A multi-objective gravitational search algorithm based approach of power system stability enhancement with UPFC

On the basis of the theoretical analysis of a single-machine infinite-bus (SMIB),using the modified linearized Phillips-Heffron model installed with unified power flow controller (UPFC),the potential of the UPFC supplementary controller to enhance the dynamic stability of a power system is evaluated by measuring the electromechanical controllability through singular value decomposition (SVD) analysis.This controller is tuned to simultaneously shift the undamped electromechanical modes to a prescribed zone in the s-plane.The problem of robust UPFC based damping controller is formulated as an optimization problem according to the eigenvalue-based multi-objective function comprising the damping factor,and the damping ratio of the undamped electromechanical modes to be solved using gravitational search algorithm (GSA) that has a strong ability to find the most optimistic results.The different loading conditions are simulated on a SMIB system and the rotor speed deviation,internal voltage deviation,DC voltage deviation and electrical power deviation responses are studied with the effect of this flexible AC transmission systems (FACTS) controller.The results reveal that the tuned GSA based UPFC controller using the proposed multi-objective function has an excellent capability in damping power system with low frequency oscillations and greatly enhances the dynamic stability of the power systems.

基于ISSA-XGBoost的电能质量扰动识别方法研究

针对传统电能质量扰动(power quality disturbances,PQDs)识别中特征提取有冗余,识别精度不高等问题,提出了一种基于改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化特征选择和极致梯度提升(eXtreme gradient boosting,XGBoost)的电能质量扰动识别方法。首先对电能质量扰动信号进行S变换,提取61种电能质量特征。再通过ISSA同时选择最优特征子集和XGBoost中最优参数,剔除冗余特征,提高识别精度。最后根据优化后的最优特征子集和XGBoost实现电能质量扰动的识别。仿真结果表明,所提出的方法能有效选择最优特征子集,对噪声环境下的19种电能质量扰动信号进行高效识别,并且具有较高的识别精度。

兼顾提升功率分配精度与抑制电压偏差的自适应下垂控制

直流微电网孤岛运行时,为实现下垂参数跟随直流微电网各光伏单元出口线路阻抗和本地负载分布情况自调整,提出一种基于麻雀搜索算法(sparrow search algorithm,SSA)的自适应下垂控制策略。将下垂参数、变换器输出电压参考值以函数变量的形式构成优化目标函数,利用麻雀搜索算法寻找目标函数的极小值,实时找到同时使系统运行过程中的功率偏差、母线电压偏差最小化的解。即利用麻雀搜索算法将下垂参数和电压参考值调节问题转化为函数极值寻优问题,实现了下垂系数可依据光伏出口线路阻抗、本地负载变化及光照强度变化自调整的目标。同时通过动态调节变换器输出电压参考值,减小母线电压偏差,解决了功率分配精度与母线电压偏差的固有矛盾。利用PSCAD/EMTDC建立系统仿真模型,仿真结果证明所提控制策略正确、有效。

基于SSA-ELM神经网络控制器的光伏MPPT方法

光伏电池板所处环境的非线性变化使得光伏电池的功率保持在最大功率点(maximum power point,MPP)非常困难。传统的最大功率点跟踪(maximum power point tracking,MPPT)方法普遍存在技术缺陷,无法满足当前需求。针对光伏发电MPPT问题,该文提出了一种基于麻雀搜索算法优化的极限学习机(sparrow search algorithm-extreme learning machine,SSA-ELM)神经网络控制器的MPPT方法。与传统技术相比,该MPPT方法在稳定性、速度、超调和MPP的振荡等方面的效果均较好。使用MATLAB/Simulink平台进行仿真实验,验证了所提控制策略及理论分析的正确性。

基于改进布谷鸟搜索算法的光伏MPPT控制

复杂阴影情况下,光伏阵列的P-V特性曲线会出现多个峰值,传统的MPPT算法因不能准确识别局部峰值和全局峰值,而无法进行复杂阴影情况下的最大功率点跟踪。针对传统布谷鸟搜索(Cuckoo Search,CS)算法因鸟窝之间缺乏交流能力导致可能陷入局部最优的问题,提出了一种多策略改进布谷鸟搜索(EGICS)算法。将传统CS算法中发现概率值的选择自适应变化,提高算法的搜索能力;将步长因子自适应化,提高算法的收敛速度;引入高斯扰动和精英反向学习策略,增加种群多样性,避免算法陷入局部最优。对EGICS算法在单峰和多峰函数中进行性能测试,并将其应用于光伏系统MPPT控制中进行仿真验证。仿真结果表明,EGICS算法在收敛速度、跟踪精度以及动态稳定三个方面有更好的效果。

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.

