基于多核支持向量机的混合扰动波形辨识算法研究

针对特征提取手段自身局限性导致的扰动典型特征间边缘重叠对混和扰动辨识的影响,提出一种基于多域特征优选的多核支持向量机辨识算法。首先,利用多种特征提取手段获取混和扰动多域典型特征。其次,为考虑高维特征与目标类别的相关性和度量尺度的规范化,利用改进的最大相关最小冗余准则优选用于辨识的关键特征子集,进而利用计及半径信息的多核SVM来辨识混合扰动波形。仿真结果表明,所提辨识算法能够克服混合扰动特征空间模糊对辨识精度的影响,受噪声影响小,稳定性好。     

基于振动和电流信号多域特征联合的高压断路器储能状态辨识方法

为实现高压断路器的储能状态辨识,提出了一种基于伴随振动和电流信号多域特征提取的储能状态辨识方法。对振动信号进行倒频谱分析提取频域周期分量特征来体现电机周期性转动轨迹的基频和高频特性;采用相空间重构理论经关联积分法获取相空间域关联维数与Kolmogorov熵,定量评估储能过程随机运动的复杂程度;计算电机电流持续时间、起始电流值及偏度时域特征,与振动信号特征构建多域联合特征向量;通过支持向量机算法实现断路器储能状态辨识。实验结果表明,基于振动和电流信号多域联合特征的辨识算法准确率达到97%,有效地提高了断路器储能典型工况的识别准确率。     

基于多层特征融合注意力网络的电能质量扰动识别方法

针对复杂电网环境下电能质量扰动特征冗余、分类精度低的问题,经过多层卷积神经网络逐层获取电能质量扰动信号低维到高维特征信息,引入特征注意力机制构建多特征融合层消除特征冗余,提升扰动信号关键特征关注度,并加强扰动信号的局部特征与全局特征的提取,提高模型泛化能力进而提高扰动分类精度,据此提出基于多特征融合注意力网络的电能质量扰动识别方法。仿真结果显示,所提方法不仅在单一扰动、复合扰动下能有效辨识电能质量扰动,而且能有效克服噪声干扰对模型的影响,相比主流扰动分类方法提取的特征辨识度更高、模型抗噪性更强。     

基于类噪声扰动的电网惯量常态化连续估计方法

精确估计惯量是客观评估电网频率安全稳定性的关键环节,现有方法主要基于有功–频率大扰动的离散事件,无法对电网惯量连续估计。鉴于此,该文研究利用有功–频率类噪声扰动信息连续估计电网惯量的方法。首先以区域为对象,将断面联络功率和区域内负荷扰动作为输入、频率扰动作为输出,应用输出误差(output error,OE)模型对区域惯量进行估计,进而对各区域合并求解全网等效惯量。提出数据分段、移动数据窗的处理方式,对多段类噪声输入的OE模型分范围选阶辨识,并剔除离群值,获取充足的惯量估计样本及其均值,减小随机扰动引起的辨识误差。最后通过算例系统验证所提方法和模型的有效性及精确性。     

基于深度特征融合网络的风电机组行星齿轮箱故障诊断方法

行星齿轮箱是风电机组中的重要部件,对风电机组的安全可靠运行具有重要意义。为此,提出一种基于深度特征融合网络的行星齿轮箱故障诊断方法,用于实现变速工况、样本不足和强噪声场景下的故障诊断。首先将原始信号扩展到多个特征域。其次利用多维堆栈稀疏自编码器提取各域特征。最后针对传统Softmax分类器对融合信息分类能力不足的问题,提出基于竞争粒子群算法优化的回声状态网络进行特征融合并输出诊断结果。经多场景不同故障诊断方法对比实验,所提方法在行星齿轮箱变速工况下分类效果良好,并对训练样本的减少和外界噪声有很强的鲁棒性。     

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。     

电能质量扰动识别的小波压缩感知方法

为改善基于小波电能质量信号扰动识别中存在数据量大、识别率不高的不足,提出一种电能质量扰动识别的小波压缩感知新方法。该方法首先确定扰动信号在小波域中的稀疏性,利用小波压缩感知降维,获得少量测量数据,应用正交匹配追踪算法求取各层稀疏系数组成稀疏矩阵;然后提取稀疏系数的最大值、标准差、峭度等组成特征向量,输入神经网络系统训练并实现分类识别。该方法具有采样数据少、处理方便、特征提取简单等特点。仿真结果表明,针对典型的7类单一扰动和复合扰动信号,所提方法在理想环境下识别率分别达到99.50%和99.43%,噪声环境下识别率分别达到97%和98%以上,拥有较强的鲁棒性和较好的准确性。     

