一种变压器状态评估中的状态量优选方法

针对目前变压器状态评估的状态量选取大多基于经验而缺少一种综合衡量指标,导致状态评估模型在应用时缺少数据来源或难以反映设备的潜在故障等问题,提出了一种状态量优选方法。首先利用故障模式及影响分析技术,统计分析变压器常见故障模式,得到故障模式发生度、严酷度及检测方法等;其次利用层次分析法综合考虑故障模式各检测方法的敏感度、难检度、可靠度及成本因素,推导故障模式检测方法优先指数;再者建立状态评估状态量优选模型;最后以评估变压器机械性能、热性能的状态量优选为例验证该方法的可行性。实践证明该方法选取的状态量能有效反映设备状态,具备较好的工程推广价值。

利用优选状态数的MCMC模拟农机装备负载

传统马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法中状态数的选取常依赖于主观经验,用于农机装备负载模拟时,状态数取值不当将导致负载模拟精度降低或算法运行时间冗长。针对此问题,该研究提出一种基于伪损伤一致性的状态数优选方法。首先确定MCMC算法中状态数的初选范围,然后分别计算范围内不同状态数所对应的负载模拟结果,最后以生成的模拟负载与原始载荷之间的损伤一致性为评价准则确定优选状态数。利用拖拉机关键零部件的实测载荷数据对该方法进行验证。结果表明,随着状态数的提高,模拟负载与原始载荷之间的损伤一致性变化趋于平稳,算法运算时长增速不断提高,相比于传统方法,基于优选状态数的MCMC算法能够得到伪损伤差异在1%以内的负载模拟结果,与载荷谱编制的目标需求更加匹配,在保证模拟结果精度的同时有效减少运算成本。该研究能够为农机装备关键零部件的动态仿真分析及可靠性试验提供更加可靠的数据支撑。

优选状态数的MCMC算法在风电功率序列生成中的应用

传统马尔科夫链蒙特卡洛(MCMC)法的状态数选择常依赖于人工经验,应用于风电功率序列建模时难以较好地同时模拟原始风电功率序列的概率分布特性和自相关特性。针对该问题,提出一种优选状态数的MCMC(OSN-MC)算法。首先给出MCMC方法状态数的选取范围,其次在该范围内以生成序列与原始序列的自相关函数的误差平方和最小为原则确定优选状态数,然后利用各状态对应功率范围内的累积分布函数抽样生成随机风电功率,提高优选状态数下生成风电功率序列对于原始序列分布特性的模拟精度。应用OSN-MC法和MCMC法对中国、美国和欧洲的12个风电场生成风电功率序列,并与原始实测序列进行特性比较,结果表明:OSN-MC法生成的风电功率序列对原始序列的分布特性和自相关特性的模拟效果均优于MCMC法所生成的风电功率序列。

一种机组恢复决策的多时段协调优化方法

为加快大停电后电网的恢复速度,在制定机组恢复方案时,应合理安排机组的启动顺序使尽可能多的火电机组实现热态启动。通过分析恢复过程中机组的串并行恢复机制,并考虑机组热启动时限对恢复顺序的影响,提出一种机组恢复决策的多时段协调优化方法。该方法采用分时段建模、多时段协调优化的全局优化策略,以热启动机组的总容量和恢复过程中机组的总发电量分别作为上、下层目标函数,建立了分时段的双层优化模型;采用基于状态优选的多种群遗传算法进行求解,实现了机组恢复决策的全局优化。通过合理控制各时段保留的方案数,既可保证方案的多样性,有效防止求解陷入局部最优,又可确保各时段的状态数有可控的上限,使计算量控制在可接受的范围内。新英格兰10机39节点系统和河北南网实际系统的算例结果验证了所提多时段协调优化方法的有效性。

考虑机组重要度和负荷停电损失的网架重构分层协调优化

电力系统大停电后,重要负荷的损失状况会随时间的推移而逐步增大,成为系统恢复的重点关注问题。研究了网架重构阶段机组与重要负荷协调恢复的优化方法,以热启动机组的总容量和恢复过程中的总负荷损失分别作为上、下层目标函数,建立了双层优化模型;引入灰关联模型对机组综合重要度进行评估,采用基于状态优选的多层编码遗传算法进行求解,获得各机组热启动总容量;结合网络计划技术,对各节点重要负荷的恢复时间进行计算,评估不同方案的负荷损失情况,获取机组与重要负荷协调恢复的最优方案。新英格兰10机39节点系统的算例结果验证了本文方法的有效性。