无线移动自组织互联网

结合无线移动通信技术的最新进展，简单介绍了无线移动自组织互联网的概念、特点、网络结构和协议，并在此基础上介绍了无线移动自组织互联网的链路技术、分群路由协议、移动IP管理技术、网络集成技术及其未来的发展方向。     

基于主成分分析法的直驱式风电场分群方法

为了建立较为精确的风电场等值模型,提出了一种基于主成分分析法的直驱式风电场分群方法。首先对直驱式风电机组进行建模和分析,得到了表征风电机组运行状态的全部状态变量。然后利用主成分分析法提取了3个主导变量,它们代表了全部状态变量90%以上的信息,可较准确地反映机组的运行点。最后为了进行对比分析,在算例中分别以3个主导变量和风速为分群指标进行分群计算,并在Matlab/Simulink平台上搭建了风电场的详细模型、以主导变量分群的等值模型及以风速分群的等值模型。通过比较三种模型在风速波动及电网故障情况下动态特性的仿真结果,验证了所提分群方法的正确性及较高的精确性。以该方法分群建立的风电场等值模型的精确性较高。     

分层Ad Hoc网络的分群及群首选举算法研究

文章分析了战术互联网是典型的Ad Hoc网络,其结构导致层次及分群相对固定,可通过地址列表信息来完成群首的选举,以维护特殊情况下的群稳定性和网络功能。     

基于两步分群法的双馈机组风电场等值建模

为了在保证风机等值精度的基础上降低风电场仿真模型的复杂度,考虑到实际风电场内尾流效应及风机控制方式不同的情况,借鉴层次分析法的思想提出了两步分群法。该方法综合考虑了风机初始运行点以及动态特性。首先考虑风电机组间尾流效应计算输入风速,根据机组桨距角动作情况进行初次分群,通过转子电流受扰曲线识别动态特性相近的风机实现再次分群。然后在保证风电机组功率输出特性和电压差恒定的基础上,进行风机和集电线路参数等值,得到风电场多机等值模型。最后通过仿真验证了所述方法的合理性。     

一种电磁传感器网络的群规模约束分群算法

电磁传感器网络是一种以电磁信号为感知目标的传感器网络。本文针对电磁传感网监测性能要求,提出了一种基于分群的电磁传感器网络频域协作工作模式,理论上分析了群规模与信号感知概率以及感知时延的关系,将电磁传感网监测性能要求转化为对分群规模的约束,并设计了群规模约束分群算法(CRCA)。仿真结果表明,在相同的性能要求和网络连通度下,CRCA得到的满足群规模约束的群比例高出已有算法10%,能较好地满足系统性能要求。     

浅析AGC发电机组分群控制策略的构建

目前,在电力系统中自动发电控制（AGC）机组的调节性能存在一定差异,如果全部机组均采用相同的控制策略,则容易出现各种问题。本文首先阐述了AGC的控制系统,分析AGC机组的分群控制流程,最后提出了自动发电控制机组分群控制的创新策略。     

一种考虑发电机同调分群的大电网快速主动解列策略

针对当前主动解列研究中的快速性难题,提出一种考虑发电机同调分群的大电网快速解列策略。该方法在构建大电网图论模型基础上,第一步采用SW(Stoer-Wagner)算法求解发电机动态连接图的最小割,获得发电机分群结果;第二步以最小潮流冲击为目标函数,通过改进的Dinic最大流算法快速搜索最优解列断面。这两个步骤的解列策略,无需对全网进行化简,能够在线获得全局最优解列断面。通过对IEEE 118节点系统和华中电网系统的仿真计算,验证了该方法的正确性、有效性和快速性。     

海战场目标分群方法研究

目标分群问题是战场态势评估的一个重要问题。根据海战场态势评估需要,对目标分群进行了层次描述;鉴于海战场目标数据空间是一种高维空间,采用高维空间的相似度函数对目标相似度进行度量,进而对战场目标按层次进行分群。通过实例验证,取得了较好的效果。     

基于Teager能量算子的低频振荡节点同调分群

实际互联电网发生低频振荡时,除了需要获取振荡的频率、幅值、阻尼比外,还需获得振荡节点的同调分群关系、振荡中心或分界面的位置信息,以便运行人员及时采取措施抑制振荡。为此基于Teager能量算子提出了节点同调分群方法。首先采用经验模态分解方法对各节点实时注入有功功率或频率信号进行预处理,然后利用Teager能量算子快速求取分解后模态曲线的频率、幅值,在电网关心模式的频率下应用相关分析技术计算各模态曲线相对幅值最大模态曲线的相角差,从而得到低频振荡过程中节点的同调分群关系。仿真算例验证了该方法的有效性。     

一种基于RBF神经网络线损计算方法研究

根据中压配电网的特性,利用容易收集的原始数据,研究了一种中压配电网准确、快速而简便的线损计算方法,即径向基函数神经网络算法,并且将该算法与分群算法相结合,获得了很好的计算精度.通过matlab仿真研究验证了RBF算法的有效性,并且通过比较未分类的RBF算法,分类的RBF算法,线性回归算法和BP算法,凸显了分类后的RBF神经网络的精确性与实用性.