基于优化奇偶重构法的光伏阵列自适应重构技术设计

对于光伏阵列而言,阴影遮挡和阵列损坏会导致其输出功率降低。为了提升光伏阵列的输出功率,提出了一种优化的奇偶重构方法(Optimized Odd Even Configuration,OOEC),纠正了奇偶重构法(Odd Even Configuration,OEC)在局部阴影超过4列时,重构效果差的缺点。所提出的方法将光伏阵列分为自由重构模块和固定重构模块,根据不同的阴影情况调整连接方式,确定最佳的连接关系,并与Arrow So Du ku,Zig-zag,OEC三种方法进行仿真实验对比,仿真结果表明,经过OOEC重构后的光伏阵列输出功率明显提高,光伏阵列的PU输出特性曲线更加趋向于单峰,并且从失配损耗,功率提升百分比,性能比,均衡指数上看来,OOEC有着更好的性能。

多时序协同中期负荷预测模型

针对负荷预测中前馈神经网络无法记忆序列间关联信息,且长短期记忆网络容易出现过拟合、泛化能力差等问题,提出了加法自回归积分滑动平均ARIMA(auto-regressive integrated moving average)模型结合长短期记忆LSTM(long short-term memory)网络的多时序协同中期负荷预测ARIMA-LSTM模型。该模型考虑了季节、温度和节假日的影响,采用ARIMA提取负荷序列内部因素,用Adam算法优化ARIMA-LSTM模型的网络参数。最后将某地区实际负荷数据用于该模型,并与神经网络NN(neural network)模型和LSTM进行对比,其均方根误差分别降低了7.698%和2.154%,验证了该模型具有更高的预测精度。

基于CKMTOA的SRM转矩分配函数优化补偿控制策略

针对开关磁阻电机SRM(switched reluctance motor)运行时存在较大的转矩脉动,传统控制策略使输出电流波动大、电流可控性低等问题,本文提出了一种基于混沌分子动理论优化算法CKMTOA(chaos kinetic-molecu⁃lar theory optimization algorithm)的SRM转矩分配函数优化补偿控制策略。改进了余弦转矩分配函数,根据优化所得的最佳转矩补偿值对转矩分配函数相转矩参考值进行补偿,在换相开始阶段,对前一相绕组参考转矩值进行补偿,对后一相绕组不做处理;在换相结束阶段,对后一相绕组的参考转矩值进行补偿,对前一相绕组不做处理。同时,本文选择将电流变化率和铜损作为优化目标,利用CKMTOA的全局寻优能力,对最佳开通角、关断角和转矩补偿值进行优化获取,得到最优转矩补偿值,可以有效降低电流的变化率,抑制了换相时的转矩脉动。

基于CKMTOA-KELM优化ADRC的永磁同步电机直接转矩控制

针对传统自抗扰控制器(ADRC)中扩张状态观测器(ESO)的观测扰动项较大,提出一种基于改进核函数极限学习机(KELM)优化自抗扰控制器的永磁同步电机直接转矩控制方法。采用混沌分子动理论优化算法(CKMTOA)优化KELM模型的核参数和惩罚系数,得到CKMTOA-KELM最优回归模型;CKMTOA通过引入混沌搜索防止算法陷入局部最优,采用自适应惯性权重因子提高算法的收敛速度。最后,将该模型嵌入ADRC中对其进行优化及分析,以提高系统动态响应速度和抗干扰能力,增强系统鲁棒性。仿真实验结果验证了该方法的有效性和可行性。

基于改进天鹰算法优化核极限学习机的油浸式变压器故障诊断研究

为提高油浸式电力变压器故障诊断的精度及可靠性,提出了一种基于改进天鹰算法(modified aquila optimizer, MAO)优化核极限学习机(kernel based extreme learning machine, KELM)的油浸式电力变压器故障诊断方法。利用Tent混沌映射、卡方概率密度函数,对原始天鹰优化算法(Aquila Optimizer, AO)进行改进,改进后的算法有效提升了收敛速度与寻优精度。利用MAO算法对核极限学习机模型中的正则化系数和核函数参数进行联合寻优,构建最优故障诊断模型。实验结果显示,MAO-KELM对变压器故障诊断的准确率达到95.8%,比AO、GWO和PSO优化的核极限学习机故障诊断模型分别提升了3.52%、10.07%和11.64%,体现了MAO算法的优越性,同时与传统模型进行比较,证明所提方法的诊断效果具有明显优势。

