基于多维振动特征图谱的特高压换流阀主循环泵轻量化故障诊断模型

针对特高压换流阀阀冷系统中主循环泵故障特征提取难和故障诊断模型规模大的问题,提出一种基于多维振动特征图谱的轻量化主循环泵故障诊断模型。首先,基于振动轨迹图像(vibration locus image,VLI)和伪颜色编码的时域特征提取方法,构建主循环泵的时域特征图谱。其次,融合马尔科夫变迁场(Markov transition fields,MTF)和小波包变换(wavelet packet transform,WPT),全尺度提取振动信号的低频和高频故障特征,构建主循环泵的频域、时频域特征图谱。最后,通过全维度动态卷积(omni-dimensional dynamic convolution,ODconv)优化轻量化卷积神经网络模型框架,构建了轻量化主循环泵故障诊断模型(OD-ShuffleNet)。并融合时域、频域和时频域故障特征,在减少硬件资源占用的基础上进一步提升模型的故障诊断精度。分析结果表明,模型的诊断准确率为95.0%,优于经典卷积神经网络架构。

基于谱聚类和多元变分模态分解的风电机组功率预测

传统的风电出力预测方法通常未能充分考虑机组之间的相似性和差异性,忽视了环境条件对风电出力的影响以及关键特征提取方法单一等问题。因此,提出了一种基于谱聚类和多元变分模态分解的人工神经网络风电出力预测方法。首先,为捕捉不同机组之间的相似性和差异性,对风速和风向进行谱聚类,构建风速-风向二维标签簇,并选取每个簇的中心机组以表征该簇的出力特征。接着,为更全面地描述出力与环境条件之间的关系,采用变分模态分解算法对聚类中心机组出力进行分解,同时将出力与风速、风向数据进行多元变分模态分解,得到不同频率的模态成分。最后,在预测阶段引入基于注意力机制的深度学习网络,对特征模态添加注意力机制后输入卷积长短期神经网络模型进行训练和预测,并通过误差修正模块得到同簇其他机组的预测结果。该方法相较传统方法在预测精确度上有明显提升,具有一定的实用性和有效性。

基于计算机视觉的作物病害监测服务平台设计与研究

病害是威胁作物生长的主要因素,其特征复杂、变化多样。农业从业人员如缺乏专业知识,往往难以准确识别。以往图像识别方法常针对单一作物,图像分割后提取病害特征进行识别,无法适应多种作物。针对此问题,以水稻、番茄、柑橘、苹果为研究对象,以ResNet模型为基础构建深度学习网络框架,设计了含Squeeze-and-Excitation(SE)模块全新的全连接层,导入在ImageNet上预训练的权重,并在病害数据集上训练得到病害模型。为扩充图像数据,对训练集原图进行了亮度增减、随机旋转与镜面翻转等操作。基于扩充后的训练集进行病害识别和病害程度的分级研究。结果表明,对水稻、番茄、柑橘、苹果平均病害程度识别的准确率为94.16%,平均病害种类识别的准确率为92.45%;并利用训练好的模型基于c#.net core开发了病害监测平台,可实现作物病害的智能识别。

自然资源行业发展形势及人才需求分析与建议

自然资源部的成立为生态文明建设提供了重要体制保障,其在业务理念、业务模式及人才需求等方面做出了相应调整。高校在人才培养过程中应及时调整培养模式,满足行业发展需求。文章通过在长三角、珠三角地区进行自然资源行业调研,对13家企事业单位进行实地走访,开展自然资源行业发展及人才需求调研,帮助高校了解自然资源部成立背景下的行业发展及人才需求情况,更好地培养复合型人才,提升学生综合能力,增强学生创新和实践能力。

考虑压缩机不同运行状态的IES气网潮流分布式计算方法

压缩机运行状态的改变会造成气网工况变化,进而对电-气-热综合能源系统的稳态潮流产生影响。为求解压缩机不同运行状态下的综合能源系统气网潮流,文中分别对综合能源系统各子网络和能量耦合环节建模。考虑压缩机5种工作模式和2种驱动方式,针对含有多台不同运行状态压缩机的天然气网络,基于牛顿-拉夫逊法,提出保留压缩机管道整体求解的气网潮流计算方法,并拓展一种分离压缩机管道等效求解方法,以分布式计算方法顺序求解综合能源系统潮流。通过2个算例,验证了所提保留压缩机管道整体求解方法的精确性和有效性,弥补了现有气网潮流计算模型无法处理复杂气网工况且收敛性、通用性差的缺点,揭示了压缩机运行状态的改变对综合能源系统潮流的影响。

