排序方式: 共有11条查询结果,搜索用时 158 毫秒
1.
本文在基于某地区AVC控制策略的基础上,提出一套包括全网指标、站内指标、运行评估指标以及策略评估指标四层指标体系的评估指标。在某地区电网运行数据及其AVC系统给出的控制策略基础上计算指标。为便于比较,本文采用模糊综合评价法,对单个AVC控制策略和AVC在一定时间段内的运行分别进行评估,并给出评估等级。该体系可以显示单个指标的等级,便于分析控制策略的不足与优劣。经算例证明,该评估体系可靠性较高。 相似文献
2.
电网参数错误将影响电力系统状态估计的质量,并降低能量管理系统中其他高级应用软件的实用化程度。当存在多个遥测坏数据和参数错误时,如何保证状态估计结果的有效性非常重要。提出了一种电网可疑参数诊断方法,将参数错误和量测错误在信息空间统一建模,根据加权最小二乘方法计算各量测量的百分比残差并通过阈值比较获得可疑测点集合;计算各可疑测点以及可疑支路的相关度指标,针对各可疑支路逐一采用牛顿下山法求解可疑参数的最优估计,并更新参数集。算例仿真结果表明,该方法能够综合考虑网络参数错误和量测数据错误,并且能够适用于多个错误参数并存的情况,有效地提升了参数辨识与诊断的准确度,对于提高电网运行基础数据的质量与电网高级应用的实用化程度发挥了重要作用。 相似文献
3.
4.
电力设备作为电力系统的基本要素,对其故障风险预测可以有效降低电网故障风险带来的损失。当前应用的高压电力设备故障预测模型忽略了对高压电力设备信号的盲源分离处理,无法去除虚假故障分量,导致故障预测结果不准确、耗时较长的问题。构建新的基于模糊神经网络的高压电力设备故障预测模型。将小波降噪方法引入到盲源分离中,对高压电力设备信号完成盲源分离和小波分解;通过互信息方法将分解结果中的虚假分量删除;利用插值形态滤波的方式提取故障特征,将其设定为模糊神经网络的输入变量,构建高压电力设备故障预测模型。实验结果验证了所构建的模型在30次实验迭代过程中的误差始终不超过2.5%,均方根误差低于3.4%,预测用时测试结果在14~23 ms之间。数据表明所构建模型的预测精度较高、预测速度更快,具有明显的应用优势。 相似文献
5.
电力设备作为电力系统的基本要素,对其故障风险预测可以有效降低电网故障风险带来的损失。当前应用的高压电力设备故障预测模型忽略了对高压电力设备信号的盲源分离处理,无法去除虚假故障分量,导致故障预测结果不准确、耗时较长的问题。构建新的基于模糊神经网络的高压电力设备故障预测模型。将小波降噪方法引入到盲源分离中,对高压电力设备信号完成盲源分离和小波分解;通过互信息方法将分解结果中的虚假分量删除;利用插值形态滤波的方式提取故障特征,将其设定为模糊神经网络的输入变量,构建高压电力设备故障预测模型。实验结果验证了所构建的模型在30次实验迭代过程中的误差始终不超过2.5%,均方根误差低于3.4%,预测用时测试结果在14~23 ms之间。数据表明所构建模型的预测精度较高、预测速度更快,具有明显的应用优势。 相似文献
6.
调度中心各专业独立构建与维护各自模型参数库,缺乏协同机制导致多源电网运行参数一致性差。针对性提出一种多源异构电网运行参数融合方法。提出了对象名称匹配知识库的概念,提炼了交流线路、主变绕组及发电机3种对象名称的特征向量与匹配规则,并将其应用于两级相同专业对象名称匹配和同级不同专业对象名称匹配,实现了不同系统参数名称之间的互相辨识及对应;引入参数差异度指标衡量不同来源电网参数之间差异的大小,通过纵向参数融合与横向参数融合手段实现多源异构参数的有机融合,显著提高了不同来源参数之间的一致性。南方电网220kV及以上大模型中的应用实践证明,该方法对于提高不同专业参数的一致性、改善基础数据的质量具有重要作用。 相似文献
7.
针对机组专项监测与诊断系统之间缺乏有效交互与协作导致难以进行设备综合分析与诊断的问题,通过模仿人类团队的思维与行为方式,提出了基于团队智能的机组集成监测方法。以3层垂直分布结构的团队智能成员模型为基础,构建了机组集成监测团队,并对其构成及各个团队智能成员的功能进行阐述。论述了机组集成监测团队的分工、协同、制约及冲突等运行机制,每个团队智能成员按照这些机制共同完成机组运行状态的集成监测任务,通过实时交互与团结协作实现机组状态数据的有机融合。该方法已成功应用于葛洲坝电站,在设备综合分析与诊断中发挥了重要作用。 相似文献
8.
9.
介绍了基于CIA(Community Intelligence Agent)模型的水电机组融合监测框架:CIA模型包含消息处理层、行为控制层及核心功能层3个层次,各CIA与外界(如其他CIA)通过Request消息或Report消息联系;融合监测框架由维护域CIA系统和控制域CIA系统构成,维护域CIA系统各CIA之间通过实时现场总线(如CAN总线)或工业以太网实现交互、协作、关联动作及数据共享。将整个机组的状态数据划分为原始采样数据、瞬变状态数据、详细状态数据及概要状态数据4个层次,并针对不同层次的状态数据,进行选择性智能存储,以提高机组运动状态分析和故障诊断的针对性及有效性,节约存储空间。通过时间融合、运行工况融合、异常事件融合和冲突解决策略,实现融合监测系统中各CIA之间实时交互、协作及关联动作和机组状态数据的融合,有效地保证来自机组不同子系统的运动状态的关联性。 相似文献
10.