基于最优阻尼比虚拟同步发电机的优化控制策略

针对微电网中可再生能源渗透率越来越高,微电网惯性和阻尼不足等问题越来越突出,随即一种新的控制方式即虚拟同步发电机(Virtual Synchronous Generator,VSG)技术被提出。区别于传统同步电机,虚拟同步发电机可以实时的控制电机参数获得系统稳定。文章从传统同步发电机有功控制环出发,结合功角特性曲线和频率振荡曲线分析惯性参数和阻尼系数对系统稳定性的影响。在现有控制方式的基础上提出一种基于最优阻尼比的惯性参数和阻尼系数共同自适应的控制策略。最后在Matlab/Simlink中通过离网和并网仿真分析验证所提策略的正确性和有效性,结果证明能够有效抑制系统的系统波动并具有很好的动态性能。     

基于改进遗传算法的海上风电场无功优化

针对海上风电场运行时大量无功传输引起电网质量不佳、有功损耗增加等问题,基于改进的带精英策略的快速非支配排序遗传算法,以补偿容量最少和负荷节点电压偏差最小为目标,提出海上风电场无功多目标优化方案,在Matlab中进行算例分析,结果验证了改进的遗传算法对海上风场无功优化的有效性。     

基于改进鱼群算法与最小二乘支持向量机的短期负荷预测

在电力系统中,无论是正常运行时的调度工作还是故障修复时的孤岛划分,都需要准确的负荷数据,因此电力负荷准确的短期预测工作十分重要。本文运用最小二乘支持向量机进行预测:首先,对人工鱼群算法通过视野和步长自适应设定以及引入精英反向学习机制进行改进,使其计算更加具有优越性;其次,利用改进的人工鱼群算法对广泛应用于负荷预测的最小二乘支持向量机进行改进(主要针对其核宽度系数与正则化参数);最后,运用参数改进后的最小二乘支持向量机对IEEE 33节点系统进行短期负荷预测。实例表明了此方法的工程实用性。     

滚动轴承故障诊断中数据不均衡问题的研究

滚动轴承缺陷是导致滚动轴承在运行过程中产生故障的主要原因之一,因此对滚动轴承缺陷诊断技术进行研究具有十分重要的意义。但是,在轴承故障诊断数据集中,故障样本数通常比非故障样本数要少很多,由此引发了数据不均衡情况下故障诊断的问题。以往的研究很少关注这种数据不均衡问题对故障诊断的影响。此外,在故障数据集中有一些冗余甚至是不相关的特征,这些特征降低了学习器的泛化能力。为解决这类问题,本文提出了一种基于Fisher准则的EasyEnsemble算法来解决故障诊断中的数据不均衡问题。在UCI数据集和滚动轴承数据集上的实验结果表明,新算法提高了分类器在不均衡数据集上的分类性能和预报能力。     

智能电网下多时间尺度家庭能量管理优化策略

建立负荷在功率约束与需求响应约束下的激励需求响应模型以及含分布式电源、储能与电动汽车的家庭用电模型,在预测模型多时间尺度能量管理的基础上,以最小化用户自身用电费用与买电功率波动的两层目标函数实时优化调整策略。通过实时调整储电池、电动汽车的充放电,从而保证用户购电满足需求相应的要求。最后采用改进的粒子群算法对多时间尺度目标函数进行求解,并且与原始的粒子群算法进行对比,结果表明所提算法可显著降低用户的用电费用与功率波动。     

动态电压恢复器恒相电压补偿仿真

介绍一种三相独立式的动态电压恢复器(DVR),通过采用比例-积分(PI)控制算法对DVR进行恒相位补偿研究,以提高DVR的响应时间和补偿能力。应用Matlab进行系统仿真,仿真结果说明了该方法具有良好的动态性能与补偿效果。     

微电网线路与负荷有序并行恢复的优化方案

为了在微电网黑启动过程中快速地负荷网内线路与负荷,提出了一种基于双层网架最小树结构的有序并行恢复策略。利用改进的鲶鱼二进制粒子群算法优化微电源启动顺序及其路径,并将其用于优化每一时步投入线路与负荷的组合。IEEE33节点系统的算例结果验证了改进算法和所提策略的有效性。     

考虑DG与负荷不确定性的主动配电网重构

分布式电源(Distributed Generation,DG)以其清洁性的特点越来越多的接入配电网中,但是具有明显的不确定性,所以本文主要考虑了DG与负荷的不确定性对主动配电网重构的影响。针对DG与电力负荷的不确定性,通过信息熵与场景划分法相互结合,根据负荷曲线将负荷划分为多个场景,并且以Wasserstein概率距离指标对风力发电与光伏发电的场景进行划分。提出“无重复”的环路编码与初始种群生成策略,提高了优化效率。建立基于有功网络损耗期望值的多场景配电网重构模型,最后使用改进的烟花算法对制定场景的重构目标函数进行优化。     

齿轮故障诊断中的选择性集成技术

齿轮故障数据的建模因为数据复杂有一定的挑战性.提出将选择性集成学习技术引入到该领域,并将聚类算法用于选择性神经网络集成学习技术.对已有的选择性集成学习技术进行改进,构建了一个基于聚类的选择性神经网络.应用实际数据进行实验,结果表明新算法提高了对齿轮故障诊断的精度,同时诊断效率比基于遗传算法的选择性神经网络集成算法有了显著提高.     

齿轮故障不均衡分类问题的研究

齿轮是传动机械中的重要部件,也是在运行过程中产生故障的主要原因之一,因此对齿轮进行故障诊断研究就具有十分重要的意义。但是在齿轮故障诊断数据集中,故障样本数通常比非故障样本数要少很多,由此引发了数据不均衡问题下故障诊断的问题。以往的研究很少关注这种数据不均衡问题对故障诊断的影响。此外,在故障数据集中有一些冗余甚至是不相关的特征,这些特征降低了学习器的泛化能力。为解决这类问题,提出了一种基于Relief的EasyEnsemble算法来解决故障诊断中的数据不均衡问题。在UCI数据集和齿轮数据集上的实验结果表明新算法提高了分类器在不均衡数据集上的分类性能和预报能力。