基于动态优化马尔可夫链的线路继电保护装置状态预测方法

目前继电保护状态监测模型均利用静态故障概率进行装置失效率预测,未能计及设备老化与检修对失效率的动态影响,预测结果不可靠。对此,提出一种基于三参数威布尔分布动态优化的马尔可夫链状态预测方法。首先利用灰色-粒子群支持向量机算法求解更为精确的继电保护装置失效率函数,随后将其用于动态修正保护状态马尔可夫链中各运行状态之间的转移概率,最终实现对线路保护未来运行状态的推演。仿真结果证明,所求解的失效率函数相比传统方法求解的函数具有更高的计算精度,而动态优化马尔克夫链模型实现了设备老化与检修的动态量化处理。研究状态转移概率计算结果符合设备运行工况,可以有效预测设备规定投运年限内各时间点的运行状态。该方法对于保护检修策略的优化具有一定的指导意义。     

基于自适应差分进化算法的电力系统动态状态估计

提出一种基于自适应差分进化算法的电力系统状态动态估计方法。动态估计包括预测和滤波2个阶段。在预测阶段,利用布朗双指数平滑方法预测下一个时间间隔的状态;在滤波阶段,利用预测阶段获得的预测状态,基于自适应差分进化算法对目标函数进行寻优,通过优化算法提高预测精度,从而减小状态预测的误差。仿真结果表明：所提方法具有较小的估计误差,对坏数据具有较好的抑制能力。     

考虑台风影响的海上风电机组部件剩余寿命预测方法

针对台风天气影响下海上风电机组剩余寿命预测问题,提出了考虑退化状态与台风冲击相依的海上风电机组部件剩余寿命预测方法。基于台风冲击模型及部件状态对部件退化过程的影响分析,构建了考虑退化状态与冲击相依的海上风电机组部件剩余寿命可靠度模型。利用实际监测数据对部件可靠度模型进行修正更新,建立了剩余寿命动态预测模型。采用fmincon函数对离散化处理后的部件可靠度模型进行参数估计,结合运行监测数据修正参数,进而动态预测剩余寿命。以某海上风电机组齿轮箱部件为例进行仿真,验证了所提方法的有效性。     

基于物理信息神经网络的热网动态状态估计方法

在城市综合能源系统中,热网状态估计针对慢动态系统,存在计算精度低、参数不准确、量测不完备的特点。基于物理信息神经网络(PINNs),将含偏微分方程约束的热网动态状态估计问题转化为自动满足偏微分方程约束的神经网络训练问题,并基于损失函数对参数的梯度下降完成热网参数的在线辨识;再将其应用于滚动时间窗中进行在线训练,实现了状态量的动态追踪;进一步基于PINNs对未来时间窗的预测能力提出了一种新的坏数据辨识方法;最后在5节点和27节点热网算例中验证了所提方法的有效性。     

基于贝叶斯最小二乘支持向量机的电池SOC预测

针对混合动力汽车电池电能容量判别问题,将最小二乘支持向量机方法应用于混合动力汽车电池荷电状态的预测。考虑到最小二乘支持向量机的参数选择会对预测结果产生较大的影响,提出了基于贝叶斯证据框架优化的最小二乘支持向量机预测方法。通过贝叶斯证据框架自动调整正则化参数和核参数,更好地实现了最小化误差和模型复杂性之间的折中。将电池的工作电压、工作电流和表面温度参数用来预测蓄电池的荷电状态实时值,在美国城市动态驱动工况(UDDS)条件下进行实验验证,结果表明:所设计预测模型具有较高的精度,能够实时准确地预测出SOC值,实用性强,有效性高。     

基于模态相似性度量的开关电器状态表征研究

开关电器状态的准确表征是实现电器高智能化发展的必要前提，针对其全寿命具有多元、多状态、多属性交互影响和动态随机变化的特点，首先提出以多属性特征参数为驱动，在充分考虑参数影响权重和动态相关性的基础上，通过特征变换进行状态空间重构即形成模态空间，给出相似性度量的加权改进方法。其次，以电器基本模态为参数，利用模态相似性度量进行电器状态定量表征分析，建立时间序列表征模型，实现对开关电器实时状态动态表征。最后，通过实测数据进行验证分析，结果表明该文所提方法有效、可行，可实现对开关电器全寿命周期状态的动态分析和定量表征。此外，与其他2种方法相比，结果证明在有触点开关类电器的状态表征中具有较高的表征精度，为下一步研究开关电器状态精准预测和动态识别提供了参考。     

