三相电压不平衡下DDSRF-PLL与DSOGI-PLL的锁相误差检测与补偿方法

由于高渗透的分布式电源、多样化的负荷类型以及电网故障等因素,并网点三相电压不仅存在幅值不平衡,而且会出现相位不平衡现象。这种情况下,广泛应用的解耦双同步坐标系锁相环(DDSRF-PLL)和双二阶广义积分器锁相环(DSOGI-PLL)无法获得精确的同步信息。为此,该文在论证这两种锁相环具有理论等价性的基础上,阐释三相电压不平衡与锁相误差的内在关系,进而提出一种锁相误差的补偿方法,实现幅值和相位不平衡下的准确锁相。所提方法仅需对电压采样值进行简单计算即可获得不平衡相位和锁相误差,实现开环相位补偿,无需修改原有锁相结构,具有良好的拓展性。最后,通过仿真和实验验证了所提方法的有效性。

不平衡磁拉力作用下无刷双馈电机的转子振动特性研究

无刷双馈电机长时间运行会出现转轴弯曲、轴承磨损等状况,导致气隙动偏心,并因此产生不平衡磁拉力,影响转子系统动力学特性。为了研究由不平衡磁拉力引起的转子振动特性问题,建立Jeffcott转子动力学模型,得出考虑不平衡磁拉力作用下转子系统的振动微分方程组,并对其自由振动响应进行了计算。以某型号无刷双馈电机的样机尺寸为例,分析气隙动偏心状态下电机气隙长度、转子材料及几何尺寸等对电机振动特性的影响,并利用Runge-Kutta法对振动微分方程组进行分析,结果表明:当转子动偏心率较小时,利用该转子系统的振动微分方程组计算出的解析解与数值计算结果吻合较好,转子的一阶振幅误差仅为0.2%,二阶振幅误差为2%,具有较高的精度且计算较为简便,为电机的高可靠运行提供理论支撑。

基于重采样和混合集成学习的不平衡窃电检测

针对电力用户类别不平衡导致窃电检测具有偏向性问题,该文提出一种基于重采样和混合集成学习的不平衡窃电检测模型。首先以Easy-ensemble混合集成学习框架为基础确定最佳采样子集数;然后通过重采样自适应策略,即根据用户用电数据集的不平衡度以及最佳采样子集数确定检测模型的重采样方式,使用电数据达到平衡;最后按照先串行集成减小偏差、后并行集成降低方差的混合集成方式,对重采样后的均衡样本进行窃电检测。算例对比分析表明所提检测模型通过重采样和混合集成有效解决了传统集成算法在不平衡窃电检测中的偏向问题,降低了由于用电数据的不平衡性对集成结果的影响,提高了用户类别不平衡的窃电检测效果,在多种不平衡度下模型的准确率、F1值和G均值均表现优异。

不平衡数据下基于SVM增量学习的指挥信息系统状态监控方法

针对指挥信息系统历史状态样本有限的特点,基于支持向量机(support vector machines,SVM)设计了一种面向不平衡数据的SVM增量学习方法。针对系统正常/异常状态样本不平衡的情况,首先利用支持向量生成一部分新样本,然后通过分带的思想逐带产生分布更加均匀的新样本以调节原样本集的不平衡比。针对系统监控实时性要求高且在运行过程中会有新样本不断加入的特点,采用增量学习的方式对分类模型进行持续更新,在放松KKT(Karush-Kuhn-Tucker)更新触发条件的基础上,通过定义样本重要度并引入保留率和遗忘率的方式减少了增量学习过程中所需训练的样本数量。为了验证算法的有效性和优越性,实验部分在真实系统中获得的数据集以及UCI数据集中3类6组不平衡数据集中与现有的算法进行了对比。结果表明,所提算法能够有效实现对不平衡数据的增量学习,从而满足指挥信息系统状态监控的需求。

