基于混沌时间序列的支持向量机短期风速预测模型研究

风电场风速及风电功率预测技术是加强风电并网管理的关键措施之一。为了提高短期风速预测的精度,减小风电并网对电力系统的电能质量及其安全稳定运行带来的影响,提出了基于混沌时间序列的支持向量机短期风速预测模型。该模型针对风速混沌时间序列建模,并采用基于贝叶斯框架的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型有效地提高了短期风速预测的精度。     

电力变压器中局部放电声波传播的有限元仿真和理论分析

测量变压器内局部放电产生的声波能用于电力变压器的监测、诊断和故障定位。建立了局部放电声波传播的有限元分析(FEA)仿真模型。利用简化的模型,分析了声波传播的特性。局部放电声波传播仿真的结果与PZT传感器的实验室结果比较,显示了较好的一致性。     

基于支持向量机与神经网络的间谐波测量混合算法

针对目前缺乏国家标准规范间谐波对电能质量的影响,也缺乏有效的手段监测间谐波的问题,用支持向量机理论对其进行了探索。支持向量机理论将间谐波这个非线性问题变换到更高维的空间中进行线性回归,它基于迭代权调整最小二乘法,引入反向传播神经网络算法整定算法参数,通过反馈现场采集、分析信号,并将教师信号与计算信号的差值作为调整参数的驱动信号,在此基础上通过反向遗传算法(BPNN)的反向传播能力对参数进行基于负反馈的调整,提高了算法的收敛速度。通过数值实验对比,该算法比没有使用差动信号的混合算法效率提高约13%。     

相空间重构和支持向量机结合的电力负荷预测模型研究

风电机组集中并网会对电网安全稳定运行带来影响,为了合理规划各类供电机组高效运行,对电力负荷预测的精度提出了更高的要求。电网负荷时间序列具有混沌特性,普通预测方法难以描述其特性和内在规律。利用混沌相空间重构理论对负荷时间序列进行研究,用互信息法和CAO方法分别求得时间延迟和嵌入维数,并由此得到系统最大李雅普诺夫指数,证明其具有混沌特性。然后根据时间延迟和嵌入维数对样本数据相空间重构,在此基础上利用支持向量回归算法(PSR-SVR)对电力负荷进行预测,支持向量回归采用网格寻优确定参数。最后将预测的结果同时间序列模型和BP神经网络模型的预测结果进行对比,结果表明,这是一种误差小,精度高的电网负荷预测方法器。     

场强的提高对局部放电测试的影响

局部放电 (PD)是检测 XL PE电缆缺陷的一种重要手段 ,缺陷会造成电缆的局部场强的不均匀 ,在施加外部电压后引起局部放电的现象。本文提出 :在 XL PE电缆承受耐压的过程中 ,采用提高场强的方法 ,能更有效地发现 PD缺陷 ,从而降低 XL PE电缆在运行中的击穿事故。     

小波包变换和广义形态滤波器在局部放电检测中的应用

现场局部放电在线检测过程中常伴随有白噪声和窄带周期性干扰,为局部放电信号的检测带来很大的困难.为了从强的噪声干扰中有效的提取局部放电信号,本文提出了一种小波包变换和广义形态滤波器相融合的新方法对含有强噪声的局部放电信号进行去噪.结果表明该方法能够有效的消除局部放电信号的噪声,同时能很好的保留原信号的特征,解决了滤除混合...     

局部放电信号的分层式综合处理技术

在总结已研究成功的几种局部放电数字信号处理技术的基础上,提出了一种新的局部放电信号分层式综合处理技术模型,应用结果显示了良好的应用前景。     

局部阴影下光伏阵列最大功率跟踪系统的研究

针对光伏阵列发电系统,在局部阴影情况下,研究推导光伏阵列数学模型。同时,分析加装旁路二极管、光伏阵列拓扑结构、光照强度大小及分布形状对光伏阵列输出特性的影响,并且分析了传统功率跟踪优缺点。提出一种全局最大功率搜索与局部功率极值跟踪相结合的全局最大功率跟踪算法,并进行Matlab/Simulink仿真分析。实验结果证明了该策略的有效性与正确性。     

电力变压器局部放电及其现场试验

介绍了电力变压器局部放电现象产生的原因及其危害,并对变压器局部放电试验的基本要求、试验原理接线及对试验电源的要求进行了阐述,结合现场试验的经验肯定了进行变压器局放试验的意义和其对电网安全运行的重要性。     

特高压变压器局部放电试验分析

1000 kV晋东南-南阳-荆门特高压交流试验示范工程的1000 kV、1000 MVA特高压交流电力变压器的局部放电试验首次在国内进行,试验电压高,局部放电量要求严,试验难度大。总结特高压变压器局部放电试验的技术特点,以特变电工沈阳变压器集团有限公司生产的荆门站A相ODFPS-1000000/1000型特高压变压器为例,分析了该变压器出厂时的局部放电试验、特高压变压器套管局部放电型式试验、国家电网公司《1000 kV晋东南-南阳-荆门特高压交流试验示范工程电气设备交接试验标准》以及该特高压变压器的交接试验,提出了特高压变压器的特殊试验要求。