基于特征选择和组合预测模型的负荷短期预测方法

提高配电网母线负荷短期预测准确性对配电网调度运行具有重要意义,随着配电网中气象敏感负荷数量的不断增加,气象因素带来的负荷波动性对预测精度的影响也随之增大.针对传统负荷预测建模中的气象特征选择问题,基于特征的最大相关性、最小冗余性和最大协同作用提出了一种最优气象特征选择流程.在此之上,基于不同特征的不同时间维度提出了回归模型与时间序列模型相结合的短期负荷组合预测模型.采用回归模型对未来的日期时间特征、气象特征进行拟合,以卷积神经网络-双向门控循环单元构建时间序列模型描述历史负荷、历史气象时间序列中的时序特征和气象因素的累积效应.算例分析证明了本文特征选择方法比传统特征选择方法有更低的预测误差,且组合预测模型相比于传统回归、时序模型的预测准确性提升显著.

基于DNN的电热综合能源系统快速状态估计

综合能源系统引入大量多源异构的运行数据,并且设备采集的运行数据不可避免地存在误差,因此难以准确获取系统运行状态。提出一种基于DNN的电-热综合能源系统快速状态估计模型。上述方法首先利用蒙特卡洛采样和相关性分析,挖掘子网络和耦合设备的相关性。接着根据相关性分析结果提取状态量特征,即量测量。最后对数据集添加高斯白噪声,搭建DNN对状态量进行快速状态估计。通过算例验证,并与相同条件下的传统方法对比。结果表明,利用文中方法对电-热IES进行联合状态估计,可以充分挖掘子网络参数之间的相关性,和基于模型的传统方法相比,DNN状态估计平均误差更低,实时性更强,鲁棒性更好。

基于二维图像和卷积神经网络的阀冷系统主循环泵故障诊断

特高压直流输电工程中,及时发现并排除换流阀冷却系统的主循环泵的故障,对保障换流阀的稳定运行具有重要意义,为此针对主循环泵在故障时产生的振动信号,提出一种基于二维图像和卷积神经网络的阀冷系统主循环泵故障诊断方法。首先,通过变分模态分解(variational mode decomposition,VMD)联合奇异值分解(singular value decomposition,SVD)对振动信号进行去噪处理:使用VMD分解轴向、竖直径向和水平径向的振动信号,基于相关系数法获取最优本征模态分量;使用SVD对分量信号滤波后,通过分量空间重构获取去噪后的振动信号。然后,通过格拉姆矩阵将时序振动信号转换为振动图像,提取振动信号的时空特征。最后,将轴向、竖直径向和水平径向振动图像多通道并行输入AlexNet深度卷积神经网络,通过卷积层和池化层实现多层次特征融合,提高故障诊断准确率。分析结果表明,该模型故障诊断精度为91%,优于多层感知机算法、一维卷积神经网络和浅层卷积神经网络,可以为阀冷系统主循环泵的故障诊断提供方法基础,为现场人员安排计划检修提供理论依据。

不同温度下环氧玻纤布基板体积电阻率测试与内带电效应研究

温度是影响卫星绝缘材料绝缘性能及内带电效应充电状态的重要因素。本文采用三电极法测试了不同温度下星载电路板基板材料的体积电阻率变化规律,并在此基础上利用DICTAT程序仿真分析了温度对绝缘材料表面充电电位和内部最大电场的影响。结果表明:在-50~60℃下,基板材料的体积电阻率随温度的升高而减小,其变化幅值超过两个数量级;同时基板材料的表面充电电位幅值和内部电场强度均随温度的降低而上升,在温度低于0℃时存在较大的静电放电风险。

虚拟同步发电机转动惯量和阻尼系数协同自适应控制策略

虚拟同步发电机(VSG)控制将同步电机的转动惯量和阻尼系数引入到逆变器的控制中,改善了系统频率响应特性,增强了微电网抗干扰的能力,但是牺牲了一定的动态调节性能。在此基础上,提出了一种VSG转动惯量和阻尼系数协同自适应控制策略。建立VSG的数学模型,分析各参数对系统输出特性的影响;在VSG控制的基础上引入转动惯量和阻尼系数协同自适应控制策略,并给出相应参数变化情况下的稳定性分析;通过MATLAB/Simulink仿真对比定参数VSG控制与转动惯量和阻尼系数协同自适应控制策略的控制效果,验证了所提控制策略的可行性和有效性。

