基于矩阵束算法的油纸绝缘变压器去极化电流等效电路参数辨识

为了深入研究油纸绝缘变压器老化特性与绝缘介质弛豫响应机理之间的关系,辨识出准确有效的等效电路参数尤其重要.针对现阶段等效电路参数辨识研究中存在的诸多问题,结合矩阵束算法提出一种扩展德拜模型等效电路参数唯一辨识的新方法.首先,根据极化去极化电流法的数据构建汉克尔矩阵并对其进行奇异值分解,再根据奇异值曲线中奇异值大小区分理...     

奇异熵矩阵束算法及其在次同步振荡模态参数辨识中的应用

基于奇异谱提出的奇异熵概念用于对次同步振荡模态的定阶,采用与矩阵束算法结合的奇异熵矩阵束算法对电力系统的次同步振荡参数进行辨识。首先选取加入噪声的理想信号对Prony算法与奇异熵矩阵束算法的有效性、辨识精度、最小频率间隔辨识值及辨识所需最小数据量等辨识能力进行比较分析;然后分别利用两种算法对IEEE第1标准测试系统及某实际串补输电工程模型进行进一步分析验证。分析结果表明,奇异熵矩阵束算法具有有效性,可以方便、准确地确定模态阶数,提高频率分辨率,降低所需数据量,而且具有很强的抗噪能力和较高的辨识精度。     

同步电机参数最小二乘辨识多值性及收敛性的改善方法

针对最小二乘辨识算法存在多值性及收敛性的问题,采用Ｕδ标幺值系统同步电机数学模型,将奇异值分解理论应用于同步电机参数最小二乘辨识中,采用ｄ轴参数与ｑ轴参数独立交替辨识,使算法的多值性及收敛性得到有效地改善,迭代次数明显减少。     

基于改进矩阵束算法的水轮机控制系统参数辨识

水轮机控制系统参数的准确直接影响到水轮机调节系统的动态特性和电力系统的稳定性,鉴于传统的矩阵束算法在有噪声的情况下系统参数辨识效果不理想,提出了基于改进矩阵束算法的水轮机控制系统参数辨识方法。该方法将输出信号构造为Hankel矩阵,运用奇异值分解和矩阵的低秩近似等方法抑制了噪声的干扰,通过对系统特征根和留数进行分析达到对水轮机控制系统进行参数辨识的目的,并与参数辨识中常用的prony算法进行对比。结果表明,该方法不仅辨识精度较高,而且有较强的噪声抑制能力,更适合应用于工程实践。     

基于RLS法的锂离子电池离线参数辨识

提出一种基于递推型最小二乘法(RLS)算法改进的离线参数识别方法,采用RLS法作为离线参数辨识的初值,以解决离线辨识初值选择的限制,并能保证辨识结果的精度。采用RLS算法辨识参数,获取模型参数,仿真电压和实验电压最大误差达100 m V,但耗时仅120 s。采用Simscape模型的离线参数辨识方法,最大误差58 m V,耗时1. 8 h;利用RLS算法获取初值,用离线参数辨识方法,最大误差为31 m V,平均误差15 m V,耗时0. 5 h。辨识精度与辨识速度都有明显的提升。     

基于改进微分进化算法的过程模型参数辨识

参数辨识是过程建模的基础,对于参数辨识问题提出了许多不同的方法.针对传统模型参数辨识方法和遗传算法用于模型参数辨识时的缺点,提出了一种基于改进微分进化(DE)算法的模型参数辨识方法,有效提高了参数辨识的精度和效率.对火电厂热工过程参数辨识的仿真研究验证了本文算法的有效性.结果表明,利用改进DE算法辨识过程模型参数,无论...     

基于数据融合模型的励磁系统参数辨识算法

确认真实可靠的发电机励磁系统参数对电力系统安全稳定分析具有重要意义.基于人工网络融合法,提出了一种基于数据融合模型的辨识算法实现对励磁系统的参数辨识.首先,使用灰狼算法、粒子群算法和遗传算法分别对励磁系统进行参数辨识.然后,利用人工神经网络算法对三种方法的辨识结果进行合成决策.最后,数据融合模型输出合成辨识值.仿真结果表明,基于融合模型的励磁系统参数辨识方法较单一辨识法具有更高的辨识精度与稳定性.     

基于自适应卡尔曼滤波的负荷参数在线辨识方法

传统负荷模型参数辨识方法在数据获取、辨识精度和在线辨识上受到限制,且基于传统卡尔曼滤波的参数辨识算法易受噪声干扰,辨识结果不稳定.为此提出一种基于自适应卡尔曼滤波的负荷参数在线辨识算法.首先建立线性化的负荷模型,基于广域测量系统(WAMS)同步相量测量单元(PMU)测得的实时在线数据,运用预报误差法的思路,使用改进的Sage-Husa自适应卡尔曼滤波算法辨识负荷模型参数.基于浙江电网220 kV华金变电站PMU数据的算例表明了自适应卡尔曼滤波算法辨识结果具有更高的参数稳定性和良好的拟合度.     

