考虑电力系统灵活性供需平衡的混合储能联合规划

风电、光伏等可再生能源出力具有强波动性和随机性,增加了电力系统的灵活性需求。文章提出了兼顾经济性和灵活性的电力系统混合储能联合规划方法。首先,针对源荷两端灵活性需求,从电力电量平衡角度对系统灵活性进行了评估;其次,以火电机组灵活性改造、全钒液流电池、抽水蓄能3类灵活性资源为规划对象,构建火电机组灵活性改造和混合储能协调的双层规划模型;利用上、下层模型对方案不断进行迭代优化,得到兼顾经济性和灵活性的最优混合储能配置方案;再次,采用基于反向学习的改进型白鲸算法对规划模型进行优化,并通过仿真验证了模型的正确性;最后,以蒙东某地区历史数据进行算例分析,验证所提方法的有效性。

基于灵活性供需平衡的电-气-热综合能源系统低碳调度

氢能、光伏和风能等可再生能源是实现双碳目标与碳排放双控目标的重要途径,由可再生能源剧烈的发电波动,导致失负荷与弃电双重风险问题凸显,因此对能源系统的灵活性提出了更高的要求。文中提出基于灵活性量化的综合能源系统低碳调度模型。首先,分析多能耦合灵活性资源运行特性,进行综合能源系统灵活性资源模型构建,结合系统设备二氧化碳利用与排放情况,实现系统内部二氧化碳的深度利用;其次,考虑系统源-荷波动情况,进行园区级系统能量和坡度灵活性的量化分析;最后,结合系统灵活性资源的差异化调节特性,考虑不同时间尺度下系统灵活性供需差异,进行多时间尺度的调度,以平抑可再生能源及负荷不确定性带来的灵活性需求。文中以南方某综合能源工业园区为实验背景,采用文中所提出的方法进行分析调度,实现不同时间尺度下多种能源灵活性平衡,有利于提升综合能源电-气-热系统灵活性和低碳特性。

基于供用能双侧多主体博弈互动的综合能源系统优化调度策略

风电等可再生能源高比例并网,是“双碳”目标下电力系统绿色低碳化转型的必经之路,但这也对电网安全运行带来了巨大的压力。因此,文中提出了一种基于博弈论的含碳捕集综合能源系统(Integrated Energy System, IES)优化调度策略。首先,构建了促进风电消纳的综合能源系统内碳循环优化模型;然后,构建了含Stackelberg博弈的双层博弈调度模型,并证明该模型纳什均衡;最后,利用改进的差分进化算法求解双层博弈模型,以满足调度模型收敛速度需求。

极端温度气象日母线日前负荷预测

极端高温、低温等气象条件下,母线负荷历史数据少,且受用户用电行为影响大,预测困难。为提高极端高、低温环境下母线日前负荷预测精度,提出一种计及多因素差异化影响的改进极端梯度提升(Xtreme Gradient Boosting,XGBoost)极端温度气象日母线日前负荷预测新方法。首先,以原始高维度特征集合构建XGBoost预测器,并在训练过程中获得特征重要度,分析极端温度气象日下母线与温度、降雨量等气象因素相关性;然后,构建基于XGBoost的母线日前负荷滚动预测器,以预测精度为决策变量确定母线日前负荷预测最优特征子集;最后,根据最优特征子集,针对性构建最优母线日前负荷预测模型。以东北某地区多条实际母线负荷数据验证新方法有效性,结果表明,新方法显著提高极端温度气象日下预测精度。

基于BAGAN-CNN的局部放电模式识别

电力设备发生局部放电为小概率事件,现场检测出的局部放电脉冲相位分析图谱样本具有数量稀少、样本类别比例不平衡的问题,导致难以训练出能够准确判断局部放电类型的分类器。为了扩充并平衡不同种类局部放电样本的数量,提高局部放电模式识别准确率,提出一种基于BAGAN-CNN的局部放电模式识别方法。首先,构建BAGAN(Balancing GAN)网络模型,解决原始ACGAN损失函数矛盾的问题,使BAGAN生成器能够生成样本种类稀少的局部放电数据。然后,将原始样本和增强样本作为分类器输入,构造卷积神经网络,自动提取局部放电特征,并通过Softmax层进行分类。实验表明,通过BAGAN生成的数据相比于其他数据扩充方法,能够生成更高质量局部放电样本;相较于传统分类器,CNN分类器的识别准确率更高。

