Power generation maximization of distributed photovoltaic systems using dynamic topology reconfiguration

The ‘mismatch losses’ problem is commonly encountered in distributed photovoltaic (PV) power generation systems. It can directly reduce power generation. Hence, PV array reconfiguration techniques have become highly popular to minimize the mismatch losses. In this paper, a dynamical array reconfiguration method for Total-Cross-Ties (TCT) and Series–Parallel (SP) interconnected PV arrays is proposed. The method aims to improve the maximum power output generation of a distributed PV array in different mismatch conditions through a set of inverters and a switching matrix that is controlled by a dynamic and scalable reconfiguration optimization algorithm. The structures of the switching matrix for both TCT-based and SP-based PV arrays are designed to enable flexible alteration of the electrical connections between PV strings and inverters. Also, the proposed reconfiguration solution is scalable, because the size of the switching matrix deployed in the proposed solution is only determined by the numbers of the PV strings and the inverters, and is not related to the number of PV modules in a string. The performance of the proposed method is assessed for PV arrays with both TCT and SP interconnections in different mismatch conditions, including different partial shading and random PV module failure. The average optimization time for TCT and SP interconnected PV arrays is 0.02 and 3 s, respectively. The effectiveness of the proposed dynamical reconfiguration is confirmed, with the average maximum power generation improved by 8.56% for the TCT-based PV array and 6.43% for the SP-based PV array compared to a fixed topology scheme.     

基于卷积神经网络的电力系统暂态稳定预防控制方法

为了更好地实现电力系统暂态稳定预防控制,提出了基于卷积神经网络(Convolutional Neural Network, CNN)的电力系统暂态稳定预防控制方法。通过CNN模型输出变量灵敏度选择控制发电机并确定控制量,然后采用CNN和时域仿真相结合的暂态稳定评估方法进行控制方案校核,得到使系统在预想故障下稳定的控制方案。采用某省级电网算例进行预防控制效果验证。结果表明,采用所提出的预防控制方法,可以找到使系统恢复稳定的预防控制策略。     

基于深度门控循环单元神经网络的短期风功率预测模型

随着新能源的不断发展,大量大容量风电机组并入电网运行,给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型,该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性,在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN),以提高模型对原始数据的特征提取和降维能力,并引入dropout技术减少模型中的过拟合现象。工程实例分析表明,所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。     

基于GPS同步量测量的模糊神经网络用于暂态稳定预测研究

利用GPS同步时钟获得系统各机组的功角或系统内最大摇摆角 ,然后通过模糊神经网络进行暂态稳定性预测 ,充分利用了模糊系统和神经网络的优点 ,一方面考虑了专家的经验 ,另一方面又通过样本集进行学习 ,能自动提取模糊规则、优化隶属函数等 ,因此具有较高的模式分类正确率和函数逼近精度。对 6机 2 2节点的算例表明 ,所提方法是有效的。     

模糊神经网络光伏功率调节系统

光伏功率调节系统(PVPCS)集光伏并网发电与无功补偿为一体,以此来提高电能质量和减少电网功率损耗.在分析了系统的工作原理和控制策略的基础上,提出了基于模糊神经网络(FNN)的智能控制策略,构成了具有双FNN模型结构的光伏功率调节系统,能够稳定直流侧电容电压,优化对电网谐波、无功的补偿效果,而且具有更强的鲁棒性和适应性.仿真结果在调整系统功率的同时使谐波含量从4.61％下降到4.18％,证实了所提策略的可行性.     

基于GAF与卷积神经网络的电能质量扰动分类

针对在设计电能质量扰动(Power Quality Disturbance, PQD)分类器时人工选取特征过程繁琐并且不够精确的问题,提出一种基于格拉姆角场(Gramian Angular Field, GAF)和卷积神经网络(Convolutional Neural Network, CNN)的PQD分类方法。首先将一维PQD信号映射为二维图像,接着在已有的神经网络基础上构造适用于PQD分类的网络框架。最后将二维图像作为输入,CNN将自动从海量的扰动样本中提取特征并加以分类。仿真结果表明该方法在噪声数据中具有良好的分类性能,是一种行之有效的PQD分类方法。     

基于MVEE和LSPTSVM的电力系统暂态稳定评估

针对采用模式识别法进行电力系统暂态稳定评估时输入特征集构建困难和评估模型训练速度慢的问题,提出一种基于最小体积闭包椭球理论(Minimum Volume Enclosing Ellipsoid, MVEE)和最小二乘投影孪生支持向量机(Least Square Projection Twin Support Vector machine, LSPTSVM)的电力系统暂态稳定评估方法。首先,根据MVEE理论对系统轨迹信息进行优化处理,确定高维空间内包含所有轨迹信息的最小体积闭包椭球,并利用最小体积闭包椭球的物理属性构建输入特征集,可有效实现特征集降维。其次,在传统投影孪生支持向量机的目标函数中引入正则化项,并改进评估模型的内部约束条件,提高模型的求解速度,达到大规模电力系统的计算效率需求。最后,通过对IEEE-39和IEEE-145节点系统的算例分析,验证所提方法的有效性与可行性。     

