基于格拉姆角场和PCNN-GRU的换相失败诊断方法

高压直流输电作为一种高效的电力传输技术,其运行中的换相失败会导致直流电流迅速增加、直流电压急剧下降,对电网的安全稳定运行造成重大影响。针对换相失败,提出一种结合格拉姆角场(Gramian angular field,GAF)与并行卷积神经网络–门控循环单元(Parallel convolutional neural network-gated recurrent unit,PCNN-GRU)的换相失败诊断方法。利用GAF将一维时间序列信号转换为二维图像特征图,保留信号的时序信息。再利用PCNN-GRU模型的卷积神经网络的特征提取能力和门控循环单元的时序特征处理能力,使模型学习更多的故障特征,提高模型的诊断性能。以永富直流输电系统为对象,实验结果表明该方法诊断精度为99.33%,有较强的多特征提取能力和时序特性分析能力,诊断性能强,响应及识别换相失败快速。

基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法

针对将现有直流线路故障区域识别方法应用于特高压三端混合直流输电线路时,存在难以区分T区两侧故障、耐过渡电阻能力弱和阈值整定困难的问题,提出一种利用深度学习及波形特征进行特高压三端混合直流输电线路故障区域识别的方法。首先,对三端混合直流线路不同故障区域进行故障特征分析;然后,对线模电压和线模电流进行多尺度小波分解,提取线模电流中低频分量和线模电压高频分量,结合正负极电压波形特征,组成深度学习模型的输入量,并将故障区域作为输出量,构建深度学习故障区域识别模型;最后,用训练过的深度学习模型对获取的故障特征量进行处理,以实现故障区域识别的目的。通过大量仿真实验,验证了所提故障区域识别方法具有准确率高和基本不受过渡电阻影响的特性。

基于多模式分解和多支路并行残差网络的特高压三端混合直流输电线路故障区域诊断

特高压三端混合直流输电线路发生接地故障时,故障电气量变化存在很强的随机性和非线性,在噪声干扰下其规律性更弱,很难快速、准确地提取故障特征以诊断故障区域。鉴于此,提出一种集电流波形特征提取和故障区域诊断为一体的诊断模型。分析不同区域故障时的电流波形特点,利用数学机理不同的3种算法同时分解故障电流,避免一些容易混叠的模态子序列在单一分解方法中逃逸。利用多支路并行残差网络迅速地挖掘分解分量的多尺度空间耦合交互特征,并结合门控循环单元网络模块,进一步提取故障电流的时间耦合特征,使得特征得到显著增强。利用麻雀搜索算法优化该模型的关键参数,构建充分适应电网故障诊断的网络结构,实现故障区域的快速诊断。仿真结果表明,该方案有着较高的灵敏性、较强的抗干扰能力,满足直流保护的可靠性和速动性要求。

基于DBSCAN聚类和区间回归的多谐波责任划分

在背景谐波阻抗变化和背景谐波电压波动的情况下,传统谐波责任划分方法难以适用于现有的统计型谐波监测数据,提出一种背景谐波变化下基于监测数据的多谐波责任划分方法。首先,构建谐波监测数据区间样本集,并建立背景谐波变化下的多谐波源区间谐波责任划分数学模型;其次,利用基于密度的聚类算法(DBSCAN)将采集到的统计型谐波数据集以簇为评价周期进行场景划分,并采用滑窗动态相关性分析方法筛选出满足线性关系阈值要求的数据;最后,利用基于参数化回归算法(PM)的区间线性进行方程参数计算并获取最佳样本划分方案,在构造的区间谐波责任划分基础上计算中长期时间范畴的谐波责任。利用实际电网中的谐波监测数据对所提方法进行验证,验证了该方法能利用现有的统计型谐波监测数据在背景谐波变化的情况下对每个谐波源进行合理时间尺度的谐波责任划分,可为实际电力系统运行过程中的多谐波责任划分提供一种新的思路。