采用改进多分辨率快速S变换的电能质量扰动识别

噪声干扰是影响电能质量暂态扰动识别准确率的最重要因素。经过S变换后获得的扰动信号的模时–频矩阵具有灰度图像特点。因此,可通过二维数学形态学方法,滤除噪声干扰,获得更高的识别准确率。首先,针对扰动信号时–频分布特点,设计具有不同时–频分辨率的多分辨率快速S变换方法以降低运算量、提高特征表现能力;之后,在阈值滤波基础上,根据信号时–频分布特点,选择线段型、零角度结构元进行灰度级形态学开运算,进一步滤除高频频域噪声;最后,从原始信号、信号傅里叶谱、多分辨率快速S变换模矩阵中提取5种特征建立决策树分类器,识别含噪声信号与6种复合扰动信号在内的12种电能质量信号。通过仿真对比实验发现,新方法具有更好的抗噪能力,更加适用于低信噪比环境下的电能质量信号识别。

电能质量复合扰动特征选择与最优决策树构建

针对电能质量(power quality,PQ)复合扰动识别中缺少特征选择与最优决策树自动构建方法的不足,提出采用分类回归树的PQ特征选择与最优决策树构建方法。首先,通过S变换提取64种PQ特征,构成原始特征集;然后,采用嵌入式特征选择方法,获取特征Gini重要度及排序,确定最优特征子集;最后,应用1-标准误差规则子树评估法,进行代价复杂度剪枝,获得最优分类树。实验证明,新方法能够根据训练集自动构建最优决策树,并实现最优特征选择;最优决策树可准确识别不同噪声环境下,含多种复合扰动的PQ信号,分类准确率高于概率神经网络和支持向量机方法,具有良好的鲁棒性与抗噪性。

采用EWT和OCSVM的高压断路器机械故障诊断

根据断路器故障诊断对可靠性要求较高的实际工程需求,提出了一种采用经验小波变换(EWT)和单类支持向量机(OCSVM)的高压断路器机械故障诊断新方法。首先,通过EWT准确分离断路器振动信号中具有不同物理意义的固有模态函数(IMF);之后,通过Hilbert谱分析,获得时-频矩阵并计算其时-频熵,构成用于分类的特征向量;然后,仅使用易于获取的正常状态振动信号训练经粒子群算法(PSO)常数参数寻优的OCSVM,并通过OCSVM来准确判断断路器是否发生机械故障,提高故障诊断可靠性;如OCSVM判断发生机械故障,则进一步通过支持向量机(SVM)判断具体故障类型。在SF6高压断路器上进行实验证明,新方法能够更加准确地区分故障与正常样本,满足高压断路器故障诊断的高可靠性要求。

基于S变换与SVM的电能质量复合扰动识别

针对电能质量复合扰动识别困难的问题,提出了一种基于S变换与支持向量机(SVM)的电能质量复合扰动分类识别方法。首先对电能质量信号进行S变换,针对变换结果在不同频率范围内提取原始信号特征。然后采用统计方法进行特征选择,确定最优的两种特征构成特征向量,作为SVM的训练样本。最后将分类器应用于电能质量扰动识别。该模型通过特征选择,不仅降低了特征计算量,而且节省了分类器的训练、分类时间。仿真实验表明该模型能够精确识别包括两种复合扰动在内的8种电能质量扰动信号。

基于Tsallis熵与层次化混合分类器的含未知故障断路器机械故障诊断

为提高断路器机械振动信号特征提取效率,避免将无训练样本未知类型故障误识别为正常样本或错误已知故障,提出一种断路器机械状态监测与故障诊断新方法。首先,将断路器机械操动机构振动信号进行时域分割,对分割后的各段信号分别直接提取7种特征,构成特征向量;通过散布矩阵分析特征分类能力,确定以Tsallis熵特征分析断路器机械故障。然后,将特征向量输入到基于单类支持向量机(OCSVM)与极限学习机(ELM)的层次化混合分类器中开展故障诊断。在混合分类器中,首先由OCSVM区分正常与故障状态;如为故障状态,则使用ELM识别故障类型,之后再以OCSVM校正ELM识别结果。通过实际断路器振动数据开展实验证明,散布矩阵能够有效分析特征的类可分性,时域分割提取特征效率高,层次化混合分类器不仅能够准确识别断路器机械状态与故障类型,而且可有效识别无训练样本未知故障类型数据。