基于通道信息不平衡度的多元经验模态分解方法

在轴承多通道振动信号中,由于多通道故障信息不平衡会导致轴承故障诊断精度降低。针对这一问题,提出了一种考虑多通道故障信息不平衡的,基于多元经验模态分解(MEMD)的轴承故障特征提取与诊断方法。首先,分析了传统MEMD随机选择映射方向的缺陷,设计了依据通道间故障信息不平衡度自适应调整映射方向的策略,使分量信号中包含更多故障信息,并基于多元模态分解结果构造了特征空间;然后,基于冗余属性投影法对多通道提取的故障特征进行了融合,得到了多通道融合的本质故障特征;最后,采用反向传播(BP)神经网络进行了故障模式识别,设计了三层神经网络结构,且使用误差反向传播法进行了参数训练,并制定了基于BP神经网络的轴承故障诊断流程。研究结果表明:改进MEMD提取特征的类边界比传统方法更加明确,说明改进方法能够提取更具代表性的故障特征;从诊断精度看,与传统多元模态分解方法、完备集成辛几何分解方法相比,改进MEMD方法的诊断准确率最高,达到了99.5%。实验结果验证了改进方法在多通道故障诊断中是可行的,且从诊断精度上看,其具有一定的先进性。

基于改进ADASVM的不平衡财务困境动态预测模型

过去的大多数研究都采用平衡数据构建静态模型用于财务困境预测,既未考虑样本类别不平衡对预测结果的影响,也未考虑数据流随时间变化而引起的概念漂移问题,研究具有一定的局限性。文章从类不平衡与动态数据流两个角度出发,对企业财务困境进行了全面分析,以ADASVM模型为基础,提出了一种新的动态集成模型MS-ADASVM-ITW。引入了带有信息保持期的时间权重函数,以解决动态预测面临的概念漂移问题;同时提出了一种混合采样方法与模型进行耦合,提高了数据不平衡的分类性能。选取1081家沪深股市的上市公司进行实证分析,首先将新模型与常规模型同时进行50次重复实验,结果证明新模型性能优于常规模型。进一步选取了不同的过/欠采样方式进行组合,确定了适合财务困境预测的最优采样组合Tomek Link算法+Border-line SMOTE算法。

基于知识蒸馏的不平衡数据下入侵检测方法研究

基于深度学习的网络入侵检测模型面临模型结构复杂、部署效率低及流量数据类别不平衡的问题.针对这些问题,提出了1种结合知识蒸馏和类别权重焦点损失的网络入侵检测方法.该方法以精度高、参数量较多的入侵检测模型作为教师模型,与小型学生模型生成蒸馏损失;引入增加类别权重的焦点损失函数作为学生损失;结合蒸馏损失与学生损失生成总的损失函数优化学生模型.实验结果表明,该方法性能相较于非蒸馏模型在各项指标上均有一定提升.

一种SOP端口不平衡时直流侧电压脉动抑制策略

当柔性多状态开关(SOP)端口电压不平衡时,会引起直流侧电压的波动,给整个系统的稳定性带来很大的影响。根据SOP的数学模型,对波动的原因进行了分析,提出一种基于二阶滑模控制的直流侧电压波动抑制策略;通过引入基于非线性干扰观测器的电容补偿器装置,对参考电压电流进行精确地跟踪。考虑多种端口电压不平衡的条件,在MATLAB/Simulink中搭建SOP仿真模型,仿真结果表明,该方法对直流侧电压波动抑制有明显的效果。

基于改进级联算法的不平衡数据集分类检测算法

以提升不平衡数据集分类检测为研究目标,提出基于改进级联算法的不平衡数据集分类检测算法.首先,采用卡尔曼滤波法进行数据去噪预处理,利用小波阈值去噪算法二次消除噪声数据,并对去噪结果进行归一化预处理;利用DPC算法提取数据的局部密度特征,利用时间编码挖掘数据的时序性特征,采用Apriori算法的强关联规则提取数据集特征;利用模糊层次聚类算法对支持向量机进行优化,实现数据类型的划分;利用改进的级联算法联合布谷鸟算法实现不平衡数据集分类检测.实验结果表明本方法的分类协方差低于0.15,检测准确率高于95%,检测时间低于2.2 ms,有效提升了不平衡数据集分类检测效果.