模块化多电平变换器全桥型子模块优化均压控制方法

模块化多电平变换器(MMC)子模块(SM)的数量与直流侧电压成正比,当SM增加时,会导致MMC的开关损耗急剧增加,因此降低功率器件的开关频率一直是MMC的重要研究方向之一。采用最近电平逼近调制(NLM)方式,提出一种基于全桥型SM的改进均压排序法,旨在降低MMC中功率器件IGBT的开关频率,该方法实现相对简单,无需额外的控制器,且易于扩展。最后,通过在MATLAB/Simulink平台搭建了19个全桥SM的仿真模型,验证了该方法的有效性。验证了所提全桥型SM优化均压策略,可以有效避免IGBT不必要的反复投切,降低IGBT的开关损耗,同时对外部输出特性不会产生负面影响。

一种基于动态协同更新机制的接触网故障智能识别方法

随着电气化进程的加快,对接触网的运行及故障识别等提出了更高的要求.针对目前电气化铁路接触网参数较多、容易发生故障,且故障识别较慢、精确度不高等问题,提出一种基于动态协同更新机制的接触网故障智能识别方法.首先,依据技术标准选取接触网中常见的几种典型参数故障数据与正常数据,并完成各类别的标签指标设计;其次,针对传统粒子群算法中存在的寻优能力不足等问题,采用动态协同更新机制进行改进;然后,构建基于动态协同更新机制改进粒子群优化极限学习机的接触网故障智能识别模型(DCUMPSO-ELM);最后,通过仿真实验分析,验证所提方法在接触网故障智能识别中的有效性,为接触网故障识别提供了一种新的智能方法与思路.

基于EEMDSE-ILSTM的风电场超短期风速预测

不可再生资源的枯竭推动着新能源的发展,风电作为目前风能利用的主要形式得到了大面积推广。但风速非线性、非平稳性、时序性的特点对风机本身和电力系统都会产生不利的影响,因此精准的风速预测已经成为亟待解决的关键课题。基于组合预测方法,提出了一种EEMDSE-ILSTM风速预测模型。该模型利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将风速数据分解为若干个分量数据集,并通过样本熵对各分量进行筛选以简化数据。将改进的鲸鱼算法与长短期记忆网络(Long Short-Term Memory,LSTM)结合,无监督生成合适的模型预测参数。在预测时依次对每个分量数据预测并将结果累加获得最终预测值。仿真结果表明,该模型与其他方法比较,显示出较好的预测精度和泛化性能。

改进自适应MOEA/D算法的楼宇负荷优化调度

针对负荷侧用户用电电费、新能源消纳率和用电峰谷差等问题,提出了一种改进的自适应基于分解的多目标进化算法,进行楼宇微电网签约住户可控负荷优化调度;通过分析负荷的用电特性,将用电负荷分为五类并分类建立数学模型、优化目标函数和约束条件;将广义分解与均匀分配相结合产生新的自适应权重向量使算法非支配解更接近真实帕累托前沿;采用历史经验的思想通过计数SBX和DE两种交叉算子对外部存档的贡献率,运用轮盘赌的方式实现自适应选择策略;通过特性约束条件映射对产生的子代点进行修正,间接地扩大了算法搜索空间,提高了种群多样性。通过测试函数验证了改进的AWS-MOEA/D算法的收敛性和优越性;在某小区楼宇住户调度仿真实验结果表明,所改进的算法在调度后能节省更多的电费,并有效地提高了新能源消纳率。

基于EEMD-GSGRU的锂电池寿命预测

针对构建锂电池寿命预测数学模型复杂且易出现过拟合及泛化能力差的问题,提出集合经验模态分解(EEMD)和门控循环单元(GRU)并采用网格搜索(GS)的时序分解-集成模型(EEMD-GSGRU)。该模型首先将锂电池剩余容量数据进行信号分解,分解成总占比大的趋势因子和总占比小的误差因子,将分解时间序列分别预测GRU再合并进行实时滚动预测,最后使用GS搜索网络参数,使用Adam优化策略更新GRU网络权重。最后将NASA提供的锂电池数据集用于该模型,并与其他算法进行对比证明本EEMD-GSGRU模型优越性,本模型10次实验的平均均方根误差分别为0.0169、0.0309、0.0111,平均绝对百分误差分别为1.1921、2.2706、0.7279,证明本模型提高了锂电池寿命预测精度。

