【摘 要】
：
为解决风电场多分支、混合短线路中难以查找故障点的问题,提出一种基于长短期记忆(LSTM)神经网络的风电场集电线路单相接地智能故障测距方法。首先,读取集电线路首端测量装置的电气量信息。其次,采用全相位快速傅里叶变换(apFFT)相位差校正法构建了风电场单相接地短路时的故障特征集合。然后,归一化风电场集电线路的故障数据,并训练深度学习LSTM神经网络以建立单端故障测距的预测模型。最后,通过LSTM神经网络故障定位器开展准确的故障定位。PSCAD/EMTDC实验结果表明,所提方法的预测精度高于反向传播神经网络和
【机 构】
：
华北电力大学电气与电子工程学院,内蒙古华电玫瑰营风力发电有限公司,国网山东省电力公司日照供电公司
【基金项目】
：
国家自然科学基金项目资助(51677072)。
论文部分内容阅读
为解决风电场多分支、混合短线路中难以查找故障点的问题,提出一种基于长短期记忆(LSTM)神经网络的风电场集电线路单相接地智能故障测距方法。首先,读取集电线路首端测量装置的电气量信息。其次,采用全相位快速傅里叶变换(apFFT)相位差校正法构建了风电场单相接地短路时的故障特征集合。然后,归一化风电场集电线路的故障数据,并训练深度学习LSTM神经网络以建立单端故障测距的预测模型。最后,通过LSTM神经网络故障定位器开展准确的故障定位。PSCAD/EMTDC实验结果表明,所提方法的预测精度高于反向传播神经网络和
其他文献
针对多轴同步运动系统易产生同步误差,从而造成加工精度下降的问题,提出了一种基于位置控制回路模式的强健式交叉耦合同步控制算法。该算法利用位置命令与响应的关系,进而修正位置控制命令,将交叉耦合同步控制器架构应用于位置控制回路中。首先,推导了同步误差模型,获得系统多轴同步误差;然后,结合H∞原理,设计了强健式交叉耦合同步控制器,根据各轴位置同步误差,修正各轴命令,改善多轴同步误差;最后,将此算法应用于四自由度伺服同动平台。研究结果表明,使用所提算法后,最大位置同步误差减少44%以上,平均位置同步误差减少75%以
针对位置状态有界约束、未知有界干扰以及模型不确定下四旋翼无人机轨迹跟踪问题,设计了位置姿态双闭环自适应控制方案。通过非线性变换将四旋翼无人机位置状态变换为新的状态量,进而将四旋翼无人机位置状态有界约束问题转化为新状态量的有界性问题。设计了自适应率对干扰以及模型不确定进行估计,并设计了自适应反步控制方案。为避免欧拉角的奇异问题,采用旋转矩阵描述四旋翼无人机的姿态运动,构建其误差动力学方程,并设计了姿
单相三电平逆变系统中,传统有限控制集模型预测控制在较低的采样频率下无法保证输出电能质量。针对这一问题,提出一种多状态虚拟矢量模型预测控制方法。在单个控制周期内,输出多个开关状态,以提高并网电流的电能质量。建立了逆变器预测模型,根据预测矢量初步筛选一组开关状态,每个开关状态的作用时间由所设计的电流代价函数确定。为有效平衡直流母线电压,设计均压代价函数,进一步调整开关状态,得到最终输出到逆变器的开关状态序列。搭建仿真系统并进行了仿真分析,结果验证了所提控制策略的有效性,并网电能质量得到有效提高,直流母线电压波
红外热成像技术是电厂中电力设备故障检测的主要技术。针对现有方法不能有效地挖掘海量红外热图像中包含的设备运行状态信息,以及忽视了设备运行性能退化机制使得诊断效果较为粗糙这两个问题,提出了一种基于图像序列时空特征提取和沙普利加法特征归因聚类算法的精细化诊断策略,结合电力设备的时空特性并融合过程知识,建立了包括正常阶段、注意阶段、预警阶段和异常阶段的多阶段精细退化模型,为电力设备的预测性维修提供了依据。
随着新能源发电的快速发展,大规模风电场与电网相互作用引起的次同步振荡问题不断凸显,对次同步振荡进行预测并采取预防性控制措施具有重要意义。为此,提出了一种基于机器学习可解释代理模型的风电并网系统次同步振荡的在线预测和优化控制方法。采用Prony算法分析电网小扰动过程以辨识系统阻尼水平。建立了基于梯度提升树模型的系统阻尼评估系统。提出了基于可解释代理模型的优化控制辅助决策方法。在Matlab Simulink中搭建了多个直驱风电场并网系统的仿真模型,验证了所提方法能够有效进行次同步振荡在线预测和优化控制,从而
针对智能电网大数据背景下传统密度聚类离群点检测方法在适应性和异常点样本获取成本上的不足,研究一种新的基于权值的密度聚类离群点检测算法,并用极限学习机来预测离群点判
针对工业信息物理系统面临的网络安全问题,研究了一种基于深度学习混合模型的入侵检测方案。该方案将基于深度信念网络的无监督学习策略与基于支持向量机的有监督学习策略相结合,以实现工业信息物理系统入侵检测的半监督学习。对原始数据进行归一化处理并采用深度信念网络进行数据降维后,利用支持向量机进行入侵检测。使用MATLAB工具进行仿真,对以Modbus作为通信协议的监控与数据采集系统的真实数据进行测试。结果表明,与深度信念网络、支持向量机等算法模型相比,深度学习混合模型能显著提高异常检测的准确度。
电网的快速发展和大规模互联电网的形成,使电网特性由区域模式转向全局模式。电网运行和调度控制均呈现数据密集、通信密集和计算密集的特征,从而形成了复杂的网状服务调用关系以及多层次的消息传输流程,给电网运行态势变化预测和运行风险管控带来了新挑战,亟需对通信总线数据交互过程进行有效监视。首先提出了通信总线的全链路监视与分布式追踪技术框架。然后研究了服务调用链监视和消息分布式追踪的关键技术。最后介绍了工程应用情况。该技术的应用为电网调控系统数据传输和交互提供了全面、直观的状态信息,实现了系统隐患及时发现、故障原因精
线损异常分析在低压配电网的发展规划中具有重要意义。现阶段线损的异常判定多采用阈值分析法,在时效性和准确性上存在很大的局限性。随着智能电网的推广,提出了一种基于孤立森林离群点检测算法的线损异常判定方案。首先采用k-means算法将低压台区按照不同的负载工况进行聚类,而后采用孤立森林算法计算台区数据的异常分数,最后对获取的异常分数进行阈值分析,得到最终的线损异常数据。在IEEE标准配电网络上进行仿真分析,并用电网实际台区的运行数据进行验证。结果表明,所提异常判定算法具有较高的准确性。这种基于数据挖掘技术的异常
基于下垂机制的含多并联逆变器微电网联络线功率控制策略的控制层级较多,层级间时间尺度相差较大,导致其暂态响应较差,应对本地负荷波动或下垂系数调整等扰动的能力不强。针对以上问题,提出了一种新型的含多并联逆变器微电网联络线功率分层控制策略。一层分散控制采用电压滤波跟踪误差的方法对系统公共耦合点(Point of Common Connection,PCC)电压进行快速精确的控制。二层系统级集中控制通过直接调节PCC电压幅值和相位,实现微电网与主网之间或互联微电网间特定的功率交换,而其内部各逆变器则按照功率分配系