有源电力滤波器电流跟踪的一种改进算法

为了提高有源电力滤波器的电流跟踪性能,本文提出了一种电流跟踪控制的改进算法。该利用该算法控制逆变器输出电压,使电流误差在一个PWM周期内的平均值为零,从而更有效的跟踪电流。与一般电流跟踪方法相比,该方法能够更加有效的跟踪电流,从而更加有效的减少谐波含量。     

相变材料在装配式复合墙体日光温室中的应用研究

为进一步提高日光温室墙体的蓄热能力,改善室内热环境,对石蜡-膨胀珍珠岩复合相变材料（paraffin-expanded perlite composite phase change material,PCM-PE）在温室中的应用进行研究。利用TRNSYS（transient system simulation program）建立装配式复合墙体日光温室的模型,用晴天和阴天的实测数据验证模型准确性,利用该模型分析温室的北屋顶、侧墙、北墙等结构内表面分别添加PCM-PE后室内温度的变化和单位成本,及温室北屋顶、侧墙和北墙均添加PCM-PE时的最佳厚度。结果表明：温室不同结构内表面添加PCM-PE均对室内平均温度有明显提升作用,侧墙内表面添加PCM-PE使晴天时室内平均温度提高1.32 ℃,单位成本最低,为2 094元/℃;北屋顶、侧墙、北墙均添加PCM-PE时,其最佳厚度为50 mm,晴天室内平均温度和北墙平均温度分别提升3.9和3.7 ℃,阴天分别提升2.2和2.3 ℃;添加50 mm PCM-PE后,温室墙体传热系数较试验温室降低了15%,热阻提高了9.9%,对维持室内温度、降低温室能耗具有积极作用。分析温室不同结构应用PCM-PE的效果,同时考虑单位成本,可为建造经济性好、蓄热性能强的温室提供参考。     

基于VMD-LSTM-IPSO-GRU的电力负荷预测

为了挖掘电力负荷数据中的潜藏信息,提高负荷预测的精度,针对电力负荷强非线性、非平稳性等特点,提出一种基于变分模态分解(variational mode decomposition,VMD)、优化长短期神经网络(long-term and short-term memory network,LSTM)、改进的粒子群算法(improve particle swarm optimization,IPSO)优化门控循环单元(gated recurrent unit neural network,GRU)的混合预测模型。首先,使用相关性分析确定确定输入因素,再将负荷数据运用VMD算法结合样本熵分解为一系列本征模态分量(intrinsic mode fuction,IMF)和残差量,更加合理地确定分解层数和惩罚因子;其次,根据过零率将这些量划分为低频和高频,低频分量使用LSTM网络,高频分量利用IPSO-GRU网络分别进行预测;最后,将预测结果重构得到电力负荷的最终结果。仿真结果表明,相对于其它常规模型,该混合模型可有效的提取模态特征,具有更高的预测精度。     

有保护单元的并联系统的最优分配

研究了由2个保护单元在2个被保护单元构成并联系统中的最优分配问题,并给出了证明.     

燃气轮机启动电机负载模拟系统

为了更好地研究燃气轮机启动电动机的启动特性,给出了一种45kW燃气轮机启动电动机负载特性模拟系统,介绍了系统的组成,工作原理以及硬件、软件的设计方案.试验结果表明系统具有良好的动静态性能,能够很好地模拟燃气轮机启动电动机的启动特性.对其他类似的负载模拟系统具有一定的参考价值.     