考虑样本不平衡的特高压换流阀状态评估及其影响因素分析

针对特高压换流阀状态评估中原始数据不均衡、模型难以解释等问题,提出一种基于轻量梯度提升机(light gradient boosting machine,LightGBM)与SHAP归因分析的特高压换流阀状态评估方法。首先,通过层次聚类、自适应确定子簇规模与加权过采样生成均衡化样本,解决样本不平衡问题;接着,基于Light GBM树结构分类器构建状态评估模型,实现对样本的快速、准确评估;最后提出一种基于夏普利加法解释(SHapley Additive exPlanations,SHAP)归因理论的特高压换流阀状态评估影响因素分析框架,从全局与个体2个角度展示换流阀各状态量的重要程度及其对运行等级的影响效果。通过算例验证了所提过采样方法及状态评估模型的有效性,并通过关键影响因素的分析为换流阀状态评估结果提供依据与支撑。

基于多状态数据均衡与XGBoost的特高压换流阀运行状态评估

为减少直流系统停运与检修时间,提高换流阀运行的稳定性,提出一种基于多状态数据均衡与极端梯度提升(extreme gradient boost,XGBoost)的特高压换流阀状态评估方法。首先,针对晶闸管换流阀的主要部件,提取晶闸管组件、阀冷却组件、阀避雷器以及外部环境等4类特征指标;然后,提出一种基于孤立森林与合成少数类过采样技术的数据预处理方法,剔除数据集中的离群样本;再对少数类样本进行过采样,以实现各状态数据集的有效性与均衡性;接着,利用预处理后的数据训练XGBoost分类器,结合K-fold交叉验证与网格搜索法获取模型的最优超参数。最后以江苏省某换流站的实测数据为例对所提方法进行验证,结果表明:计算评估模型的准确率达97.1%,较传统方法更能准确判断换流阀的运行状态,同时该模型能反应各状态量的特征贡献度,可为换流阀的检修提供依据。

对称电压暂降情况下含无功补偿功能的虚拟同步发电机控制策略

虚拟同步发电机(Virtual Synchronous Generator,VSG)控制思想是通过模拟传统的同步发电机的输出特性来提升分布式电源(Distributed Generation,DG)对电网的友好性。但是,传统的VSG不具备在电网故障情况下抑制故障电流的能力,同时也无法提供无功支撑。文中针对该问题,建立VSG模型,分析电网电压对称暂降过程中的VSG的行为。提出了一种适用于电压暂降故障的含有无功补偿功能的VSG控制策略,能够保证故障期间VSG输出不过流,故障瞬间和故障清除瞬间无暂态电流冲击并输出最大无功功率。并给出了限流控制方法的原理分析和具体参数整定原则。最后通过仿真验证了所提的控制策略的正确性和可行性。

基于矩阵算法的有源配电网故障定位容错方法

故障区段定位对于配电网发生故障后的故障处理与供电恢复具有重要意义。有源配电网故障定位方法中,矩阵算法计算速度快但容错性差,智能优化算法容错性高但定位速度慢且在大规模配电网中存在局部收敛的问题,在此背景下提出将矩阵算法和智能优化算法优点相结合的定位方法。首先,在有源配电网发生故障后,利用馈线终端(FTU)上传的告警信息,运用矩阵算法快速定位故障区段。然后,运用开关函数对矩阵算法的定位结果进行校验,避免因矩阵算法容错性差而输出错误的定位结果。校验不通过的定位结果将全部列入可疑故障集合,该集合的维度大幅低于配电网的维度,再运用灰狼优化(GWO)算法对该集合进行优化处理,从而输出最终的定位结果。最后,在Matlab上进行仿真测试,结果表明所提方法能实现有源配电网中故障区段的快速定位,且具有一定的容错性。

基于自适应滚动匹配预测修正模式的光伏区间预测

为解决传统点预测方式难以量化光伏发电功率不确定性的问题以及提高预测精度,提出一种基于自适应滚动匹配预测修正模式的光伏区间预测方法。通过结合小波能量的谱聚类方法对历史光伏数据集进行聚类,构建不同类别的模型输入和区间输出并采用宽度学习系统进行训练;建立不同类别、不同置信区间、不同预测功率区间的stable误差分布,并结合优化目标函数找出每个预测功率区间的最优修正分位数点数值;利用滚动匹配预测修正模式进行区间预测。我国无锡某地的2.8 MW光伏电站算例结果表明,所提方法相较于传统的聚类预测方法具有更好的预测效果。

