基于非参数贝叶斯谐波阻抗估计的谐波责任区分

线性回归法在背景谐波电压波动的情况下估计谐波阻抗有较大误差,其诸多改进方法又普遍具有局限性。为此,基于非参数贝叶斯估计提出一种普适性方法。将背景谐波电压视为隐变量,用GMM(高斯混合模型)建模,并指出GMM的参数在实际工程背景下的意义;将GMM参数、线性模型参数建模为狄利克雷过程混合模型,并推导出其后验分布;利用马尔科夫链-蒙特卡洛采样方法从后验分布中抽取样本,基于样本进行贝叶斯估计,求解谐波阻抗和背景谐波电压工况数,进而对谐波责任进行评估。将IEEE 14节点测试系统与实测案例结合进行仿真,通过非参数贝叶斯估计法与线性回归法仿真结果的对比,验证了非参数贝叶斯估计法的有效性。

考虑扰动影响因子的多能融合微电网谐波责任区分

与传统大电网相比,多能融合微电网系统具有多样性、复杂性和随机性等特点,其直接测量所得的实时谐波数据存在随机波动性大、受扰动强等问题,无法准确反映关注谐波源的真实谐波责任。为此,在传统谐波责任模型中引入扰动影响因子,分析了扰动影响因子的建模依据及其对谐波责任区分精度的影响。为减弱扰动影响因子的影响,采用基于BP神经网络拟合的均衡谐波数据代替实时谐波数据,采用改进尺度参数的M估计稳健回归算法评估谐波责任。最后,利用基于Benchmark 0.4 kV标准低压电网仿真模型和宁波某工业园区的微电网实验工程实测数据,验证了该方法的有效性。

基于M估计稳健回归的多谐波源责任区分

为对多谐波源系统中各谐波源的谐波责任进行正确区分,提出一种基于M估计稳健回归的评估方法。首先根据公共连接点处各谐波电压相量之间的关系定义了评价谐波源责任的指标因子。利用时间序列分割法选择出满足分析要求的谐波电压和谐波电流历史数据。利用反复加权的最小二乘迭代法求解回归系数,根据回归系数计算出谐波责任指标因子,进而评估多谐波源系统中各谐波源的谐波责任。该方法大大削弱了数据异常值对回归系数的影响,克服了传统最小二乘法对奇异数据敏感、评估精度低的缺点。仿真分析和实际算例均验证了该方法的有效性以及相对于传统最小二乘法的优越性。

基于数据统计相关性分析的多谐波源责任评估

为了有效利用电能质量监测数据评估谐波责任,本文分析了多谐波源系统中各谐波源谐波电流与畸变谐波电压之间的相关性,提出了基于数据统计相关性确定多谐波源系统中各谐波源责任的方法。首先,结合偏相关分析确定了谐波源的谐波电流和超标节点的谐波电压之间的统计规律,选择出主要谐波源;然后,基于偏最小二乘法,建立了各谐波源的谐波贡献评价指标,利用负荷水平分割法将实测数据划分为波动性较小的数据段归类储存,并选择合适的数据段计算各谐波源的谐波责任定量大小;最后,通过仿真分析与实测数据验证了所提方法的有效性。本研究所提出的方法计算方便、工程实践性强,能为针对性治理主要谐波源提供依据。