发电机直接功率控制的有功和无功参考值作为输出,搭建了某海上风电场34台3 MW双馈发电机构成的四层36-102-102-68节点人工神经网络聚合模型。仿真结果表明:所提出的人工神经网络聚合模型可用于模拟风电场双馈发电机最优功率分配,具有较高的拟合精度;同时通过比较不同算法,得出改进粒子群算法对减小线路损耗具有显著效果。     

适应频率变化的双馈风电机组稳定分析改进模型

为分析变速恒频风电机组在不同电网频率下的稳定性,提出了考虑适应电网频率变化的双馈风电机组小干扰稳定性的电磁暂态模型。首先,分析了双馈感应发电机现有常规电磁暂态模型不含电网频率导数项,不能反映电网频率变化的问题,提出了双馈感应发电机改进转子暂态电动势的表达式,并建立了含变流器控制系统在内的双馈风电机组小信号改进模型。其次,采用特征值方法,对不同电网频率运行下采用改进及常规双馈感应发电机电磁暂态模型时的系统特征值进行计算与稳定性分析。最后,建立考虑电网频率变化的双馈风电系统时域仿真模型,分别对不同电网频率及不同负荷扰动下的风电机组有功功率和转速特性进行仿真。理论分析及仿真结果表明,相对常规电磁暂态模型,所提出的双馈风电机组改进模型对电网频率变化更为敏感,可适应频率变化的双馈风电机组小干扰稳定分析。     

含双馈感应风电机组的配电网无功优化

考虑传统无功调节设备调节次数限制和双馈感应电机无功容量限制等约束条件,提出一种基于双馈感应电机与传统无功调节设备协调控制的分时段分层无功优化策略。首先,该策略采用谱系聚类算法对预测等效负荷曲线进行分段;其次,在每个时段采用分层调控策略进行无功优化,建立以网损和平均电压偏离度之和为目标函数的无功优化模型,上层利用改进粒子群算法计算出包括双馈感应机组在内的各种无功调节设备的优化运行状态,并预先对变压器、电容器动作;在此基础上,下层利用双馈感应机组的无功调节能力对上层优化得出的并网点电压进行自动跟踪控制,由此实现了每个时段内接入点电压控制和全局无功优化相结合,最后以IEEE33节点配电系统为算例来验证上述策略的有效性。     

基于改进差分进化法的含双馈型风电场的配电网无功优化

以双馈型风电机组为研究对象,建立以风电无功功率、并联电容器投运组数为优化变量,以电压稳定性最好、电压偏差最小和有功网损最小为目标的无功优化模型。在对差分进化方法进行改进的基础上,研究基于改进差分进化法的含双馈型风电场的配电网无功优化算法。在IEEE 33节点系统中进行算例测试,结果验证了无功优化算法的有效性,合理调度双馈风力发电机有利于配电网的运行优化与电能质量的改善。     

考虑风功率分布规律的风电场无功补偿容量优化决策

双馈型风电机组的无功调节范围随其有功功率输出变化而存在波动性,极端条件下,又有其不可调节性,由此必然降低其对自身电压水平支撑的持续性。为此,在依据功率估算数据对风电场输出功率分布特性进行统计分析的基础上,提出考虑风功率分布特性的风电场无功补偿容量优化决策方法。该方法在充分计及双馈感应发电机无功调节能力与风功率分布特性的前提下,以无功补偿的投资成本与运行成本最小化为目标,构建无功补偿容量优化计算模型。该研究可使双馈型风电场的无功补偿决策更具针对性,并以最小代价实现该类风电场连续、无缝的无功电压调节。应用改进粒子群优化算法对所构建算例系统进行求解,分析结果表明了该研究的有效性。     

考虑不确定性的含DG与EV配电网无功电压协调优化方法

利用双馈风电机组和光伏发电系统等能够提供无功功率的分布式电源作为一种电压调节手段与传统的电压调节方式结合,在计及电动汽车入网充电作为一种随机负荷的情况下,建立了考虑不确定性的含分布式电源与电动汽车的配电网无功电压协调优化模型。以节点电压期望值平均偏差最小为目标函数,同时加入有功网损期望值和节点电压期望值最大偏差值为罚函数,使用本文提出的一种改进果蝇优化算法对优化模型进行求解。最后利用IEEE 33节点系统进行仿真计算并与粒子群算法进行比较,证明了本文所提出的优化模型和算法的有效性。     

双馈风电机组线性建模及特性分析

为研究双馈风电机组变速恒频运行时发电机的特性,应用小扰动分析方法建立了双馈发电机的线性模型.结合机组典型工况点上线性模型的极点分析,总结出发电机在变速运行中动态特性变化的规律.分析结果为双馈发电机控制系统设计及控制器参数整定提供了参考依据.     

