S函数在水轮机非线性动态建模中的应用研究

通过分析传统水轮机建模的不足,提出了用Matlab中的S函数建立水轮机非线性动态模型的新方法.给出了应用于某电站水轮机数字建模的具体实例.由于新方法是直接对水轮机全特性曲线进行处理,因而具有比传统方法更高的精度和可信度,这对研究水轮机动态特性和调速器PID参数的离线优化有重要意义.     

基于小世界效应的异构传感器网络构造研究

将小世界网络理论应用于无线传感器网络领域,建立了无线传感器网络中小世界特征量的统计方法.通过在无线传感器网络中引入与汇聚节点直接通信的链路(捷径)形成具有小世界效应的异构传感器网络,并给出了异构传感器网络的路由策略和捷径的效益评价指标;结合小世界网络的安全特征提出异构传感器网络中需要加强对节点度高的关键节点的安全保障.选用格网网络模型作为具体的研究对象,仿真表明在构造具有小世界特征的传感器网络时需要确定性的设置捷径才会产生良好的节能效果,捷径产生的节能效率与汇聚节点的位置相关.     

遗传算法在水电机组调速器PID参数优化中的应用

水轮发电控制是一个复杂的动态过程,特别是对大型机组,控制策略和优化算法的选取对机组的性能尤为重要.为了获取不同工况下水轮发电机组调速器的优化参数,首先建立了一种机组的非线性全数字仿真模型.结合调节系统的特点,提出了一种新的反映系统综合性能指标的适应度函数,利用遗传算法对自适应变参数PID调速器的3个参数b_t,T_d,T_n进行了优化.具体实施优化过程中,采用了C++ Builder编制遗传算法主程序;使用了Matlab中的Simulink工具箱建立机组仿真模型,交互接口通过Matlab中的引擎Engine来实现.仿真实验表明:与正交实验法寻优结果相比较,在机组的不同运行状态、不同工况下遗传算法都能获得更为理想的寻优效果.同时,该优化方法已经应用于某巨型电站的调速器中.     

基于生成对抗网络和纵横交叉粒子群算法的光伏数据缺失重构方法

针对设备故障和人为干扰等因素造成光伏数据缺失的问题,提出了一种基于生成对抗网络和纵横交叉粒子群算法的光伏数据缺失重构方法。首先,使用Wasserstein散度生成对抗网络(Wasserstein divergence for GANs,WGAN-div)学习光伏数据的时序性规律与耦合关系;其次,设计了重构约束,通过优化生成器的噪声输入,使得重构后的样本最大限度贴近真实样本;针对优化高维变量问题,采用纵横交叉算法催化粒子群算法的寻优过程,防止优化时出现早熟问题。实验结果表明,在光伏数据含有大量缺失值时,所提方法具有较高的重构准确率。该方法也适用于电力系统中类似数据的缺失值重构,具有良好的应用前景。     

基于二次自适应支持向量机的光伏输出功率预测

针对传统相似度函数在聚类过程中所存在的问题,提出改进灰色-欧氏距离相似度函数,并将历史样本日模糊聚类分为若干类。另外,考虑到光伏输出数据的复杂性,该文结合小波分解(WD)和集成经验模态分解(EEMD)的各自优势,对光伏数据作双分解处理,得到趋势分量与细节分量,然后采用二次自适应支持向量机模型分别进行光伏功率预测。最后,采用美国俄勒冈州某处光伏发电场的实测数据实验,验证模型的实用性和可行性。     

混合小波包与纵横交叉算法的风电预测神经网络模型

针对常规Elman神经网络容易陷入局部最优、泛化能力不足等缺点,提出一种混合小波包变换和纵横交叉算法(CSO)优化神经网络的短期风电预测新方法。该混合方法首先利用小波包变换将风电功率时间序列分解成多个不同频率的子序列,然后采用CSO优化后的神经网络(CSO-ENN)对各分量进行提前24 h预测,最后叠加各子序列的预测值,得出实际预测结果。在实例分析中,利用某风电场实际运行数据进行仿真验证。结果表明:新模型的预测精度明显优于其他混合方法和风电场提供的日前预测结果。     

基于强化学习和组合式深度学习模型的超短期光伏功率预测

超短期光伏功率预测对光伏并网系统的安全运行有着重要意义.针对传统单一预测模型在进行光伏功率预测时受到功率随机波动性的影响导致预测精度往往不理想的问题,提出了组合式深度学习预测模型.首先,采用小波包分解对原始光伏功率序列进行分解,初步降低了原始光伏功率的非稳定性.其次,在此基础上分别采用长短时记忆网络、门控循环单元与循环神经网络3个单一模型对光伏功率进行预测得到3个预测结果并加权组合.最后,利用强化学习的Q学习算法对组合权重进行优化,进而最大化组合模型的预测性能.以某地光伏电站实测数据进行实验,结果表明文中所提出的组合预测模型优于其他预测模型,并验证了所提模型的有效性.     

小波包变换在冲击负荷地区短期负荷预测中的应用

针对大量冲击负荷接入系统给负荷预测造成困难,提出一种基于小波包变换的电力系统短期负荷预测新方法:通过小波包分解将原始负荷序列分解成不同频率的子序列,根据各个子序列的变化特点,分别采用相匹配的模型进行预测,最后叠加各子序列的预测值,得出实际预测结果。选择广东某电网实测负荷数据作为算例,仿真结果表明该方法能有效提高冲击负荷地区的短期负荷预测精度。     

纵横交叉算法优化FCM在电力客户分类中的应用

电力客户分类是供电企业客户关系管理的基石,为了提高聚类算法的稳定性和精确性,提出了一种纵横交叉算法(CSO)与模糊C均值算法(FCM)有机结合的新聚类算法(CSO-FCM),并用新算法进行客户分类。新方法有效弥补了单一算法的不足,拥有模糊理论处理不确定信息的能力以及纵横交叉算法全局收敛性强的特点。利用新算法对电力客户数据进行客观、科学的挖掘分析,实现了对电力大客户较全面和准确的精细化分类,为供电企业制定有针对性的营销策略提供了依据。     

含多风电场地区电网的无功优化

为研究含多风电场地区电网的无功优化方法,根据地区电网和风电场的运行特点,以最小网损为目标,利用电力系统分析软件PSD-BPA和PSD-OPF无功优化程序建立了含多风电场地区电网的无功优化模型。以广东省某地区电网为例,分别计算风电场作为负荷节点和电压控制节点时的无功优化结果。计算结果表明:无功优化后节点电压分布更加合理,网损显著降低;风力发电机作为负荷节点和电压控制节点对系统的影响不大。