基于BAS-BP分类器模型的电压暂降源识别

为提高不同电压暂降扰动源的识别正确率,对电压暂降进行有效治理,提出一种利用天牛须搜索(BAS)算法和反向传播(BP)神经网络构建BAS-BP分类器模型的电压暂降源识别方法。文中应用改进S变换提取16个特征指标,组成电压暂降源识别指标体系,为消除冗余信息对分类结果的影响,利用组合赋权法筛选出9个指标作为分类器的输入量。通过BAS算法对BP神经网络的初始权值和阈值寻优,构建BAS-BP分类器模型,实现对配电网不同类型电压暂降源的识别。仿真结果表明,该分类器模型具有一定的抗噪能力与适用性,并且与常规分类器模型相比,具有更好的分类效果。

基于BAS-SVM的配电网电压暂降源识别

电压暂降是电能质量问题的一种。为提高不同电压暂降扰动源的识别正确率,提出了一种基于天牛须搜索算法(beetle antennae search,BAS)和支持向量机(support vector machine,SVM)的电压暂降源识别方法。应用改进S变换提取不同电压暂降波形的相关幅值曲线和16个特征指标。通过天牛须搜索算法(BAS)对支持向量机(SVM)的惩罚因子和核函数参数进行寻优,构建BAS-SVM分类器,将提取到的特征指标数据进行归一化处理并采用5倍交叉验证划分训练样本集和测试样本集,将其输入新构建的分类器,实现对配电网不同类型电压暂降源的识别。最后,仿真结果表明,该分类器具有更好的分类效果。

基于最优组合赋权改进S变换的电压暂降检测方法

电压暂降是电能质量问题的一种,为了能更准确快速地对电压暂降进行检测分析,文章提出了一种基于改进S变换的电压暂降信号检测方法,利用基频幅值差分平方向量检测电压暂降信号的起止时刻,通过定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量五个指标得到其与改进S变换高斯窗调节因子的关系曲线,应用最优组合赋权法对该五项指标进行赋权,从而得到S变换的最优参数。仿真结果表明,通过文中提出的方法易于得到基频幅值差分平方向量曲线以及突变点曲线,从而更准确地定位暂降发生的起止时刻;相位跳变曲线能够更好地反映电压暂降的相位跳变情况;基频幅值曲线能够更准确地检测出电压暂降的暂降深度;时间幅值平方和均值曲线能更精确地反映电压暂降发生的起止位置。

引入调节因子改进S变换电压暂降源识别

配电网电压暂降的正确分类识别对抑制和缓解电压暂降具有重大意义。分析了分别由三种不同相的接地短路故障、感应电动机启动和变压器投运引起的五种电压暂降现象及其典型特征,在标准S变换的高斯窗函数上添加幅度调节系数和指数调节系数两个调节因子得到改进的S变换。采用改进S变换的方法得到不同类型电压暂降信号的基频幅值曲线和频率幅值包络线,提取暂降深度、突变点个数、基频幅值上升和下降斜率、二次谐波含有率和暂降时间比六个特征指标。将这些特征指标数据进行归一化处理后输入支持向量机,实现对配电网不同类型电压暂降的识别。最后,仿真结果表明,将基于引入调节因子得到的改进S变换用于特征指标提取,对电压暂降进行分类识别的正确率相比标准S变换更高。

基于BFGS信赖域算法的电-气综合能源系统能流计算

电-气综合能源系统能流计算的计算方法多为牛顿法,具有初值敏感性问题,若初值选取不当会造成计算不收敛。现有研究中天然气系统(natural gas system,NGS)的计算初值选取问题还未有适用的解决方法。从能流算法方面入手,提出基于BFGS信赖域算法的电-气综合能源系统能流计算方法,利用BFGS(Broyden-Fletcher-Goldfarb-Shanno)信赖域算法对初值依赖性不高特点,求取NGS的能流分布,解决使用Newton法进行计算时潮流计算容易不收敛的问题。基于6节点天然气系统和19节点电-气综合能源系统的算例,验证了方法的准确性和有效性。

考虑经济成本的微电网调度运行

为提高微电网经济运行水平,首先以微电网发电成本最小为目标,考虑微电网运行实际约束条件,将蜂群算法运用到并网状态下的微电网经济调度模型中;其次,将对立学习策略初始化种群,改善初始种群质量,同时将Metropolis准则引入蜂群算法,提高跳出局部最优解的概率;最后,以并网状态下的微电网为例,比较未改进蜂群算法与改进蜂群算法优化结果。结果表明,改进蜂群算法的调度方案降低了微电网的日调度综合成本,同时验证了所改进算法在求解微电网调度优化问题上的有效性与优越性。

基于多属性决策改进S变换的电压暂降检测与识别

电压暂降的检测和识别是解决电压暂降相关问题的基础和关键。在S变换的高斯窗函数上增加调节因子,通过定义起止时刻误差、暂降深度误差、局部标准差、峰度和能量5个指标得到其与改进S变换高斯窗调节因子的关系曲线,应用最优组合赋权的多属性决策法对该5项指标进行赋权,从而确定调节因子的取值。应用改进S变换提取5种不同电压暂降源的相关特征指标,将指标数据输入BP神经网络进行分类识别。仿真结果表明,改进后的S变换能更加精确地提取电压暂降的特征指标数据,最后的分类识别正确率更高。