合环电流评估技术对于配电网馈线合环转供电操作具有重要意义,为了提高主动配电网馈线合环电流计算的准确性,文中从融入源荷数据分布特性及预测的角度,提出基于双重K2算法和概率潮流(double K2 algorithm and probability load flow,DK2...合环电流评估技术对于配电网馈线合环转供电操作具有重要意义,为了提高主动配电网馈线合环电流计算的准确性,文中从融入源荷数据分布特性及预测的角度,提出基于双重K2算法和概率潮流(double K2 algorithm and probability load flow,DK2-PLF)的主动配电网馈线合环电流评估方法。首先,采用基于DK2算法的贝叶斯网络描述源荷相关性样本;其次,利用Cholesky分解方法处理获得的源荷相关性样本,以半不变量法计算主动配电网馈线合环电流的累积概率分布;然后,对主动配电网馈线合环电流从合环成功率和越限程度两方面进行安全性评估;最后,以贵州某城市为算例,对10 kV配电网系统开展馈线合环电流评估研究。得出以下结论:一是从概率密度、累积分布、最大误差三方面比较,相比于K2算法,DK2算法源荷预测值的概率密度、累积分布误差较小,验证了DK2算法的优越性;二是从累积分布、最大误差两方面比较,采用Cholesky分解的半不变量法对比未采用Cholesky分解的半不变量法、蒙特卡洛法,其累积分布误差较小,采用Cholesky分解的半不变量法满足主动配电网馈线合环电流评估要求;三是从合环成功率、合环越限程度两方面比较,采用半不变量法计算的合环电流安全性指标结果与仿真结果偏差在电网经验误差5%范围内,说明基于DK2-PLF的主动配电网馈线合环电流评估方法可为合环辅助决策提供参考。展开更多
为了进一步提高电动汽车轮毂电机轴承状态识别技术的高效可靠性,提出一种基于双核支持向量数据描述(double kernel based support vector data description,简称DK-SVDD)的轮毂电机轴承状态识别方法。首先,针对轮毂电机轴承样本数据结...为了进一步提高电动汽车轮毂电机轴承状态识别技术的高效可靠性,提出一种基于双核支持向量数据描述(double kernel based support vector data description,简称DK-SVDD)的轮毂电机轴承状态识别方法。首先,针对轮毂电机轴承样本数据结构混杂致使SVDD识别率较低问题,通过一定的比例权重将径向基(radial basis function,简称RBF)核函数和高斯差分(difference of Gaussians,简称DOG)核函数结合构建DK核函数;其次,根据最优二叉树原理逐层设计状态识别分类器,并搭建DK-SVDD轮毂电机轴承状态识别模型,同时使用粒子群优化算法对模型参数寻优以提高DK-SVDD的学习能力和泛化能力;最后,基于轮毂电机轴承台架试验数据,验证所提方法的有效性和优越性。结果表明:针对轮毂电机轴承目标状态识别,DK-SVDD方法平均训练时间为0.0655 s,平均状态识别率为97.06%;与采用RBF或DOG核函数相比,DK-SVDD方法在多种工况下可以有效提高状态识别率并降低训练时间。展开更多
文摘合环电流评估技术对于配电网馈线合环转供电操作具有重要意义,为了提高主动配电网馈线合环电流计算的准确性,文中从融入源荷数据分布特性及预测的角度,提出基于双重K2算法和概率潮流(double K2 algorithm and probability load flow,DK2-PLF)的主动配电网馈线合环电流评估方法。首先,采用基于DK2算法的贝叶斯网络描述源荷相关性样本;其次,利用Cholesky分解方法处理获得的源荷相关性样本,以半不变量法计算主动配电网馈线合环电流的累积概率分布;然后,对主动配电网馈线合环电流从合环成功率和越限程度两方面进行安全性评估;最后,以贵州某城市为算例,对10 kV配电网系统开展馈线合环电流评估研究。得出以下结论:一是从概率密度、累积分布、最大误差三方面比较,相比于K2算法,DK2算法源荷预测值的概率密度、累积分布误差较小,验证了DK2算法的优越性;二是从累积分布、最大误差两方面比较,采用Cholesky分解的半不变量法对比未采用Cholesky分解的半不变量法、蒙特卡洛法,其累积分布误差较小,采用Cholesky分解的半不变量法满足主动配电网馈线合环电流评估要求;三是从合环成功率、合环越限程度两方面比较,采用半不变量法计算的合环电流安全性指标结果与仿真结果偏差在电网经验误差5%范围内,说明基于DK2-PLF的主动配电网馈线合环电流评估方法可为合环辅助决策提供参考。
文摘为了进一步提高电动汽车轮毂电机轴承状态识别技术的高效可靠性,提出一种基于双核支持向量数据描述(double kernel based support vector data description,简称DK-SVDD)的轮毂电机轴承状态识别方法。首先,针对轮毂电机轴承样本数据结构混杂致使SVDD识别率较低问题,通过一定的比例权重将径向基(radial basis function,简称RBF)核函数和高斯差分(difference of Gaussians,简称DOG)核函数结合构建DK核函数;其次,根据最优二叉树原理逐层设计状态识别分类器,并搭建DK-SVDD轮毂电机轴承状态识别模型,同时使用粒子群优化算法对模型参数寻优以提高DK-SVDD的学习能力和泛化能力;最后,基于轮毂电机轴承台架试验数据,验证所提方法的有效性和优越性。结果表明:针对轮毂电机轴承目标状态识别,DK-SVDD方法平均训练时间为0.0655 s,平均状态识别率为97.06%;与采用RBF或DOG核函数相比,DK-SVDD方法在多种工况下可以有效提高状态识别率并降低训练时间。
