基于信息融合技术的电力系统暂态稳定评估

应用信息融合技术对电力系统暂态稳定进行评估,提出了一种基于"结合人工神经网络和D-S证据理论的信息融合模型"的电力系统暂态稳定评估方法。当电力系统发生故障时,采用该方法可以综合来自电网和发电机的多个信息源对电力系统的暂态稳定进行判别。首先,选取能迅速反映电力系统暂态过程的特征量,如功角、加速度、转子动能等,进行像素级融合。然后,将这些特征量划分为时间和空间2个征兆域,并分别输入至设定的3个子神经网络进行特征级融合。最后,将特征级融合的输出作为决策级融合的输入,利用D-S证据理论实现时间域和空间域的决策级融合,从而提高了电力系统暂态稳定评估的可靠性。利用中国版BPA暂态稳定程序和电力系统全过程动态仿真软件,对7机24节点系统进行了仿真。仿真结果表明,基于信息融合技术的电力系统暂态稳定评估方法较基于人工神经网络的评估方法更为快速、准确。     

电力系统暂态稳定影响因素的分析

电力系统暂态稳定影响因素的分析对电力系统暂态稳定性、电力系统的安全运行和暂态稳定预防控制都有着重要意义。影响电力系统暂态稳定的主要因素分别为故障类型、运行方式、微机保护的故障切除时间等。本文通过使用华中科技大学研发的WDT-Ⅲ电力系统综合自动化试验台进行暂态稳定实验,并对获取的实验数据进行了分析研究,实验结果表明,三种因素对电力系统暂态稳定具有不同的影响。实验结果分析对提高电网暂态稳定分析具有一定的参考价值。     

蒙特卡罗法在电力系统暂态稳定评估中的应用

随着电力系统规模的扩大和运行环境的日益复杂,基于概率的暂态稳定评估计算对于电力系统的规划和运行具有重要的意义。本文基于大电网的暂态稳定分析特点,对蒙特卡罗的状态采样、误差分析与收敛判据等关键内容进行了研究,提出概率暂态稳定性故障抽样模型、评估量化指标,以及基于蒙特卡罗方法的暂态稳定性评估流程。通过南方某省级电网实际算例分析,验证了所提方法在大电网暂态稳定性评估应用中的合理性和有效性。     

信息融合技术在电力系统暂态稳定评估中的应用

针对电力系统暂态稳定的特点和要求，运用人工神经网络并结合D-S证据理论的信息融合技术，提出了一种暂态稳定评估模型。这个模型综合来自不同传感器的信息，筛选出能迅速反映暂态稳定的特征量，并把特征量按照时间和空间进行分类，最后将这些特征量输入到该模型，得到电力系统暂态稳定评估的最终结果。在4机11节点的测试系统上进行的仿真表明：采用信息融合的模型，能提高运算速度和降低误判率，为在线进行电力系统的暂态稳定分析提供了一条新的思路。     

基于PMU同步数据的电力系统暂态稳定分析方法综述

同步相位测量单元利用全球定位系统 (GPS)提供的精确时间基准对电力系统的状态进行数据采集。传统的暂态稳定分析方法主要是基于各节点的异步采样数据来判断稳定。PMU的同步采样数据为电力系统的暂态稳定分析和控制提供了一条新的途径 ,也为传统的电力系统暂态稳定分析方法提出了改进的条件。本文首先简要介绍了相量测量单元应用现状 ,然后综述了PMU出现后在电力系统暂态稳定分析方面出现的新方法和取得的新进展     

支路势能法在电力系统暂态稳定分析中的应用

支路势能法是建立于结构保持的多机电力系统模型的电力系统暂态稳定性分析方法,可用于分析故障后电力系统的稳定性以及脆弱的输电瓶颈和系统失稳模式的判别。在多机电力系统中的应用表明该方法在电力系统暂态稳定性分析的有效性。     