计及P2G的综合能源系统CCUS容量规划

考虑到碳捕集利用与封存(CCUS)是对电转气(P2G)过程中二氧化碳(CO_(2))来源的细化,文中提出对综合能源系统(IES)进行电-氢-氧-甲烷-二氧化碳和虚拟二氧化碳等P2G过程的定性定量建模,以及对风-光-电动汽车-负荷等随机源荷进行时空聚类以深度挖掘IES氢源碳源潜力的CCUS设备容量规划模型。以阶梯正负碳交易、弃风弃光惩罚和年设备投资成本等的年综合成本最低为目标,以碳捕集、碳存储和甲烷化等CCUS设备功率容量限值为全局变量对电气平衡和能量耦合进行二次约束,经过混合整数线性化处理后利用Cplex求解。算例分析表明,源荷时空聚类可在典型日场景缩减时保留IES廉价碳源氢源特征,合理规划后的CCUS设备可兼具弃风消纳和碳减排功能,使P2G制取的天然气更具市场竞争力。

“双碳”目标下基于系统动力学的发电行业碳减排政策研究

能源结构转型和碳减排政策是实现“双碳”目标的重要举措。本研究旨在探讨“双碳”背景下发电行业碳减排政策与市场交易机制的耦合作用。通过研究绿色证书市场交易机制、碳排放市场交易机制与电力市场机制间的耦合协同效应,考虑了价格影响市场间机制、能源结构分析和技术创新等因素,建立系统动力学模型并进行多情景仿真,研究不同政策组合对市场均衡及电力行业碳减排的影响。通过对模型的敏感性分析,评估了各种政策措施对系统行为的潜在影响,对政策体系的作用机理及其协同机制进行分析,明确不同政策间可能存在的冗余激励和效应冲抵等现象。研究得出:有效的碳减排政策组合使得未来十年火电装机占比下降至45%,可再生能源占比突破50%与传统能源持平甚至超过传统能源。建议碳减排政策的成功实施需要综合考虑市场监管、激励机制、技术创新等多方面因素。

基于混合分解和PCG-BiLSTM的风速短期预测

为降低风速的随机性对风力发电的影响,提高风速短期预测的精准度,提出一种基于混合分解、双通道输入、多分支PCG-BiLSTM深度学习模型的短期风速预测方法。首先,将全年风速数据分为春、夏、秋、冬4个季度,选取春季作为主要实验对象;其次,利用奇异谱分解(SSD)和变分模态分解(VMD)以降低原始春季风速数据复杂度,生成具有不同模态且复杂度低的子分量,两种不同模式子分量组合为混合分量,实现不同模式分解算法的优势互补;最后,将混合分量以双通道的形式输入到多分支PCG-BiLSTM深度学习模型中,其模型的每个分支由卷积神经网络(CNN)与门控循环单元(GRU)并联组成时空特征提取模块,用于提取两种分解分量组合的混合分量的时空特征,各分支提取对应混合分量的时空特征经聚合后再由双向长短期记忆网络(BiLSTM)进一步提取风速信号的正向和反向双向波动规律,进而得到最终的风速预测结果。多组实验结果表明:提出的组合预测方法在短期风速预测中具有较高的精度和泛化能力,优于其他传统预测方法。

基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别

能源互联网背景下的电能质量问题越来越凸显,针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种混合分量多尺度时频图和残差神经网络(residual neural network,ResNet)、门控循环单元(gated recurrent units,GRU)网络与注意力机制(attention,AT)组合的电能质量复合扰动识别新方法—Res-GRU-AT。首先利用奇异谱分解(singular spectrum decomposition,SSD)和逐次变分模态分解(successive variational mode decomposition,SVMD)对PQDs信号分别进行多尺度分解得到混合分量,再对混合分量进行希尔伯特黄变换(Hilbert-Huang transform,HHT),分析得到多尺度时频图。其次,利用Res-GRU-AT模型对多尺度时频图进行深层次特征提取、强化和识别。Res-GRU-AT模型能够利用ResNet的二维图像空间特征提取能力和GRU的时序特征提取能力进行特征融合,再通过AT进行特征加权强化,提高了PQDs的识别能力。不同方案的仿真结果表明,所提方法特征提取能力强且抗噪性能好,对复合扰动识别率高。

