采用滑动窗口及多重加噪比堆栈降噪自编码的风电机组状态异常检测方法

该文提出一种基于多元变量数据重构的风电机组状态异常检测方法。针对风电场数据采集与监控(SCADA)系统数据,首先,建立基于滑动窗口的堆栈降噪自编码(SDAE)模型,在获取机组正常运行状态下变量间的互相关性和各变量短时相依性的基础上重构机组状态数据;其次,为提高模型特征学习能力,提出多重加噪比的SDAE模型训练方法学习机组状态参数的全局和局部特征;最后,采用重构误差的马氏距离为机组状态监测指标,通过核密度估计方法分析机组正常数据监测指标的概率密度分布,确定机组正常运行状态下监测指标的阈值,定义监测指标连续越限数监测机组状态,计算各状态参数对监测指标越限的贡献度,实现机组参数异常检测。华东某风电场SCADA数据分析结果表明该方法可有效地用于实际风电机组运行状态的异常检测。     

支路潮流越限控制的虚拟支路法

为解决支路潮流越限问题,提出了支路潮流越限控制的虚拟支路法。通过对潮流越限支路并联虚拟支路法,使原潮流越限支路的电流降低到目标电流水平。虚拟支路导纳参数由目标分流系数、潮流越限支路导纳及戴维南等效阻抗共同确定。基于置换定理,将虚拟支路用含参数的虚拟功率源置换,将虚拟支路的切除问题转化为虚拟支路两端点注入功率的增长问题。根据支路视在功率对节点功率的灵敏度,逐步计算最小代价的控制方案。IEEE算例仿真显示该方法可将越限支路电流降低到目标电流水平,验证了其可行性和有效性。     

基于概率潮流的10kV配电网合环操作安全性评估

配电网的合环操作可能会产生较大合环电流,影响电网运行的安全性。对此提出了一种基于概率潮流的10 kV配电网合环操作安全性评估方法。该方法考虑合环馈线上负荷的概率分布,采用半不变量法求取合环稳态电流与暂态冲击电流的概率分布特性,并通过计算电流越限概率和越限程度对10 kV配电网合环操作的安全性进行评估。在半不变量法概潮流计算中,提出了一种基于历史负荷数据求取输入变量的各阶半不变量的方法,克服了传统数值方法的局限性。最后对某实际合环算例进行仿真计算,分析结果验证了所提方法的有效性、快速性和实用性。     

基于半不变量法概率潮流的光伏配电网风险评估

为了高效准确实现光伏配电网越限风险评估,引入自适应核密度估计法拟合实际的光照强度序列,建立光伏电站出力特性概率分布模型。采用Cornish-Fisher级数结合半不变量法实现对光伏配电网的概率潮流计算,通过蒙特卡罗法验证半不变量概率潮流计算的准确性,建立电压越限风险指标和支路潮流越限风险指标实现对光伏配电网评估。通过Matlab仿真验证算法对光伏配电网系统风险评估的准确性和高效性。     

面向高比例新能源接入的配电网电压时空分布感知方法

随着配电网中新能源渗透率不断增加,电压越限、潮流过载等安全性问题愈发严峻。为此,文中提出一种面向高比例新能源渗透的配电网电压时空分布感知方法,通过数据驱动的方法实现在缺乏配电网潮流模型条件下的短期、高精度的节点电压感知预测。所提方法包含三部分:基于数值气象预报的分布式风光预测,建立气象数据与分布式能源出力之间的时空映射关系;基于广义回归神经网络(GRNN)的电压灵敏度矩阵学习机制,在缺乏配电网潮流模型条件下构建数据驱动的节点功率-电压映射;基于核密度估计(KDE)的GRNN预测样本修正法(KDE-GRNN),进一步降低因原始样本局部密度偏差导致的预测误差。基于IEEE 33和委内瑞拉141节点配电网验证了所提方法的有效性。对比同类算法,验证了提出的KDE-GRNN在预测精度、收敛速度方面的优势。     