基于L-M法的电力系统非线性参数辨识方法研究

现代电力系统的实时控制等方面对系统参数的精确性要求较高。针对电力系统非线性参数辨识问题,将非线性反问题的正则化研究方法L-M法引入电力系统参数辨识。L-M法可以看作是对非线性问题先作线性化后正则化的过程,具有很好的鲁棒性。通过在仿真中设置多个测试场景研究表明,该方法能够有效地对发电机参数进行辨识,和其它算法相比,有效提高了辨识精度,而且对初始点不敏感,具有克服迭代矩阵病态或奇异的能力。     

基于混沌蚁群算法的负荷模型参数辨识

为了解决负荷模型参数辨识结果平稳性这一困扰模型应用的难题,提出了一种适用于负荷模型参数辨识的混沌蚁群混合算法.该算法针对蚁群算法容易陷入局部最优的缺点和混沌算法遍历性和随机性的优点,把混沌算法引入到了蚁群算法中,在蚁群算法求解的基础上,利用混沌算法对解的邻域进行了混沌优化,有效避免了蚁群算法的局部收敛问题.基于实测数据的算例结果表明:与单一蚁群算法相比,混沌蚁群混合算法提高了辨识结果的精度,减少了辨识误差,有效控制了参数分散性,具有较好的工程实用价值.     

基于多分辨率奇异谱熵和支持向量机的断路器机械故障诊断方法研究

根据高压断路器机械振动信号的特点,提出一种基于多分辨率奇异谱熵的信号特征提取方法,并以此特征向量作为支持向量机的输入对断路器机械状态进行识别。多分辨率奇异谱熵是在信息熵模型的基础上,将多分辨率分析和奇异谱分析有效结合的一种信息处理方法,用信号的奇异谱熵作为特征向量更能体现断路器在不同机械状态下的不同特征。利用交叉检验和粒子群优化方法来对支持向量机模型中的参数进行寻优。通过对断路器实际振动信号分析表明,该方法能对断路器故障进行准确诊断分类。     

基于动态滑动模型的加速度传感器数据在线预测方法研究

加速度传感器输出值精确测量是相关数据预测的必要前提,为补偿制造工艺和测量环境影响带来的加速度传感器输出误差并准确预测加速度传感器输出数值,提出了基于自适应归一化奇异谱和神经网络的加速度传感器误差补偿及数值预测方法。首先分析加速度传感器输出误差产生的原因;然后根据奇异熵定阶去噪的方法提出了自适应奇异谱方法用于加速度传感器误差自适应补偿;最后选用基于滑动窗的径向基(radical basis function, RBF)神经网络作为加速度传感器输出数值预测方法,并用粒子群优化算法优化RBF神经网络的初始参数。实验结果表明,自适应奇异谱方法可以有效补偿加速度传感器输出误差,并可以选定不同的自适应参数以满足不同误差需求,并且粒子群算法优化的RBF神经网络可以有效预测加速度传感器输出数值。     

静态电压稳定性的临界特性和最小稳定裕度的确定

恒功率因数负荷PR-VR曲线和临界恒功率负荷PR.cr-QR.cr曲线已广泛应用于电压静态稳定性分析中。文中针对π型电路求出了用A、B、C、D参数表示的恒功率负荷的临界点特性，如负荷临界电压(幅值和相角)，负荷临界阻抗和临界功率；证明了PR.cr-QR.cr曲线是抛物线，指出maxPR.cr/maxQR.cr只与参数A、B有关，并分别讨论了PR.cr-VR.cr曲线与PR-VR曲线和PR.cr-QR.cr曲线的关系；在PR-VR和PR-QR平面上分别讨论了由奇异点族构成的奇异曲线间及对应的可运行稳定域间的一一对应关系；提出了求取在PR-QR平面上与工作点最近的奇异点的解法，并在简单系统和IEEE 30系统上进行了验证。     

基于S变换局部奇异值分解的过电压特征提取

针对实测过电压信号波形不规则、不易识别问题,根据矩阵奇异值的特点,提出了一种采用S变换和局部奇异值分解的过电压特征提取方法。首先通过S变换得到过电压发生时零序电压的时频模值矩阵,然后对矩阵进行划分,计算各个子矩阵的最大奇异值,利用最大奇异值在不同频带以及整个时频空间的分布差异来构造过电压特征量。对变电站实测的感应雷过电压等五种过电压信号的计算表明,所提取的特征量维数低,对过电压信号随机扰动具有相对稳定性,能提取出过电压的本质特征。     