基于正规形变换考虑发电机励磁控制的电力系统暂态稳定分析

当考虑发电机的励磁控制时,难以确定系统的稳定域。根据非线性动力系统理论,非线性系统的稳定域边界是由稳定边界上的不稳定平衡点处的稳定流形的并集构成。当系统受到大扰动时,主导不稳定平衡点(CUEP)上的稳定流形就是电力系统的稳定边界。通过正规形变换,将非线性的系统映射到线性系统,根据线性空间的稳定子空间来确定原始系统的稳定流形,写出稳定边界的表达式。当持续故障轨线和系统的稳定边界相交时,就求得故障临界切除时间。实际仿真结果表明该方法是有效的,且略有保守。     

A new power system transient stability assessment method based on Type-2 fuzzy neural network estimation

Transient stability assessment (TSA) of large power systems by the conventional method is a time consuming task. For each disturbance many nonlinear equations should be solved that makes the problem too complex and will lead to delayed decisions in providing the necessary control signals for controlling the system. Nowadays new methods which are devise artificial intelligence techniques are frequently used for TSA problem instead of traditional methods. Unfortunately these methods are suffering from uncertainty in input measurements. Therefore, there is a necessity to develop a reliable and fast online TSA to analyze the stability status of power systems when exposed to credible disturbances. We propose a direct method based on Type-2 fuzzy neural network for TSA problem. The Type-2 fuzzy logic can properly handle the uncertainty which is exist in the measurement of power system parameters. On the other hand a multilayer perceptron (MLP) neural network (NN) has expert knowledge and learning capability. The proposed hybrid method combines both of these capabilities to achieve an accurate estimation of critical clearing time (CCT). The CCT is an index of TSA in power systems. The Type-2 fuzzy NN is trained by fast resilient back-propagation algorithm. Also, in order to the proposed approach become scalable in a large power system, a NN based sensitivity analysis method is employed to select more effective input data. Moreover, In order to verify the performance of the proposed Type-2 fuzzy NN based method, it has been compared with a MLP NN method. Both of the methods are applied to the IEEE standard New England 10-machine 39-bus test system. The simulation results show the effectiveness of the proposed method in compare to the frequently used MLP NN based method in terms of accuracy and computational cost of CCT estimation for sample fault scenarios.     

基于支持向量机综合分类模型和关键样本集的电力系统暂态稳定评估

为了提高支持向量机(Support Vector Machine, SVM)的分类性能,提出了根据关键样本集构造的SVM综合分类模型进行电力系统暂态稳定评估的方法。给出了基于不同特征量的SVM综合分类模型的构建方法、关键样本集的产生方法以及基于综合分类模型和关键样本集的SVM分类步骤。采用3机9节点典型算例和某省级电网算例进行分类效果分析。分析结果表明,所提出的基于SVM综合分类模型和关键样本集的方法,相较于传统SVM方法,大幅度减少了将不稳定样本判定为稳定的漏分类数,提高了SVM方法的实用性。所提出的基于关键样本集构造分类模型的思路对于其他数据挖掘方法也有一定的借鉴意义。     

基于量子加权多层级GRU神经网络的综合能源 系统多元负荷短期预测

针对综合能源系统多元负荷短期预测问题,提出一种基于量子加权多层级GRU(quantum weighted multi hierarchy gated recurrent unit, QWMHGRU)神经网络的多元负荷短期预测模型。采用最大信息系数对多元负荷间和负荷与天气因素间的相关性进行分析,选取模型输入量。然后改进GRU的门控结构,形成多层级门控循环单元(multi hierarchy gated recurrent unit, MHGRU),并将量子加权神经元引入MHGRU,构成QWMHGRU多变量负荷预测模型。仿真算例结果表明,QWMHGRU多元负荷预测模型在夏季和冬季的权重平均精度均可达97%以上,相比MHGRU、QWGRU和GRU模型具有更高的预测精度。     

基于一维卷积神经网络多任务学习的电能质量扰动识别方法

传统电能质量识别需要先用信号处理技术提取信号特征,且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性,使得复合扰动分类的鲁棒性和抗噪性能不理想。针对这些问题,提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动。此结构去除了传统方法的信号特征提取阶段,将扰动分类任务分成四个子任务,设计了相应的标签编码方案,最后输出一个10维标签向量完成多任务分类。仿真结果表明,该方法在不同信噪比时均具有较好的识别准确率,表明此模型具有较强的鲁棒性和抗噪声能力。同时,多任务分类相比One-hot多分类和多标签分类准确率更高,表明了该建模方式的有效性。     

