基于希尔伯特-小波变换与神经网络的风电接入配电网电能质量检测与辨识方法研究

提出了一种希尔伯特变换、小波变换与神经网络相结合的风电接入配电网电能质量检测与辨识方法。该方法利用希尔伯特变换对低频电能质量扰动敏感、小波变换对高频电能质量扰动和短时电能质量扰动敏感及消噪能力强、神经网络模式识别能力强等特性,通过合理的小波变换消噪、希尔伯特变换的时间幅值特性和时间频率特性以及离散小波变换的细节系数、尺度系数和模极大值的计算,可以检测出各个电能质量扰动的实时值、幅值、频率和起止时间;通过合适的神经网络,辨识出各个电能质量扰动的具体类型。该方法具有通用性强、检测信息全面、检测准确度高和辨识准确性高等优点,仿真结果验证了其有效性和可行性。

基于滑模变结构及内模控制的SVG无功补偿控制策略仿真研究

针对静止无功发生器(SVG)在无功补偿时存在直流侧电容电压不平衡和系统运行不稳定等问题,以dq0坐标系下的数学模型为基础,提出一种滑模变结构和内模控制相结合的SVG双闭环控制策略。电压环采用滑模变结构提高负载突变时直流侧电容电压的快速精准控制,电流环采用内模控制实现信号的准确跟踪。在Matlab/Simulink中搭建了级联二十一电平SVG仿真模型,仿真结果表明,采用所提控制策略的SVG直流侧电容电压控制良好,系统运行稳定,对配电网的无功补偿效果较好,验证了本文控制策略的可行性及有效性。

基于ART2神经网络和K—means算法的光伏发电功率曲线聚类

采用ART2神经网络结合K—means算法,对美国俄勒冈州Ashland电站（5kW）2001年全年的实测数据在MATLAB环境下进行详细分析运算,并引用BMP指标对聚类结果进行评估。结果表明,该方法能有效地从峰值大小、曲线形状等方面对历史数据实现准确分类。