电网电压三相不平衡时FMSS正负序电流补偿型VSG控制

柔性多状态开关(FMSS)是一种取代传统联络开关应用于现代配电网的新型电力电子设备,能够优化现代配电网分布式电源的消纳和调控。和传统控制算法相比,采用VSG控制的FMSS不受弱电网环境下锁相环性能恶化的影响,在低电网强度下能够向电网提供频率支撑,从而增强系统的稳定性。FMSS作为接入配电网的装置,当电网电压发生三相不平衡现象时,传统VSG控制下的FMSS输出电流、功率会发生明显的波动,并网点的效率会大大降低。针对此问题,以模块化多电平变流器(MMC)结构为基础,在VSG控制策略的基础上引入正负序电流补偿,分别实现不平衡电网下FMSS输出电流、有功功率及无功功率的稳定。最后,通过Matlab/Simulink搭建四端FMSS模型,利用仿真验证所提控制策略的有效性。

微生物不平衡数据重采样算法的比较研究

重采样算法的主要思想为原始数据集经欠采样、过采样或混合采样处理,生成一个趋于平衡的数据集,进而使用经典的分类算法解决类不平衡问题。在疾病诊断领域,微生物数据集由于其高稀疏性,与其他不平衡数据集有较大区别。现有的重采样算法已在其他领域得到验证,但在疾病诊断领域,很少有研究对此类算法的有效性和适用性进行深入对比。基于此,对现有的重采样算法利用不同的微生物数据集和分类器进行研究比对。根据重采样算法的采样效果、分类器在不同数据集上的分类性能和不同分类器在数据集上的分类性能等3个方面分析实验结果,得到在不同的评价指标下最适用的重采样算法。验证了重采样算法在处理微生物不平衡数据集上的有效性,有利于解决数据不平衡分类问题,有助于在疾病诊断领域中研究人员快速选择合适的重采样算法和分类器。

产销不平衡运输问题求解方案优化

表上作业法是手工求解产销平衡运输问题的有效方法,产销不平衡的运输问题需通过添加松弛变量转换成平衡运输问题进行求解。松弛变量对应虚拟产地或销地,相应的单位运价为0,不产生运费。运输方案应优先在去除虚拟产地或销地的平衡运输表内确定,减少迭代次数。结合Lingo实例验证该方法有效。

基于不平衡补偿的低压配电网电能质量问题及治理对策研究

针对目前电力电子化配电系统三相负荷不平衡、电能质量下降及谐波分散等问题,提出一种动态响应快及输出谐波小的电能质量综合治理方案,其包括综合治理方式和复合重复控制策略。通过算例分析可知,在特定次谐波补偿模式中发现补偿前后谐波含量减少;不平衡电网补偿后电流畸变消除且电压电流同相位,这说明了综合治理的有效性。在实验验证中,所提方案可实现25 kW感性无功到25 kW容性无功的连续输出,满足技术指标中无功调节-100%~100%的要求,且输出功率与指令值偏差仅为0.49%,满足技术指标中小于3%的要求。此外,补偿后的三相电网电流THD降至4.7%;经过不平衡补偿治理,不平衡度降至1.4%,因此说明所提方案在治理三相负荷不平衡、电能质量下降及谐波分散等问题的有效性。

基于深度学习的配电网三相不平衡负载自动控制方法

常规的配电网三相不平衡负载控制,更多采用负载监测进行控制,导致控制结果的网损降低量较小。为此,提出了基于深度学习的配电网三相不平衡负载自动控制方法。分析配电网三相拓扑结构的电流补偿能力,并计算三相不平衡度及负载率,根据计算结果判定配电网的三相状态,采用深度学习预测三相状态,并根据期望回报计算负载控制的补偿值,实现自动控制。结果表明,应用该方法后得出的控制结果表现出的网损降低量较高,均值为0.376 kW,控制效果较优,满足配电网的现实运行需求。

基于机器学习的不平衡数据下个人信用评分预测模型研究

文章介绍了个人信用评分的基本概念,以及不平衡数据及其处理方法和机器学习算法在信用评分中的应用。然后,通过数据预处理,包括数据来源与特性、数据清洗与整理、数据不平衡分析、数据增强方法和效果评估,为后续模型构建提供基础。最后,使用实际数据集进行模型训练和测试,并评估模型的性能。实验结果表明,基于机器学习的不平衡数据下个人信用评分预测模型能够有效地预测个人信用风险,对于金融机构的风险管理和信贷决策具有重要意义。

