基于改进PSO和DE优化神经网络的电能质量扰动分类

针对电能质量问题提出了基于改进粒子群优化算法(PSO)和差分进化算法(DE)相结合优化神经网络的分类方法。首先用Matlab仿真几种典型的电能质量扰动信号,再利用小波变换进行多尺度的分解,得到各尺度的能量信息作为特征向量输入BP神经网络分类器中对扰动信号进行快速、准确的分类识别。并针对传统BP算法收敛耗时长速度慢,不能保证获得全局最优等缺点,在种群分类基础上提出了一种混合粒子群与差分进化算法的新型PSO-DE算法,并利用其对神经网络进行改进。这种混合PSO-DE算法在很大程度上能弥补BP神经网络的不足,采用该算法对网络进行优化后完成电能质量扰动信号的自动分类。     

基于动态分析方法的电网N-1关键支路识别

由于电力系统是强非线性时变系统,而传统的用戴维南等值参数评估系统电压稳定性的方法在具有动态特征的非线性电力系统应用上有很大局限性。基于非解析复变电力系统的动态分析方法,提出了评价N-1系统PQ节点电压稳定性的法向阻抗模裕度指标,并由此指标来判定N-1网络中电压稳定最薄弱的环节。另外,法向阻抗模裕度最小值决定系统电压稳定整体水平,通过开断标准IEEE14节点系统中的重要支路,计算出支路开断后PQ节点法向阻抗模裕度最小值。然后通过对比开断不同支路时对应的最小法向阻抗模裕度值,找出系统电压稳定性最弱时的开断支路,并将此支路视为关键支路重点监控,从而为电力系统的规划和调度提供参考。仿真结果验证了此方法的正确性和有效性。