随着互联网数据中心IDC的快速发展,为其配备的不间断电源系统UPS规模越来越大,由于UPS的电池系统只有在少数的停电时段应用,造成了大量的资源闲置。在保证备电的前提下,充分挖掘UPS中电池系统的储能功能,是一种经济高效的储能形式。在常...随着互联网数据中心IDC的快速发展,为其配备的不间断电源系统UPS规模越来越大,由于UPS的电池系统只有在少数的停电时段应用,造成了大量的资源闲置。在保证备电的前提下,充分挖掘UPS中电池系统的储能功能,是一种经济高效的储能形式。在常规UPS的基础上,提出了储能型不间断电源系统(energy storage type of UPS,EUPS)的实现架构,EUPS多种“备电+储能”应用功能的控制策略,以及EUPS参与电网多场景调节的协调控制策略。最后,基于建成的EUPS示范系统,验证了所提的EUPS系统架构和控制策略的有效性。展开更多
高压直流传输系统受端交流电网日趋复杂,在逆变站所配置的传统低压限流单元(voltage dependent current order limiter,VDCOL)的控制特征已难以适应现代电力系统的调控方式,为此,提出基于模拟退火算法的特高压直流VDCOL控制环节优化方...高压直流传输系统受端交流电网日趋复杂,在逆变站所配置的传统低压限流单元(voltage dependent current order limiter,VDCOL)的控制特征已难以适应现代电力系统的调控方式,为此,提出基于模拟退火算法的特高压直流VDCOL控制环节优化方法。首先,基于高压直流传输系统逆变站的稳态模型和常规VDCOL控制环节的响应特性,分析逆变站与直流受端交流系统的功率交互特性,推导直流电流指令值与逆变站无功消耗的关系;其次,设计高压直流传输系统典型故障集合,提出基于模拟退火算法的VDCOL控制环节U-I特性曲线多拐点参数的优化方案;最后,采用MATLAB与PSCAD/EMTDC联合仿真的方法得到所提改进的VDCOL控制环节U-I特性曲线。通过与常规VDCOL控制环节的仿真对比分析可知,所提方法更加符合系统暂态无功的实际需求,可有效抑制直流连续换相失败的发生。展开更多
针对目前基于深度学习的电力线路巡检中目标检测速度慢、准确率低的问题,提出了一种采用经量级卷积神经网络的电力线路故障检测方法,对销钉缺陷、绝缘子自爆以及鸟巢这三种常见故障进行检测。在YOLOv5(You Only Look Once v5)算法的基础...针对目前基于深度学习的电力线路巡检中目标检测速度慢、准确率低的问题,提出了一种采用经量级卷积神经网络的电力线路故障检测方法,对销钉缺陷、绝缘子自爆以及鸟巢这三种常见故障进行检测。在YOLOv5(You Only Look Once v5)算法的基础上,首先使用Ghost模块设计轻量级网络,减小网络的参数量和计算时间,提高了线路巡检的实时性;其次,利用跨层级联的方式改进特征金字塔,更好地融合特征,提高了网络的精度;最后,使用CIoU Loss损失函数加快网络的收敛速度。经过实验验证,原来的YOLOv3模型和YOLOv5模型进行对比,巡检平均精度均值提高了3.49%和1.23%,巡检时间分别降低了10.752ms和5.577ms,验证了方法的有效性。展开更多
文摘随着互联网数据中心IDC的快速发展,为其配备的不间断电源系统UPS规模越来越大,由于UPS的电池系统只有在少数的停电时段应用,造成了大量的资源闲置。在保证备电的前提下,充分挖掘UPS中电池系统的储能功能,是一种经济高效的储能形式。在常规UPS的基础上,提出了储能型不间断电源系统(energy storage type of UPS,EUPS)的实现架构,EUPS多种“备电+储能”应用功能的控制策略,以及EUPS参与电网多场景调节的协调控制策略。最后,基于建成的EUPS示范系统,验证了所提的EUPS系统架构和控制策略的有效性。
文摘高压直流传输系统受端交流电网日趋复杂,在逆变站所配置的传统低压限流单元(voltage dependent current order limiter,VDCOL)的控制特征已难以适应现代电力系统的调控方式,为此,提出基于模拟退火算法的特高压直流VDCOL控制环节优化方法。首先,基于高压直流传输系统逆变站的稳态模型和常规VDCOL控制环节的响应特性,分析逆变站与直流受端交流系统的功率交互特性,推导直流电流指令值与逆变站无功消耗的关系;其次,设计高压直流传输系统典型故障集合,提出基于模拟退火算法的VDCOL控制环节U-I特性曲线多拐点参数的优化方案;最后,采用MATLAB与PSCAD/EMTDC联合仿真的方法得到所提改进的VDCOL控制环节U-I特性曲线。通过与常规VDCOL控制环节的仿真对比分析可知,所提方法更加符合系统暂态无功的实际需求,可有效抑制直流连续换相失败的发生。
文摘针对目前基于深度学习的电力线路巡检中目标检测速度慢、准确率低的问题,提出了一种采用经量级卷积神经网络的电力线路故障检测方法,对销钉缺陷、绝缘子自爆以及鸟巢这三种常见故障进行检测。在YOLOv5(You Only Look Once v5)算法的基础上,首先使用Ghost模块设计轻量级网络,减小网络的参数量和计算时间,提高了线路巡检的实时性;其次,利用跨层级联的方式改进特征金字塔,更好地融合特征,提高了网络的精度;最后,使用CIoU Loss损失函数加快网络的收敛速度。经过实验验证,原来的YOLOv3模型和YOLOv5模型进行对比,巡检平均精度均值提高了3.49%和1.23%,巡检时间分别降低了10.752ms和5.577ms,验证了方法的有效性。