基于分散协调理论电力系统稳定控制

利用分散协调理论设计的控制器按照全系统模型统一设计,能使孤立控制器能相互协调的工作,改善整个系统的控制特性,提高系统受到干扰后恢复稳定的能力。通过算例证明利用这种方法设计的控制器优于传统的励磁控制器。     

Distortions identification and compensation based on artificial neural networks using symmetrical components of the voltages and the currents

The problem of harmonics identifying and compensating has been of great interest in recent years. A new neural identification scheme for an active power filter (APF) is proposed. This scheme identifies the direct, inverse and zero sequence components of both the voltages and the currents of the power network. The components result from a new and generic decomposition of a three-phase signal which can be either the voltage or the current. For one signal, the direct components extraction requires two independent Adaline networks, and the inverse components extraction two other Adalines. The voltage and current components are used to on-line compute the instantaneous direct, inverse and zero sequence powers. The proposed decomposition is a new formulation of the instantaneous powers and is also appropriate for unbalanced systems. The reference compensation currents can be determined according to different compensation objectives. The resulting compensation currents are then re-injected phase-opposite through the APF in real-time. The performance is evaluated through several simulation examples and through different experiments. The results show that the proposed neural method outperforms other methods, such as the conventional instantaneous power theory.     

基于时序特征选择与改进MSPCA算法的电网暂态稳定态势智能评估

在充分利用电网海量历史运行数据及大量仿真分析数据评估暂态稳定态势过程中,恰当的选择与稳定特征以及提取非正常态势关键影响特征是实现电网暂态稳定态势评估的基础。文中提出了一种基于时序特征选择的暂态稳定态势智能评估方法。给出了基于未来运行点的邻域样本在线生成方法及稳定态势等级描述,选择输电断面作为主要特征;基于时序邻域信息度量算法,依据累积贡献率对特征降序排列,并采用基于邻域互信息的计算并伴随基于SVM的特征子集搜索实现冗余特征的剔除,形成稳定特征子集;在应用电网稳定特征子集进行态势评估场景中,采用改进的多尺度主元分析法对稳定相关信息进行提取,通过特征贡献率排序实现非正常态势关键影响特征识别。结合IEEE 39节点算例系统,仿真结果验证了文中所提方法的有效性。     

广域动态信息条件下电网安全紧急控制的研究

在分析多次国际大停电事故原因的基础上,指出切除故障元件的主保护系统并不需要广域信息：而使用广域动态信息协调保障全网安全运行的自动装置和稳定性控制系统的动作。其控制的正确性和有效性将会得到提高。提出了在系统动态过程中网络操作切换对电力系统安全稳定性影响的一般模型．并以重合闸操作序列为例,给出了利用广域动态信息保障网络结构强壮性及系统稳定性的最佳操作序列和最佳操作时间的捕捉方法。提出了一种不再依赖于数值计算而是根据实测的广域发电机轨迹信息预测系统暂态不稳定的原理和算法。在广域动态信息条件下,使互联电网的安全稳定紧急控制系统的快速、有效控制的实际应用成为可能。     

基于深度置信网络的电网安全稳定控制系统故障诊断方法

安全稳定控制系统（安控系统）控制节点多,控制链条长,若因故障导致拒动或者误动,将给电网的运行造成严重危害。安控系统的故障诊断是电力系统安全稳定运行的基础。现有安控系统的故障诊断主要依赖于技术人员依据通信报文辅助判别异常原因,难以对安控系统各个环节故障进行实时诊断。为此,分析了安控系统故障的存在环节和产生原因,提取了安控系统故障特征量;进而建立了基于深度置信网络的安控系统故障诊断模型,提出了安控系统故障诊断方法;最后选取安控系统运行故障样本,验证了故障诊断方法的正确性。     

地区电网电压无功联动协调控制系统的研究

为了提高地区电网电压质量、优化电网无功功率分布、降低网损,研制了一套地区电压无功联动协调控制系统。该系统在地市电网无功容量不足的情况下,自动给县级电压无功控制系统下发关口无功指令,依靠县级电网的剩余无功及时补偿地市电网的无功缺额。考虑市级220 kV变电站关口无功的实际值,结合省调下发的无功指令,确定了下发给县级电压无功控制系统的关口无功指令值,并详细阐述了地区电网电压无功联动协调控制方案。实际运行表明,该联动协调控制系统有利于提高地区电网的电压水平、促进电网无功的合理分布和降低网损,为供电企业带来经济和社会效益。