基于功率交换和截断总体最小二乘法的线损预测技术

提出了一种基于功率交换和截断总体最小二乘法的线损预测方法,对多区域间的输电网电力配置具有重要指导意义。构建了结合功率交换的线损预测模型,根据各投标区域的位置、区域间联络线的传输容量及具体电价求解功率交换预测值。考虑了各区域的电力需求、供应和风电的总水平以及与相邻区域的功率交换等多种因素的共同作用,提出了基于截断总体最小二乘法的线损预测算法。利用公开数据集和采集的实测数据集验证了文中方法的有效性。     

基于奇异值分解的电力系统谐波状态估计

用传统最小二乘法及其改进方法进行谐波状态估计时,大都是对谐波进行非同步测量,然后求解一个大型的超定线性方程组,其估计精度不足、计算量大、状态量测量数目多且费用昂贵。提出一种基于同步相量测量的谐波状态估计,并用复数奇异值分解求解病态线性复变量方程组的方法,可在系统状态非完全可观的情况下进行有效估计,降低了对测量冗余的要求。以IEEE30节点系统为例,采用同步测量方法测量支路的谐波电流和节点的谐波电压,分别用Matlab和基于奇异值分解(SVD)的最小二乘估计程序进行仿真。结果表明,用SVD算法对系统进行谐波状态估计时较为准确。     

基于偏最小二乘回归的年用电量预测研究

对年用电量的预测若采用一般最小二乘回归法建模，其估计参数存在着很大的误差且物理意义明显不足。而偏最小二乘回归方法则实现了多元线性回归、主成分分析和典型相关分析的综合、克服了自变量之间的多重相关性的问题，因而更具有先进性，其计算结果更为可靠，在实际系统中的可解释性也更强，且方法简单，计算快捷。该文将偏最小二乘回归模型(Partial Least Square Regression，PLS)应用于年用电量预测，并与基于最小二乘的多元线性回归模型预测成果进行对比，探讨了偏最小二乘法在电力负荷预测中的可行性和优势。通过四川省电网年用电量预测表明：偏最小二乘回归法比一般最小二乘法优，具有较强的实用性。     

TLS-ESPRIT技术在电力系统谐波检测的应用

随着电力系统的发展以及非线性电力元件的大量应用,电网中的谐波状况更加复杂化.文中将总体最小二乘法一旋转矢量不变技术TLS-ESPRIT应用于电力系统谐波、间谐波的检测.该方法把含噪的谐波、间谐波信号进行采样,形成HANKEL矩阵,对HANKEL矩阵进行奇异值分解,信号划分为信号子空间和噪声子空间,然后通过总体最小二乘法进行谐波、间谐波参数的有效提取,兼具消噪的能力.数值分析结果表明该方法准确有效.     

基于TLS-ESPRIT的电力系统低频振荡模态参数提取方法

将总体最小二乘—旋转矢量不变技术（LTS-ESPRIT）算法应用到低频振荡模态参数的提取中,它是1种基于子空间划分的高分辨率信号分析方法,将振荡功率信号形成HANKEL矩阵,通过奇异值分解进行信号子空间和噪声子空间的划分,再通过总体最小二乘（TLS）的二次消噪处理提高抗噪能力,准确提取低频振荡的模态参数。仿真结果表明,该算法具有精度高、抗噪能力强、算法简单的优点。实测数据进一步验证了该方法的可行性和有效性。     

同步电机参数最小二乘辨识多值性及收敛性的改善方法

针对最小二乘辨识算法存在多值性及收敛性的问题,采用Ｕδ标幺值系统同步电机数学模型,将奇异值分解理论应用于同步电机参数最小二乘辨识中,采用ｄ轴参数与ｑ轴参数独立交替辨识,使算法的多值性及收敛性得到有效地改善,迭代次数明显减少。     

奇异值分解和最小二乘支持向量机在电能质量扰动识别中的应用

基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。     

基于TLS-ESPRIT的同步电机参数辨识

将一种阵列信号处理方法TLS-ESPRIT(总体最小二乘-旋转矢量不变技术)应用到同步电机的参数辨识中.该方法是一种基于子空间划分的高分辨率信号分析方法,将短路电流形成HANKEL矩阵通过奇异值分解进行信号子空间和噪声子空间的划分,再通过TLS(总体最小二乘)的二次消噪处理,从而提高抗噪能力,准确提取了同步电机的瞬态和超瞬态参数.仿真结果表明,该方法与其他方法相比,具有精度高、抗噪能力强、算法简单的优点.动模试验进一步验证了该方法的可行性和有效性.     