基于改进TDM-LoRa低功耗森林火灾监测预警系统设计

针对目前森林火灾监测系统成本高、功耗大、维护复杂的缺点,提出一种基于改进TDM-LoRa设计的低功耗森林火灾监测预警系统。系统以STM32系列微处理器为节点控制核心,LoRa-SX1278 芯片为通信模块,并使用增量传输和改进TDM(Time Division Multiplexing,时分复用) 通信机制,有效降低节点能耗,从而延长监测节点和汇聚节点寿命。试验结果表明,数据信息在发射功率20dBm,传输速率为1.2 Kb/s的情况下,节点可在3500m范围内实现丢包率仅为7.2%;在使用2600mAh电池,数据采集上传间隔时间为30min的情况下,单个节点有效工作时间理论可达90.7个月,实现无中继远距离低功耗森林环境监测数据的采集。     

基于新型相似日选取和VMD-NGO-BiGRU的短期光伏功率预测

光伏功率预测在现代电力系统调度和运行中起着重要作用.针对光伏发电功率的多变性和复杂性,提出了一种基于新型相似日选取和北方苍鹰算法（Northern Goshawk Optimization, NGO）优化双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU）的短期光伏功率预测方法.首先,利用斯皮尔曼相关系数选取主要气象因子,通过变分模态分解（Variational Mode Decomposition, VMD）将原始光伏功率和最大气象因子分解重构为一系列子信号.其次,通过构建新的评价指标筛选出相似日数据集,利用一组BiGRU建立以相似日子信号为网络输入的深度学习模型,并利用NGO对每个BiGRU网络的超参数进行有效优化.最后,对各子信号的预测结果进行综合,得到最终的光伏功率预测值.仿真结果表明,所提混合深度学习方法在预测精度和计算效率方面均优于其他方法.     

级联失效模型下电力信息物理系统鲁棒性与能控性分析

电力网与信息网的深度融合在增强电力系统能控性的同时,也使得系统抵御外界干扰的能力下降。首先,根据提出的节点负载与容量的负载重分配分配概率建立电力信息物理系统级联失效模型,研究不同耦合策略下的电力信息物理系统级联失效过程中的鲁棒性与能控性变化。其次,利用幸存负荷百分比的概念来量化电力网抵御级联失效的能力,并分析不同耦合策略和容量参数对CPPS的鲁棒性和能控性的影响。基于网络能控性理论提出电力节点重要度的评估方法,并且在IEEE39系统中进行验证。研究结果表明,电力网高介数节点与信息网高介数节点耦合形成的电力信息物理网络抗干扰能力更强,电力网节点容量参数比信息网节点容量参数对系统影响更大。     

基于时空图注意力的短期电力负荷预测方法

准确的电力负荷预测对现代电力系统的安全经济运行至关重要.电力负荷预测可以表述为一个具有一定潜在空间依赖性的多变量时序预测问题.然而,大多数现有的电力负荷预测工作未能探索这种空间依赖关系.基于此,本文提出了一种基于时空图注意网络的短期电力负荷预测方法.提出一种基于时空图注意网络模块,该模块使用图注意层实现自适应的捕捉各用户间的潜在空间依赖性,同时使用门控卷积注意力层对各用户用电量在时间维度上进行自适应拟合,以提高网络的预测精度.实际数据实验表明,本文提出的模型整体预测精度提高明显,特别是在一定程度上缓解了长程预测精度恶化的问题,验证了所提方法的有效性与可行性.     

基于深度学习GRU网络的UWB室内定位优化

为减少信号传输质量和距离估计算法等因素对定位精度的影响,将深度学习应用于超宽带（ultra wide band,UWB）室内定位系统,利用门控循环单元（gated recurrent unit,GRU）网络代替传统UWB室内定位系统中的三边测量过程,以提高UWB室内定位精度。在得到定位标签到基站的距离信息后,将距离信息输入GRU网络中,输出最终位置坐标。GRU作为循环神经网络（recurrent neural network,RNN）的变种,既含有RNN处理时序数据的优势,又解决了RNN中的长程依赖问题。对GRU网络模型中不同学习率、优化器、批量大小、网络层数、隐藏神经元数量参数进行调整和训练。结果表明,基于GRU网络模型的UWB室内定位系统显著提高了定位精度,平均定位误差为6.8 cm。