鸭短喙矮小综合征病毒的致弱及免疫效果的评估

为培育出鸭短喙矮小综合征病毒(SBDSV)弱毒株并评价其免疫效果,本研究将强毒SBDSV M15株在番鸭胚成纤维细胞(MDEF)中连续传95代(C95),每代均观察细胞病变(CPE)。结果显示,C1~C4代病毒接种的细胞均无CPE,从C5代开始出现CPE;自C50代以后,每代细胞出现CPE达80%的时间由接种后7 d逐渐缩短为5 d。采用《中国兽药典》附录中方法检测每隔10代病毒的纯净性;将每隔10代的病毒感染MDEF,通过间接免疫荧光试验(IFA)鉴定各代次病毒及测定各代次的病毒滴度(TCID_(50));将各代次病毒分别以不同剂量接种2日龄易感半番鸭,在21 d观察期内观察并记录各组半番鸭的临床症状、计算发病率及死亡率,于观察期结束后,对各组半番鸭称重并测量其喙长、喙宽,计算其喙长宽比等生长发育指标,评估各代次病毒对半番鸭的致病性。纯净性检测结果显示:检测的各代次病毒均无细菌、霉菌、支原体和外源病毒污染;IFA结果显示,感染不同代次SBDSV的MDEF均能被鹅细小病毒单克隆抗体(GPV MAb)识别,出现亮绿色特异性荧光,而阴性对照和其他相关病毒MAb作为一抗的MDEF中均无绿色荧光;病毒滴度测定及致病性试验结果显示,随着传代次数的增加,SBDSV的滴度逐渐升高(10^(2.5)TCID_(50)/0.1 mL~10^(5.5)TCID_(50)/0.1 mL)且趋于稳定的10^(5.5)TCID_(50)/0.1 mL;C10、C30和C50代病毒对雏鸭的致病性均较强,雏鸭均出现了一定的临床症状,生长发育受到影响,且雏鸭的发病率分别为87.5%(7/8)、37.5%(3/8)和25%(2/8),但均无死亡;C70代病毒组仅一只鸭出现体重略轻的症状,至C80代已失去对雏鸭的致病性,将致弱病毒命名为SBDSV MA株,将C80代致弱病毒命名为MA0株。将不同代次的致弱病毒MA0~MA15株均以5×10^(5.5)TCID_(50)分别接种2日龄半番鸭和樱桃谷鸭,观察21 d,评估致弱病毒的安全性。将上述不同代次的致弱病毒均以4×10^(3)TCID_(50)接种2日龄半番鸭,7 d后采血测定各组鸭血清中的中和抗体效价;同时各免疫组以5×10^(4)TCID_(50)的强毒SBDSV M15株攻毒,观察14 d,评估致弱病毒的免疫保护效果。将MA5代病毒在雏半番鸭体内连续盲传5代,评估该病毒的遗传稳定性。结果显示,不同代次致弱病毒(MA0、MA5、MA10、MA15)接种的两种雏鸭均无临床症状且生长发育均良好;各代次致弱病毒接种后7 d全部鸭血清均出现中和抗体,平均抗体效价在3.0Log2以上;攻毒后14 d,各免疫组鸭均无任何临床症状且生长发育良好,与阴性对照组鸭基本一致,且致弱病毒对雏鸭的免疫保护率均达100%;MA5代致弱病毒在雏鸭体内连续盲传5代,每代雏鸭均无任何临床症状,生长发育均正常,且各组实验鸭各器官均未出现剖检病变。上述结果表明,不同代次的SBDSV致弱株均纯净、安全性好、免疫原性和遗传稳定性较强,可作为SBDS弱毒疫苗的候选株,本研究为SBDS活疫苗的研制奠定了良好实验基础。