采用改进BP神经网络算法预测短期电力负荷

介绍了BP神经网络算法的原理以及对其采用非线性阻尼最小二乘法Levenberg-Marquardt进行优化的的方法。针对短期电力负荷的特点,设计了预测短期电力负荷的BP神经网络模型和预测流程,并结合具体实例,采用MATLAB神经网络工具箱编程。与实例结果的比较表明,此方法预测短期电力负荷具有实用价值。     

基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测

针对短期负荷预测的精度问题,文中提出基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法。在传统的灰色关联分析方法基础上,引入以距离相似性和形状相近性相关联的综合灰色关联度选取更高相似度的相似日。为缩小训练样本的差异程度,提高预测精度,利用相似日集合中的样本来训练蝙蝠优化的反向传播(BP)神经网络预测模型。以中国南方某城市的历史数据作为实际算例,将文中提出的基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法与单纯的BP神经网络法、蝙蝠优化BP神经网络法、传统灰色关联与蝙蝠优化的BP神经网络组合法的预测结果相比,结果表明文中方法的预测精度较高。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于遗传优化BP网络的振动故障诊断

为克服传统BP神经网络存在着容易陷入局部极小点、对初值要求高的缺点,采用遗传算法对BP神经网络的初值空间进行多点遗传优化,得到最佳初始权值矩阵,在此基础上按误差前向反馈算法沿负梯度搜索进行网络学习;同时提出了一种用于BP神经网络遗传优化的染色体浮点编码方法,并描述了作用于染色体上的遗传操作算法。仿真研究表明:遗传BP神经网络的收敛和诊断能力优于传统BP神经网络,可有效运用到汽轮发电机组振动故障诊断中。     

基于改进型BP神经网络的短期电力负荷预测

提出一种改进的 BP 神经网络学习算法,并将其应用于短期电力负荷预测中。研究 结果表明：基于改进的 BP 神经网络的短期电力负荷预测具有精度高的特点,负荷预测结果的相 对误差小于3．63%。     

基于人工神经网络的综合负荷模型

指出了BP神经网络应用于动态综合负荷建模时存在的缺陷。提出了一种适合描述综合负荷动态特性的具有内反馈功能的动态Elman神经网络负荷模型,并采用改进遗传算法作为优化算法对某220 kV变电站综合负荷采集样本进行建模。大量建模实践表明,文章所提出的动态Elman神经网络综合负荷模型具有结构简单、参数少、应用简便、对综合负荷动态特性描述能力强等优点;Elman神经网络不仅对动态负荷建模具有良好的实用价值,也是一种很适合于电力系统其他动态非线性辨识的神经网络模型结构。     

基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。     

基于改进BP神经网络的螺杆转子铣削表面粗糙度预测

以提高螺杆转子等具有螺旋曲面零件铣削表面质量为目的。根据螺杆转子加工特点,针对主轴转速、进给倍率和间歇进给量进行单因素轮换铣削加工实验。采用改进粒子群算法确定BP神经网络初始权值和阈值的最优值,采用训练后的改进BP神经网络算法对铣削后的螺杆转子表面粗糙度进行预测,并与传统BP神经网络进行对比。结果表明,传统BP神经网络对表面粗糙度的训练精度最低,改进算法中粒子群迭代2 000次的平均相对误差最小,为1.21%。利用模型进行工艺参数对表面粗糙度影响规律的预测,可以看出,其他工艺参数不变的前提下,随着主轴转速的升高,表面粗糙度呈现降低趋势;随间歇进给量的增大,表面粗糙度先降低后升高;表面粗糙度随进给倍率的增加,呈现先降低后升高的趋势。结论：改进神经网络算法可以准确预测铣削后的螺杆转子表面粗糙度,为螺杆转子铣削加工中的工艺参数选择提供理论指导。     

基于自适应变异蝙蝠优化BP神经网络的短期风电功率预测

风电规模化并网技术的大力发展,进一步增大了对电力系统规划与运行的影响。现今,风电机组出力面临着波动的随机性以及不确定性的技术性问题,为了提高短期风电功率预测的精度,文中提出了一种结合基于群体适应度方差自适应变异的蝙蝠优化算法(AMBA)与BP神经网络算法,就短期风电功率进行精准预测。该模型根据群体适应度方差以及当前最优解的数值来定位当前最优个体的变异概率,并对全局最优个体进行t分布变异,对变异后的蝙蝠个体进行二次寻优。利用AMBA优化BP神经网络中包含的网络参数,进而提高了BP神经网络的预测精度。通过对实例进行分析,将AMBA-BP模型预测效果与其他模型预测结果相对比。结果表明,该模型能有效提高短期风电功率预测精度。