基于灵敏度特征决策的GRNN短路容量智能辨识

针对当前局部地区短路容量水平已接近现有设备额定值的情况,提出一种短路容量智能辨识方法。利用基于潮流的短路计算法计算系统各母线的最大短路容量,通过对典型潮流下灵敏度的计算,选择对短路容量贡献程度较大的发电机、负荷的有功出力作为输入特征向量,建立训练样本,对广义回归神经网络（GRNN）进行训练,构成该电网结构下的短路容量辨识的人工神经网络。应用该模型对运行中电网的母线短路容量水平进行快速扫描,为智能电网与智能调度中的故障识别快速仿真建模（FSM）提供了一种新思路。通过IEEE 30节点系统验证了该方法的可行性与有效性。     

基于人工神经网络的逆变器开路故障诊断

三相四桥臂逆变器具有优良的带不平衡负载能力,因此对于应用在航空电源、不间断电源(UPS)等领域具有重要意义.同时,由于第4桥臂的引入,使得四桥臂逆变器表现出的故障特征进一步复杂,从而增加了逆变器开关管开路故障诊断的难度.在此对三相四桥臂逆变器不同桥臂开关管出现开路故障时的变换器工作机理和工作过程进行了深入分析,构建了基于人工神经网络的开关管开路故障分类系统,提出提取三相四桥臂逆变器三相输出电压前10次谐波分量及其中线电感电流零次及开关频率处谐波分量作为故障特征值,同时将其作为人工神经网络故障分类系统的输入训练样本,并通过Matlab软件中M语言编程完成对故障诊断系统的训练和测试.训练和测试的结果表明,当逆变器工作在任意负载状态下(空载、满载以及2/3不平衡负载),所提出的人工神经网络故障分类系统对三相四桥臂逆变器开关管开路故障均具有良好的故障诊断能力.     

基于参数优化的支持向量机在电力负荷建模中的应用

以基于参数优化的支持向量机为建模手段来建立电力负荷模型,该算法可自动调整经验风险和VC维之间比重,并由此提高模型的泛化能力.参数优化时采用了结合网格搜索和模式搜索的组合寻优策略优化支持向量机负荷模型的3个参数,并且引入更加客观高效的交叉验证技术参与模型的训练和评价.算例中利用实测数据进行负荷动态建模,结果表明可得到精度和泛化能力都较高的负荷模型,在电力负荷建模方面具有广泛的应用价值.     

计及频率特性的实测负荷建模

在一些微网系统或较小的孤岛中,如果发生故障或存在特殊的冲击负荷,在负荷建模时同时考虑频率和电压特性,能够真实地反映实际系统的负荷动态特性。本文结合实际电网,改进综合负荷模型结构里静态负荷和动态负荷中与频率相关的部分,同时以电压和频率作为输入量进行负荷建模,将建立的负荷模型应用于实际系统进行仿真验证,并做泛化能力的分析,结论证明依据本文所提方法所建立的负荷模型贴近实际情况,并且证明了在某些特殊电力系统中应该考虑频率因素对负荷模型的影响。     

基于人工神经网络的日负荷预测方法的研究

基于人工神经网络原理,设计了一个三层的ＢＰ网络模型。充分利用了神经网络高度非线性建模能力,实现电力系统的短期负荷预测。文中对样本数据进行了预处理,以及在算法中引入附加冲量项,以提高训练速度。预测仿真结果证明使用人工神经网络方法进行短期负荷预测是可行的。     

面向综合负荷的并网光伏发电系统等效建模

基于MATLAB/Simulink和光伏电池自身的物理机理搭建了并网光伏发电的仿真系统,研究了其对配电网综合负荷特性的影响因素,分析比较了已有光伏发电系统等效模型的优劣。在此基础上构建了光伏发电系统传递函数等效模型,该模型具有结构简单、参数少、能有效描述光伏发电系统的出力极限等优点,同时易于在电力系统仿真软件中实现。采用所提出的等效模型与传统综合负荷模型并联,构建广义综合负荷模型,对含光伏发电系统的综合负荷进行建模,仿真实践表明此广义综合负荷模型具有良好的泛化能力,辨识参数稳定,能够满足工程仿真的需要。     