一种基于改进模型预测控制算法的永磁同步电机多参数辨识研究

利用传统的模型预测控制算法确定下一时刻所需要的开关状态时,需要遍历功率变流器的全部开关状态,计算量大,不利于在线应用;同时,精确的参数辨识对于电机控制与运行状态监视具有重要意义。因此,提出一种基于改进模型预测控制算法的多参数辨识方法,根据求出的期望电压矢量角判断所在扇区,从对应扇区所包含的开关状态中进行选择,大大降低了计算量;其次将实时辨识的电机参数应用到预测控制器中,保证了系统的稳定性和参数辨识的收敛性,解决了在线辨识参数鲁棒性差、算法复杂等问题。仿真结果表明:参数辨识能够在较短时间内收敛到真实值附近,并且具有较小的误差,系统具有较好的电流动态特性和较小的纹波电流。     

基于ANFIS的变压器寿命预测和状态评估

变压器寿命和运行状态准确的评估对其检修策略的制定有着重要的指导意义。为了实现对变压器寿命和状态进行客观的、科学的评估,文中提出了基于自适应模糊神经网络(ANFIS)的多特征诊断参数的变压器寿命预测和状态评估方法。提取影响变压器寿命的特征参数,通过自适应模糊神经网络对这些特征参数进行学习,利用反向传播算法解决权重的自适应动态调整,构建变压器的寿命预测模型;在其基础上结合油中溶解气体建立一种变压器综合健康状态评估模型。通过实验数据研究论证,该模型能够准确有效地诊断变压器寿命和状态,同时相比传统方法有更高的预测精度和评估精度,是一种新的有效的变压器状态评估方法。     

基于神经网络预测的电弧炉供电系统动态无功混合补偿方法

为提高电弧炉供电系统无功补偿准确性和实时性,对电弧炉供电系统动态无功补偿方法进行深入研究,提出PSO-GA优化的RBF神经网络预测方法,结合粒子群算法与遗传算法优点,自适应调整预测参数,解决RBF神经网络预测算法参数难以确定的问题。提出SVC和SVG混合补偿电弧炉动态无功功率拓扑结构,预测SVC三相不平衡等效电纳进行动态无差拍无功补偿,并设计了SVC与SVG的协同控制方法。仿真结果验证了基于神经网络预测的混合无功补偿方法的可行性和优越性。     

基于自适应概率神经网络的变压器健康状态评估北大核心CSCD

传统变压器状态评估方法,多关注设备当前状态分析,缺少全方位预测其潜在健康状态方法,也无法确定变压器将来的故障发生概率。本文提出了一种基于自适应概率神经网络的变压器健康状态评估方法。该方法,首先从变压器内部本体特征和外部实时监测环境两方面,确定变压器健康状态指标因子,并进行数据预处理得到不相关的指标因子;然后,根据指标因子和样本标签,引入自适应参数训练,训练出用于预测的概率神经网络模型;最后,利用模型参数,通过将指标分为静态基础指标和动态可变指标,前者直接输入到网络中,后者利用AMIRA模型进行预测之后输入到网络中,得到变压器健康状态评估值。实验结果表明,该模型可获得更加准确的状态评估值,支撑变压器状态监测和预警工作。     

解耦自适应反步法永磁直线同步电机混沌控制

针对永磁直线同步电机运行过程中存在的混沌动态行为,构建电机混沌模型,编写程序,计算其任意参数下的最大Lyapunov指数.通过分析电机的混沌动态特性,构造状态反馈解耦,降低混沌系统阶数.基于永磁同步电机的状态反馈解耦模型设计反步法混沌控制器.针对系统中可能含有的不确定性参数,提出解耦模型下的自适应反步法混沌控制,构造虚拟控制量,设计控制律,实时跟踪预测系统参数.为使系统状态快速稳定收敛至零点,构造Lyapunov方程进行稳定性分析.仿真结果表明,所提解耦自适应反步法能使永磁同步电机混沌系统快速恢复到稳定运行状态,鲁棒性强,响应速度快、控制精度高.     

基于预测模糊PI的异步电机控制

采用矢量控制的交流变频调速系统可获得与直流调速系统相媲美的静动态性能.就传统的交流调速PI控制的不足,将预测模糊控制引入到交流调速系统中,并就灰色预测方法提出了一种计算简便的预测控制方法.通过仿真结果表明,此方法较传统的PI控制有更好的动、静态性能和鲁棒性,具有一定的应用前景.     

