暂态干扰下并网光伏发电系统故障特性研究

基于Matlab/Simulink软件建立了光伏发电系统的仿真模型,在此模型上分别模拟了电源侧扰动和电网侧扰动,通过分析扰动下光伏系统输出特性的变化情况,研究了暂态干扰下光伏发电系统的故障特性。     

NaOH气液两相滑动弧放电处理含硫废气的研究

为了提高气液两相滑动弧放电对火电厂废气的处理效率,将传统的纯水液相替换成NaOH溶液。通过观测放电过程中的电压-电流波形和发射光谱,研究加入NaOH对滑动弧放电的电气特性和光学特性的影响。选取SO_2作为待处理废气,对比分析NaOH溶液、纯水液相下SO_2的去除率以及产物浓度随处理时间、气体流速的变化情况,以及NaOH溶液浓度对SO_2去除结果的影响。实验结果表明,相同条件下,NaOH溶液代替纯水液相增强了气液两相放电强度,电离出更为大量的OH自由基;同时,NaOH的加入使SO_2的去除率提高了5%~7%,产物中的SO3含量较纯水液相时降低了50%左右。     

基于实物ID的电网工程设备费智能化统计算法研究

针对电网基建项目设备费统计基于形象进度估算难以保证数据真实性和及时性的问题，提出基于实物 ID（资产实物统一身份编码）的智能物联统计算法。该方法基于设备信息采集，建立设备购置费计算模型，综合应用物联网技术和移动技术，将实物 ID 贯穿电网项目投资管理全流程，实现对项目执行过程中设计、采购、建设等阶段变电站设备购置费用相关信息的自动采集、自动统计。研究表明：所提方法有利于提高电网公司的数据统计的准确性与及时性，对电网投资项目管理实现数字化管理、精细化管控、全局性决策、 最大化效益具有重要意义。     

基于人工免疫思想的蚁群算法（AIACS） 在配电网重构中的应用

针对多目标非线性整数规划的配电网重构问题,提出基于人工免疫思想的蚁群算法求解配电网重构问题。算法通过在原有蚁群模型上增加一个免疫记忆库,解对应于抗体,问题对应于抗原,并借鉴克隆选择和免疫记忆的思想进行解的构造和信息素更新。配电网编码采用基于环路的编码方式,算例结果表明,所提出算法在可以接受的计算迭代范围内可显著提高标准蚁群算法的性能。     

基于PSO优化LS-SVM的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明：该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。     

基于经验模态分解和固有模态函数重构的局部放电去噪方法

为了提取局部放电信号的特征,提出一种基于经验模态分解(EMD)和固有模态函数(IMF)重构算法的局部放电噪声抑制方法.首先对含有噪声的局部放电信号进行经验模态分解,得到含特征频率的固有模态函数,然后对所得的固有模态函数分量进行自适应阈值处理后重构,从而抑制噪声干扰.相比于常规的小波去噪算法,该方法具有自适应性强,不受小波函数和最佳小波分解层数选取的限制等优点,而且实现了阈值和固有模态函数阈值处理层数的自动选取.分别以仿真信号和实际信号为例,证明了该方法的有效性.     

基于EEMD和模糊C均值聚类的风电机组齿轮箱故障诊断

针对风电机组齿轮箱中齿轮故障特征提取与故障诊断问题,提出一种基于集合经验模式分解(EEMD)、奇异谱熵和模糊C均值聚类的故障诊断方法。首先对原始振动信号进行EEMD分解,得到各阶本征模态函数(IMF)构成的特征模式矩阵。接着对该特征模式矩阵求奇异谱熵值,奇异谱熵值的大小能反映部件的工作状态和故障类型。最后,将得到的奇异谱熵值矩阵进行模糊聚类分析并得到分类结果。通过对齿面磨损、齿面剥落和正常3种齿轮状态分别使用EMD法和EEMD法进行故障分类对比,结果验证了该方法的有效性和可行性,同时证明EEMD法具有更好的分类效果。     

基于粒子群优化神经网络的水轮机振动故障诊断

为了提高水轮机振动故障诊断正判率,提出粒子群算法优化BP神经网络的水轮机振动故障诊断方法,即把通过特征提取获得的机组故障特征量作为神经网络的输入,然后利用训练好的粒子群算法优化后的神经网络进行水轮机振动故障类型诊断。诊断结果表明,该方法具有良好的分类效果,比BP神经网络诊断模型诊断精度高。     

基于PSO优化LS-SVM的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,该文提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明:该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。