基于代理模型的内置式永磁同步电机多目标优化设计

内置式永磁同步电机（IPMSM）因其具有高功率密度、宽调速范围和高效率等优点,被广泛应用于新能源汽车中。本文以一台IPMSM模型为研究对象,针对多目标优化过程中多次有限元迭代导致的计算时间长和优化效率低的问题,提出一种基于人工神经网络（ANN）代理模型的多目标优化方法。以电机的平均转矩和转矩脉动为优化目标,将转子相关结构参数作为优化变量,使用ANN代理模型构建优化变量和优化目标的映射关系,并采用非支配排序遗传算法（NSGA-Ⅱ）对电机进行多目标优化设计。最后,通过有限元仿真分析证明了本文提出的基于ANN代理模型的多目标优化方法的正确性。     

基于节点深度编码技术的配电网故障恢复

应用智能优化算法求解配电网故障恢复问题时,不仅需要在网络结构发生改变时频繁进行网络拓扑分析,而且往往需要在寻优过程中增加辐射校验环节以保证不违背配电网辐射运行约束,导致消耗了大量时间,降低了算法的寻优性能.将节点深度编码(NDE)技术引入多目标优化算法--改进的非支配遗传算法(NSGA-Ⅱ)中,采用NDE技术中的保留初始节点(PAO)和改变初始节点(CAO)操作取代传统算法中的交叉和变异操作,并针对配电网故障恢复问题的特点,提炼了PAO和CAO操作中的选点规则,保证了算法在寻优过程中始终满足配电网辐射运行约束;同时,通过应用NDE技术,可快速得到新的网络拓扑结构,无需重复进行网络拓扑分析,大大减少了算法的寻优时间.算例计算结果表明,基于NDE技术的NSGA-Ⅱ比普通NSGA-Ⅱ具有更好的收敛性、分布性,以及更快的计算速度.     

含深度学习代理模型的有源配电网电压无功控制进化算法

分布式可再生能源的大规模接入,加剧了有源配电网(Active Distribution Network, ADN)的三相不平衡,容易导致系统电压越限与线损增加。然而,由于当前配电网量测设备安装不全,部分节点负荷数据难以准确获取,因此传统基于全局观测的ADN电压控制方法难以满足实际控制需求。为解决上述问题,提出一种含深度学习代理模型的电压无功控制(Volt/Varcontrol,VVC)进化算法。设计以高速公路神经网络为代理模型,精确拟合局部量测负荷信息、调压控制策略与系统性能指标之间的映射关系。将训练后的代理模型嵌入非支配排序遗传算法的迭代寻优过程中,对电压偏移率、三相不平衡度及线路损耗指标进行直接计算,实现数据驱动的配电网VVC策略快速求取。在改进的IEEE 123节点三相配电网算例上进行测试,验证了所提算法的性能优势及求解效率。     

嵌入轻量梯度提升机评估模型的暂态稳定预防-紧急协调控制

为了综合发挥运行方式控制和稳控切机控制对电网暂态稳定性的提升作用,提出一种嵌入轻量梯度提升机(light gradient boosting machine,LightGBM)评估模型的电力系统暂态稳定预防-紧急协调控制决策方法。为快速评估控制措施对稳定裕度的影响,首先利用混合控制样本生成方法和LightGBM算法构建预防-紧急控制对稳定裕度的评估模型,考虑到不合理的切机、切负荷控制可能破坏系统稳定性,利用LightGBM评估模型的数值灵敏度来辨识有效的控制地点、缩减决策空间。进一步将LightGBM模型嵌入暂态稳定双层优化控制模型、替代暂态稳定时域仿真校核,结合改进的非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)实现协调控制策略的快速求解。通过IEEE 39节点测试算例,验证了所提方法能够实现不同严重程度的故障在发生前后的预防控制和紧急控制之间的协调配合,既提高了电网安全稳定性,又减小了优化调度成本。     

基于状态监测的多目标双层优化待修架空线选择模型

在建立架空线状态监测量与线路故障率的关系基础上,构建了检修费最少和系统风险最低的多目标双层优化待修架空线选择模型.为避免传统的将多目标优化转化成单目标优化的缺点,以改进的非支配排序遗传算法(NSGA-Ⅱ)直接求解出多目标双层优化模型的非劣解集.利用非劣解集反映的检修费用和系统风险目标间的关系,从可接受的系统风险角度来确定待检修的架空线.该策略可直观表明,对哪些线路检修能以最低的维修费用使系统可靠性维持在可接受的水平.通过可靠性测试系统RBTS的算例分析,表明所选择的待修线路集较常规状态检修有优势.     

