基于多场耦合计算的气体绝缘开关设备母线接头过热性故障分析

为了研究气体绝缘开关设备(GIS)母线接头的过热性故障形成机理,基于多场耦合有限元法建立了GIS梅花接头温升计算模型。该模型通过对结构场分析计算触指与导体间的接触电阻(ECR)与接触热阻(TCR),运用电流传导分析计算了功率损失并作为热源代入温度场计算接头温升。进行了稳态电流温升实验,验证了所提出计算模型的有效性。基于该模型分析了导体插入深度与短路负荷电流对GIS母线接头温升的影响,结果表明短路负荷电流由于作用时间短而不会造成母线接头的热损伤,导体对接深度不足引起的接触点异常温升是导致GIS母线接头过热性故障的直接原因。     

基于相似模型的气体绝缘母线接头过热失效模拟

为研究气体绝缘母线(GIB)接头过热性故障的形成、发展过程,开展了母线接头的过热性失效模拟试验。受原型试验条件、试验时间及试验成本等因素的限制,采用相似模型进行物理模拟试验研究。通过对气体绝缘母线接头的温升现象进行相似性分析,推导了涡流-流体-热场相似关系,设计并试制了气体绝缘母线的相似模型,给出了模型的几何条件、物理条件和边界条件,并通过数值计算和物理模拟试验验证了模型的有效性。基于该模型进行气体绝缘母线接头温升特性和过热失效的试验研究,观察了母线接头接触不良情况下发热直至熔化的物理过程并监测了接头的温度变化。     

基于改进模糊聚类法和CPSO-LSSVM的母线负荷预测

针对大型冶金企业专用母线负荷种类多、分布不均、规律性弱等特点,利用自组织特征映射神经网络(self-organizing feature map,SOM)对模糊聚类法进行改进,以选择待预测日的相似日,通过db4小波对相似日负荷数据进行分解、去噪和重构处理后作为后期预测模型的训练样本;采用混沌粒子群算法(chaos particle swarm optimization,CPSO)对最小二乘支持向量机(least square support vector machine,LSSVM)算法的惩罚参数和核函数覆盖宽度进行优化,构造了基于CPSO和LSSVM的母线负荷预测模型。仿真结果表明:该负荷预测模型,将预测结果的相对误差降低到1.998%,预测精度达到了97%,提高了专用母线负荷预测准确性。     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

电力市场环境下基于FOALSSVM的电价预测

提出了一种基于果蝇优化算法(FOA)和最小二乘支持向量机(LSSVM)模型的日均电价混合预测模型。将日均电价的历史数据和负荷数据作为输入变量,利用FOA优化选择用于电价预测的LSSVM模型最优参数值,进而对日均电价进行预测。以澳大利亚NSW电力市场的实际数据为例对该模型进行了仿真测试,其结果表明:与自适应LSSVM、模拟退火LSSVM和ARIMA-GARCH模型相比,本文提出的预测模型的预测性能最好,其收敛速度快,预测精度高。     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

气体绝缘开关设备母线接头过热失效的相似模型

气体绝缘开关设备(gas-insulated switchgear,GIS)母线接头过热失效由开始发展到形成的时间较长,直接采用母线原型开展故障过程模拟试验缺乏客观现实性。为了再现GIS母线接头的过热失效过程,根据过热失效所包含的功率损耗、气体流动以及温升现象的数学模型,利用相似学原理推导了涡流–流体–热耦合场的相似关系,并对其进行了合理简化和修正,以提高相似模型的实用性,设计了GIS母线的局部相似模型,给出了模型的几何条件、物理条件和边界条件。利用三维有限元法分别计算了母线原型与相似模型涡流场及温度场,将电流密度及温度分布的计算结果进行对比,验证了相似建模的有效性。     

基于IPSO-LSSVM的风电功率短期预测研究

风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法（improved particle swarm optimization algorithm ,IPSO）对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机（LSSVM）的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机（support vector machine,SVM）模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机（IPSO-LSSVM）的风电功率预测模型具有较高的预测精度。     