绝缘子污闪试验数据的稳健回归处理方法

提出了一种基于稳健同归的绝缘子污闪试验数据处理方法:根据试验电压与盐密和灰密数据,通过复加权最小二乘迭代算法求解回归系数;迭代计算中采用权重函数,权重系数为上次迭代的残差的函数,以此减少奇异值对回归系数的影响.通过比较试验数据与稳健回归及最小二乘回归的预测结果,验证了基于稳健回归方法在绝缘子污闪试验数据处理中的有效性.     

三种基于支持向量机风速预测方法对比研究

本文介绍了3种基于支持向量机的风电场风速预测模型,分别是最小二乘支持向量机、遗传最小二乘支持向量机和经验模式分解结合遗传最小二乘支持向量机组合模型。针对不同的预测周期,对3种方法在风速预测中的应用进行了研究和比较。研究结果表明：预测周期较短时,三者的预测结果相近;在中长期预测中,遗传最小二乘支持向量机和经验模式分解结合遗传最小二乘支持向量机组合模型要优于最小二乘支持向量机,但2者的结果又有着各自的特点。实际运用时,应根据具体情况进行分析和判断,选择合适的模型,以取得最优预测结果。     

基于奇异值分解的互相关时延估计优化算法

针对多站时差定位系统在低信噪比下无法获得准确的时延估计,进而影响时差定位的精度,提出一种基于奇异值分解和希尔伯特差值的互相关时延估计优化算法。首先对接收信号进行奇异值分解,提高信号的信噪比,然后将处理后的信号作互相关运算,最后通过希尔伯特差值法锐化相关函数的峰值,进一步提高时延估计精度。在相同条件下,模拟分析了不同算法的时延估计精度,结果表明,新的优化算法时延估计精度更高,具有良好的抗噪声性能。     

TLS-ESPRIT法在电压闪变参数估计中的应用

传统闪变检测方法以准确提取调幅波包络线为前提,过程复杂,运算量大。将TLS-ESPRIT法直接用于闪变检测,提出将电压闪变信号通过三角函数分解转化成间谐波信号,构成数据矩阵并进行奇异值分解(SVD),通过总体最小二乘法(TLS)求解旋转方程得到频率,用最小二乘法(LS)估计幅值,并由信号转化等式求得电压闪变信号的频率和幅值。针对被间谐波污染的闪变信号,提出根据双边带特性,检测间谐波频率并进行处理。仿真结果表明：直接检测闪变信号,估计信号参数,实现过程简单,运算量小,且TLS-ESPRIT法抗噪能力强,有效提高了低信噪比条件下闪变信号的检测精度。     

基于投影近似子空间跟踪算法的谐波检测方法

子空间分解类算法在理论上具有任意的高分辨率,非常适合于电力系统各类谐波的分析,但需要对高维矩阵进行特征值分解,这不仅费时而且不易于工程实现.本文将投影近似子空间跟踪算法引入电力系统谐波分析领域,详细分析评估了PASTd算法的性能.仿真结果表明,紧缩投影近似子空间跟踪算法即PASTd算法不仅保留了子空间分解类算法的超分辨率特性,而且收敛速度较快,稳定性好,可推广用于电力系统谐波检测领域.     

