多端柔性直流输电系统运行状态评判

目前对于多端柔性直流输电系统(MMC-MTDC Transmission Systems)运行状态评判的相关研究还处在起步阶段,缺乏对M M C-MTDC输电系统在不同工况和控制策略下相应运行状态特征的有效提取、归纳及分析,所以亟需一种准确的状态评判方法为研究MMC-MTDC运行状态变化提供判断依据.以多端柔性直流输电系统各类运行数据为基础,从功率、电压、频率、系统响应速度、可靠性和灵敏度6个角度出发,构造了一套评价系统运行状态的关键指标体系;针对现有评判方法的局限性,通过对反非广延熵统计特性的理论分析,构建一种新的系统运行状态分级评判方法—基于改进层次分析的反非延熵权法,该方法较好克服了同类算法评判辨识度低的缺点.最后基于OPT-5600实时仿真平台,通过五端柔性直流输电仿真算例验证了文中所提的评价指标体系及方法的有效性.     

基于EEMD-JADE的桥梁挠度监测中温度效应的分离

针对桥梁挠度各成分的分离问题,提出一种基于EEMD-JADE的单通道盲源分离算法。首先,利用传统的集合经验模态分解法（Ensemble Empirical Mode Decomposition,EEMD）将单通道的桥梁挠度信号分解为一系列线性平稳的本征模函数（Intrinsic Mode Function,IMF）;然后,采用基于能量熵增量的判别法识别并剔除虚假的IMF分量,将能量熵增量较大的IMF分量组成盲源分离模型的输入信号;最后,采用矩阵联合近似对角化（Joint Approximate Diagonalization of Eigen-matrices,JADE）算法对输入信号进行盲源分离。JADE算法在源信号频率差异较小且频率有所混叠的状况下也能较好地分离出源信号,但要求观测信号数必须大于等于源信号数目;EEMD具有良好的自适应性,能够将单通道的混合信号进行多尺度分解,形成多通道信号,但分解结果存在端点效应与模态混叠。JADE算法能够解决EEMD分解结果存在的端点效应与模态混叠问题,且EEMD也解决了JADE分离算法的先决条件。两种算法优势互补,能够较好地分离出各挠度组分。通过有限元软件Midas/civil建立了背景桥梁模型,经仿真分析得到了各单项因素作用下的桥梁结构响应,并将其叠加在一起作为待分离的混合挠度信号。仿真信号分离的结果与源信号的相关系数均在0.98以上,说明分离效果较好。最后,采集实测挠度信号进行分离,处于对称位置测点分离出的各挠度组分的相关系数均在0.9以上,证明了该算法的适用性。     

基于多特征量的D矩阵模型的建立与分析

针对基于单特征量的D矩阵模型会损失测试信号的大量信息的问题,提出了一种基于多特征量的可测性分析模型。首先,在研究D矩阵模型的基础上,对测试信号进行特征提取和多值编码,建立了基于多特征量的D矩阵模型。其次,基于信息熵制定诊断策略和生成故障诊断树,并对模型进行测试性分析,评估其诊断能力。结果表明,与单特征量的D矩阵模型相比,基于多特征量的D矩阵模型选用的测试点数和模糊组数小,故障隔离率高,诊断测试步骤数少,平均测试费用低。     

短时间尺度用电行为相关性分析网络模型

用电行为短时间尺度相关关系是用户精细化管理与智能配用电的重要决策基础。建立了针对短时间尺度用电行为相关性的网络化分析方法。首先,由描述短时间尺度用电功率序列间相关性的皮尔逊相关系数构造用电行为相关矩阵,为减小随机用电行为与测量误差等无序噪声信息对相关矩阵的影响,引入随机矩阵理论对相关矩阵进行去噪,并提出利用特征值谱熵的正则化修正方法。然后,基于相关矩阵构建了相关矩阵分阶与同级网络序列,提出了基于社团结构的相关性聚类方法与基于最小树的相关性等级结构挖掘方法;定义了量度用电相关性的拓扑指标,从而构造了用电行为相关性聚类分析与等级分析的网络模型,并就模型的典型应用场景进行了讨论。最后,通过实例数据验证了上述去噪方法、相关性分析网络模型及指标的有效性。     

