一种求解环网无功问题的状态估计方法

输电网存在大量环形结构,无功测量精度较低且时常出现不良测量数据,加权最小二乘状态估计方法易受残差污染影响,难以满足状态估计合格率考核的要求。基于正常测点的概念,建立考虑测量设备自身不确定度的测点评价函数,用来评价测点正常与否。并以异常测点数量最小为优化目标,考虑系统实际约束和潮流约束,建立新的状态估计模型,对比残差分析的不良数据辨识方法在求解速度和精度上具有显著优势。基于某市实际输电网模型和遥测遥信数据进行算例分析。计算结果表明方法提高了状态估计测点合格率指标,证明了方法的有效性。     

深度神经网络在非侵入式负荷分解中的应用

负荷监测是智能用电的一个重要环节,为了实现非侵入式负荷监测,提出了一种基于深度神经网络的非侵入式负荷分解方法。首先提出了改进的电器状态聚类算法,通过改进终止条件和增加消除冗余类判据使得聚类结果更符合电器实际运行情况。针对目前研究常用的隐马尔可夫模型的弱时间特性问题,提出了电器时间特性模型,综合考虑了电器运行特性和用户使用习惯,从时间角度对电器进行建模。构建了深度神经网络进行负荷分解,网络的输入综合考虑了电器状态及时间、功率信息,采用历史运行数据及时间特性模型生成数据训练网络参数。最后,在测试数据集上验证了方法的有效性和准确性。     

基于无迹卡尔曼滤波的电力系统抗差动态估计

为解决电力系统动态状态估计准确性易受量测不良数据影响的问题,提出基于无迹卡尔曼滤波(Unscented Kalman Filter,UKF)的电力系统抗差动态估计方法。在预测过程中引入时变噪声估计器处理未知系统噪声;利用新息向量判断量测是否存在异常,并使用基于测点正常率最大的静态估计方法辨识不良数据;然后构建更新因子矩阵降低不良数据在动态估计更新过程中的影响。将算法运用于IEEE 14节点标准系统中,仿真结果表明该方法估计结果准确且抗差效果良好。     

基于时间概率分布与电器组合超状态的非侵入式负荷分解

非侵入式负荷监测是智能用电网络中的重要技术,为研究非侵入监测下电器的用电情况,提出了一种基于电器时间概率分布和电器组合超状态匹配的负荷分解方法。首先对电器的功率数据进行状态提取,并利用电器运行的时间信息提取每个状态的时间概率分布。根据电器的工作状态组合,构建超状态,利用家庭历史用电数据缩减超状态空间,并针对超状态功率重叠问题对其进行聚类得到S超状态。在负荷分解阶段利用S超状态匹配方法对非侵入式数据分段,并利用时间概率最大似然估计分解结果。最后,通过数据集分解结果验证了该算法的有效性。     

高斯型泵浦光束热致衍射损耗解析模式及应用

为优化高斯型光束端面泵浦固体激光器中模式交叠比率,提高激光器输出功率,推导了高斯型泵浦光束对应的热致衍射损耗的解析表达式,分析了端面泵浦的掺钕激光器中此热致衍射损耗和模式交叠比率以及泵浦功率之间的关系.研究结果表明:在有热致衍射损耗条件下,优化的交叠比率小于0.65,忽略热致衍射损耗,优化值变大.