人工智能与大数据技术在变配电系统中的应用

阐述变电系统的数字化技术特点,探讨变电站人工智能技术和大数据技术的应用,包括对变电站系统运营的巡视、变电站系统的运维操作、变电站系统运行的安全维护,分析大数据技术的应用成效。

TVAC-PSO算法在光伏最大功率点追踪中的应用

在局部阴影遮挡条件下,光伏列阵P-U输出特性曲线呈现非线性多个极值点。在应对多峰值非线性曲线时,传统算法容易失效。而粒子群算法因设置参数少、收敛速度快、适应性好等特点而常被应用于复杂非线性多峰值寻优,但传统粒子群算法在应对动态环境时,更易陷入局部最优极值。对此提出一种时变加速系数粒子群算法(TVAC-PSO),引入时变加速系统学习因子和惯性权重,以提高其准确性和加快收敛速度。通过搭建光伏MPPT模型,将传统粒子群与TVAC-PSO算法进行对比并仿真。

粒子群与细菌觅食混合算法在光伏阵列MPPT中的应用

为了提高光伏阵列光电转换效率,确保光伏阵列功率输出始终维持在最大功率点上,传统最大功率点跟踪算法在应用于局部阴影条件时,可能存在陷入局部最优或跟踪时间过长等问题。提出一种粒子群与细菌觅食混合算法,并将其应用于光伏阵列的最大功率点跟踪中,来改善跟踪过程中的收敛精度与速度。通过仿真实验结果,与传统扰动观察算法以及细菌觅食算法进行对比,验证了混合算法在跟踪速度、收敛精度、稳定性上的优越性,以及在动态光照条件下的适应性能力。

基于小波变换和极限学习机的电能质量扰动分类

利用小波变换(WT)和极值学习机(ELM)对电能质量事件(PQE)进行识别分类,利用离散小波变换(DWT)对信号进行多分辨率分析,获得PQ信号的特征能量系数,并在25、35、45dB噪声环境下,构造了3种PQ数据集。ELM是一种有效的广义单隐层前馈网络(SLFNs)学习算法,可用于识别各种多分类问题。对比试验与现有方法结果,证明基于小波变换的极限学习机能对8种扰动进行有效分类,具有鲁棒性强的识别结构,可用于实际电力系统信号分类。

基于小波系数PCA和SaDE-ELM的电能质量扰动信号分类

电能质量扰动信号分类是电能质量综合治理的前提,为提高分类精度,提出一种基于主成分分析(PCA)和自适应差分进化(SaDE)优化的极限学习机(ELM)的电能质量扰动信号分类方法。对8种扰动信号用db4小波进行10层多分辨分解,与标准能量信号的能量差系数作为特征向量,PCA对其降维处理,去除冗余特征,得到4维数据作为分类的样本数据集,利用SaDE算法对ELM的输入权值和隐含层节点偏置优化。通过仿真实验表明,提出的SaDE-ELM识别准确率更高,抗噪性更强,更适应于电能质量扰动分类。

基于智能技术的变电运检现场安全管控系统设计与应用

阐述变电站工程的安全状况,提出以人工智能为基础的变电运检现场安全管控措施,包括利用感知层捕捉信息,利用平台层有效采集与传输现场数据,利用应用层及时记录与控制现场违规操作。

平衡

两架天平放在一高一低的两张桌子上。请你把6个20克的砝码分别放在A、B、C3个盘中，使两架天平都保持平衡。