Research of Rural Power Network Reactive Power Optimization Based on Improved ACOA

In view of the serious reactive power loss in the rural network, improved ant colony optimization algorithm （ACOA） was used to optimize the reactive power compensation for the rural distribution system. In this study, the traditional ACOA was improved in two aspects： one was the local search strategy, and the other was pheromone mutation and re-initialization strategies. The reactive power optimization for a county＇s distribution network showed that the improved ACOA was practicable.

基于风速波动幅度动态划分区间的ISSA-BP风电功率预测

为了解决传统风电功率预测精度不高的问题,采用一种基于风速波动幅度动态划分区间的风电功率组合预测方法。首先,对清洗后的风速数据进行卡尔曼滤波得到去噪后的风速曲线图,计算该曲线中相邻元素的差值向量并归一化处理,完成风速波动幅度的可视化分析,依据波动幅度曲线的第一、二、三时间点将全年数据动态划分为4个区间;其次,利用Tent混沌映射算法初始化麻雀种群位置得到改进麻雀搜索算法(improvement sparrow search algorithm,ISSA),对误差反向传播算法(back propagation,BP)的连接权和阈值进行优化,建立ISSA-BP风电功率组合预测模型;最后,运用MATLAB仿真软件进行仿真验证。仿真结果表明,动态划分区间的ISSA-BP风电功率预测方法能显著提高预测精度,对提高电力系统经济运行水平,促进风电消纳具有一定的理论实际意义。

基于天气状态模式识别的SSA-BP神经网络光伏电厂功率及碳减排量预测

文章提出了一种基于天气状态模式识别并结合SSA-BP(Sparrow Search Algorithm-Back Propagation)预测光伏出力的方法。首先,在分析辐照度、温度、风速等参数变化规律基础上,基于高斯混合模型,针对专业天气类型开展分类,获得类晴、类雨和类阴3种典型的广义天气;然后,将数据作为SSA-BP神经网络输入,对光伏电厂出力分类进行预测;最后,结合碳核算方法学对光伏发电项目碳减排量进行核算。结果表明:利用分类识别和改进的SSA-BP神经网络,在3种天气类型预测中平均相对误差分别为0.195,0.243,0.310;SSA-BP与其他模型相比,平均相对误差降低了17.8%~66.7%。此外,预测CO_(2)减排量与实际核算值相对误差为3.37%,亦表现出良好预测效果。

基于VMD-ISSA-GRU组合模型的短期风电功率预测

为解决风速不确定性和波动性造成风电功率预测精度不高的问题,提出一种基于变分模态分解(VMD)、改进麻雀搜索算法(ISSA)和门控循环神经网络(GRU)的VMD-ISSA-GRU组合模型。首先,利用中心频率法确定采用VMD分解后的模态分量个数,这样有效避免了过分解或者分解不充分。其次引入混沌映射、非线性递减权重以及一个突变策略来改进麻雀搜索算法,用于优化门控循环神经网络,然后对分解得到的各个子序列建立ISSA-GRU预测模型,最后叠加每个子序列的预测值得到最终的预测值。将该模型用于实际风电功率预测,实验结果表明:VMD-ISSA-GRU组合模型的平均绝对误差、平均绝对百分比误差、均方根误差分别为1.2118MW、1.8900及1.5916MW;相较于传统的GRU、长短时记忆(LSTM)神经网络、BiLSTM(Bi-directional LSTM)神经网络模型以及其他组合模型在预测精度上都有明显的提升,能很好地解决风电功率预测精度不高的问题.

搜索域维度扩展稳健匹配场声源辐射功率估计

与传统声源辐射功率估计方法相比,匹配场声源辐射功率估计方法能获得更准确的估计结果,但环境失配对其性能影响较大。针对这一问题,提出一种搜索域维度扩展稳健匹配场声源辐射功率估计方法。定义环境失配影响因子,量化表示环境失配对信道传递函数和匹配场声源辐射功率估计方法的影响,确定提升环境失配稳健性的关键在于准确估计信道传递函数。传统匹配场声源辐射功率估计方法中信道传递函数搜索域是一个距离-深度二维平面,环境失配时,其中必然不包含真实信道传递函数,因此信道传递函数估计结果与真实信道传递函数也必然存在偏差。文中提出的搜索域维度扩展稳健匹配场声源辐射功率估计方法将信道传递函数搜索域扩展为距离、深度和不确定参数组构成的三维搜索空间,将真实信道传递函数包含在搜索域中,使得最优备选信道传递函数等于真实信道传递函数。随后构造三维搜索空间的目标函数,目标函数的绝对值越小,备选信道传递函数与真实信道传递函数偏差越小。使用目标函数绝对值取最小值时对应的备选信道传递函数可以更准确地估计声源辐射功率,仿真验证了理论分析的结果。