基于V-I轨迹颜色编码的非侵入式负荷识别方法

在非侵入式负荷识别中基于原始电压-电流(V-I)轨迹特征的识别方法,难以对相似轨迹特征的负荷做出有效辨识。因此,提出了一种基于V-I轨迹特征的颜色编码方法,并利用K-means聚类算法和AlexNet神经网络进行负荷特征的辨识。首先,运用K-means聚类算法对负荷的有功和无功功率特征进行初步分类。然后,对未分类成功的负荷进行V-I轨迹构建和颜色编码处理,生成带有颜色特征的V-I轨迹。最后,运用AlexNet神经网络对负荷进行训练和分类,达到快速精细化的分类效果。针对公共数据集PLAID和WHITED,运用原始V-I轨迹特征和进行颜色编码后V-I轨迹的识别效果做对比分析,可知所提方法在节省计算时间的同时也提高了识别的准确度,提升效果明显。

基于虚拟阻抗的虚拟同步整流器三相不平衡控制策略

随着电力电子装置渗透率的升高,电力系统旋转备用容量和转动惯量大大降低,采用虚拟同步机(VSM)技术能够改善系统稳定性。但目前VSM技术主要针对理想电网下的运行模式,当出现三相不平衡情况时系统无法正常运行。该文在VISMA模型的基础上,搭建虚拟同步整流负荷模型,针对电网不平衡进行功率分析,实现正负序解耦,通过复数滤波器检测正负序分量。通过改变模型中电气部分的虚拟阻抗,并自适应调节无功控制模块,保证直流侧负载电压稳定。搭建基于Matlab/Simulink的仿真模型,验证该方法的有效性,并基于dSPACE进行实验验证。

一种虚拟同步机运行模式平滑切换控制策略

微网在运行过程中,为了保证逆变器的安全稳定运行,需根据实际运行情况切换逆变器的运行模式。该文针对虚拟同步机(virtual synchronous generator,VSG)进行建模仿真,以VISMA(virtual synchronous machine)模型为研究对象,改进有功控制模块和无功控制模块,提出一种VSG模式与PQ模式无缝平滑切换技术,并通过小信号模型分析参数稳定性。利用Matlab/Simulink软件搭建仿真模型,并在dSPACE-1103的基础上搭建实验平台,验证所提控制策略的有效性和可行性。

基于经验小波变换的电力系统谐波检测方法

针对噪声干扰下的稳态以及暂态谐波检测问题,首次提出一种基于经验小波变换的电力系统谐波检测方法。首先利用经验小波变换从电力谐波信号中提取出一组具有紧支撑频谱的调幅-调频分量,实现各次谐波与基波信号的分离。接着对分离出的谐波分量进行Hilbert变换,从而获取各次谐波的幅值和频率检测参数以及暂态谐波的扰动起止时刻。对多类谐波信号的仿真结果表明,所提方法有效避免了传统Hilbert-Huang变换存在的模态混叠问题,即使在低信噪比下也能实现多频谐波信号的自适应分解,在确保各类参数检测结果精度的同时,兼具良好的噪声鲁棒性和检测实时性。

基于改进生成对抗网络的电压暂降事件类型辨识研究

为缓解特征自提取模型对电压暂降样本数据量的依赖,提高模型的特征抓取能力,该文提出基于改进辅助分类生成对抗网络(auxiliary classifier generative adversarial networks,AC-GAN)的暂降事件类型辨识算法。首先,将暂降三相电压数据转换为基于空间矢量(space phasor model,SPM)的二维轨迹曲线,以此作为智能模型的输入。然后,对AC-GAN进行改进,通过在判别器内融合卷积注意力模块(convolutional block attention module,CBAM)来改善判断模型的特征自提取能力,从而提高整个AC-GAN网络的性能。利用所生成的与真实样本特性及分布一致的数据,来实现数据增强,以解决非平衡样本条件下特征学习不充分的问题。最后,利用江苏地区实际数据场景验证了所提算法在不同数据条件下准确而稳定的暂降类型辨识能力。