课程文献中心 更多>>

关键词： 多特征融合   变分模态分解   风电功率   预测  

摘要： 风电出力具有较高的间歇性，这对风电功率的准确预测预测，电力系统的调度和风电场运维管理带来了挑战。为此，提出了一种基于多特征融合与功率序列分解的短期风电功率预测模型。考虑到单一预测模型的局限性，模型通过变分模态分解(VMD)对原始功率序列进行“分解-预测-重构”，并通过模糊自调整粒子群算法(FST-PSO)对VMD算法进行优化，提高了其自适应性和预测结果的精度。预测模型分别从多点位数值天气预报(NWP)数据特征与多层语义信息特征等两方面考虑特征的融合。首先设计了特征筛选网络(FSN)对多点位NWP数据特征进行自适应筛选，实现多点位信息的充分利用。进一步在网络层间设计了多层语义融合注意力机制(MSA)对不同层级的语义信息进行融合，实现了循环网络层内语义信息的充分表征，提升了模型的预测表现。最后将点预测结果推广到概率密度预测，得到了包含未来功率序列的预测区间和概率密度曲线，为风场和电网决策者提供了更为灵活的决策区间。通过对来自风场实测数据进行数值计算与分析，结果表明所提出方法在预测准确性、可靠性和对决策的支持等方面均表现出更好效果。

关键词： 频率响应分析   电力变压器   绕组变形   数字图像处理   故障诊断  

摘要： 频率响应分析法（Frequency Response Analysis，FRA）是一种有效检测变压器内部绕组变形故障的方法。然而，在传统的FRA方法中，通常仅使用幅值响应来解释FRA特征，而相位响应的重要性尚未得到充分重视。针对以上问题，本文提出了一种基于频响重构和数字图像处理的变压器绕组变形故障诊断方法。该方法首先将频率、幅值和相位元素融合在一个三维坐标图中，并应用图像处理技术进行纹理分析特征提取。随后，利用图像平方和比误差（ISSRE）的三角坐标统计图实现了故障类型分类，并总结了绕组故障类型判别的参数化阈值指标。然后，基于极坐标频率响应特性，提出了能够识别绕组故障程度的定量化指标图像平方和最大-最小比误差（ISSMMRE）。最后在一台定制电力变压器上进行了各种故障的实验验证，证明了该方法的有效性和可行性，为FRA方法的改进和自动化提供了新的思路和方法。

关键词： 分布式光伏   概率预测   分层关联建模   深层时空关联性  

摘要： 准确的区域分布式光伏功率概率预测可为有源配电网优化运行提供更全面的信息支撑。当缺乏气象测量或预报数据时，对分布式光伏时空相关信息的挖掘利用可以有效提升功率预测精度，然而，现有研究或难以针对性挖掘时空关联信息，或在建模过程中丢失大量有效信息。为此，本文提出了一种基于分层关联建模的区域分布式光伏功率超短期概率预测方法。首先，采用基于深度一致性的聚类方法对分布式光伏集群进行子区域划分，用于支撑对子区域内部时空关联的针对性建模；在此基础上，构建分层图结构以同步建模子域内与子域间时空关联关系，用于有效利用不同层级间关联信息；然后，提出了基于分层图卷积神经网络的概率预测模型，用于挖掘光伏电站之间的深度时空关联特征，提升区域分布式光伏超短期功率概率预测精度。最后，利用实际分布式光伏功率数据集验证了该方法的有效性。

关键词： 高功率激光   光纤放大器   受激拉曼散射效应   辅助光  

摘要： 本文提出一种利用辅助光调控高功率掺镱光纤放大器中增益分布，以控制信号光的受激拉曼散射（stimulated Raman scattering， SRS）增益、提高SRS阈值的方法。基于数值模拟分析了辅

关键词： 大功率高频变压器   高速全局优化   热分析   变换器协同设计   遗传算法  

摘要： 大功率高频变压器是电力电子变压器中的核心部件，其优化设计的全局最优性和计算速度都是关键问题。本文提出基于改进热分析和变换器协同设计的大功率高频变压器高速全局优化方法。针对优化中耗时占比很高的热分析，提出基于换热-热传导两步仿真的改进热分析方法，保证热分析精度的同时，提升热分析计算速度。仿真结果表明，提出的热分析方法与传统方法准确度相似，而计算速度大幅提升。此外，优化过程中，将变换器电路参数与变压器参数共同考虑，引入更多优化变量，从而形成全局优化模型，提升设计方案的优异性；并采用改进热分析方法和遗传算法以提升计算速度，保证了全局优化模型的可计算性。综合以上措施，最终形成系统的大功率高频变压器高速全局优化设计方法。一个具体的案例设计和实验结果验证了提出的优化方法的有效性。