凝汽器清洁系数的灰色预测

本文根据灰色系统理论，建立了表面式换汽器清洁系数灰色预测动态模型，经检验，模型的精度为一级，并给出了清洁系数的预测值，预测值符合实际情况。该方法具有预测精度高，计算速度快，所需数据少及使用方便等优点。     

基于粒子滤波的无人机航迹预测方法研究

介绍了一种基于粒子滤波的无人机航迹预测的新方法。在对无人机航迹进行分析的基础上,选择了对航迹影响敏感的俯仰角、横滚角、偏航角等姿态角作为研究参数。通过对大量飞行姿态角数据的分析,建立了系统的状态空间方程。最后,运用粒子滤波算法,通过对姿态角的预测间接实现无人机航迹的预测。通过与飞行真实值的比较,验证了基于粒子滤波的航迹预测方法的有效性。     

基于改进鲁棒自适应UKF的配电网动态状态估计方法

配电网动态状态估计中状态方程的过程噪声统计参数是未知而且时变的,因此在状态估计过程中需要在线对过程噪声统计参数进行实时估计,而且不准确的噪声参数将会导致无迹卡尔曼滤波器的滤波性能下降甚至滤波发散。文中研究了基于改进鲁棒自适应无迹卡尔曼滤波器的配电网动态状态估计方法,其噪声参数统计估值器由一个有偏的和一个无偏的估值器组成,可以提高在状态估计过程中噪声参数估计的准确性,同时确保过程噪声方差矩阵的半正定性,从而保证算法的鲁棒性。通过对IEEE 33节点系统进行仿真验证,结果表明所提方法在系统平稳运行、负荷发生剧烈变动或者初始噪声参数值设置不当的情况下,均能保证较高的状态估计精度。     

基于Elman型回馈神经网络的流域降雨-径流动态过程建模的研究

本文将Elman回馈型神经网络与水文系统的特点相结合 ,建立了流域降雨 -径流动态模型。文中用较简单的方法解决了神经网络模型难以直接描述水文系统前期状态的难题 ,并以福建沙县流域的降雨 -径流过程为研究对象 ,通过完整的分析 ,表明Elman型神经网络与水文系统概念相结合的动态过程模型是一种能够保证较高的预报准确性的模型 ,同时又具有良好的适应性、健壮型和外延性 ,显示出良好的应用前景。     

基于WAMS／SCADA混合量测的电力系统强跟踪滤波动态状态估计

针对当前电力系统动态状态估计主要采用的扩展卡尔曼滤波(EKF)法存在鲁棒性差、建模具有不确定性等缺点,提出一种强跟踪滤波动态状态估计算法.该算法在扩展卡尔曼滤波器中引入时变次优渐消因子,在线调整状态预报误差协方差矩阵和相应的增益矩阵,使状态估计残差方差最小.同时,引入广域测量系统(WAMS)/-数据采集与监视控制(SCADA)系统的混合量测数据,增加了系统的冗余量测,进一步提高了动态状态估计的性能.仿真结果表明,所提方法在正常情况以及负荷突变、存在坏数据、网络拓扑错误各种情况下具有较好的预测和滤波效果.     

基于混合量测的电力系统状态估计混合算法

研究了相量量测装置(PMU)相量量测和监控与数据采集(SCADA)量测混合使用时的数据匹配问题,提出了利用状态量转换预测得到预报系统状态和预报节点注入电流向量的方法。在此基础上,提出了应用PMU实时相量量测和预报节点注入电流向量的线性静态状态估计算法,以及应用PMU实时相量量测和预报系统状态的线性动态状态估计算法。文中将这2种算法与传统状态估计算法相结合,组成了状态估计混合算法,保证了状态估计的计算精度。该混合算法有效减少了状态估计的计算时间,对PMU的量测配置也没有严格的要求,具有很好的通用性。最后采用IEEE30节点系统对该方法进行了验证。     

基于马尔可夫链和故障枚举法的可用输电能力计算

可用输电能力(ATC)是电力市场中指导电网输电交易的重要指标,也是电网调度部门调整阻塞的重要参考。电力系统是一个动态时变系统,存在大量的不确定性和随机性,考虑这些不确定性因素对ATC的影响是准确计算ATC的一个难点。马尔可夫链能根据系统的初始状态和可能状态之间的转移概率预测系统未来的发展趋势,该文引入马尔可夫链对电力系统状态进行预测,并采用故障枚举法对各时刻的可能状态进行枚举,通过概率方法求取ATC的期望值,并能得到ATC随时间变化的曲线。IEEE14节点系统的计算结果表明,所提出的模型及算法是正确有效的,能给出更准确的ATC信息。     

基于最小二乘支持向量机的系统边际电价预测

系统边际电价是电力工业改革的关键因素之一,是电力市场的杠杆和核心内容。为克服神经网络预测法易陷入局部极小,隐层数不易确定,训练速度慢等问题,提出一种基于相似搜索和最小二乘支持向量机的系统边际电价预测方法,该方法对相似搜索得到的相似日的负荷—电价数据用最小二乘支持向量机建立电价预测模型,同时利用网格搜索和交叉验证自动选取最小二乘支持向量机相关参数。用美国加州电力市场的真实数据做实例验证结果表明该方法可有效提高预测精度。