平抑风电出力波动的混合储能功率分配策略

储能技术逐渐成为平抑功率波动、提高电网接纳能力的有效手段,但风电功率波动情况复杂且多变,单一储能并不具备高能量、高功率密度特性。因此为解决风力发电出力平滑问题,针对其随机性间歇性等典型特征,本工作拟采用混合储能技术手段,结合锂离子电池和超级电容两种储能的优势,设计一种基于自适应滑动平均滤波-小波包分解双层功率分解分配策略,利用滑动平均滤波算法完成风电功率的自适应分解,获得并网功率和混合储能所需最低功率。考虑到混合储能输出功率依然含有丰富的信息以及小波包分解层数和功率分界点的确定规则,借助小波包算法对平抑的风电功率进行二次分解,并结合变频熵值策略优化混合储能的功率分配,有效改善风电功率的波动情况,实现混合储能功率的最优分解和合理分配。采用国家标准时间尺度波动情况、引入储能前后波动情况、功率幅值、充放电次数等评价指标对不同功率分配方式进行对比分析,结果表明,所提策略能够满足国家标准对风电场出力波动要求,减小对电网的冲击,与传统小波包分解算法对比具有较好自适应性,整体波动情况提升23.69%,锂电池充放电次数降低58.2%。模型评估结果表明,所提方法能够提升混合储能系统整体经济性并延长电池使用寿命。

基于小波能量熵和模糊逻辑的故障选相元件

构造了新型的用于高压输电线路保护的故障选相元件。利用小波分析良好的时频局部化特性,在暂态信号多尺度表示方法的基础上定义了用于特征提取的小波能量熵,并与模糊逻辑相结合形成新的选相原理。先对采集到的故障后电压信号进行适当的小波分解,并计算小波能量熵,然后构造包含故障信息的模糊语言变量作为模糊推理系统的输入,并建立相应的模糊逻辑推理系统,通过模糊逻辑的方法进行故障选相。仿真结果表明,小波能量熵随时间变化的规律能有效反映故障出现与否,并通过模糊逻辑做出选相判断。

基于小波和支持向量机的光纤微振动传感器模式识别

为实现对双M-Z型光纤传感器的振动信号进行识别,提出一种基于小波能熵和支持向量机(SVM)的光纤传感信号模式识别方法。该方法对小波分解得到的各频段系数求解其能量信息熵,归一化后得到特征向量。其作为SVM的输入,通过选用合适的核函数和多类的分类方法,对SVM多类分类器进行建模。在多种振动信号的条件下,用测试样本对SVM分类器模型进行测试,测试结果表明:该方法对双M-Z型光纤微振动传感器的振动信号的分类达到了较高的识别率。

能谱熵向量法及粒子群优化的RBF神经网络在高压断路器机械故障诊断中的应用

高压真空断路器是电力系统开关设备中极其重要的一种高压电器,而高压断路器故障中80%是由于机械特性不良造成,为此通过小波包变换对高压断路器机械振动信号进行了分析,以信号的能谱熵作为特征输入向量,建立了粒子群优化(PSO)径向基函数(RBF)神经网络的高压断路器故障识别系统模型,最后对实际高压断路器振动信号进行获取分析并得到结果。实验结果表明,高压断路器正常信号能谱熵向量各元素分布比较均匀;而故障信号所得能谱熵向量各元素变化较大且有一定变化规律;粒子群优化后的RBF网络模型在正确率、精度等方面高于传统神经网络模型。实验结果表明该方法用于高压断路器的故障诊断是可行的,并且可以为断路器的故障诊断提供更好的理论依据。

基于最大能量匹配与样本熵的小波降噪方法

为提高自适应小波阈值降噪方法的效果,提出一种结合最大能量匹配的小波包分解和快速样本熵的小波阈值降噪方法。根据各层小波系数特点并以最大能量匹配准则自适应选择小波包基对含噪信号进行分解,对最大尺度下的小波系数阈值化后重构得到噪声信号,采用快速样本熵算法计算噪声信号样本熵,动态调整阈值使噪声信号样本熵最大而获得最佳的降噪效果。应用实例表明:该方法相比传统的小波阈值降噪方法具有更好的降噪效果。

基于小波包-包络样本熵的故障特征提取方法及其应用

提出一种将小波包分解与包络分析以及样本熵快速算法相结合的特征提取新方法。通过风电机组故障模拟实验台,研究变工况变负载对特征提取的影响,并首次应用到山西省某风电场风电机组轴承故障趋势分析中。通过分析不同风速条件下风电机组轴承振动信号,证明该方法能够有效地反映风机故障发展趋势,为风电机组状态维护决策的制定提供依据。

