基于单片机的CPLD在系统动态配置

以51单片机和Lattice公司的ispLSI2032为例,介绍了一种利用微控制器动态配置CPLD器件的方法。将配置文件存放在只读存储器中,利用ISP(在系统可编程)技术,单片机在内部软件程序的控制下,读取存储器配置信息,并将其转换为具有准确定时的串行数据流,通过编程接口移入ispLSI2032,实现对ispLSI2032的动态配置。     

设备电压暂降耐受能力测试技术分析与测试规范建议

设备电压暂降耐受能力测试是认识、理解和解决电压暂降问题的基础。系统分析了国内外的设备电压暂降耐受能力测试技术相关标准,结合测试现状指出标准中尚存在的问题。从现有文献统计、现有研究团队、设备测试成果、工业过程耐受能力、设备对电压暂降的响应机理等角度出发,分析了设备电压暂降耐受能力测试领域研究成果及尚未解决的问题。提出一套通用测试规范,包括测试条件、测试判据、测试平台、测试方法和测试步骤等。最后,对设备电压暂降耐受能力测试技术的发展趋势进行分析,并提出了进一步值得研究的问题。     

基于改进K-means聚类的配电网电压暂降频次估计法

传统考虑保护动作特性的电压暂降频次估计法需要获取详尽的保护配置信息,然而配电网保护配置多样,在不同因素如过渡电阻、运行方式、故障类型等的影响下,阶段式保护各级保护区可能产生较大变化,采用传统方法对电压暂降持续时间进行评估可能会产生较大误差。文中提出一种基于改进K-means聚类的配电网电压暂降频次估计方法,在未知线路保护配置基础上,基于电压暂降历史监测数据与保护动作信息,采用改进K-means聚类算法,对电压暂降幅值-持续时间进行聚类分析,推断线路保护配置情况,计算保护动作时间与保护动作电压。根据计算结果,在考虑不同故障类型、不同运行方式及不同过渡阻抗的情况下进行配电网电压暂降频次估计。在IEEE RBTS-6母线测试系统的母线5配电网中进行仿真,验证了文中方法的有效性和优越性。     

考虑用户定量需求的优质电力园区DVR优化配置

优质电力园区是针对区域性高品质供电问题的一种有效解决方案,其中定制电力设备配置方案的确定是园区规划建设的重要内容。针对园区中动态电压恢复器(dynamic voltage restorer,DVR)的配置问题,提出一种考虑用户短时电压质量定量需求的DVR优化配置策略。基于过程抗扰时间和物理参数变化曲线,将用户对过程运行状态需求映射为短时电压质量需求,实现用户需求量化;以DVR投资最少为目标,满足用户需求为约束,建立DVR优化配置模型,用Tabu搜索算法求解,得到优化配置方案。对典型园区的仿真结果表明,该方法所得配置方案经济、可行,能在满足用户短时电压质量定量需求的同时,保证DVR投资最少。     

基于多粒度特征选择和模型融合的复合电能质量扰动 分类特征优化

现代电力系统因其“双高”特性造成电能质量扰动模式愈加复杂,对复合扰动的准确分类提出了挑战。传统电能质量扰动分类方法在特征提取阶段所提取的特征由人为确定,难以判断所提取的特征对分类问题是否有效,加之多重复合扰动特征相互耦合导致扰动特征的可分性确定困难。为此,提出一种基于粒度的计算方法进行特征选择的模型。在提取的扰动特征集的基础上,通过构建多粒度空间反映特征分布差异性,进而挖掘各粒度下的最优特征子集以确定有效和冗余的分类特征,达到优化分类效果的目的。在此基础上,通过集成分类模型融合不同粒度空间最优扰动特征集所训练的同质弱分类器模型,提出一种新的电能质量扰动多粒度集成分类方法。该方法克服了现有方法在进行多粒度分类时通过寻找最优单粒度空间特征而导致的其他粒度空间信息丢失的问题。实验表明,多粒度特征选择算法可提取对分类有效的扰动特征,集成分类模型可进一步改善模型的分类性能。     

堆叠自动编码器与S变换相结合的电缆早期故障识别方法

将深度学习概念应用到电缆早期故障识别中,提出结合S变换与堆叠自动编码器(SAE)的电缆早期故障识别方法。通过对故障相电流进行S变换,将获得的S变换模时频矩阵分为低、中和高频段。求取对应频段的能量熵和奇异熵等特征量,并组成特征向量后,将时频域特征向量作为SAE网络的输入,经过预训练和参数微调,得到最优训练参数。利用构建好的网络从输入数据中挖掘有用信息,从大量扰动中识别电缆早期故障。仿真结果表明,与传统模式识别方法相比,所提方法的精度更高。     

制定PQM装置检测标准值得关注的几个问题

随着供用电双方对电能质量重视程度的不断提升,在电网侧和用户侧已安装大量电能质量监测装置(PQM),为了保证PQM装置正常运维和监测结果安全可靠,制定PQM装置检测标准已很有必要。从测量、检测、试验和检验等基本概念入手,通过综合分析对PQM装置进行检测和被检测PQM装置在不同场景下的技术性能指标,明确制定PQM装置检测标准的核心目标和主要范围,指出值得关注的几个基本问题,提出解决这些问题的原则性建议,希望能抛砖引玉,为本标准的制定和完善起到微薄作用。     

基于深度神经网络的电压暂降经济损失评估模型

为进一步简化电压暂降经济损失评估流程、提高经济损失预测的适用性和准确度,提出了一种基于深度神经网络(DNN)的电压暂降经济损失评估模型。首先分析了影响电压暂降经济损失的特征因子,分别从电压暂降故障信息、工业过程信息、敏感设备信息和用户基本信息中提取19维特征向量作为DNN预测模型的输入向量,将经济损失结果作为输出,并基于Tensorflow深度学习架构对DNN预测模型进行训练。在此基础上,提出2种数据增强的策略,有效解决了电压暂降样本数据少的窘境,并通过构建4种DNN架构,对比了不同随机失活概率、神经元数量、架构深度对经济损失预测准确度的影响。训练后的DNN模型可以准确提取特征,快速实现收敛并对经济损失进行合理预测。最后,基于我国某大型电子工业企业的电压暂降实际采样数据,对DNN模型进行了训练和性能评估,结果表明了所提方法的有效性。     

多逆变器并网下的超高次谐振特性分析

超高次谐波是电力电子技术快速发展过程中不可避免的电能质量问题,受到了越来越多的关注。为揭示多个逆变器并网下的超高次谐振特性,文中提出了一种多逆变器并网下的超高次谐振特性分析方法。首先,以单相并网逆变器为例,分析其在单极倍频正弦脉宽调制(SPWM)下的谐波分布特性,以此来揭示基于单极倍频SPWM控制下的电力电子装置的超高次谐波发射机理。然后,建立了逆变器并网等效电路模型,并在此基础上,得到了多逆变器并网系统超高次谐波下的等效电路模型。其次,根据所建的等效电路模型求得了公共连接点的等效阻抗,并提出了超高次谐振放大系数的概念,在此基础上采用控制变量法分析了滤波器参数、并网逆变器数量和电网阻抗变化下系统的超高次谐振特性。最后,通过仿真验证了所建模型和理论分析的正确性。