基于GA-ADAM优化的BPNN配电网潮流计算

潮流计算是电力系统运行与控制的基础。为解决配电网可再生能源渗透率不断增加带来的负荷点电压波动的不确定性,以及传统电力系统潮流数据收集能力不足导致潮流计算不准确等问题。本文提出了一种基于数据驱动的潮流分析模型,构建了一种基于BPNN结合GA-ADAM优化算法模型来分析随机性下配电网的潮流计算方法。首先,引入潮流初值信息、拓扑结构特征以及功率因数指标构建训练集,通过对回归模型的训练,充分挖掘节点电压与功率之间的映射关系。其次,使用GA-ADAM算法优化模型初值和权重参数。最后,基于IEEE-33节点配电网模型进行验证,本文模型潮流计算的最大误差3.93×10^-3,平均绝对误差1.46×10^-3,均方根误差1.81×10^-3,优化后的BPNN潮流计算电压误差值降低37.66%。实际算例仿真结果表明,与其他方法比较,本文构建的模型各误差指标小、准确度高,提高了潮流计算的效率和准确性。     

基于概率潮流的电网安全风险分析

基于风电场回归优化功率曲线,提出采用半不变量法计算电网概率潮流,通过分析节点电压幅值越限和支路有功潮流过载的可能性指标、严重度指标,得到系统综合性安全风险指标,以此评估系统当前运行条件下的综合风险。以IEEE14节点系统为例,采用蒙特卡洛模拟法验证半不变量法的有效性和准确性。计算结果表明,采用半不变量法评估得到的系统综合安全风险指标误差在可接受范围内。     

基于深度学习的含统一潮流控制器的电力系统快速安全校正

随着新一代柔性交流输电装置如统一潮流控制器（UPFC）在现代电力系统中的逐步推广和应用,对电网安全校正策略的制定提出了更高的要求。基于物理模型的传统电网安全校正方法在实时性方面具有一定的局限性,而数据驱动方法将大量的复杂计算前移到离线阶段,具有快速在线计算性能。因此,针对含UPFC的电力系统提出了一种基于深度学习的快速安全校正方法。首先,基于深度学习建立了节点调整状态识别模型,利用深度神经网络（DNN）的分类和学习能力,优先确定存在调整可能性的节点范围,避免物理模型优化类方法迭代无解问题。然后,针对缩减后的寻优空间进一步采用优化法实现系统安全校正计算,快速确定系统各节点调整量。基于中国南京西环网UPFC示范工程的应用效果表明,所提快速安全校正策略能够发挥DNN的学习能力,进而提高系统安全校正的效率和实用性。     

考虑等效拟合特性的输配电网全局潮流计算方法

为缩短大规模输配网潮流计算所需的收敛时间,本文首次提出了基于配网潮流特性等效拟合的输配网全局潮流计算方法。首先,详细分析配电网等效拟合的原理,构建考虑电压功率特性的配网潮流拟合函数;然后建立主从分裂与主从合并交替使用的输配网潮流计算模型,其计算过程将主从迭代与配网潮流拟合迭代相结合,在迭代过程中求解拟合函数,并可不断修正其参数,缩小拟合误差。该方法以配网拟合结果和主从迭代精确结果交替作为边界点协调信息,无需每次潮流计算都进行主从迭代,减少了潮流计算量,加快了潮流收敛,计算结果精度高。仿真算例验证了所提方法的可行性和有效性。适用于当前规模庞大的输配网全局潮流计算。     

基于新能源出力保证率轨迹灵敏度分析的储能配置方法

大规模新能源接入电网使得电源出力的不确定性超过了负荷需求的不确定性,电力系统概率潮流加大了运行部门的管理难度。针对这一问题,提出了一种基于新能源出力保证率轨迹灵敏度分析的储能配置方法。首先根据新能源出力的不确定性,建立了受考核元件的概率潮流越限方程。其次,以新能源出力保证率作为参数改变量,建立概率潮流的轨迹灵敏度分析模型。然后,提出了使得概率潮流不发生越限储能容量配置策略,针对轨迹灵敏度较小的元件相关节点,计算储能功率需求和储能能量需求。最后,在中国南方某地区实际电力系统进行了算例仿真,验证了所提方法的有效性。     

