基于LabVIEW的多线圈电磁式振动发电机测试系统设计

电磁式振动发电机可收集生活中的振动能量,它的存在对节能减排、开发清洁能源具有重要意义。为了解决多线圈电磁式振动发电机各线圈电压信号相位差的测量问题,利用LabVIEW开发了多线圈电磁式振动发电机测试系统,设计了读取模块、通信模块、显示模块、存储模块。系统可对波峰和相位差进行手动、自动两种模式的检测和计算。与现有技术相比,采用该系统解决了传统电压波形分析模式中运用示波器只能显示两通道,或多通道示波器价格昂贵的问题,降低了测量成本,为多线圈电磁式振动发电机的设计提供了数据支持。

基于改进自适应卡尔曼滤波的电力大负荷预测与计费研究

电力大负荷预测是电力公司进行高效电力系统规划和运行的重要基础;为了提高电力负荷预测精度进而更加有效地估计电力计量与计费,创新地提出了一种基于改进的自适应卡尔曼滤波(AKF)的电力大负荷计量计费预估方法;分析了电力负荷预测研究现状,针对传统卡尔曼滤波算法不足,引入自适应遗忘因子对卡尔曼滤波算法进行改进,建立数学模型、整定因子调整模型关键参数,得到电力大负荷数据的预测值,最终通过计量计费转换公式得用电量以及电费计量预估值;仿真结果表明:基于AEKF的电力大负荷计量预测方法的负荷预测结果与实际结果误差小于1.35%,电力计费预测结果与实际结果相对误差小于1.263%;应用实例证明:基于AEKF的电力大负荷计量计费预估方法,能够提高电力公司的调度效率12%,增加电费营收5.3%~12.2%。

EPON智能小区用电信息采集系统的实现

近年来,EPON作为基于光纤的宽带网络接入技术已经走向市场,并被视为下一代接入网的最佳候选技术。以智能小区建设为切入点,分析了EPON技术在智能小区用电信息采集系统建设中所具有的优势,并对智能小区的用电信息采集系统进行了比较和分类。

基于Q/GDW-376.1规约的掌机程序设计及应用扩展

在智能电网的用电信息采集系统中,掌机的运用可以有效的提高电力工作人员的工作效率,掌机对数据的分析辅助能力可以大大方便现场人员快速查找和定位故障点。通过红外收发器与国家电网制定的Q/GDW376.1-2009规约的相互结合,操作人员可以在掌机界面上清晰的看到故障分析所需的每一项信息。本文简单论述了掌机的整体框架与Q/GDW376.1-2009规约结构,阐述了掌机采用Q/GDW376.1-2009规约与终端进行通讯的机制,阐述了ZZDBASE和DBF数据库在编写Q/GDW376.1-2009规约应用程序中的运用,探讨了在掌机的实际应用中加入无线公网通讯技术的设计理念。

基于电力载波通信技术的智能小区抄表系统

阶梯电价改革的背景下,智能小区电表的改造升级成为电力部门关注的焦点问题,提出了一种基于电力载波通信技术的智能小区抄表系统设计方案;该方案采用分布式的B/S模式,介绍了电力载波通信技术的工作原理,详细阐述了用户端的功率计量、电力载波通信和测控主机等硬件模块的设计原理、参数设置方法和关键技术,给出了各个模块的电路原理图和工作流程;详细阐述了上位PC机端的具体开发方案,给出了软件工作流程图和关键代码;工程测试证明:基于电力载波通信技术的智能小区抄表系统,功耗低于1 kW/月,测量误差低于±0.1%,能够达到计算阶梯电价、测控小区用户电力能源消耗的目的;系统干扰能力强,在浪涌和尖峰未超过正常值的50%时,系统能够正常工作。