数字普惠金融发展影响因素和空间不平衡性研究

发展不平衡不充分是数字普惠金融面临的难题。本文从这一问题出发,选取2013-2021年省级面板数据,通过运用基尼系数和QAP分析等工具方法,实证研究了我国数字普惠金融发展影响因素、空间不平衡程度及形成成因。研究结论表明,经济发展、传统金融发展和金融开放水平提升对于数字普惠金融发展具有正向促进作用,城乡收入差距、政府干预、平均受教育年限和老年抚养比则是阻碍因素;在地区发展平衡性方面,我国数字普惠金融区域总体发展差异缩小,但2016年后差异程度并未进一步下降。地区间经济发展水平、居民收入和政府干预力度的差异是造成我国数字普惠金融发展空间不平衡的主要因素,金融开放程度、三级数字鸿沟以及市场与投资环境的地区差异则是次要因素。基于研究结论,提出重视区域经济发展协调、实现金融机构“线上+线下”的有机融合、聚焦加快建设全国统一的大市场、针对性化解多重数字鸿沟等对策建议。

低压台区总表三相电压不平衡对线损的影响及诊断方法研究方向分析

通过分析存在总表三相电压不平衡问题的低压台区治理案例,根据低压台区总表三相电压不平衡问题在松江供电公司的治理、分布统计及线损影响情况等,指出低压台区总表三相电压不平衡这一直被忽视的问题对线损的重大影响,并提出低压台区总表三相电压不平衡问题的诊断方法研究方向。

三相负荷不平衡引起的站用电异常

变电站内的站用电通常采用380V/220V的三相四线制供电。当三相负荷平衡时,中性线中流过的电流极小,因此,出于经济性考虑,中性线的截面积往往小于相线截面积,但当三相负荷不平衡时,截面积较小的中性线将流过较大的不平衡电流,与相线相比,发热更为严重,烧断的概率也更高。一旦中性线出现故障,三相负荷将出现中性点偏移,在各相负荷上产生过高或过低的电压,对用电设备的安全和正常工作产生严重影响。

民族地区城乡收入不平衡对城乡消费的影响

在共同富裕大背景下,用消费不平衡能够更好反映居民享受到的福利水平。在城乡二元体制下,城乡间的消费不平衡更加值得探讨。而民族地区大多数属于经济欠发达地区,城乡二元体制的影响会更加深刻,因此研究民族地区的城乡间消费不平衡具有重要的理论和现实意义。本文基于民族地区面板数据,构建静态面板模型,进行双向固定效应模型回归,并通过模型稳健型检验。根据回归结果,发现在民族地区城乡间的收入不平衡是城乡间消费不平衡的最主要因素;民族地区的税收并没有起到调解收入差距的作用,造成城乡间消费差距的扩大;政府的财政支出和电子商务发展缓解民族地区城乡间的消费不平衡。据此,提出参考建议。

基于增量加权的不平衡漂移数据流分类算法

概念漂移是数据流学习领域中的一个难点问题,同时数据流中存在的类不平衡问题也会严重影响算法的分类性能。针对概念漂移和类不平衡的联合问题,在基于数据块集成的方法上引入在线更新机制,结合重采样和遗忘机制提出了一种增量加权集成的不平衡数据流分类方法(incremental weighted ensemble for imbalance learning,IWEIL)。该方法以集成框架为基础,利用基于可变大小窗口的遗忘机制确定基分类器对窗口内最近若干实例的分类性能,并计算基分类器的权重,随着新实例的逐个到达,在线更新IWEIL中每个基分器及其权重。同时,使用改进的自适应最近邻SMOTE方法生成符合新概念的新少数类实例以解决数据流中类不平衡问题。在人工数据集和真实数据集上进行实验,结果表明,相比于DWMIL算法,IWEIL在HyperPlane数据集上的G-mean和recall指标分别提升了5.77%和6.28%,在Electricity数据集上两个指标分别提升了3.25%和6.47%。最后,IWEIL在安卓应用检测问题上表现良好。