TCSC与发电机励磁的分散线性最优协调控制

针对电力系统非线性特性,采用反馈线性方法,以改善电力系统暂态稳定性为目标,应用线性二次型最优控制理论探讨了TCSC和发电机励磁系统的分散协调控制规律。最后应用Matlab软件对单机无穷大系统进行仿真试验,结果表明：所设计的控制规律能有效提高系统暂态稳定性。由于控制信号实现了本地化,本文所设计控制器具有一定工程实用性。     

基于PMU同步数据的电力系统暂态稳定分析方法综述

同步相位测量单元利用全球定位系统(GPS)提供的精确时间基准对电力系统的状态进行数据采集.传统的暂态稳定分析方法主要是基于各节点的异步采样数据来判断稳定.PMU的同步采样数据为电力系统的暂态稳定分析和控制提供了一条新的途径,也为传统的电力系统暂态稳定分析方法提出了改进的条件.本文首先简要介绍了相量测量单元应用现状,然后综述了PMU出现后在电力系统暂态稳定分析方面出现的新方法和取得的新进展.     

人工智能技术在电力系统继电保护中的应用

90年代以来,电力系统保护领域内的研究工作转向人工智能的应用,本文简要介绍了一些人工智能技术如专家系统、暂态保护、人工神经网络、模糊集理论、小波分析等在电力系统继电保护领域中应用,分析了各种方法的优缺点,并提出今后的发展方向。     

电力系统暂态稳定分析的内在并行算法研究

本文研究了电力系统暂态稳定分析的内在并行算法。将隐式梯形积分法与波形松弛法相结合，提出了电力系统暂态稳定分析的内在并行算法，并在多Ｔｒａｎｓｐｕｔｅｒ并行计算机上予以实现。算例结果表明，本文提出的算法具有较好的并行性能。     

A feed-forward artificial neural network with enhanced feature selection for power system transient stability assessment

This paper describes an approach where an artificial neural network is used to predict the stability status of the power system. This efficient and robust approach combines the advantages of the time–domain integration schemes and artificial neural network for on-line transient stability assessment of the power system. The transient stability index has been obtained by the extended equal area criterion method and is used as an output of the neural network. Two feature selection techniques have been used to identify the input variables best suitable for training. The proposed technique predicts the transient stability index correctly, without any false alarm. In addition, the transient stability index as an output of the neural network helps to implement possible control actions. The results obtained demonstrate the potential for neural network to be a part of any on-line dynamic security assessment tool.     

基于人工神经网络的电力系统暂态安全域估计

本文提出了一种利用人工神经网络来描述和拟合电力系统暂态安全性能的方法方法，介绍了一种将集总学习规则和最小二乘法结合起来的快速学习算法。利用某一简化的电力系统。对本方法进行了验证，并将所提出的快速学习方法和传统的B-P学习法进行了比较。     

基于灰色预测和神经网络的电力系统负荷预测

负荷是电力系统运行和规划的依据,准确的负荷预测有利于提高电力系统运行的经济性和可靠性。章提出了一种基于灰色预测和神经网络组合的电力系统负荷预测方法。在灰色预测中通过对历史数据作不同的取舍并经累加生成后建立不同的模型;对于灰色预测的不同结果再使用人工神经网络进行组合。具体方法是：神经网络的输入为各种灰色模型（GM）的预测,神经网络的输出为组合预测的结果。学习样本选择与预测量量近的n个已知值,学习方法使用改进的BP算法。所提方法综合了GM预测所需原始数据少、方法简单、而神经网络具有非线性的拟合能力的特点,提高了预测精度。算例表明了所提方法是可行的和有效的。     

基于小波变换和ANN的最佳重合闸时刻的研究

目前对于线路瞬时性故障的最佳重合闸时刻以离线计算为主,如利用能量函数法,但其计算困难,计算时间较长,在电力系统中不能满足实际运行条件变化的要求。文中提出了一种基于小波变换和人工神经网络（ANN）方法的在线寻求瞬时性故障最佳重合闸时刻的方法,只需较短时间就能计算出最佳重合闸时刻。首先利用MATLAB对电力系统故障进行仿真,把故障信号通过小波变换分解成不同尺度下的“近似”分量（approximation）和“详细”分量（detail）,并把提取的特征值作为人工神经网络的输入量,进行训练,从而找到最佳重合闸时刻。算例验证了所提出方法的有效性和准确性。     