基于数据驱动的聚合空调特性建模及控制策略

随着越来越多的可控负荷接入电网,空调负荷(air conditioning loads, ACLs)由于其响应速度快、调节潜力大、具有蓄冷储热等特征可作为柔性负荷参与平抑可再生能源引起的波动。在实际对ACLs进行聚合的过程中,室外温度、ACLs的温度和ACLs的数量等外部条件的变化会对聚合模型造成一定的影响。但现有大多数对ACLs的控制方法未考虑聚合ACLs外部特性模型(aggregate ACLs′external model, AAEM)的时变特征。文中提出一种基于数据驱动的AAEM及相应的负荷跟踪控制策略,考虑到基于ACLs热力学特性的ACLs的成本函数,采用神经网络对时变聚合ACLs的AAEM进行快速计算,降低AAEM的计算复杂程度。基于数据驱动的AAEM负荷跟踪控制策略有效减少了ACLs的开关状态切换次数及其调用总成本。基于实际用户的仿真结果验证了该方法的有效性。     

基于脆弱支路筛选的电网连锁故障多目标预防策略

针对电力系统中由线路故障引发的连锁故障现象,文中提出了一种基于脆弱支路筛选的电网连锁故障多目标预防策略。首先,提出一种改进的支路安全指标和系统安全指标,并引入泰尔熵指数对电力系统中各支路进行脆弱性评估,以此量化某支路故障退出运行后对电网运行安全性的影响;然后,根据支路脆弱性排序筛选出发生初始故障退出运行后对电网运行安全性影响较严重的几条支路,建立预想事故集;最后,建立兼顾系统安全指标和电网电压稳定,且能应对多种初始故障场景的电力系统连锁故障预防控制模型,并使用非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)求解该模型。基于IEEE 39节点系统进行仿真分析,结果表明所提预防策略能获得更安全合理的发电机组出力方案,且证明了支路负载率差异对脆弱支路辨识的重要性。     

基于数据潮流模型的高比例光伏配电网三相不平衡优化

随着分布式光伏的大规模接入,配电网固有的三相不平衡问题日益严重,给系统的电能质量、经济运行等带来不利影响。此外,高比例光伏的接入使得配电网的物理结构和运行方式更加复杂多变,导致当前依赖精确拓扑结构和线路参数的三相不平衡优化方法难以应用。因此,提出一种基于数据潮流模型的高比例光伏配电网三相不平衡优化方法。首先,采用基于双阶段注意力机制的循环神经网络方法建立数据潮流模型,拟合三相潮流约束中变量之间的函数关系。同时,提出图特征嵌入的方法将部分已知的拓扑信息嵌入到数据潮流模型中以提高拟合精度。其次,以训练后的数据潮流模型为基础重建配电网三相不平衡优化模型。最后,通过条件梯度下降方法求解该模型,以修改的IEEE33节点配电网络为例,验证了所提方法的有效性。     

基于深度神经网络的数据驱动潮流计算异常误差改进策略

在考虑不确定性的N-1安全校核、可靠性计算等需大规模重复潮流计算的场景中,基于深度神经网络(DNN)的数据驱动方法存在部分潮流变量误差异常的问题,影响潮流越限判别的准确率。对此,首先通过理论推导,分析DNN参数更新过程及数据标准化原理,发现该问题的重要成因之一为:DNN仅根据标准化误差迭代训练模型,未计及潮流变量的真实学习误差及工程实际的精度要求,无法及时针对误差异常的潮流变量调整DNN参数。然后,面向潮流计算提出基于动态学习权重的DNN自适应训练方法。该方法通过每轮迭代中验证集的真实学习误差、越限误判率及误差统计指标,确定各潮流变量的学习权重,有效降低数据驱动潮流计算的异常误差。最后,在IEEE标准算例和Polish 2383节点系统上仿真验证了所提方法的有效性。     