风力发电对配电网侧负荷建模的影响

基于MATLAB仿真工具并运用总体测辨建模原理,研究了风力发电对配电网侧综合负荷建模的影响。指出含风力发电的配电网侧综合负荷可以用异步电机并联静态负荷的广义综合负荷模型来等效描述;为了准确反映风力发电容量对综合负荷模型的影响,模型中的动态负荷所占比例的取值范围必须扩大到任意实数。对3种典型运行方式的建模表明,所提出的任意动态负荷比例的异步电机并联静态负荷的综合负荷模型,对不同风力发电容量和负荷水平的配电网综合负荷特性有很好的等效描述能力。     

基于贝叶斯证据框架的支持向量机负荷建模

负荷建模一直是电力系统中的难题之一,精确的负荷模型对电力系统数字仿真非常重要。本文提出一种基于贝叶斯证据框架的支持向量机负荷建模方法。根据广域测量的负荷特性数据,利用支持向量机进行负荷建模,选用高斯径向基核函数优化模型结构;用贝叶斯证据框架推断准则1解释了支持向量机的训练,又将贝叶斯证据准则2和3应用到支持向量机。采用贝叶斯证据框架的三个准则对负荷模型进行训练并对参数进行了辨识和优化。通过对支持向量机负荷模型的仿真试验,验证了该方法的正确性和有效性。贝叶斯证据框架下的支持向量机负荷模型具有泛化能力强、结构灵活、计算速度快的特点,能够较准确地描述实际负荷特性。     

并网光伏电站电磁暂态建模及其特性研究

针对宁夏地区某光伏电站并网情况,利用实时数字仿真仪RTDS对光伏发电系统控制模型及电磁暂态特性进行了分析与研究,并结合宁夏电网进行了建模验证及仿真计算。结果表明:光伏电站受到逆变器容量限制,故障电流一般不超过最大额定电流的1.1~1.3倍,不对称故障下光伏电站的故障电流以正序量为主,含少量的负序和畸变。     

基于PSO的线性前馈神经网络负荷模型的研究

采用具有全局寻优能力的pso优化算法辨识线性前馈神经网络负荷模型的参数,并结合实测数据进行了建模仿真分析。相对于辅助变量法,该算法能够在一定程度上提高负荷模型的辨识精度。同时对所建模型进行了泛化能力的检验,表明此模型具有良好的实用性和推广性。     

一种改进卷积神经网络的逆变器故障诊断

针对传统二极管钳位式三电平逆变器故障诊断方法存在的诊断效率低且准确率不高的问题,将一种自适应正则化系数引入卷积神经网络CNN(convolutional neural network),对逆变器进行故障诊断。在传统CNN模型引入正则化去拟合中,正则化系数常采用全局统一的常数型参数,训练过程中需不断试错且效果甚微,针对此提出根据目标损失函数梯度变化,自适应调整正则化系数的CNN模型,能够加快其在逆变器故障诊断中的收敛速度,增强模型泛化能力,提高故障识别准确率。实验表明,与传统BP神经网络和原始CNN模型相比,改进的CNN模型能对逆变器复杂故障做出实时准确诊断。     

基于纵横交叉算法优化神经网络的负荷预测模型

为了解决传统BP神经网络对高频分量预测精度不高、泛化能力弱的缺点,提出了一种混合小波变换和纵横交叉算法(CSO)优化神经网络的短期负荷预测新方法。通过小波变换对负荷样本进行序列分解,对单支重构所得的负荷子序列采用纵横交叉算法优化的神经网络进行预测。最后叠加各子序列的预测值,得出实际预测结果。通过实际电网负荷预测表明,新模型能掌握冲击毛刺的变化规律,有效提高含大量冲击负荷地区的负荷预测精度,且预测模型具有较强泛化能力。     