复合神经网络在电力系统暂态稳定评估中的应用

提出了一种基于复合人工神经网络的电力系统暂态稳定评估方法。该复合网络由Kohonen网络与若干径向基(RBF)网络组成。它结合了两种网络的优点,因此提高了稳定评估能力。分别采用Kohonen网络、径向基网络以及该复合网络对华中电网的仿真结果证实了该方法的优越性。     

基于小波神经网络的风力发电系统暂态电能质量分析

结合当前风力发电大规模发展、风电系统大规模并网的趋势,针对风电系统并网所存在的暂态电能质量问题,将广泛运用于信号处理的同神经网络相结合,构造了小波神经网络,详细的分析了小波变换和神经网络的基本原理,给出了小波神经网络的拓扑结构图及风电系统暂态电能质量的仿真。仿真结果表明,小波神经网络可以有效的对暂态故障进行检测、时间定位及预测,和其它控制方式相结合可以改善暂态电能质量。     

Intelligent optimal sieving method for FACTS device control in multi-machine systems

A multi-target oriented optimal control strategy for FACTS devices installed in multi-machine power systems is presented in this paper, which is named the intelligent optimal sieving control (IOSC) method. This new method divides the FACTS device output region into several parts and selects one typical value from each part, which is called output candidate. Then, an intelligent optimal sieve is constructed, which predicts the impacts of each output candidate on a power system and sieves out an optimal output from all of the candidates. The artificial neural network technologies and fuzzy methods are applied to build the intelligent sieve. Finally, the real control signal of FACTS devices is calculated according to the selected optimal output through inverse system method. Simulation has been done on a three-machine power system and the results show that the proposed IOSC controller can effectively attenuate system oscillations and enhance the power system transient stability.     

基于小波变换和神经网络的同步电机参数辨识新方法

准确地辨识同步电机参数,是研究分析电力系统运行和控制系统设计的前提。神经网络具有信号分离能力，但传统的人工神经元模型不适合分离同步电机的三相突然短路电流。为精确辨识同步电机的瞬态参数，文中提出了一种改进的人工神经元模型，并将小波变换和改进的线性人工神经元结合起来，对采集到的同步电机三相突然短路电流进行分析处理。利用小波变换对短路电流进行预处理，并辨识得到各个时间常数；根据辨识得到的时间常数来设定神经元激发函数中时间常数的迭代初始值，用改进的人工神经元模型对短路电流进行分离，得到其中的直流、基波和二次谐波电流分量，通过简单代数运算便得到电机的瞬态参数。仿真分析和实机试验表明，该方法能够有效地分离出短路电流中的信号成分，并且提高了电机参数的辨识精度。     

用于磁化曲线拟合的高精度混合型径向基函数神经网络

铁磁材料的主磁滞回环是强非线性函数,其精确拟合是电力系统暂态仿真中的一个重要课题,应用人工神经网络对其进行模拟是一种新尝试。作者针对前馈神经网络的反向传播BP学习算法收敛速度慢和径向基函数（RBF）神经网络在拟合中光滑性（内插和外推能力）差的缺点,提出了一种新型的混合型径向基函数神经网络,有效地克服了BP神经网络和普通径向基函数神经网络在铁磁材料主磁滞回环拟合方面的缺点,实际应用获得满意结果。     

人工神经网络在电能质量调节器中的应用仿真研究

运用人工神经网络控制模式和一种新型控制算法,设计了一种可同时补偿无功和抑制谐波的并联有源电力滤波器.经MATLAB仿真,结果证明,所提出的有源电力滤波器控制技术及其控制算法,对消除谐波和补偿无功电流起到了更好的作用.