一株具有插入和缺失突变特征鸭腺病毒B2毒株的分离鉴定

【目的】对一份疑似鸭腺病毒B2(Duck adenovirus B2,DAdV B2)感染的番鸭白肝病的病例进行确诊,并对分离株进行测序,为福建省DAdV B2流行病学研究提供参考。【方法】开展病料PCR检测,并进行病毒的分离鉴定、全基因二代测序,利用MegAlign和SnapGene软件对测序结果进行同源性及遗传进化分析,再进行动物回归试验,确定对雏番鸭的致病性。【结果】病料样本检测为DAdV B2阳性,并成功分离到一株DAdV B2毒株,命名为DAdV B2/BG48。该分离株感染鸡肝癌细胞(LMH)后细胞变大变圆、最后死亡崩解,形成特征性细胞病变;感染MDEF后细胞由长梭形变为圆形并聚集,细胞间出现空隙。测序结果表明,BG48基因组在pX基因区域中有3 bp的插入,在ORF19B基因区域有33 bp的插入,在ORF64和ORF67基因区域的交界处有42 bp的缺失,ORF67基因起始密码子往后第133位碱基为G,没有突变为终止密码子,其他编码基因与CH-GD-12-2014、实验室之前鉴定的BG27和BG18无特征性差异。动物回归试验显示,2日龄的番鸭对DAdV B2分离株BG48易感,致病率为50%,死亡率为0,发病鸭可见与自然感染病鸭相似的临床症状和病理变化。【结论】成功从番鸭白肝病病例中分离鉴定1株DAdV B2突变株BG48,BG48具有多位点插入和缺失特征,提示DAdV B2毒株容易突变,临床流行毒株复杂。本结果为DAdV B2的分子流行病学调查和遗传进化研究提供了参考。

基于多模态融合和卷积神经网络的逆变器故障诊断

电压源控制型静止同步补偿系统(Voltage source controlled static synchronous compensator,VSC-STATCOM)故障具有随机性和不可预测性,其原始信号难以完全反映功率开关管的波形特征,导致故障特征提取及诊断困难。针对此问题,提出一种结合多模态融合技术(Multi-modal fusion technology,MFT)、双分支卷积神经网络(Double branch convolution neural network,DBCNN)与自注意力机制(Self-attention mechanism,SA)的逆变器故障诊断的方法。首先,利用快速傅里叶变换实现逆变器故障数据的时域模态信号到频域模态信号的转换;然后,利用DBCNN分别提取时域和频域2个模态的特征并进行特征融合,再将利用SA权重自适应分配能力筛选出的关键特征作为故障分类的依据,解决功率开关管开路故障难以辨别的问题。在逆变器故障诊断过程中,采用MFT和卷积神经网络相结合的方法,建立了一种准确而快速的实现故障分类的体系。以VSC-STATCOM逆变器为对象开展实验,实验结果表明,与单模态时域(Convolutional neural network-self-attention mechanism)CNN-SA和频域CNN-SA方法相比,MFT-DBCNN-SA对故障诊断的准确率均有提高;不同相数的实验结果表明,利用该方法仅靠两相就能很好地诊断出故障类别。相较于同领域的研究,所提故障诊断方法的水平持平或有所提升。

融合电磁场的“电气工程CAD”实践教改

为了使“电气工程CAD”实践课程与实际电力工程更好地相结合,提出将“工程电磁场”的理论分析融入电气工程CAD的教学。以接地系统工程为例,建立了接地体的数学仿真模型,设计了工程模拟施工与模拟验收平台。授课表明,对具有较强工程性的实践课程,融合电磁场理论的电气工程CAD实践教改,促进了学生快速融入工程规范,产学研的转化得到协同发展。

