光学电流传感层叠抗外磁干扰技术研究

直通光路型磁光式光学电流传感器(magneto-optical current sensor,MOCS)因具有体积小,测量准确度高等多种优点,在智能电网中有广阔应用前景。然而,由于无法构成闭合光路,外磁场干扰一直是制约直通光路型磁光式光学电流传感器实用化的重要因素。为解决此问题,该文提出光学电流传感层叠抗外磁干扰技术。首先通过定义非连续积分路径,积分张角等概念,推导出电流位于非连续闭合路径内外时对应的磁场积分表达式,进而建立适用于含任意数量磁光传感单元、按对称多边形方式布置的MOCS所受外磁干扰分析的数学模型,提出闭合路径中心偏转模型,并得出最佳中心偏转角。在此基础上提出一种新型的层叠式MOCS结构,基本抗御传感结构外任意位置电流给MOCS带来的磁场干扰。其次,提出通用的层叠式MOCS测量误差分析方法,从理论上证明层叠式MOCS满足工程需求及标准。分别建立层叠式MOCS数值仿真模型及COMSOL有限元仿真模型。仿真结果表明,在不同干扰条件下,层叠式MOCS的测量误差均低于0.2%,证明此结构能够有效降低存在外磁干扰时MOCS的测量误差。最后,设计并搭建相应的层叠式MOCS实验平台并进行相应实验。实验结果表明,新型层叠式MOCS在多种干扰情况下其测量误差均小于0.2%,证明了所提数学模型正确性及层叠式结构应用于提高MOCS抗外磁干扰能力时的有效性。

基于GAN和多通道CNN的电力系统暂态稳定评估

目前基于深度机器学习的电力系统暂态稳定评估对介于稳定和失稳边界的系统状态判别存在一定困难,同时也难以兼顾在线评估的准确性和快速性。针对该问题,该文提出一种基于多通道卷积神经网络(convolutional neural network,CNN)和生成对抗网络(generative adversarial nets,GAN)的暂态稳定评估方法。首先构建了含级联多通道CNN的电力系统暂态稳定状态评估模型,通过前级多通道CNN预测非边界样本的暂态稳定状态并确定原始边界样本集;其次交替训练GAN模型的生成器和判别器以实现边界样本集增强,用增强后的边界样本集训练后级多通道CNN,使其能够可靠判别边界样本的暂态稳定状态,从而提高了状态评估的准确率;此外,在故障清除时刻预测出稳定系统的稳定程度以及失稳系统的安全控制时间裕度,从而保证了在线评估的快速性,也为后续控制策略提供一定参考。在IEEE-39节点系统和某省级电力系统上仿真表明:所提模型的评估效果相较于其他常用深度学习算法而言更为优越,在同步相量测量装置测量信息含噪声的情况下,该模型表现出较强的鲁棒性。

换相失败下STATCOM助增暂态过电压机理与优化策略

随着新能源发电的大规模接入,交直流输电系统“强直弱交”特点日益突出。当直流输电系统发生换相失败时,弱送端系统会产生暂态过电压。静止同步补偿器(static synchronous compensator,STATCOM)响应电网电压的变化时,其控制环节的滞后性会导致STATCOM对暂态过电压产生助增作用。针对该现象,文章首先分析了换相失败下弱送端系统暂态过电压的产生机理,接着通过分析频率响应特性,对STATCOM响应滞后时间给出了理论推导,最后针对STATCOM响应滞后特性提出了一种基于阻尼投切的优化策略,以抑制STATCOM对过电压的助增作用,并通过仿真验证了优化策略的有效性。