基于回溯搜索的电力时序数据库集群拓展方法

现有的电力时序数据库集群拓展方法拓展响应时间较低,导致集群效率较差,因此基于回溯搜索研究了一种新的电力时序数据库集群拓展方法。通过数据库集群搜索拓扑结构的邻接矩阵,计算电力数据库中关联性较高的数据拓扑结构,直接明确数据搜索的目标,缩小数据搜索可确定的范围。针对搜索拓扑内的电力数据,采用回溯搜索算法中的分层回溯原则,为数据库集群内数据搜索行为增加约束条件。根据开关矩阵判断数据节点之间的关系,实现电力时序数据库的集群拓展。实验结果表明,基于回溯搜索的电力时序数据库集群拓展方法的拓展响应时间低于0.5 s,集群效率在98%以上。

基于改进布谷鸟搜索算法的光伏最大功率点跟踪策略

实际工程中,光伏阵列在随机变化的环境中会出现局部遮光的情况,从而导致光伏阵列的功率-电压特性曲线会呈现多峰值状态,传统的最大功率点跟踪(maximum power point tracking, MPPT)算法易陷入局部最优解,追踪速度和精准度无法得到满足。针对这一问题,提出一种基于布谷鸟搜索算法(cuckoo search algorithm, CS)和电导增量法(conductivity increment method, CI)结合的光伏MPPT算法,在算法前期利用布谷鸟搜索算法将大步长和小步长交替使用使得全局搜索能力增强,找到全局最大功率点所处区域附近;在后期,采用步长小、控制精度高的CI进行局部寻优,快速准确地锁定到最大功率点。在MATLAB/Simulink中搭建仿真模型,并与原始布谷鸟搜索算法和粒子群优化(particle swam optimization, PSO)算法进行比较。仿真结果表明,将CS与CI结合的算法使得收敛速度更快,精度更高,稳定状态时功率曲线的波动更小。

基于ICS-IP&O的光伏最大功率跟踪

针对光伏组件存在局部阴影条件(PSC)时,功率输出曲线呈现出的多峰现象,传统最大功率点追踪方法容易陷入局部最优情况。为了解决上述问题,提出一种将自适应布谷鸟搜索(ICS)算法和变步长扰动观察法(IP&O)相结合的复合算法(ICS-IP&O)。对布谷鸟搜索方法(CS)的切换概率、Lévy飞行步长系数进行非线性自适应优化,使其满足迭代前、后期不同的需求,加快收敛进程。在偏好随机游走部分,引入粒子群算法思想,对位置更新公式进行优化,提高其多样性,使算法具有较强的全局搜索随机性,降低陷入局部最优的可能性。算法后期切换成IP&O搜索,减小振荡。通过Simulink进行仿真测试,并与粒子群算法(PSO)、布谷鸟算法(CS)进行对比。结果表明,该算法在静态、局部遮阴、动态遮阴条件下均具有更好的收敛速度和精度。

采用改进遗传算法的动力电池成组技术研究

为提高动力电池模组一致性,综合考虑电池模组尺寸参数和电参数的一致性构建了动力电池优化成组模型,解决了现有成组技术的“不考虑尺寸参数”、“仅只聚类”、“权重分配不合理”等问题。提出了采用局部搜索的改进遗传算法对构建的模型进行优化求解,解决了传统遗传算法易陷入局部最优的问题。在相同一致性要求下,对文中提出的优化成组技术进行了实验验证,并将之与就近原则成组技术和基于传统遗传算法的成组技术进行了实验对比,结果表明文中提出的优化成组技术是三种技术中最有效的,同时这里提出的优化成组技术还可以定量地描述成组后模组内电参数的差异量,可为企业电池成组定级提供依据。

一种改进的Tabu Search算法及其在区域电网无功优化中的应用

提出将改进的Tabu(禁忌)搜索算法用于区域电网无功电压优化控制问题的求解.首先根据已知的实际电网的历史数据获得可行的初始解,然后对区域电网采用改进的禁忌搜索方法进行无功优化.在求解的过程中,由于对Tabu表中所记录的"移动"采取"有条件地释放Tabu表中的记录"这一策略,可以使搜索有效地跳出局部极小值点,更好地找到最优解.通过IEEE-14节点算例验证了该算法的有效性.