计及历史数据熵关联信息挖掘的短期风电功率预测

对风电功率历史数据进行关联信息挖掘,将有助于提高短期风电功率预测的准确度和计算效率。为解决风电功率预测模型的输入、输出变量的相关性冗余问题,尝试采用了一种基于信息熵和互信息的熵相关系数指标,旨在量化评估不同历史日风电样本与待预测日参考样本间的复杂非线性映射关系,并与线性相关系数、秩相关系数、欧氏距离指标进行了对比研究。同时,设计了一种BP神经网络改进模型,通过亲密样本筛选、隐含层结构寻优、网络权重赋初值等环节,克服了传统预测模型的训练数据冗余度大、收敛速度慢问题,提高了预测模型的泛化能力和计算效率。对某风电场实测数据的算例分析表明,所提出的方法在改善短期风电功率预测性能方面具有应用可行性。     

基于能量时空分布熵的低频振荡类型判别方法

电力系统发生低频振荡时,准确判断振荡类型对确定振荡起因和采取抑制措施至关重要。将低频振荡细分为局部振荡、区间振荡和局部—区间耦合振荡,并从熵的基本原理出发,结合不同类型低频振荡的振荡能量时空分布特性,提出基于能量分布熵的低频振荡类型判别依据。首先利用Prony分解提取主导振荡模式的电气量数据,计算各机组振荡能量并且得到振荡能量空间分布熵和标幺化标准差分类指标,然后通过增加滑动窗的方式动态反映振荡能量随时间的变化态势,对结果进行曲线拟合显示不同类型振荡能量时空分布规律,利用熵差综合分类判据对低频振荡类型加以区分。通过华北电网不同类型低频振荡仿真计算,验证了所述方法的有效性。     

基于G2-熵权法的低压配网台区状态特性评估

从低压配网台区的线路特征、运行特征2个主要方面的指标对低压配网台区状态特性进行评估。首先从上述2个方面建立评估指标体系;其次对指标进行一致化和无量纲处理;然后采用基于功能驱动的G_2法(唯一参照物法)加入专家经验求得各指标的主观权重,同时采用基于数据差异驱动的熵权法求得各指标的客观权重;最后利用拉格朗日最优乘子法综合主客观权重求得各指标的综合权重,得到低压配网台区状态特性的评估函数,根据评估函数值对低压配网台区状态特性做出评估。通过对某地的若干个低压配网台区进行实例分析,验证了该评估方法的有效性和可行性。     

微电网群功率优化控制

随着间歇性电源(分布式风电、光伏)在中、低压配电网中渗透率的提高,多个微电网可能共存于一个区域配电网中,各微电网间能量互济与协调控制的微电网群技术开始引起广泛的关注。以微电网研究为基础,分析了微电网群的典型特征及拓扑结构。以微电网群功率波动为研究对象,建立了微电网群功率波动熵值的动态调度模型,采用量子粒子群优化算法进行求解实现优化控制。仿真结果验证了所提微电网群功率优化控制方法的正确性和有效性。     

基于Entropy-TOPSIS 方法的目标威胁动态评估与仿真

为解决在目标威胁评估方法中,确定各属性的权重时受主观因素和高机动目标影响大的问题,提出一种 改进的多属性决策目标威胁评估方法。综合模糊理论和多属性决策理论,通过构造隶属度函数规范化属性值,基于 熵值法求解属性权重,应用TOPSIS 理论进行目标威胁评估,构建不同的态势实例,采用静态数值计算和动态模拟 仿真的方法对算法进行验证。仿真实验结果验证了该方法的合理性和有效性。     

基于改进EEMD-SE-ARMA的超短期风功率组合预测模型

针对风力发电功率时间序列具有非线性和非平稳性的特性,提出了一种改进的集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)-样本熵(Sample Entropy,SE)-ARMA的风电功率超短期组合预测模型。将EEMD分解中添加的白噪声信号改为添加绝对值相等的正负两组白噪声信号,并将MEEMD分解过程中的EMD步骤使用端点延拓和分段三次埃尔米特插值进行改进,形成一种改进的EEMD分解算法(即MEEMD)。利用MEEMD-SE将风力发电功率时间序列分解为一系列复杂度差异明显的风电子序列;针对每一个不同的子序列建立适当的ARMA预测模型;将各预测分量进行叠加重构,得到最终的风电功率预测值。通过算例分析及与其他几种预测模型预测结果的对比,证明MEEMD-SE-ARMA组合预测模型可以有效地提高风力发电功率超短期预测的精度。