小波包能谱熵与神经网络在断路器故障诊断中的应用

提出了一种以振动信号小波包能谱熵为特征量的断路器故障神经网络诊断方法。利用小波包分解原理将高压断路器振动信号分解到不同频段中,计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量,并利用遗传算法对网络的连接权值进行了优化。引入置信度的概念,对改进神经网络输出的故障模式识别结果进行评价。通过试验分析结果表明了该方法的有效性,改进后的神经网络具有新故障模式的识别功能。

小波包能量熵和改进的LSSVM在风力机轴承故障诊断中的应用

针对极端复杂工况下风力机轴承运行状态监测中的故障诊断问题,提出一种基于小波包能量熵故障特征提取并结合鲸鱼算法(WOA)优化最小二乘支持向量机(LSSVM)进行故障分类识别的风力机轴承故障诊断方法。通过小波包分解提取各频带成分的能量熵值构建故障特征集,同时针对LSSVM参数的选取依赖人工选择的盲目性问题,采用鲸鱼优化算法寻找LSSVM中最优的2个关键参数正则化参数和核函数参数,以此提高故障诊断模型的分类精度。通过不同工况下的试验数据集测试,实现了对不同故障状态特征参数的准确分类。结果表明,所提方法诊断结果优于遗传算法(GA)和粒子群算法(PSO)分别优化的LSSVM.远优于传统的LSSVM算法。

基于小波能谱熵和改进ELM的转辙机故障预测

为了进一步提高铁道转辙机故障预测精度和维修效率,提出了一种基于小波能谱熵和改进极限学习机(Extreme Learning Machine,ELM)的转辙机故障预测方法.首先,将采集到的转辙机功率数据用完备集合经验模态分解方法进行预处理;然后,计算各个固有模态函数的小波能谱熵值,通过核主元分析原理方法将多维特征数据降至1维,构建转辙机的退化性能指标,得出失效阈值;最后,利用自适应鲸鱼优化算法对ELM预测模型的权值和阈值进行全局寻优,以获得最优的预测模型,实现对转辙机故障趋势的预测.用Matlab软件对新方法进行实例分析,并与支持向量机和ELM模型进行对比.仿真结果表明,与传统预测模型相比,基于改进ELM模型均方误差更接近于0,决定系数更接近于1,表明该模型预测精度更高,性能更佳,证明了该方法应用于转辙机故障预测的可行性.

配电网的雷击故障识别与定位

为了保证配电网稳定运行,对容易受雷击影响的配电网提出一种包含小波分析与信息熵的小波能量熵雷击故障识别方法和一种基于互相关算法的雷击定位方法。基于标准双指数函数模型、Heidler函数模型和IEEE的氧化锌避雷器模型,使用PSCAD/EMTDC软件对配电网中的雷击故障与普通故障进行仿真,首先使用小波算法进行故障识别,然后使用相关算法进行雷击定位。仿真数据验证了两种方法可以准确有效地识别与定位雷击故障。

基于小波包能量熵和DBN的MMC-HVDC输电线路单极接地故障定位方法

可靠精确的故障定位技术对MMC-HVDC输电系统的稳定运行至关重要。针对高阻接地故障的定位精度低的问题,提出了一种基于小波包能量熵(wavelet packet energy entropy,WPEE)和深度信念网络(deep belief network,DBN)的输电线路单极接地故障定位方法。通过对不同条件下故障波形中所包含的故障信息进行分析,运用小波包能量熵提取双端故障电压波形中深层故障特征并构造新的特征矩阵。基于新的特征矩阵搭建DBN模型并通过粒子群寻优(particle swarm optimization,PSO)算法对其模型参数进行寻优,最终利用DBN回归机制实现精确的故障定位。利用电磁暂态仿真软件PSCAD/EMTDC搭建了±250 kV双端MMC-HVDC系统模型并在线路上进行不同位置、不同过渡电阻的单极接地故障模拟仿真。为了对比测试模型的定位精度性能,与基于支持向量机(support vector machine,SVM)的故障定位方法相比较。实验结果表明,该方法在20 kHz的低采样频率下可以精准可靠地定位过渡电阻高达4000Ω以内的直流线路单极接地故障。