基于Elman神经网络的传感器故障诊断研究

针对传统的传感器故障诊断技术的不足,提出一种基于Elman神经网络的故障诊断方法,建立了Elman网络故障诊断模型,利用小波包分解方法获取用于训练神经网络的特征能量谱,对所建立的模型进行训练。为了检验模型的实际诊断能力,以某动力系统管路流量传感器的4种典型故障诊断为例进行仿真实验,并和标准BP神经网络的诊断结果进行对比。仿真结果表明:基于Elman神经网络的故障诊断速度更快、准确率更高、泛化能力更强,验证了所提出方法的实用性和有效性。     

基于Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测。这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout对ILSTM网络进行优化,提高了网络的泛化能力,同时减少了模型的训练时间;以日期、温度、电价和电力负荷数据作为输入构建了Dropout-ILSTM电力负荷预测模型。以AEMO提供的新南威尔士州电力负荷数据作为测试用例,实验结果表明,相较其它神经网络模型,文中所提出的Dropout-ILSTM模型预测精度更高、泛化能力更强,适用于不同预测宽度的电力负荷预测。     

基于预处理BP神经网络的开关磁阻电机建模

针对开关磁阻电机(SRM)强耦合、强非线性、难以精确解析建模的问题,提出一种基于数据预处理的反向传播(BP)神经网络建模方法。首先通过传统直流脉冲法测量一个电周期内SRM静态电磁特性,获取建模样本数据;其次充分利用电机先验知识,通过可以初步反映SRM非线性特性的磁链和转矩解析表达式对实测样本数据进行预处理并作为BP神经网络新的输入,降低神经网络拟合误差。与传统BP神经网络建模的对比结果显示,引入预处理方法可以有效减少BP神经网络节点数量,增强神经网络泛化能力,提高神经网络建模精度。     

HHT结合QPSO-GRNN的同塔双回输电线路故障测距

为提高同塔双回输电线路故障测距的精度,提出将希尔伯特黄变换和量子粒子群优化的广义回归神经网络相结合的方法用于构建测距模型.首先将线路两端采集的故障电流进行相模变换,选取其特征模量进行希尔伯特黄变换;将变换得到的2个采样点作为模型输入,对应的故障距离作为模型输出,构建经量子粒子群算法优化的广义回归神经网络;在网络中进行训...     

基于果蝇优化算法的GRNN电网故障诊断

提出基于果蝇优化算法的GRNN电网故障诊断模型,实现GRNN分布参数的优化选择。利用广义回归神经网络(GRNN)相比于其他人工神经网络在逼近能力、分类能力和学习速度上面的优势,建立基于GRNN神经网络的电网故障诊断模型。经分析及测试,该方法能够有效的提高运行人员故障处理效率,快速并准确的实现电网的故障诊断。     

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。     

流化床垃圾焚烧NOx排放的神经网络预测

首次阐述人工神经网络在流化床垃圾焚烧NOx排放预测的建模过程。通过对NOx排放影响因素的典型相关性分析以及动态构造法确定了网络输入层与隐层节点数,得出模型最佳拓扑结构为12×5×1。将234组试验数据随机分成训练样本和检验样本,以训练样本对网络进行学习,以检验样本评价网络。预测结果的相关性分析以及预测实例表明,模型预测精度较高,容错性和泛化能力较好。     

基于BP算法的电站燃气轮机故障诊断

针对传统故障诊断方法在燃气轮机系统中应用的局限性,研究了基于ＢＰ算法的神经网络方法在电站燃气轮机故障诊断中的应用,通过选择足够的故障样本来训练神经网络,将代表故障的信息输入训练的神经网络后,由输出结果,就可以判断发生的故障种类,这样不仅减小了用于诊断的知识库,而且加快了计算速度,满足了实时在线诊断的要求。