基于ISSA-LSTM模型的可再生能源电力需求预测

为了更精准地预测未来能源结构调整方向及成效,选用ISSA-LSTM组合预测模型对中国2023-2030年可再生能源的电力需求进行预测。首先,利用Circle混沌映射改进麻雀搜索算法(SSA)以提高搜索能力以及种群多样性;然后引入长短期记忆神经网络(LSTM)以有效捕捉可再生能源电力需求随机波动性和时序性;最后,通过ISSA-LSTM模型预测长期可再生能源的电力需求,验证测试集数据,并与其他传统模型进行对比。结果表明:ISSA-LSTM模型预测结果能够满足对可再生能源电力需求预测的精度要求;在未来2023-2030年可再生能源电力需求稳定,波动幅度不大,可达到全国用电量的1/3;利用Circle混沌映射改进策略能有效提升SSA寻优能力。与PSO算法相比,SSA算法寻找LSTM超参数最优解的能力更优,ISSA-LSTM模型预测可再生能源电力需求精度更高。

定日镜场在额定输出功率条件下的光学效率优化

为推动“双碳”目标实现,以光线追迹为核心,建立了定日镜平均输出热功率优化模型.首先,确定输出热功率是关于光学效率等参数的函数,通过给出阴影遮挡效率、集热器截断效率等参数的计算方法,提出了定日镜场输出热功率的计算方案.其次,提出定日镜场输出热功率的优化方案.针对定日镜规格相同的情况,提出“吸收塔选址策略”约束吸收塔的位置,提出“分区域同心圆规划策略”完成定日镜的排布,建立了定日镜输出热功率优化模型,并采用变步长搜索法完成最佳参数的求解.最后,针对定日镜规格不同的情况,提出“定日镜规格分区域规划策略”,并结合二分法和变步长搜索法完成最佳参数的求解.

基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型研究

传统的切削过程功率获取需要基于复杂的切削功率模型且很少考虑刀具磨损的影响,针对此设计了一种基于变分模态分解(VMD)、麻雀搜索算法(SSA)、长短时记忆(LSTM)神经网络的考虑刀具磨损的数控铣床切削功率预测模型,该模型无需解构数控铣床运行过程的能耗机理,基于一次性的历史实验数据即可实现数控铣床切削过程功率的高精度预测。首先,采用人工智能机器视觉技术对刀具磨损图片进行分析处理,获取刀具磨损图像的数字化特征,从而得到刀具最大磨损量;然后,建立基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型,利用VMD对数控铣床运行数据进行分解,采用SSA算法对LSTM神经网络超参数进行寻优,并将分解出的铣床运行数据分量输入到LSTM神经网络中,接着将每个分量的预测值相加,得到切削功率预测值;最后以面铣加工为例,将所提出的预测模型与BP神经网络、LSTM神经网络和传统模型进行对比分析,验证了所提模型的有效性和优越性。

面向交直流混联系统的潮流计算数据生成策略

随着电力系统中多类型直流线路占比的逐步提升,调度系统与异构平台间的潮流数据交换需求明显增大,亟需研究新形态下交直流混联系统的潮流计算数据生成问题。该文从拓扑转换、网络拓扑分析、设备建模以及数据生成策略4个主要步骤,实现含交直流系统的基于可扩展标记语言的通用信息模型(common information model/extensible markup language,CIM/XML)数据到潮流计算输入数据的转换。首先,该文从设备间开关拓扑的角度,进行深度优先算法(depth first search,DFS)搜索和设备拓扑拼接,实现开关/节点模型到母线/支路模型的转换;其次,在筛选出活拓扑岛、剔除不带电设备后,着重分析了CIM/XML中换流器建模对交直流节点选取的影响,进而提出了直流节点选取规则和具备普适性的直流数据生成策略。最后,以某地调度500kV及以上交直流网络导出的CIM/XML数据为算例,潮流计算结果与数据采集与监视控制系统(supervisory control and data acquisition,SCADA)量测数据比对验证所提策略的有效性。