基于Gram-Schmidt正交法的电力线背景噪声建模

噪声干扰是影响电力线通信可靠性的最主要因素之一。文章建立了实测背景噪声的AR模型,提出用Gram-Schmidt正交法进行模型参数求解,并与奇异值分解法、LD递推法所得结果进行仿真比较。结果表明:Gram-Schmidt正交法所得结果精确度与奇异值分解法所得结果相近,且计算时间较短,模型较简单,在背景噪声的离线计算及在线生成中均可广泛应用。     

总体最小二乘–旋转矢量不变技术在电压闪变参数提取中的应用

将总体最小二乘－旋转矢量不变技术(total least squares- estimation of signal parameters via rotational invariance technique,TLS-ESPRIT)引入到电压闪变参数的求取中,闪变参数的提取可转化为求取一系列边频分量参数的问题。对于电压信号数据形成的HANKEL矩阵,通过奇异值分解进行信号子空间和噪声子空间的划分,通过TLS的再次消噪和抗干扰处理,提高闪变参数的提取精度。仿真结果表明,对于含噪声、谐波和多调幅的电压闪变信号,该方法具有较高的精度。实例分析进一步验证了该方法的可行性和有效性。     

基于EMO-EDSNN的电力系统低频振荡模态辨识

提出了基于精确模态阶数-指数型衰减正弦神经网络(EMO-EDSNN)的电力系统低频振荡模态辨识方法。首先,通过奇异值分解估计模态阶数。在关键的定阶问题上,采取EMO定阶方法,综合考虑了奇异值变化规律和奇异值本身大小2个因素,能够克服人为选取阈值的不足,提高阶数估计的准确性。然后,通过建立EDSNN将参数估计问题转化为优化问题求解。以输出信号和实测信号的平方误差最小为目标,并采用自适应的Levenberg-Marquardt算法训练神经网络收敛后,一次性计算出所有模态参数。最后,进行了数值信号仿真、EPRI-36系统仿真和实测信号仿真。仿真结果表明,所提方法能够快速准确地实现模态参数辨识。     

谐波和间谐波三参数识别的SSI-LS方法

为精确检测谐波和间谐波的三参数,提出了基于随机子空间辨识（Stochastic Subspace Identification, SSI）与最小二乘（Least Square）法的谐波和间谐波三参数检测方法。运用奇异值差值法确定SSI-LS算法的阶数;利用SSI算法直接对原始含噪信号精确检测出各谐波和间谐波分量的频率;当信噪比大于20 dB时,应用最小二乘法对各谐波和间谐波分量进行幅值和相位的估计,从而实现了谐波和间谐波的三参数识别。分别针对含有噪声和直流分量的谐波和间谐波数值仿真信号和频率相近且幅值相差百倍的谐波和间谐波信号作谐波和间谐波的三参数识别。仿真分析表明该方法抗噪声能力强、检测精度高、计算速度快,尤其是对信号中各谐波和间谐波分量的相位检测精度高、对频率相近且幅值相差百倍的谐波和间谐波信号具有较高的分辨率,为电力系统谐波和间谐波的精确检测提供了新的思路与方法。     

随机数据驱动的电力系统小干扰稳定在线评估方法

系统自然激励下的随机响应数据中蕴含丰富的机电行为特征信息,准确地从随机响应数据中辨识小干扰稳定特征参数对于指导电力系统安全稳定运行具有重要现实意义。文中提出了随机数据驱动下基于子空间最优模式分解的小干扰稳定特征参数在线辨识算法。该算法通过对输入数据进行基于正交投影的矩阵线性变换得到其奇异子阵,并利用共轭梯度算法迭代求解最佳低维正交空间,以实现奇异子阵之间高维映射矩阵的最优低维近似,根据最优低维映射矩阵的特征值分解结果可以准确获得系统小干扰稳定特征参数,即振荡频率、阻尼比、模态。基于正交投影的矩阵线性变换以及共轭梯度法的引入使得动态模式分解法能较好地适应随机响应数据。IEEE 16机68节点系统和实际系统量测数据的计算和分析验证了所提算法的有效性和准确性。     

电流互感器铁心饱和引起二次电流畸变的补偿研究

电流互感器（TA）铁心饱和将引起二次电流发生畸变，对此，该文提出一种新的补偿方法。新方法采用TA二次绕组感应电压和二次电流波形的奇异性特征检测饱和的开始和结束，并通过适当延时检测结果来确定铁心不饱和时段。在铁心不饱和时段，通过定义新的目标函数并引入实时最小二乘算法来估计一次电流参数；在铁心饱和时段和铁心饱和状态发生变化的过渡时段，则以参数估计结果求取二次电流的补偿值。该方法具有补偿精度高、便于实时实现等特点。仿真分析表明，该方法适用范围广，能够在含有噪声的环境下正常工作。实验结果进一步验证了该方法的实用性。