基于T区中低频衰减特性构成方向元件的特高压三端混合直流输电线路单端方向保护研究

将保护装置安装在T区两侧,基于T区中低频衰减特性构成方向元件,提出一种特高压三端混合直流输电线路单端方向保护方法。分析特高压三端混合直流输电系统整流侧、T区以及线路末端逆变侧三端边界频率特性,发现T区边界对故障电流暂态信号中低频分量有一定的衰减作用、整流侧边界和线路末端逆变侧边界对故障电流暂态信号高频分量有明显衰减作用。利用小波分解,根据T区两侧线路暂态电流中低频能量差判断故障方向,并提出故障方向判据。当T区左侧发生故障时,利用线路L1末端所检测到的高频暂态电流能量与低频暂态电流能量的比值来判别整流侧区内、外故障;当T区右侧发生故障时,利用线路L2首端所检测到的高频暂态电流能量与低频暂态电流能量的比值来判别线路末端逆变侧区内、外故障;T区发生故障时,判定为线路区外故障。给出基于T区中低频衰减特性构成方向元件的特高压三端混合直流输电线路单端方向保护方案,最后在PSCAD/EMTDC仿真平台搭建昆柳龙特高压三端混合直流输电系统模型并对所提保护方法进行验证,仿真表明该文所提保护方法能实现特高压三端混合直流输电线路全线速动保护。

基于双模式分解多通道输入的VSC-STATCOM逆变器故障诊断模型

针对传统电压源型静止同步补偿器中逆变器故障诊断存在的信号特征提取不充分,深度学习网络识别能力不足以及高噪声情况下识别率较低等问题,提出了一种基于双模式分解、多通道输入(MCI)、并行卷积神经网络(PCNN)、双向长短时记忆(BiLSTM)网络和自注意力(SA)机制组合的逆变器故障诊断方法。首先利用变分模态分解和时变滤波经验模态分解对逆变器输出的三相电流进行分解,降低原始信号复杂程度,实现不同模态分量间的规律互补;其次,利用MCI-PCNN-BiLSTM-SA组合模型对特征矩阵进行深层特征提取、学习和识别;最后,通过仿真进行验证,结果表明所提方法特征提取能力较强,在无噪声情况下平均识别率高达99.48%,在高噪声情况下平均识别率达95.59%。

基于可视化轨迹圆与改进ResNet-AT的高压直流输电换相失败故障诊断

针对逆变侧换相失败故障类型难以辨识、故障特征量难以提取等问题,提出一种基于极坐标下的轨迹圆与改进ResNet-AT相结合的高压直流输电系统故障诊断方法。首先,通过希尔伯特变换提取时序电压信号的上包络线,以此构造解析信号,进而获取复函数形式下的瞬时幅值和相位;然后,以瞬时幅值为极径、瞬时相位为极角,在极坐标系中绘制出轨迹圆图像;最后,将此轨迹圆像输入到改进ResNet-AT中训练学习,前者通过嵌入到残差网络中的通道注意力机制网络增加特征提取能力,后者利用AT对信息再次加权强化,提高故障信号的诊断能力。实验结果表明:相较于常规的深度学习模型,所提模型诊断准确率达99.40%以上,效果最优;模型在20 dB的过渡电阻下仍保持95.50%的诊断准确率,具有较强的抗噪性能。

基于CNN-SVM的特高压三端混合直流线路故障区域识别方法

提出一种基于卷积神经网络–支持向量机(Convolutional neural network-support vector machine,CNN-SVM)的特高压三端混合直流线路故障区域识别方法。首先,对昆北侧、龙门侧的直流线路边界和柳北侧T区边界的频率特性进行分析,发现不同故障区域的故障特征存在一定差异。然后,使用经验小波变换提取故障特征,将其作为CNN-SVM的输入量,故障区域作为输出量,构建并训练CNN-SVM模型;将由测量点得到的故障特征量输入到训练完成的CNN-SVM模型中,进行故障区域识别。最后,搭建昆柳龙仿真模型,进行故障仿真实验验证。结果表明,该方法的故障区域识别率高,且可耐受300Ω的过渡电阻。