基于VMD-WOA-LSSVM的汽轮机轴承振动趋势预测

在火电厂中,汽轮机故障通常会导致轴承的异常振动,因此预测轴承的振动趋势能够为汽轮机故障提供借鉴依据,降低故障发生概率。针对振动数据具有随机性和波动性的问题,首先利用变分模态分解方法,将振动序列分解成一系列子模态,以降低振动序列的非平稳性。将分解出的分量作为最小二乘支持向量机(Least Squares Support Veetor Machine Classifiers,LSSVM)预测模型的输入,利用鲸鱼算法(Whale Optimization Algorthm,WOA)算法的寻优特性对LSSVM中的参数进行优化,从而建立超前一步预测模型,最后将各个子模态的预测结果相叠加,得到预测振动数据。为评估该模型的预测性能,以江苏某电厂的轴承振动实测数据为例进行仿真实验。结果表明,所提出的预测模型优于其他多种典型预测模型,表现出较好的预测性能。     

基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究

为提高短期电力负荷预测精度,提出了一种天牛须搜索算法优化的LSSVM短期电力负荷预测模型。引入模拟退火算法的蒙特卡洛法则对优化算法进行改进,提高了该算法的稳定性。将改进BAS算法优化后的LSSVM模型用于短期电力负荷预测问题。使用小波阈值去噪处理电力负荷数据,减少一些不确定性因素对负荷预测的影响,提高了预测精度。选择四川某地区电网实际历史负荷数据进行分析和预测,并与PSO-LSSVM、LSSVM预测模型进行对比分析。算例结果表明,所提出的IBAS-LSSVM预测模型与LSSVM相比预测精度提升了1.5%左右,与PSO-LSSVM相比算法运行时间缩短了70%,且算法稳定性更高,证明了该方法的实用性与有效性。     

基于Wiener过程气体绝缘母线触头接触失效预测

气体绝缘母线(GIB)触头是过热性故障的多发部位,而接触电阻的大小是设备能否稳定运行的决定性因素。为了实现对GIB触头接触失效的预测,在时间尺度的非线性Wiener模型与逆幂率加速老化模型基础上,建立了GIB触头的失效预测模型。搭建了GIB触头电接触失效试验平台,开展了SF6和空气介质下GIB触头的载流摩擦磨损试验。通过似然函数参数估计得到不同条件下GIB触头接触电阻退化表达式,进而根据概率分布函数获取触点的接触失效寿命。试验结果与预测结果对比表明所建立失效预测模型的有效性。GIB触点在空气下的寿命22. 76年,在SF6下的寿命为43. 67年,所建立的失效预测模型可为GIB触头的设计制造和状态检修提供技术支持。     

基于PSO-LSSVM的锂离子电池荷电状态预测方法

锂离子电池荷电状态(State of Charge,SOC)直接影响着锂离子电池使用性能和效率。为了实现准确的SOC在线预测,提出一种粒子群优化最小二乘支持向量机软测量方法。该方法使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)建立非线性系统模型,以锂离子电池工作电压、电流为输入量,电池SOC为输出量。建立软测量模型时,LSSVM正则化参数λ和径向基核宽度μ直接影响着模型的准确度,采用粒子群算法(Particle Swarm Optimization,PSO)对这两个关键参数进行优化。用型号为BTS6050C4的NBT电池测试系统进行样本数据采集,通过MATLAB仿真软件进行模型训练并校正。实验和仿真结果表明采用PSO-LSSVM优化算法精确度高、易实现,且在正常和过充工作环境下均可有效预测锂离子电池SOC。     

封闭母线接头温度场分布的数值分析

作为电力传输设备,封闭母线接头处的发热温升和散热问题是影响其工作稳定性的重要因素之一。在构建封闭母线接头简化结构模型的基础上,结合热量传递的3种基本方式：导热、对流及辐射,建立了封闭母线接头温度场数学模型;利用有限容积法对封闭母线接头温度场数学模型进行离散化处理,并建立了离散化方程;通过三对角阵算法迭代求解出封闭母线接头处内外温度分布。通过试验验证了所建立模型的正确性,从而利用该模型可以准确监测封闭母线接头内外温度分布。     