采用最优多分辨率快速S变换的电能质量分析

为兼顾电能质量信号分析的类型识别与参数估计需要,设计一种最优化多分辨率快速S变换(OMFST),用于电能质量信号识别与参数估计。首先,分析不同时-频分辨率下时间-幅值曲线与频率-幅值曲线中,扰动起、止处峭度与扰动参数估计误差间的关系;之后,根据离差最大化法,确定不同频率范围内最优窗宽调整因子,并通过3次样条插值法进行拟合,自适应调整不同扰动信号识别和参数估计所需最优窗宽;然后,针对扰动信号基频与扰动所在的中、高频频域范围进行OMFST处理;最后,从原始信号、原始信号傅里叶谱和OMFST变换结果中提取5条特征,构建基于模糊决策树的扰动分类器,识别13种电能质量信号,并估计电能质量信号参数。仿真实验和实测数据分析表明,新方法能够满足电能质量复合扰动参数估计需要,参数估计误差低于广义S变换等方法,同时保留了良好的分类能力。

输电线路故障层次化变步长Tsallis小波奇异熵诊断方法

为提高熵方法输电线路故障信号时-频域的特征提取能力,提出层次化变步长Tsallis小波奇异熵(Tsallis Wavelet Singular Entropy,TWSE)方法用于电力系统故障诊断。首先,对采集到的电压信号进行小波分解与单支重构,构建时-频矩阵;之后,将奇异值分解与Tsallis熵理论相结合,对该时-频矩阵求滑动步长为1的Tsallis奇异熵,确定故障发生时刻;然后,对故障发生后1周期内的三相电压重构系数求滑动步长为1/4周期的TWSE,构建用于故障诊断的特征向量;最后,将TWSE特征向量输入到极限学习机(Extremly Learning Machine,ELM)分类器中,实现输电线路故障诊断。仿真结果表明,新方法具有更好的故障暂态信号特征表现能力,且分类结果不受故障时间、过渡电阻和故障位置等因素影响,相较基于小波奇异熵的线路故障诊断方法具有更好的诊断效果。

基于模式相似性测度的电能质量数据压缩方法

针对电能质量信号中单次电能质量事件内各个周期信号相同的特点,设计一种基于模式相似性测度的电能质量信号压缩方法。首先,建立6种典型电能质量信号的数学模型,生成仿真信号进行实验,选择适合电能质量信号畸变检测的相似性测度。在判定新电能质量事件发生后,记录发生畸变的相邻两个周期的电能质量信号,并使用其中第2个周期的信号代替该次电能质量事件中的其他周期波形,从而达到压缩信号的目的。新方法可以对电能质量信号进行非降采样率的全时数据压缩。与小波等压缩方法比较,新方法的压缩与重构过程计算简单、对硬件要求低,同时避免了压缩过程中高频信号成分特征的丢失。仿真实验表明,新方法失真度低、计算时间短、压缩比高,能够满足电能质量数据压缩与分析的需要。

电能质量暂态扰动的HS变换检测方法

为提高电能质量暂态扰动检测定位能力,设计一种采用Hyperbolic S变换(HS变换)的扰动检测方法.在采用HS变换处理电能质量信号的基础上,通过计算HS变换模矩阵上各采样点不同频率对应的幅值之和来定位扰动起止点.新方法首先通过阈值对幅值和曲线进行预处理;之后,采用峰值点定位扰动起止时间.仿真实验证明,新方法实现了不同参数条件下电压暂降、电压暂升、电压中断、电磁脉冲、电压尖峰、电压切痕、振荡暂态等7种扰动的准确检测.该算法具有较好的鲁棒性与抗噪性,受不同扰动参数影响较小,符合实际环境下的扰动定位要求.

主动配电网电能质量信号高效压缩

主动配电网获得的海量电能质量数据需要进行高效、低损压缩,以降低通信与存储压力。电能质量信号可通过周期间相似性测度进行高效压缩,但易受噪声干扰。为提高测度压缩方法在配电网内抗噪能力,提出基于单类支持向量机(OCSVM)与归一化距离测度的电能质量信号压缩方法。首先,通过仿真,获取高噪声环境下故障样本,训练以1/4周期信号归一化距离测度和信号信噪比为输入的OCSVM,并改进OCSVM的误差限v和径向基函数(RBF)核函数宽度参数c,以提高扰动检测能力;之后通过噪声估计方法,估计待压缩的信号信噪比。如信号信噪比较高,则采用相邻两周期内对应1/4周期信号归一化距离测度阈值,进行周期化压缩。否则,采用OCSVM,判定低信噪比信号内是否新发生扰动并开展压缩。仿真与实测配电网电能质量信号证明,新方法能够在不同噪声环境下,有效地压缩电能质量信号。

