基于改进极限学习机的交直流微电网并网等效建模

微电网接入配电网的数量不断增多,对配电网的稳定运行带来挑战,微电网等效建模是分析微电网接入影响及配电网动态仿真的基础。基于非机理建模的理论,以电压、电流的实部和虚部为输入,功率为输出,建立极限学习机的交直流微电网并网等效模型。利用麻雀搜索算法优化极限学习机的输入权重和阈值,减少极限学习机模型由于输入权重和阈值缺乏统一性带来的模型精确问题。最后,在DIgSILENT平台搭建交直流混合微电网模型进行验证,仿真结果证明了所提等效模型的有效性和准确性。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

基于数据驱动和多场景技术的微电网并网等效建模

微电网并网等效建模是含大规模微电网并网电力系统仿真分析的基础,但分布式电源的随机性和波动性导致微电网并网模型参数的不确定性和结构的多样性。提出一种基于数据驱动和多场景技术的微电网并网等效建模方法,利用马尔可夫链建立基于分布式电源随机概率特性的微电网运行场景,明晰微电网场景间的时间关联性。在传统k-means聚类算法的基础上增加马尔可夫影响因子,加速微电网运行场景向聚类中心聚集以及场景消减,从而获得微电网典型运行场景。针对每个典型运行场景建立基于长短期记忆(LSTM)神经网络的微电网并网等效模型,利用LSTM神经网络的时序逻辑特性和内部非线性映射特性描述微电网并网点整体动态运行特性。仿真结果验证了所提方法的合理性和有效性。     

基于核函数极限学习机的微电网短期负荷预测方法

针对以单个或集体用户为业主的用户侧小容量微电网,考虑到成本约束及用电特征的不确定性,提出了一种基于核函数极限学习机的微电网短期负荷预测方法。使用核函数极限学习机、启发式遗传算法和分时训练样本,建立了包含离线参数寻优与在线负荷预测的预测模型;通过模型参数的周期更新来保证算法最优参数的时效性,同时降低在线预测系统的计算复杂度与历史数据存储量。通过对不同容量、类型的用户侧微电网进行短期负荷预测,分析了预测结果的准确度、参数周期更新的效果、预测结果对经济运行的影响和预测方法的计算效率。     

基于极限学习机的开关磁阻电机建模

磁链特性是开关磁阻电机系统建模的重要基础,文中探讨了利用极限学习机处理磁化曲线簇,建立电机模型的方法。在详细分析电机非线性磁链特性的基础上,运用极限学习机的非线性回归理论,通过对开关磁阻电机进行有限元分析得到样本数据集进行训练学习,建立了电机的非参数模型,与传统神经网络、支持向量机相比,该电机模型具有更高的回归精度与更快的回归速度。仿真实验表明,该模型比较准确地反映了电机的磁链特性。     

基于改进天鹰算法优化核极限学习机的油浸式变压器故障诊断研究

为提高油浸式电力变压器故障诊断的精度及可靠性,提出了一种基于改进天鹰算法(modified aquila optimizer, MAO)优化核极限学习机(kernel based extreme learning machine, KELM)的油浸式电力变压器故障诊断方法。利用Tent混沌映射、卡方概率密度函数,对原始天鹰优化算法(Aquila Optimizer, AO)进行改进,改进后的算法有效提升了收敛速度与寻优精度。利用MAO算法对核极限学习机模型中的正则化系数和核函数参数进行联合寻优,构建最优故障诊断模型。实验结果显示,MAO-KELM对变压器故障诊断的准确率达到95.8%,比AO、GWO和PSO优化的核极限学习机故障诊断模型分别提升了3.52%、10.07%和11.64%,体现了MAO算法的优越性,同时与传统模型进行比较,证明所提方法的诊断效果具有明显优势。     

基于人工鱼群算法优化极限学习机的变压器故障诊断

为提高变压器故障诊断的准确性,本文采用优化性能更好的人工鱼群算法(Artificial Fish Swarm Algorithm, AFSA)对极限学习机(Extreme Learning Machine, ELM)进行优化,建立基于AFSA-ELM的变压器故障诊断模型。采用实际变压器故障数据进行仿真分析,并与其他模型进行对比,结果表明,只有AFSA-ELM模型诊断结果的正确率能够达到100%,验证了模型的正确性和优越性。     