基于模糊信息粒化和最小二乘支持向量机的风电功率 联合预测建模

提出一种基于模糊信息粒化和最小二乘支持向量机的风电功率平均值预测和风电功率波动范围预测的联合预测模型建模方法。该方法首先对训练样本进行模糊信息粒化,根据需要提取各个窗口的有效分量信息,即各窗口的最小值、大致平均值和最大值。其次应用最小二乘支持向量机对各个分量分别建立预测模型,并使用自适应粒子群算法对各个分量模型进行优化。最后使用优化后的最小二乘支持向量机模型对风电功率平均值和风电功率波动范围进行联合预测。实例研究表明,该联合预测模型可以有效进行风电功率平均值预测和风电功率波动范围预测的联合预测,并能有效跟踪风电功率变化。     

基于灰色关联分析法及GSA-LSSVM的汽轮机排汽焓预测模型

排汽焓是汽轮发电机组热经济性诊断必不可少的一个参数。通过汽轮机功率方程与灰色关联分析(grey correlation analysis,GCA)理论确定了模型的输入变量,利用万有引力搜索算法(gravitational search algorithm,GSA)优化了最小二乘支持向量机(least squares support vector machine,LSSVM)的惩罚因子μ以及核径向范围σ2个参数。通过比较分析,选用RBF_kernel为LSSVM的核函数。以GCA-GSA-LSSVM为基础,建立了预测汽轮机排汽焓的数学模型,并将其与BP神经网络、RBF神经网络进行对比,同时分析了该数学模型的鲁棒性。结果表明基于GCA-GSA-LSSVM的汽轮机排汽焓预测模型具有精度高、泛化能力强、鲁棒性强等优点,该方法为精确预测机组节能潜力提供了一种有力的工具。     

变负荷下超（超）临界机组过热器壁温预测

对超（超）临界机组过热器管壁温度的影响因素进行了分析,利用电厂现场DCS系统采集到的变负荷条件下的运行数据,与对应时刻管壁的温度实测数据进行了关联比较,确定了预测模型的输入变量。分析结果显示：一级、二级过热器出口汽温、主蒸汽温度、二次风E层风箱开度、有功功率等因素对过热器管壁温度的影响较为显著。采用BP神经网络算法,选取关联结果阈值超过0.70的14种主要因素进行升负荷、稳定负荷和降负荷3种条件下的管壁温度预测,预测结果与实测结果整体趋势保持一致,最大相对误差为1.42%,能够对过热器超温预警起到良好的指导作用。     

基于支持向量机的无线电干扰预测算法

针对给定海拔高度、温湿度、风速风向等环境因素下的特高压直流线路无线电干扰分布无法仿真计算的问题,采用灰色关联度模型提取给定环境参数相似的现场测试样本数据,利用遗传算法优化惩罚系数和支持向量的核宽度,提出了特高压直流无线电干扰预测的最小二乘支持向量机法(lest squares support vector machine,LSSVM)。通过分析迭代步数与训练误差证明了灰色关联度的遗传LSSVM方法计算效率和计算精确度优于LSSVM方法和遗传LSSVM方法。对比本文预测方法的计算结果与实际测量值、同类算法计算结果表明:低海拔时0.5 MHz无线电干扰水平负极全压下平均偏差为10.1%,正极半压负极全压下平均偏差为6.75%,双极全压下平均偏差为4.64%;海拔1 900 m时,双极全压下0.5 MHz和10MHz无线电干扰水平平均偏差分别为4.63%和3.5%。     

基于XGBoost与LSTM的风力发电机绕组温度预测

发电机定子绕组温度是风力发电机健康状态的重要表征.实时预测绕组超温将有助于及时制定运维计划并排查故障源.提出基于极端梯度提升树(extreme gradient boosting)与长短时记忆网络(long short-term memory,LSTM)加权融合的组合模型,进行风力发电机定子绕组温度预测,运用模型结构的...