复杂噪声环境下电能质量复合扰动特征选择

为满足复杂噪声环境下海量电能质量信号高效分类需要,提出一种可应用于复杂噪声环境的电能质量信号特征选择新方法。首先,采用贝叶斯优化方法优化随机森林参数;之后,以具有随机噪声的原始特征向量训练随机森林分类器,训练过程中通过Gini重要度量化比较各特征分类效果;然后,采用序列前向搜索方法,以分类准确率为主要标准,兼顾特征维数,确定最优特征子集;最后,以最优特征子集建立随机森林分类器,识别15种电能质量信号。仿真对比实验证明,在信噪比30 dB以上噪声环境下,新方法分类准确率在99.33%以上,20 dB噪声环境下分类准确率为94.60%。此外,通过葡萄牙某配电网实测电能质量数据开展实验,证明了新方法在实际工业应用中的有效性。

基于局域均值分解和支持向量数据描述的高压断路器机械状态监测

为满足断路器机械状态监测的高可靠性要求,弥补现有方法易将轻微故障及无训练故障样本类型误识别为正常状态的不足,提出一种基于局域均值分解(LMD)能量熵和支持向量数据描述(SVDD)的高压断路器机械状态监测新方法。首先,利用LMD方法将断路器振动信号分解为一系列的PF(Product Function)分量,将各PF分量的包络按时间等间隔分段,并提取各PF分量包络的能量熵构成特征向量;然后,采用正常状态断路器振动信号的LMD能量熵向量训练SVDD分类器;最后,通过SVDD分类器对断路器的机械状态进行判断。实测信号实验证明,新方法比支持向量机(SVM)、BP神经网络(BPNN)等传统多类分类方法有更好的状态监测效果。

基于改进多层前馈神经网络的电能质量扰动分类

电能质量扰动分类是电能质量控制的重要工作之一,主要工作包括信号特征提取和分类器构造两个阶段。采用S变换与改进的多层前馈神经网络相结合,提出一种新的电能质量扰动分类方法。首先利用S变换对原始数据进行处理,提取具有代表性的4类典型特征以表征不同种类的扰动类型的特性,之后使用拟牛顿法和自适应因子改进传统的多层前馈神经网络,将特征作为改进的多层前馈神经网络的输入向量,实现自动的分类识别。实验表明,新方法减少了噪声对分类准确率的影响,学习能力强,能够有效的识别电压暂降、电压瞬升、电压中断、暂态震荡、谐波等5种电能扰动。

基于S变换和极限学习机的高压断路器机械故障诊断

机械故障是高压断路器最常见的故障,研究高压断路器机械故障诊断方法对于提高电力系统可靠性具有重要意义。为提高高压断路器机械故障诊断的效率,文中提出一种基于S变换和极限学习机(ELM)的高压断路器机械故障诊断新方法。首先,对高压断路器动作期间产生的振动信号进行S变换处理,获得相应的时—频矩阵;然后,对S变换模值矩阵进行时域和频域划分,计算振动信号在不同时段和频段的局部奇异值,并选择各子矩阵的最大奇异值作为故障诊断的特征向量;最后,采用ELM对高压断路器机械状态进行分类。对高压断路器在正常和故障状态下进行诊断实例测试,实验结果表明,该方法能够快速准确地识别断路器机械状态,具有较高的诊断效率。

采用多分辨率广义S变换的电能质量扰动识别

为提高电能质量复合扰动识别能力,提出一种采用多分辨率广义S变换(multiresolution generalized S-transform,GST)的扰动识别方法.首先,将信号频谱分为低频、中频、高频3个频域,分别设定窗宽调整因子,使其在各个频域具有不同的时-频分辨率,满足不同扰动信号识别要求.并针对高频振荡识别问题,设计基于基频傅里叶谱特征的自适应窗宽调整方法.在此基础上,提取6种特征用于构建决策树.最后,提出最小分类损失原则,确定决策树节点分类阈值,设计扰动分类器.仿真与实测信号实验证明,新方法能够准确识别含5种复合扰动在内的13种扰动.相较于S变换、广义S变换和Hyperbolic S变换,新方法具有更好的特征表现能力,分类效果好,抗噪声干扰能力强.