基于数据驱动的永磁同步电机深度神经网络控制

针对有限集模型预测转矩控制(MPTC)计算负担大导致实时性较差的问题,提出了基于数据驱动的永磁同步电机深度神经网络(DNN)控制方法.通过训练深度神经网络,使其学习并逼近MPTC的电压矢量选择规律,从而取代MPTC进行电压矢量的选择.通过扩充动态数据集,解决因动静态数据失衡引起的系统失控问题.通过更换训练数据集,基于数...     

光伏并网配电网中柔性环网开关的优化运行控制策略研究

分布式光伏发电的快速普及,使得配电网中光伏发电的比例日益提高。但大量光伏发电的并网运行却给配电网带来了一系列的电能质量问题。如何解决光伏大量接入带来的电压越限问题已经成为一个重点研究方向。柔性环网开关可以主动调节配电网的潮流,本文主要研究在光伏并网配电网中柔性环网开关的优化运行控制策略,重点解决电压越限问题。本文首先介绍了基于电压源型变流器的柔性环网开关的原理,分析了柔性环网开关稳定运行的约束条件,提出了一种基于扰动观察法的柔性环网开关实时优化运行控制策略,该方法不需要预先知道配电网的拓扑结构和参数,具有一定的工程实用价值。最后通过两个算例,验证了柔性环网开关有助于将光伏并网配电网的电压维持在正常水平内。     

基于模糊神经网络的VSC-HVDC系统控制器的研究

对同步旋转坐标系下的VSC-HVDC系统的控制策略进行研究,针对传统的PI控制在大扰动下难以精确控制的缺陷,设计了一种新的控制方案及控制器。采用双环控制,其中内环电流控制器采用PI控制,而外环控制器采用模糊控制与人工神经网络相结合的控制策略,并采用遗传算法优化模糊神经网络的连接权值和隶属度函数。整流侧有功功率跌落、三相短路等情况下的仿真结果表明,此种控制方法在大扰动下的动态稳定性明显优于传统PI控制。     

基于分布估计算法和遗传算法融合的神经网络故障诊断模型研究

本文构造了基于分布估计算法(Estimation of Distribution Algorithm,EDA)和遗传算法(GeneticAlgorithm,GA)融合的神经网络(Neural Network,NN)故障诊断模型。传统的GA看作是对生物进化"微观"层面上的模拟,则EDA是对生物进化"宏观"层面上的建模,是一种全新的进化模式。EDA与GA融合的实质是在解空间"宏观"和"微观"两个层面进行寻优,可克服NN陷入局部最小,提高NN的泛化能力,使故障诊断的容错性能得到有效改善。将该模型用于高压输电线系统的故障诊断,并作容错性能的评估。由仿真测试表明,研究模型的容错性能要优于传统的BP-NN模型和单纯GA优化NN模型。因此,新诊断模型是有一定的理论和实用价值的。     

基于DG和多端VSC协调控制的交直流配电网优化运行

分布式电源(DG)大规模并网不仅带来了消纳问题,还使交直流网络的经济安全运行面临巨大挑战。基于此,文中提出一种基于DG选址和多端电压源换流器(VSC)协调控制的交直流混合配电网优化运行方法。针对DG选址,基于灵敏度分析方法提出一种节点网损灵敏度指标,利用网络中不同位置的负荷节点对网损敏感度不同的规律进行交流网侧的DG选址。进而建立以网络有功总损耗、节点电压偏移量和DG盈余量最小为目标的多目标优化模型,对多端VSC不同控制策略下的端口功率电压变量和DG的有功出力进行协调控制。仿真结果表明,所提优化运行方法能够提高网络运行经济性和安全性,并兼顾配电网对DG的消纳水平,为实际工程中的决策人员提供重要的参考。