基于自适应极限学习机的变压器故障识别方法

针对变压器状态数据累积规模和复杂程度均增大的情况,单一智能算法进行数据处理的能力有限、精度低,提出了基于自适应极限学习机的变压器故障识别方法。利用免疫算法(IA)的多样性调节机制和存储机制对粒子种群进行优、劣分类,对优、劣粒子分别采用不同的进化方式。经IA改进的粒子群优化(PSO)算法有效克服了种群容易早熟从而导致进化停滞的缺点,提高了全局寻优能力。在参数寻优的基础上,根据寻优输出结果建立变压器故障识别模型。实验计算结果表明所提方法比极限学习机(ELM)、粒子群优化极限学习机(PSO-ELM)、遗传算法优化极限学习机(GA-ELM)方法的故障识别精度高。     

并网型直流微电网协调控制策略

大量的电力电子装置接入直流微电网中,降低了系统的惯性,因此需要设计微网内功率的控制策略,以保证母线电压不发生严重波动甚至崩溃。提出了一种基于光伏、储能、联网单元的并网式直流微电网协调控制策略。以母线的简化电路为基础,分析了直流母线电压与功率平衡的关系;划分系统的4种工作模式和运行状态,据此对母线电压进行分层,并设计了基于对等控制策略的联网变流器、储能单元和光伏控制方案。仿真结果表明,该控制策略能够在微电网内出现功率不平衡时,将母线电压波动控制在额定电压的±10%以内,且下垂控制使相关设备具有即插即用的功能,实现了设备层和系统层在无通信条件下的协调配合。     

基于强化学习的直流微电网分布式经济下垂控制

针对直流微电网在传统下垂控制下整体运行成本偏高且存在电压静态偏差的问题,提出一种基于强化学习的完全分布式经济下垂控制策略.通过分布式一致性算法寻找系统最优经济运行点,并利用偏差调整和Adam算法优化经济下垂系数,以提高计算的速度与效率;通过改进强化学习原理进行电压的二次优化控制.利用MATLAB/Simulink搭建具有不同运行成本单元的直流微电网仿真模型,结果验证了所提策略的有效性和优越性以及即插即用特性.     

基于虚拟直流机的直流微电网电压稳定控制策略

针对大量恒功率负荷接入直流微电网致使直流微电网失稳的问题,提出了一种基于虚拟直流机(VDCM)的直流微电网电压稳定控制策略。控制策略以储能双向DC/DC变流器为研究对象,基于直流电机原理,以电感电流为反馈量在传统下垂控制的基础上引入VDCM环节,增强系统阻尼,降低恒功率负荷对系统稳定性的影响。通过建立所提控制策略下的直流微电网小信号模型,利用阻抗匹配原则分析相关参数变化时系统的稳定性,并将其与传统的VDCM控制策略进行对比。最后,搭建仿真模型和硬件实验平台,验证所提控制策略的有效性。结果表明：所提控制策略使变流器具备了直流电机的惯量和阻尼特性,在提升系统稳定性的同时,也在一定程度上改善了系统动态响应性能,且其控制效果优于传统的VDCM控制策略。     

直流微电网高频振荡稳定问题的降阶建模及分析

为从等效电路角度揭示直流微电网高频振荡稳定机理,建立了直流微电网降阶电路模型.将直流电压控制单元降阶成等效电阻、电感串联电路模型,其中将下垂控制、直流电压控制及电流内环控制环节对系统高频稳定性的影响转化为可量化的等效电阻、等效电感.进一步结合采用等效电阻、电容并联电路的恒功率负荷模型,得到直流微电网全系统降阶电路模型,...     