关键词： 门控循环单元   共形分位数回归   Jensen-Shannon散度   加权置信分位数   风电功率区间预测  

摘要： 准确的区间预测有助于更好地进行风险分析，从而为电网调度做出更合理的决策。针对共形分位数回归自身算法的不足，本文提出了一种基于门控循环加权共形分位数回归的风电功率短期区间预测方法。首先在训练阶段采用分位数门控循环单元拟合初始预测区间。然后在校准阶段根据不一致分数函数计算不一致分数及其置信分位数。接着在测试阶段计算测试集和校准集之间的Jensen-Shannon散度并将其作为分布权重对置信分位数加权，从而形成加权置信分位数来代替直接采用校准集得出的置信分位数，由初始预测区间与加权置信分位数的代数和构成最终的预测区间。最后以国内蒙西某风电场的运行数据为例，从可靠性、有效性和计算时间3方面出发，验证了本文方法的有效性。

关键词： 光伏发电功率分解   权重动态时间规整   高斯混合模型   参考光伏模型   极大似然估计   双层优化  

摘要： 提高配电台区分布式光伏的监测能力对配电系统安全运行、电力分配和需求响应等任务具有重要意义。然而，台区绝大部分用户侧的分布式光伏不具备直接量测条件，无法实现对台区光伏发电功率的准确计量。针对这类问题，提出一种基于高斯混合模型(Gaussian Mixture Model， GMM)与参考光伏模型的双层优化方法，通过使用台区总功率和少量参考光伏发电功率来识别并分解出台区光伏发电功率。首先，依据台区光伏出力特性，设计了权重动态时间规整(Weighted Dynamic Time Warping， WDTW)对台区总功率进行聚类，识别两类光伏发电状态下的台区总功率数据，实现对负荷用电功率数据的近似生成。然后，针对负荷用电功率的分布特征，设计了一种由多组高斯分布组成的GMM模型，实现对日夜间负荷用电功率联合分布的模拟。最后，基于负荷联合分布和参考光伏等值模型的构建，采用考虑极大似然估计的二次序列优化双层调优方法分解得到台区光伏发电功率。研究结果表明，与其他方法相比，所提模型在实际工况下具备更高的光伏发电功率分解精度。

关键词： 光伏功率   相似日   变分模态分解   双向长短期记忆神经网络   组合预测  

摘要： 针对光伏功率随机性较强等问题，提出了一种基于相似日选取和数据重构的短期光伏功率组合预测方法。首先，利用核模糊C均值算法对光伏功率进行聚类分析，通过最大信息系数提取主要影响特征；其次，结合合作博弈思想计算预测日和历史日的综合相关系数，挑选相关性较强的历史日构建训练集；然后，利用变分模态分解将光伏功率分解为若干子序列，计算排列熵值并重构为趋势项、低频项和高频项；最后，对趋势项和低频项采用长短期记忆神经网络进行预测，对高频项采用卷积神经网络-双向长短期记忆神经网络-注意力机制模型进行预测，将结果叠加得到最终预测结果。经实例验证，在不同天气条件下，模型整体预测误差最小，可有效提高预测精度。

关键词： 群体预测   多阶段模型   深度学习   神经网络   光伏发电   功率预测  

摘要： 光伏发电系统的不确定性和波动性使得准确预测光伏发电量成为提高系统效率的关键挑战之一。相对于单站点光伏预测，光伏群体预测能够在一定程度上提高整体预测精度，从而有效服务于省级电网电力电量平衡。此外，通过多阶段级联模型的思想将群体预测模型分成2个阶段，能够加快训练的收敛速度。为此，首先根据数值天气预报(numerical weather prediction，NWP)使用混合2种神经网络的短期光伏预测模型来对每个站点进行光伏预测，并使用多通道模型输出各站独立的预测值；在上一阶段的模型训练完成后，保留第1阶段学习到的特征，再进行下一阶段的模型训练，即利用一个全连接层建立单站预测与群体预测之间的映射关系，以建立更精准的发电量预测模型。通过对比实验验证发现，所提方法的误差比单站点预测降低了近1%，且两阶段模型比单模型训练时长短，说明两阶段光伏功率群体预测方法比传统预测方法表现出了更好的性能。

关键词： 最大功率点跟踪   太阳电池   太阳能发电   灰狼算法   粒子群算法  

摘要： 在光伏阵列受到不均匀太阳辐照时，其输出特性曲线会出现多个峰值点，常规的最大功率点跟踪方法（MPPT）可能会陷入局部峰值点，导致光伏阵列不能在最大功率点下运行。为解决此类问题，提出一种基于改进粒子群优化的灰狼算法与莱维飞行模块相结合的算法（PSO-LGWO）。该算法在函数测试和静态阴影测试中，相较于其他灰狼算法都可以在保证算法跟踪精度的同时提升收敛速度；在动态阴影测试中，相较于实际光伏发电站中常见的MPPT方法，可以跳出局部最优解，且在太阳辐照度变化较大时，在保证算法跟踪精度的同时具有更快的收敛速度。