面向智能电网的5g高可靠低时延下行链路资源调度方法

本文研究面向智能电网的5G高可靠低时延下行链路资源调度方案,提出一种基于神经网络的调度方案。所提的方案同时考虑eMBB(Enhanced Mobile Broadband)与uRLLC(Ultra Reliable Low Latency Communication)两种业务。首先本文对比例公平算法进行了改进,以为各个用户分配资源,其次,利用DNN神经网络的方式对eMBB用户的解码成功率进行预测,并据此计算出各个用户的吞吐量损失并设计出可行的穿孔方案,旨在最小化uRLLC用户穿孔对eMBB。仿真结果表明,所提方案在eMBB用户的吞吐量和可靠性性能都得到了保证。

分布式电源接入对配电网电压影响分析及其无功优化

分布式电源并网将极大改变系统初始电气状态,故须对分布式电源并网产生的影响做科学论证,并采取恰当措施来提高系统稳定性。通过制定平均电压变化率和平均电压波动率两个评价指标来描述不同分布式电源并网对电压的影响程度。以IEEE 33节点配电网为模型,将分布式电源以不同容量和不同位置接入配电网,根据潮流计算结果,绘制出系统不同状态下的电压分布图,并依据所制定的量化指标全面分析并网电源对电压影响的基本规律。用遗传算法搜寻出单电源并网的最优无功出力,达到系统平均电压波动最小的要求。

面向停电分类预测的因子分解机模型

可靠的电力供应对于工业生产和居民日常生活至关重要,通过对电力数据平台中的停电数据进行分析和挖掘,可以更好地了解配电网停电的潜在规律。分类预测是数据挖掘和分析中的常见技术,停电分类预测可以为企事业单位的停电规划安排提供决策参考。针对停电分类预测问题,提出一种基于因子分解机(FM)的停电数据分类预测模型。利用决策树算法计算停电数据中不同特征的基尼系数以得出重要性得分,从中筛选与停电预测关联度较大的非稀疏特征。根据不同地区的地理位置关系构建不同地区间的空间位置矩阵,并通过矩阵分解的方式构造不同地区在空间上的地理位置关联特征。为防止FM模型出现过拟合问题,在模型中加入L2-范数正则化。在此基础上,利用随机梯度下降的方法训练FM模型,通过训练完成的FM模型对停电数据进行分类预测。在真实停电数据集上的实验结果表明,该模型在训练数据集和测试数据集上的F1值和准确率分别高达0.90和0.89,优于DNN、SVM、XGBoost等模型。

人工智能技术在用电行为分析中的应用研究

针对人工智能技术在用电行为分析领域的应用问题,构建了基于人工智能技术的用电行为分析架构,其包括离线训练与实时分析两个环节,离线训练实现负荷特征库的构建,实时分析实现在线的负荷识别和用电行为分析。提出基于功率滑动窗口的事件检测方法及基于深度置信网络(Deep Belief Network,DBN)的负荷识别方法,进一步在负荷识别的基础上,实现用电时间、用电量与用电费用等用电行为进行负荷分类计算分析。以某居民用电统计数据进行的仿真分析结果表明,所提出负荷识别方法的识别准确率均大于95%,性能良好,通过用户用电情况分析为制定节能策略、优化用电计划提供指导。

基于互信息和LSTM的用户负荷短期预测

相对于系统级负荷,用户负荷具有基数小、波动性与随机性更强的特点,加大了用户负荷预测的难度。文章借助互信息与深度学习理论,提出了一种基于最大相关最小冗余(max-relevance and min-redundancy, mRMR)和长短期记忆网络(long-short term memory networks, LSTM)的用户负荷短期预测模型。首先,采用mRMR算法对特征变量进行排序并选取合适的输入变量集合,mRMR既可以保证输入变量与目标值间互信息值最大,又使得变量间冗余性最小。接着,对选取的输入变量集合建立LSTM预测模型,LSTM能较好处理和预测延迟较长的时间序列,且不会存在梯度消失和梯度爆炸现象。最后,通过算例验证了所提算法的有效性。