基于PCC-RBF网络的风电功率短期预测方法

风电功率预测对风电场安全平稳运行、电网调度具有重要意义。针对风电功率短期预测指标选择不合理、预测精确度偏低的问题,提出一种基于皮尔逊相关系数(PCC)和径向基函数(RBF)神经网络的风电功率短期预测方法。该方法利用PCC筛选出与风电功率密切相关的3个指标,即电流、温度、风速,然后以这3个指标作为预测模型的输入对风电功率进行RBF样本训练与短期预测。试验结果表明,所提的预测模型预测误差更小,预测精度更高,能够满足风电功率短期预测的要求,具有广泛的应用前景。     

基于Buck电路的BLDCM调速系统设计

为了获得转速平稳、调节快速的无刷直流电机(BLDCM)输出,对BLDCM控制和驱动系统进行了设计。分析了BLDCM的运行原理和转矩波动原因,并采用Buck电路直接驱动解决了转矩波动的问题。针对传统PID调速慢、精度低以及参数调节困难等问题,采用了BP神经网络对PID进行参数调节。在MATLAB/Simulink仿真平台上搭建了系统的各个模块并进行仿真。结果表明,所设计的系统调节速度快,控制过程中超调小,转速平稳,转矩波动减小。     

基于异构物联网络的输电线路智慧巡检方法

为解决高海拔地区输电线路运行维护检修存在的传感器供电可靠性差、无移动信号区域数据传输难度大的问题,文中提出了一种基于异构物联网络的输电线路智慧巡检方法。首先,研究了风光协同的传感器供电技术,实现了高海拔地区恶劣环境下输电线路监测传感器的可靠供电;其次,建立了异构的输电线路物联网络,实现了输电线路无移动信号传感器的数据采集。在此基础上,通过深度学习对所采集数据样本进行分析,实现对输电线路的智慧巡检;最后,将所提方法在某无信号地区110 kV线路的现场运行,其结果验证了所提方法的有效性和可行性。     

PIPD/Cu2 纳米纤维气凝胶的制备及性能

以聚(2,5-二羟基-1,4-苯撑吡啶并二咪唑)(PIPD)为基体、三氟乙酸(TFA)和甲烷磺酸(MSA)为混酸,通过混酸剥离-去质子化诱导凝胶-冷冻干燥-惰性气氛高温处理制备出PIPD纳米纤维气凝胶.对PIPD纳米纤维气凝胶的形貌和结构进行表征,结果表明,混酸法制备PIPD纳米纤维气凝胶过程中,强质子酸破环了PIPD纤维的晶区和取向,PIPD主体的化学结构未发生明显变化.制得的PIPD纳米纤维气凝胶具有蜂窝孔结构、低密度(6.90～15.2 mg/cm3)和高孔隙率(99.1％～99.6％).当PIPD含量(以MSA和TFA总质量为基准,下同)不高于1％时,PIPD纳米纤维气凝胶无明显收缩.惰性氛围高温处理使PIPD纳米纤维气凝胶具有弹性.水平垂直燃烧、极限氧指数(LOI)、导热系数测试表明,PIPD含量为0.5％的纳米纤维气凝胶达到不可燃水平(UL-94,V-0级),LOI高达49.2％,100℃下低热传导性〔导热系数为0.052 W/(m·K)〕.此外,引入Cu2+配位交联网络提高PIPD纳米纤维气凝胶的压缩应力,增强后气凝胶的压缩应力是初始PIPD纳米纤维气凝胶的约16倍.     

采用不同模型预测低碳Fe–Ni合金等离子熔覆层的冲击韧性

采用等离子熔覆法在Mn13高锰钢上制备了低碳Fe-Ni合金层。以熔覆电流、喷头移动速率、离子气流量和热处理温度作为输入参数,以冲击韧性作为输出参数,建立了BP(误差反向传播)神经网络模型和粒子群算法优化(PSO)BP神经网络模型,并跟冲击韧性与热处理温度之间的线性回归模型进行对比。结果表明,线性回归模型、BP神经网络模型和PSO-BP模型的平均相对误差分别为7.06%、6.12%和3.03%。PSO-BP模型的预测结果与实测值的误差较小。     

基于长短期记忆网络的电网故障区域定位与故障传播路径推理

为了在发生故障后维持电力系统的安全稳定,有必要实现对故障区域的快速定位并确定故障冲击的传播路径,提出基于长短期记忆网络(LSTM)的故障区域定位和故障传播路径推理方法.首先,利用LSTM建立2个故障诊断模型分别实现在线检测故障时刻和确定故障区域;然后,通过计算故障点附近线路的端口供给能量确定故障冲击的传播路径;最后,以8机36节点电网为例进行算例验证,结果表明所提模型可在发生故障后短时间内检测到故障,给出故障区域和故障冲击传播的路径,且对噪声有较强的鲁棒性.     

一种基于CGAN-CNN的同步电机转子绕组匝间短路故障诊断方法

由于同步电机故障样本数量较少,为解决同步电机故障诊断中普遍存在的样本不平衡问题,提出了一种基于条件生成式对抗网络(CGAN)和卷积神经网络(CNN)的同步电机转子绕组匝间短路故障诊断方法.首先,对传感器收集到的数据进行预处理,对正常样本和故障样本分别添加标签后输入CGAN中生成大量新样本,将生成的新样本与原始样本混合并划分训练集和测试集;然后,利用CNN训练平衡后的数据集,充分、精准地提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过实验证明,与非平衡数据集相比,利用平衡数据集后的故障识别准确率十分稳定且达到99.5％以上,同时与平衡的原始样本数据相比,生成样本避免了噪声和其他干扰,故障诊断的准确率也更高.     

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。