基于残留波形数据概率分布差异性的暂态扰动检测方法

随着扰动波形数据在设备状态监测方面的应用日益广泛,一种考虑扰动特征多样性和不显著性的扰动检测算法对于提高设备初期故障诊断准确性具有实际意义。因此,从噪声而不是扰动的特征出发,提出了一种基于残留波形数据概率分布差异性的暂态扰动检测方法。首先给出了残留波形数据及其概率密度的获取方法。通过对实测波形数据中噪声的概率分布开展规律性分析,选取含有扰动与否的各周期残留波形数据间概率密度的差异性作为扰动研判的依据。然后,建立基于各周期残留波形数据概率密度间Wasserstein距离的暂态扰动检测算法及其阈值确定方法。仿真和现场数据验证结果表明,所提扰动波形检测方法对电压、电流波形采样数据中的各种不显著扰动具有较高的检测准确性。     

基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别

新型电力系统中电能质量扰动问题愈加复杂和严重,多种电能质量扰动同时出现,导致传统算法识别准确率降低。 提出一种基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别算法。采用马尔可夫变迁场将电能质量扰动信号可视化映射为二维特征图像;通过EfficientNet卷积神经网络处理图像数据,实现扰动信号的特征提取;利用神经架构搜索自动调节卷积神经网络超参数进行网络训练,建立电能质量扰动分类识别模型。仿真结果表明,所提方法能够准确高效地提取扰动信号特征,对复合电能质量扰动分类效果好且抗噪声能力强。     

基于S变换和分类树的电网暂态电能质量扰动分类辨识

针对暂态电能质量的检测分析,分别在强弱两种噪声背景下运用S变换的不同方法对暂态多扰动信号进行定位检测.对于暂态多扰动的分类辨识,运用了基于S变换和分类树相结合的暂态电能质量多扰动分类辨识方法,首先运用S变换对暂态多扰动信号进行时频分析,然后提取扰动信号的特征量,最后生成用于对暂态多扰动信号进行分类的决策树分类辨识方法,...     

微电网概率性最优的储能容量研究

针对可再生能源发电受外界环境影响较大、难以控制,接入微电网后对其安全运行带来很大挑战的问题,指出在微电网中接入储能装置可有效地解决此问题;研究了微电网孤岛运行时储能容量的确定方法,提出了一种概率性最优的储能容量确定方法：计算了微电网调度出力与负荷需求的功率差额,并根据其概率函数密度曲线确定储能系统的最大充放电功率;根据储能系统不同时刻其充、放电量累计值的概率函数密度曲线,求出其最优储能容量,使电网能实现经济效益最优和可再生能源利用率最大。采用该方法确定微电网储能容量,具有求解方法简捷、所需储能容量小的特点。     

220 kV变电站10 kV直供负荷的改善措施及其经济分析

为了协调220 kV与110 kV变电站布点关系,结合某省220 kV变电站三卷变压器10 kV低压侧直接向负荷供电（简称直供）的实际情况,对全省220 kV变电站进行统计分析,研究其直接供电的现状及运行中反映的问题,并有针对性地从技术和经济层面提出解决办法：对10 kV直供负荷供电时,将配电网规划和10 kV直供负荷相结合,优化配电网的结构,合理利用220 kV变电站的容量,由220 kV变电站向周边10 kV负荷系统直接供电,在确保供电可靠性的情况下,控制10 kV线路的送电距离。以上措施可挖掘现有电网的供电潜能,降低线路损耗,使电网布局更趋合理。     

智能变电站中高频开关电源技术应用

高频开关电源因其性能可靠、体积小、效率高等优点,已广泛应用于智能变电站直流系统中,为变电站安全、可靠运行提供保障。首先简单介绍了交直流一体化电源系统,然后分别对直流充电模块、通信电源模块、UPS电源模块作了详细分析,重点研究了高频开关电源的N+1冗余技术和均流技术。通过研究发现,这2种技术的应用提高了高频开关电源模块的可靠性。高频开关电源能够满足智能变电站对直流系统可靠性的要求。     