基于时域能量与自适应奇异值阈值的改进局放信号去噪方法

局部放电(简称局放)检测是探测电力电缆绝缘缺陷的有效手段。针对传统短时奇异值分解(STSVD)白噪声抑制方法存在的不足,文中提出了一种基于时域能量与自适应奇异值阈值的局放信号白噪声抑制方法。该方法利用自适应奇异值阈值估计策略对重构奇异值个数进行准确估计,并在此基础上结合时域能量准则仅对局放脉冲区域进行去噪处理,从而极大地提升了算法的执行效率。对仿真和实测含噪局放信号进行处理,并将去噪结果与现有的自适应奇异值分解(ASVD)、传统STSVD及小波变换去噪结果进行对比。研究结果表明：相比于ASVD、小波变换去噪方法,文中所提去噪方法能够取得更好的去噪效果,去噪后波形误差更小;相比于传统STSVD,文中所提方法能够有效解决去噪后存在的毛刺干扰问题,且计算速率更快。     

随机数据驱动的电力系统小干扰稳定在线评估方法

系统自然激励下的随机响应数据中蕴含丰富的机电行为特征信息,准确地从随机响应数据中辨识小干扰稳定特征参数对于指导电力系统安全稳定运行具有重要现实意义。文中提出了随机数据驱动下基于子空间最优模式分解的小干扰稳定特征参数在线辨识算法。该算法通过对输入数据进行基于正交投影的矩阵线性变换得到其奇异子阵,并利用共轭梯度算法迭代求解最佳低维正交空间,以实现奇异子阵之间高维映射矩阵的最优低维近似,根据最优低维映射矩阵的特征值分解结果可以准确获得系统小干扰稳定特征参数,即振荡频率、阻尼比、模态。基于正交投影的矩阵线性变换以及共轭梯度法的引入使得动态模式分解法能较好地适应随机响应数据。IEEE 16机68节点系统和实际系统量测数据的计算和分析验证了所提算法的有效性和准确性。     

基于奇异值总体最小二乘法的间谐波估计算法

通过分析噪声误差,提出采用奇异值总体最小二乘(singular value decomposition total least squares,SVDTLS)算法进行间谐波频率估计,即同时考虑矩阵方程两边的噪声干扰,采用SVDTLS算法求解该情况下的最小范数解,通过对增广矩阵进行奇异值分解(singular value decomposition,SVD),采用简单实用的与信噪比相关的主奇异值个数确定方法对分解的右奇异矩阵进行存储计算,得到了较精确的间谐波频率估计结果。仿真结果表明,该算法具有良好的抗噪性能和数值稳定性,在低信噪比情况下可准确提取信号的频率。     

基于奇异值分解的卡尔曼滤波器及在逆变器信号处理中的应用

提出了一种基于奇异值分解的扩展Kalman滤波方法，可以实现驱动系统的基本正序分量和频率的实时在线估计。该算法可避免因误差传播而造成的数值稳定性差的问题，可有效提高参数的估计精度。仿真结果表明此方法的有效性和较高的估计精度，并可用于逆变器驱动系统的控制和状态检测。     

基于CS阵列的DOA估计

基于目标在空域分布稀疏的性质,通过引入压缩感知(Compressive Sensing或Compressive Sampling,CS)理论的思想,提出一种基于奇异值分解的压缩采样阵列(SVD-CSA)DOA估计算法。首先建立DOA压缩感知模型,根据阵列结构建立过完备原子库,然后对压缩采样阵列结构输出的数据矩阵进行奇异值分解,最后基于范数约束的最优化问题的目标函数将信号子空间分解到最佳基向量上,实现了空域信号DOA的高分辨估计。相对于已有算法,该算法减少了硬件复杂度,具有较低的运算量,且能够对相干信号进行有效DOA估计。实验仿真验证了其有效性。     

随机数据驱动下基于SDMD的机电振荡参数辨识

随机响应数据蕴含丰富的系统工况信息,从随机响应数据可提取机电振荡特征参数、进行系统小干扰稳定分析。对环境激励电力系统随机响应进行建模,在此基础上提出了基于子空间动态模式分解的机电振荡参数辨识方法。SDMD辨识算法用于非线性随机动力系统的Koopman分析,利用截断的奇异值分解实现动态低秩近似,使系统维数大大降低,同时该算法可以有效地克服动态模式分解方法可能导致辨识结果产生偏差以及模态混合等问题。基于IEEE4机2区系统和IEEE16机5区系统进行仿真,并将该方法辨识结果与其他方法辨识结果进行对比和分析,验证了所提方法的可行性和有效性。     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。