基于分治策略的NP-MLSTM非侵入式负荷辨识方法

为降低电力负荷数据样本类别不平衡、提高负荷辨识精度,提出一种基于分治策略的二分类多层长短时记忆网络模型非侵入式负荷辨识方法。首先,对负荷样本进行平衡化处理,降低样本间的不平衡度;然后,选择合适的特征变量,并进行特征变量与样本标签的相关性分析;接着,利用分治策略的思想将多分类问题转化为多层择优二分类问题,构建基于分治策略的NP-MLSTM非侵入式负荷辨识模型;最后,选用公开数据集对55户家庭中的11种不同类别的电器进行负荷辨识测试,并与其他模型进行效果对比。结果表明,本文提出的负荷辨识模型综合精确度达到92%以上,各性能指标均优于其他模型。

开关磁阻电机功率变换器综述

开关磁阻电机(SRM)具有坚固耐用、功率密度高、调速范围广、起动转矩大等一系列优点,然而关于其功率变换器的研究较少。结合国内外文献,分析不对称半桥功率变换器、公共开关型功率变换器、裂相型功率变换器以及三开关型功率变换器等传统功率变换器的结构特点;对比了传统变换器的优缺点,在此基础上分析了几类新型功率变换器拓扑结构以及电流电压转换关系,并概述了功率变换器未来发展趋势,为功率变换器发展提供参考。

基于主从博弈的激励型智能楼宇负荷调度

随着能源的不断消耗和环境污染,对需求侧与供电侧都提出了较高的要求.该文通过转移负荷用电时段来获得售电商的价格奖励,以此构建了基于激励的售电商与用户主从博弈的需求响应模型,通过用户调转可转移负荷,售电商予以价格奖励机制鼓励更多的用户参与需求响应并选择其电价使用,分析售电商与用户的需求关系构建双方的效用函数,其求解方法为:售电商公布电价供用户在每个用电时间段选择,用户根据选择满足自身用电需求,并在不影响用电满意度的情况下做出最优用电行为策略,然后将用户的用电策略反馈给供电商,供电商以此对每个用电时段供电价格做出相应的改动来提高自身最大盈利,最终求出均衡最优优化调度方法与电价策略.

基于PCC-RBF网络的风电功率短期预测方法

风电功率预测对风电场安全平稳运行、电网调度具有重要意义。针对风电功率短期预测指标选择不合理、预测精确度偏低的问题,提出一种基于皮尔逊相关系数(PCC)和径向基函数(RBF)神经网络的风电功率短期预测方法。该方法利用PCC筛选出与风电功率密切相关的3个指标,即电流、温度、风速,然后以这3个指标作为预测模型的输入对风电功率进行RBF样本训练与短期预测。试验结果表明,所提的预测模型预测误差更小,预测精度更高,能够满足风电功率短期预测的要求,具有广泛的应用前景。

基于快照反馈的短期电力负荷组合预测方法

为提高短期电力负荷预测精度,本文提出了一种基于快照反馈机制改进的变分模态分解技术VMDSF(variational mode decomposition with a snapshot of feedback)和带有循环滑窗策略优化的长短时记忆网络CSLSTM(long short-term memory with circular sliding window)的组合预测方法 VMDSF-CSLSTM。为降低原始序列的不稳定性及复杂性,本文首先使用VMDSF将原始电力负荷序列分解成多个子序列。然后结合网格搜索法对CSLSTM进行最优参数寻找,得到含有最优模型参数的电力负荷短期预测模型。最后,使用2013年澳大利亚4个区域的电力负荷数据集,对本文方法进行算例测试,测试结果表明了本组合模型的有效性。

基于数值积分面积差值优化MPPT追踪

光伏发电作为目前太阳能利用的主要形式,最大功率点跟踪是其主要的研究热点。常用的太阳能光伏发电最大功率跟踪方法,存在动态响应不足、波动率大、不平稳、在最大功率点处易出现振荡和误判等现象。针对这些问题,提出了一种基于数值积分面积差值优化的MPPT追踪方法。根据I-U特性曲线和P-U特性曲线之间的关系,利用数值积分面积的差值取代扰动步长,通过扰动步长自调节优化来进行最大功率点跟踪。算法用S-函数编写,仿真结果表明,此种方式控制流程简单,对附加设备要求程度较低,控制精度高,动态响应振荡更小,能源利用率提高,能较快较稳地跟踪到最大功率点处。