直流微电网的储-荷虚拟直流电机优化控制技术

为提升虚拟直流电机（VDCM）控制对直流微电网的电压惯性与阻尼支持能力,并改善负荷侧的电压响应,提出了储-荷VDCM优化控制技术。通过类比直流电机的外特性建立储能侧和负荷侧VDCM动态模型。对VDCM控制进行改进,在储能侧对系统提供惯性支持,在负荷侧对系统施加阻尼控制,从而消除储能侧VDCM中电压惯性和阻尼的冲突,为系统母线提供足够的动态支撑。在此基础上,设计负荷侧惯性灵敏度控制环节,使储-荷VDCM能够为负荷提供灵活可控的电压惯性。根据李雅普诺夫稳定理论,分析所提VDCM优化控制对系统的稳定支持作用,根据分析提出参数优化方案,并利用时域仿真分析,验证所提控制策略的有效性。     

基于PCA降维的分层超限学习机手势识别方法

针对原始超限学习机在手势识别应用中欠缺良好的泛化性能和鲁棒性等问题,运用主成分分析(PCA)算法降低手势数据维数简化数据结构,并引入以超限学习机为基础,根据多层感知器理论拓展的分层超限学习机作为分类器应用于手势识别.PCA算法提取手势图像的主要特征,通过分层超限学习机的稀疏自动编码和分层训练,获得原始输入的多层稀疏表达,使自动编码后的输出近似原始输入,最大限度地减少重构误差,提高特征分类的精度.实验表明,与原始的超限学习机相比,具有更好的泛化性能,更快的识别速率以及更高的识别精度,提高了整体的学习性能.     

基于改进秃鹰算法优化极限学习机的谐波发射水平估计

针对目前电力系统谐波发射水平难以直接测量的问题,提出了一种基于改进秃鹰算法(improved bald eagle search, IBES)优化极限学习机(extreme learning machine, ELM)的谐波发射水平估计方法。首先,在传统秃鹰搜索算法中引入Tent混沌映射和柯西变异算子,利用IBES算法对ELM模型的输入权重和阈值进行寻优。其次,输入公共连接点(point of common coupling, PCC)处谐波电压和谐波电流,代入IBES-ELM模型,估计用户侧和系统侧谐波发射水平。最后进行仿真和工程实例分析,并与其他算法的估计结果进行对比。结果表明,所提IBES-ELM方法估计精度优于长短期记忆网络(long short-term memory, LSTM)、卷积神经网络(convolution neural network, CNN)、反向传播神经网络(back propagation neural network, BP)和CNN-LSTM算法模型,验证了该方法的有效性和稳定性。     

基于改进多元宇宙算法优化ELM的短期电力负荷预测

为改善因人工神经网络参数随机初始化对短期电力负荷预测带来的不足,提出一种基于改进多元宇宙(improvedmultivariateuniverseoptimizer, IMVO)算法优化极限学习机(extremelearningmachine, ELM)的短期电力负荷预测方法。算法的改进包含3个方面。首先,添加beta分布的随机数得到改进Tent混沌映射方法,采用遍历均匀性更好的改进Tent混沌映射方法使MVO算法得到好的初始解位置。其次,采用指数形式改进传统MVO算法的旅行距离率,利用指数形式改进后可使算法在整个寻优迭代前中期保持较高的全局开发水平。然后,采用精英反向学习的方法改进宇宙群。通过基准函数测试改进前后算法的性能,表明IMVO算法具有更好的稳定性和鲁棒性。最后,利用IMVO算法优化ELM的权值和阈值,建立IMVO-ELM短期电力负荷预测模型。通过实例分析和实验对比,表明IMVO-ELM模型的稳定性、预测精度和泛化能力均优于其他模型。     

基于混合黑猩猩优化极限学习机的电力信息物理系统虚假数据注入攻击定位检测

针对已有检测方法无法对虚假数据注入攻击(false data injection attack, FDIA)进行精确定位的问题,提出了一种基于混合黑猩猩优化极限学习机(extreme learning machine, ELM)的电力信息物理系统FDIA的定位检测方法。首先,使用ELM作为分类器,用于提取电力数据特征并检测系统各节点的异常状态。然后,采用一种具有全局搜索能力且局部收敛速度更快的混合黑猩猩优化策略,用于寻找ELM最优隐藏层神经元数量。建立基于混合黑猩猩优化ELM的检测方法,实现对FDIA的精准定位,有利于后续防御措施的实施。最后,在IEEE 14和IEEE 57节点系统中进行大量仿真对比实验。结果表明,所提方法具有更佳的准确率、查准率、查全率和F1值,对FDIA能够进行更为精准的定位检测。