电解铝整流系统建模与稳流协调控制策略

介绍了大功率直流电解铝供电系统结构,建立了包括电解槽负载模型、饱和电抗器（ＳＲ）模型以及有载调压变压器（OLTC）的整流系统模型,提出了稳流协调控制策略：OLTC可对系列电流进行离散性的粗调,SR可在一定范围内实现对系列电流的连续性微调,两者结合能有效地解决机组投入与退出、阳极效应发生等大扰动下的稳流精确控制问题。基于电磁暂态分析软件包（ＥＭＴＤＣ）搭建了6机组整流系统,对网侧电压波动、负荷波动等工况进行了仿真分析,仿真结果表明：所提协调控制策略能保持直流系统处于最佳的运行状态,可实现电解铝生产过程中电流的平稳。     

基于先验方差的发电机惯量辨识数据质量评估

发电机惯量是电力系统频率特性分析与在线应用的重要参数。基于发电机正常运行时机端有功功率和频率的类噪声信号可对发电机惯量进行实时辨识。然而实测数据质量存在的缺陷,导致现有算法对实测数据辨识效果较差。为解决该问题,本文以谱分析与系统辨识理论为基础,通过参考系统估计、模型参数方差估计、惯量方差估计三个步骤,建立惯量辨识结果的先验方差统计量,在进行辨识前对类噪声数据段进行评价和筛选,提升了惯量辨识的准确度。基于仿真数据和实测数据的数据评估筛选结果验证了本文提出方法的有效性。结果表明,先验方差较小的数据段,惯量辨识的准确度较高。     

基于暂态相关性分析的小电流接地故障选线方法

小电流接地系统发生单相接地故障时,接地点产生的暂态故障电流包含了整个系统中全部的暂态故障电流特征量。非故障线路的三相暂态电流主要表现为对地电容电流,考虑到系统中存在的电感影响,健全线路中的两相电流差非常小,且波形与自身的暂态零序电流明显不相关,而故障线路的两相电流差与其暂态零序电流表现出明显的相关性。利用这一特征,首先对母线电压进行小波变换,通过三相近似系数比例AR检测配电网是否发生了单相接地故障,并找出故障相;然后,运用相关性分析比较各条线路的两相电流差与零序电流的相关性,能够正确地选出故障线路,文章通过MATLAB/SIMULINK建模,验证了该方法的正确性。     

基于卡尔曼增益动态修正的动力电池SOC估算

扩展卡尔曼滤波法(EKF)被认为是一种精度较高的电动汽车动力电池荷电状态(SOC)估算法,但是观测方程误差会对SOC估算结果带来影响。对EKF滤波过程进行改进,根据观测方程的误差对原EKF滤波过程增设动态卡尔曼增益修正系数,提出基于卡尔曼增益动态修正的动力电池SOC估算法。仿真结果表明EKF法可以有效克服SOC初始值不准确所造成的估算误差,动态卡尔曼增益修正系数可以进一步减小由于观测方程误差造成的SOC估算误差,使估算误差保持在5%之内。     

多ARM协同架构的智能合并单元设计

为降低合并单元设备成本、增强其智能化和通用化特性,利用多ARM（高级精简指令集处理器）并行处理的优势来构建智能合并单元。采用灵活的模块化方式来进行总体架构的设计,通过光纤接口方式与其他智能电子设备建立基于快速以太网的双向通信,遵循IEC 61850通信标准进行采样值报文和GOOSE报文的高速网络化传输。结合数据处理和报文传输的要求,详细阐述了采样控制和开入开出控制等核心部分的软件处理流程。采样值及GOOSE传输等相关测试结果表明,该智能合并单元工作可靠而稳定,可满足智能变电站中合并单元在实时性强、可靠性高、通信流量大等方面的要求。     

East China Market in Dire Need of Three Major Breakthroughs

Since started as a pilot project of regional power marketin June, 2003, East China power market has been actively andsteadily progressing, and has promulgated in succession amarket establishing program, market operating rules andspecifications for the functions of technical support systems.The technical support systems have been built up by stagesincluding the master station system in East China region and     

12th International Conference on Electronic Measurement & Instruments(ICEMI'2015)

正Qingdao,China 7.16-19,2015 The International Conference on Electronic MeasurementInstruments(ICEMI)is the world's premier conference dedicated to the electronic measurement and test of devices,boards and systems that is covering the complete cycle from design,verification,test,diagnosis,failure analysis and process of manufactory and products