混沌蝙蝠算法优化相关向量机的轴承故障诊断

针对轴承故障诊断问题,采用相关向量机(RVM)进行诊断分析。为提高诊断正确率,研究如何选择相关向量机输入量及核参数。使用小波包能量熵提取原始信号能量特征值。研究发现各状态提取的能量特征值具有较明显差异,可作为相关向量机的输入量。基于混沌优化的蝙蝠算法研究核参数的最优选择。改进后的蝙蝠算法解决了易陷入局部最优的弊端。通过混沌蝙蝠算法优化相关向量机的核参数,有效提高了相关向量机的诊断精度。通过仿真实验对比,结果表明:优化后的相关向量机比传统模型具有更好的诊断效果。

基于小波算法的小电流接地系统高阻接地故障的识别

在10kV配电网络中,普遍采用中性点不接地或经消弧线圈接地的小电流接地方式,在发生高阻接地故障后,故障特征不明显,对故障识别的难度较高。基于上述问题,提出利用小波算法提取故障线路特征,将零序电流小波和小波能量熵作为识别高阻接地故障的特征量。利用仿真软件PSCAD搭建了10kV中性点经消弧线圈接地配电网线路模型,仿真得到小电流接地系统发生高阻接地故障时的电压电流波形,然后采用Matlab软件分析故障波形,提取故障的特征量并识别故障。仿真试验证明该方法具有良好的故障识别效果。

基于小波包敏感频带选择的复材铣边颤振监测研究

针对航空蒙皮类复合材料零件铣边颤振初期频率淹没问题,提出了一种基于小波包敏感频带选择的能量熵颤振监测方法。首先使用频率消除算法(Frequency elimination algorithm,FEA)对铣边采集信号进行去主轴转频、刀齿齿频及其倍频处理。其次对去频后的信号进行小波包分解(Wavelet packet decomposition,WPD),分析WPD的频带分布特性。然后基于频带相关系数ρ和能量比波动方差σ^(2)选取颤振敏感频带作为颤振研究对象,提取分解后信号能量熵作为颤振监测量并基于拉依达准则确定系统颤振监测阈值。最后通过仿真信号和试验验证了所提算法的有效性。结果表明,经FEA和敏感频带筛选后信号的能量熵值分辨率提高了205%,且相较于未去频信号系统颤振监测响应时间能提前0.5 s。

基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法

针对表征齿轮故障特征信息难提取与极限学习机输入权值与隐含层节点阈值随机选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法。该方法首先将齿轮振动信号经过小波包分解,再利用分解所得各节点信号与原信号的相关系数选取出最优节点并计算其能量特征;其次,利用蝙蝠算法优化极限学习机的输入权值与隐含层节点阈值,建立BA-ELM的齿轮故障分类模型;最后,将所得小波包最优节点能量特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明,与基于SVM和ELM的故障分类方法相比,基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。

基于小波能量熵的光纤周界安防系统信号识别

针对分布式光纤周界安防系统易受外界各种干扰导致误报率高的问题,本文根据不同干扰源引起的系统输出信号在时频分布上的差异,基于小波分析方法建立小波能量熵(WEG)测度将这种差异表现为信号分解尺度上能量分布的差异进行定量描述,实现对系统输出信号进行特征提取和分类,可以有效区分外界轻微扰动、风雨等环境因素与蓄意入侵所引起的信号之间的差别,提高系统的准确性和实时性。实验结果表明:本文方法可以有效排除非人为入侵的干扰,正确识别率高于93%,实验较低的误报率。

考虑光伏出力间歇性的微电网故障辨识方法

在光伏高比例接入的孤岛微电网中,太阳辐照度变化将导致光伏出力明显波动,继而影响微电网线路故障电流变化趋势。对于不同辐照度光伏出力,如何准确完成微电网故障辨识是微电网故障保护研究面临的一个重要问题。针对这一问题,首先建立了含有光伏发电的典型微网模型,分析了孤岛模式下太阳辐照度变化对网内故障电流的影响;然后利用快速小波能量熵(wavelet energy entropy,WEE)算法提取线路故障电流的暂态特征,继而选取简洁清晰的暂态特征并构建故障综合样本集;最后,利用典型故障样本集对极限学习机进行训练,形成一种新的考虑光伏出力间歇性的微网故障辨识方法。算例仿真结果表明所提方法既能精确提取不同辐照度下微网故障的暂态特征,又可准确地实现故障辨识,为微电网故障分析和保护提供了技术支持。