基于循环神经网络的动态等值模型辨识

为了在系统稳定计算分析中简化和减小计算难度,用动态等值作为一种建模方法提出了一种基于循环神经网络的电力系统动态等值法并结合串并联辨识结构将其用于等值后模型的辨识。这种方法不需要预先建立确定的动态模型,仅靠边界节点的测量数据。循环神经网络的权值和结构决定了被等值外部模型的参数和结构。对IEEE的39节点进行的仿真结果表明了该方法能够捕捉原始系统的动态特性,有较高的精确性。     

基于高阶累积量Burg自适应算法的间谐波估计

Burg算法适合处理间谐波信号,但是在有噪声的环境下,会产生错误的谱估计结果。采用一种基于高阶累积量的Burg自适应算法估计间谐波信号,该方法不受高斯噪声的影响。首先,利用高阶累积量对高斯噪声不敏感的特性,改进Burg算法的预测误差标准。其次,为了降低引入高阶累积量而增加的计算量,反射系数的求取采用递推形式。最后,利用谐波信号的4阶累积量对角切片求取各成分的幅值。仿真结果表明,所提出的算法明显改进了Burg算法的谱估计性能,能够在噪声环境下获得准确的间谐波参数估计。     

非均匀采样和最小二乘法在间谐波检测中的应用

间谐波的频率是基波频率的非整数倍,并且幅值一般远小于基波和谐波的幅值,这些特点决定了对它的检测难于对谐波的检测。该文提出一种基于非均匀采样和最小二乘法的间谐波检测方法。非均匀采样由于其不受采样频率限制、频率分辨率高及抗混叠的优点,能在短数据长度下准确地检测出信号中相近的频率成分,并实现低采样频率下的高阶谐波测量。最小二乘法则可解决由于非均匀采样带来的频谱噪声问题,逐次消除检测出的大幅值信号,从而检测出幅值较小的间谐波信号,并准确估计出间谐波的幅值和相位。仿真实验表明：该方法可准确地检测出频率与基频相近,幅值远小于基波的多个间谐波,及实现低采样频率下的高阶谐波测量     

基于可变遗忘因子广义RLS算法的频率估计

传统的递推最小二乘(RLS)算法有良好的抑制噪声的能力,但在非稳态环境下跟踪能力弱,导致误差大.RLS和Kalman滤波之间存在一一对应的关系,引入Kalman滤波的一步预测估计和新的状态转移矩阵,可以得到广义的RLS算法,该算法改进了跟踪能力.同时,考虑到加权遗忘因子对算法的收敛速度和跟踪能力也有很大影响,故在广义RLS算法中再引入可变的遗忘因子,以确保对时变参数的快速跟踪能力和小的参数估计误差.对基于可变遗忘因子的广义RLS自适应算法和按指数加权的传统RLS算法进行了仿真比较,分析了在稳态下加入谐波、输入幅值变化、输入频率变化等情况下,2种方法所得的频率估计值和均方误差,结果显示所提方法在精度和收敛速度上都更优越.     

用于电压闪变包络跟踪的改进RLS算法

电压闪变是严重的电能质量问题之一,本文提出采用基于可变遗忘因子的高阶累积量递推最小二乘(RLS)算法跟踪电压闪变包络。基于高阶累积量的误差准则取代传统的基于二阶统计量的误差准则,使算法不受任何高斯噪声的影响;可变遗忘因子的应用,使得算法能够快速跟踪包络的变化,又能在稳态情况下具有较好的收敛性能。Matlab仿真分析结果表明,在高斯噪声污染存在的情况下,本文算法相比传统RLS算法具有更高的估计精度,能够在噪声中准确地检测出电压闪变包络。