基于数据驱动和深度学习的超短期风电功率预测

从多源、多维、多模态的风电数据中挖掘风能、风电的因果关联,以及多风电场间的时空关联,是提高风电功率预测精度的有效途径.文中提出了一种基于数据驱动的混合深度学习模型.首先,在数据预处理环节,将风电场满功率输出、风速溢出的场景,视为风电功率预测的异常、故障状态,并提出数据清洗方法以加强风速和风电的相关性.然后,针对气象信息...     

Analysis,design, and minimum phase selection of high power interleaved DC–DC converter

The primary use of interleaved bidirectional DC–DC converters (IBC) is for high current applications due to the inherent property of ripple cancellation, high redundancy, and improved efficiency. Proper analysis and design are required to improve the power density and reduce the cost of the $N$-phase IBC. Ripple current analysis plays a vital role in choosing the inductor and filter capacitors to minimize the size of an IBC. This paper presents the simple and generalized formulas for the current ripple minimization of $N$-phase IBC. Also, the inductor is designed with two different core materials, namely, Ferrite and Sendust. It is observed that the area product and weight of the magnetics have been reduced by 22% and 23%, respectively, for Sendust core in comparison with the Ferrite core. Furthermore, a discussion regarding the thermal analysis of IGBT modules to select an appropriate heat sink is stated. Moreover, the minimum phase selection has been proposed by considering several constraints such as area product of the core, discrete components size based on ripple analysis, cost of all components, and converter efficiency. The prototype of the selected minimum phase IBC has been developed and tested for a 7.5 kW power level using TMS320F28335.     

Efficient implementation of mixed-precision multiply-accumulator unit for AI algorithms

Many of the modern deep learning, machine learning, and artificial intelligence algorithms use adders, multipliers, and multiply-accumulators (MACs) with mixed precisions. In general, fixed-point and floating-point adders, multipliers, and MACs are used in mixed-precision hardware, such that the above algorithm can choose appropriate hardware for its processing. This paper proposes an efficient mixed-precision MAC circuit that can perform fixed-point and floating-point operations. The proposed design uses Han-Carlson adder with late carry or end-around carry in its accumulator design; as a result, delay and energy of the circuit reduce by and respectively, when compared with the existing designs from the literature.     

Transfer learning for high‐precision trajectory tracking through adaptive feedback and iterative learning

Robust and adaptive control strategies are needed when robots or automated systems are introduced to unknown and dynamic environments where they are required to cope with disturbances, unmodeled dynamics, and parametric uncertainties. In this paper, we demonstrate the capabilities of a combined adaptive control and iterative learning control (ILC) framework to achieve high‐precision trajectory tracking in the presence of unknown and changing disturbances. The adaptive controller makes the system behave close to a reference model; however, it does not guarantee that perfect trajectory tracking is achieved, while ILC improves trajectory tracking performance based on previous iterations. The combined framework in this paper uses adaptive control as an underlying controller that achieves a robust and repeatable behavior, while the ILC acts as a high‐level adaptation scheme that mainly compensates for systematic tracking errors. We illustrate that this framework enables transfer learning between dynamically different systems, where learned experience of one system can be shown to be beneficial for another different system. Experimental results with two different quadrotors show the superior performance of the combined ‐ILC framework compared with approaches using ILC with an underlying proportional‐derivative controller or proportional‐integral‐derivative controller. Results highlight that our ‐ILC framework can achieve high‐precision trajectory tracking when unknown and changing disturbances are present and can achieve transfer of learned experience between dynamically different systems. Moreover, our approach is able to achieve precise trajectory tracking in the first attempt when the initial input is generated based on the reference model of the adaptive controller.