一种特高压直流输电线路神经网络双端故障测距新方法

提出一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法。传统基于高频量衰减特性的特高压直流输电线路双端测距方法的测距精度依赖于线路衰减常数的准确求取,但准确计算线路衰减常数是一个难题。人工神经网络具有很强的非线性逼近拟合能力,利用人工神经网络方法,将不必准确计算线路衰减常数也能准确实现故障定位。选取不同频带内整流侧和逆变侧测距装置处检测到的故障电压行波线模分量高频部分首波头幅值比作为BP神经网络的输入样本集,故障距离作为输出样本集,对神经网络进行训练、测试,形成直流输电线路故障测距神经网络模型,将反映故障位置的特征数据输入训练后的网络模型即可实现故障测距。大量仿真结果表明:该基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法精度较高,而且耐受过渡电阻能力强。

3种禽类呼肠孤病毒血清学相关性及致细胞病变差异分析

本研究旨在研究3种不同疾病型禽类呼肠孤病毒间的抗原性关系及病毒的培养特性。作者通过血清中和试验测定了禽呼肠孤病毒(ARV S1133株)、番鸭呼肠孤病毒(MDRV 9710株)、新型鸭呼肠孤病毒(NDRV NP01株)3种禽类呼肠孤病毒的血清学相关性,统计抗原相关性R值;并应用部分禽胚原代细胞及哺乳动物传代细胞对这3种病毒的培养特性进行了初步研究。结果表明,3种病毒株之间的R值很小,抗原相关性较低;三者具有广泛的细胞亲嗜性,能在多种细胞中增殖,并产生细胞病变,但病毒致细胞病变特征有所差异,ARV和NDRV均以巨融合为主,而MDRV则以细胞圆缩坏死为主。上述结果表明导致禽类不同疾病的ARV、MDRV和NDRV三者之间的抗原相关性较低,病毒的细胞培养特性也不同,细胞病变类型的差别提供了一种初步鉴别禽类呼肠孤病毒的方法。

基于小波分析的特高压直流输电线路双端电压暂态保护

分析云广直流输电线路和边界的频率特性,结果表明当故障发生点与保护安装点的距离大于一定值时,线路对某频率的高频信号衰减作用将大于本侧边界对该频率高频信号的衰减作用,据此提出用保护元件区分对端区内外故障的特高压直流线路暂态保护原理。分析和仿真试验表明该暂态保护原理能够保护线路的全长。通过比较两端检测到的故障暂态信号,判断故障位置更靠近整流侧还是逆变侧;对检测到的对端故障电压暂态信号进行多尺度小波变换,利用高频段小波能量与低频段小波能量不同构造区内外故障判据;根据故障后两极线上暂态电压之间的差异构造故障选极判据。仿真结果表明所提方法具有良好的反映过渡电阻的能力。

特高压直流输电线路和边界频率特性研究

根据云广特高压直流输电系统实际参数,建立特高压直流输电线路以及由平波电抗器、直流滤波器和PLC滤波器所构成的特高压直流输电线路边界的频域模型,分析特高压直流输电线路和线路边界的频率特性。对特高压直流输电线路及其边界对故障暂态信号高频量的衰减作用,以及故障位置对保护安装点所检测到的故障暂态信号高频量的影响进行了研究。研究结果表明,边界和线路对暂态信号高频量的衰减作用大小和故障与保护安装点的距离有关,当故障发生点与保护安装点的距离大于-ln G(jω)/α时,线路对频率为ω/(2π)高频量的衰减作用将大于边界的衰减作用。建立云广特高压直流输电系统实际参数仿真模型,对特高压直流输电线路及其边界对故障暂态信号高频量的衰减作用进行仿真验证,仿真结果证明了上述结论的正确性。