多回不共端高压输电线路互感参数的带电测试

提出一种用于带电测量输电线路互感参数的新方法。该方法采用全球卫星定位系统（ＧＰＳ）送出的时间同步信号作为各测量点的同步采样基准，解决了不同端线路互感参数带电测量的同时性问题。文中对该方法进行了理论上的分析，对于于带电测量互感的计算机系统的硬件组成进行了介绍。该装置已成功地用于实际之中。     

构建知识、能力、素质一体化的校外实习基地

文章阐述了校外实习基地对于培养学生创新精神和实践能力、实施综合素质教育方面的作用、具体实施的方法及所取得的效果，并对今后实习基地的培养目标进行了展望。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

电力系统稳定性研究的方法论思考

文章对电力系统稳定性研究内涵进行了评述，然后从认识论和方法论上加以分析，讨论了认识过程从功角稳定到电压稳定的转变、从线性向非线性的转变、从简单系统到复杂系统的转变、从重视解析方法到重视非解析方法的转变过程，为电力系统稳定性研究提供方法论指导。     

基于模糊综合评判和综合赋权的抗灾型配电网骨干网架规划

根据抗灾型配电网的特点和差异化规划的理念,建立了计及电网安全性、灾况供电可靠性、特级负荷覆盖率、差异化成本和差异化效益的抗灾型中压配电网骨干网架评判模型,提出了一种基于模糊理论、综合赋权和成本效益分析法的抗灾型配电网骨干网架改造决策方法。该方法在选取影响电网抗灾性能的主要因素的基础上,通过高斯隶属函数建立了模糊评判矩阵。同时,利用改进层次分析法(IAHP)和熵权法确定了主客观统一的综合权重,并由模糊综合评判法进行了各配电线路的重要性排序,然后由成本效益分析法确定了最优骨干网架。最后,将该方法应用于南方某地区配电网抗灾骨干网架改造方案决策分析中,案例分析结果验证了所提方法的有效性和实用性。     

土地市场重在日常监管

加强土地市场监管 ,必须着重从体制、机制和法治上解决问题。一要完善法规体系 ,真正做到有法可依。二要健全执法体系 ,真正做到有法必依。三要扩大执法成果的应用 ,建立快速执法机制。四要建立巡查责任制 ,及时制止违法行为发生。     

低压系统StatCom的环境参数对控制性能的影响

对低压配电系统StatCom的应用特点和环境参数变化对它的影响进行了详细分析。采用Simulink软件对无功单闭环和电压内嵌式双闭环系统进行了仿真研究,在给定变动负载下,分析了不同控制参数对StatCom试验装置控制性能的影响,得出了有关的结论。     

鲸鱼优化支持向量机的短期风电功率预测

为提高风电预测的精度,提出一种鲸鱼优化支持向量机SVM(support vector machine)的组合预测模型。该模型针对风电序列的非平稳波动特性,首先应用集合经验模态分解技术EEMD(ensemble empirical mode de?composition)将原始风电序列分解为一系列不同特征尺度的子序列;并引入鲸鱼优化算法WOA(whales optimiza?tion algorithm)解决SVM中学习参数选择难的问题,进而对各子序列建立WOA_SVM预测模型;最后,叠加各子序列的预测值以得到最终预测值。仿真表明,所提EEMD_WOA_SVM模型具有较高的风电预测精度,显著优于其他基本模型。     

基于聚类分析的客户用电模式智能识别方法

结合k-means、k-medoids、SOM以及FCM等聚类算法,构建了电力大客户典型用电模式的聚类分析模型,提出了一种评估聚类效果的新方法。首先通过分析电力客户用电指标数据及其特点,提出采用高斯滤波器对含"噪声"曲线数据进行平滑处理来获取客户用电数据。然后提出了聚类平均半径、平均直径和平均最小间距等3个评价指标,并以此为基础设计出一种评估聚类得分的新方法。最后使用聚类分析模型对某地区电力大客户日用电量曲线进行聚类分析,实现了地区典型用电模式的自动识别功能。实际算例分析结果表明,该评估方法物理概念清晰、简便、实用。     

基于竞争ISPO双胞支持向量回归短期负荷预测

双胞支持向量回归TSVR(twin support vector regression)参数的合理选择严重影响回归结果的准确性。该文采用竞争型智能单粒子算法CISPO(competitive intelligent single particle optimizer)优化参数。CISPO针对智能单粒子算法中各因子值难以确定的问题,在每次迭代中根据待优化参数的变化情况自动选择最佳的因子值,同时引入迭代竞争因子,避免算法前期陷入混乱,而后期又能更好地找到全局最优值。将基于CISPO优化的TSVR模型应用到电力系统短期负荷预测中,结果表明,该方法能有效提高负荷预测的速度和精度。