期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
一种综合考虑暂稳态影响的FACTS选址方法
1
作者 邓慧琼 马若涵 +2 位作者 齐宁 吴俊媛 郑荣进 《贵州大学学报(自然科学版)》 2024年第2期34-41,66,共9页
柔性交流输电系统(flexible AC transmission system,FACTS)的并网位置对电力系统的安全运行具有重要影响。本文综合考虑故障发生后的暂态与稳态过程,提出兼顾暂稳态判据的选址打分方法,在单机等面积定则基础上,推导出FACTS元件等值系... 柔性交流输电系统(flexible AC transmission system,FACTS)的并网位置对电力系统的安全运行具有重要影响。本文综合考虑故障发生后的暂态与稳态过程,提出兼顾暂稳态判据的选址打分方法,在单机等面积定则基础上,推导出FACTS元件等值系统的暂态裕度量化积分,将暂态稳定裕度近似灵敏度和稳态母线电压越限危险度作为选址依据。基于FACTS元件与储能相结合技术,将有功死区控制、电池荷电状态限制和逆变器容量限制考虑进FACTS元件建模中,利用PSASP/UD自定义模块搭建具有储能作用的FACTS模型。通过电力系统分析软件PSASP中CEPRI-36节点系统进行仿真,在得分高的母线处采取FACTS元件以注入电流源形式并网参与系统紧急控制,验证本文所提选址方法的准确性及FACTS元件对抑制电力系统连锁故障扩散的影响。 展开更多
关键词 FACTS元件 储能 选址 电压越限 传输功率 综合打分 连锁故障
在线阅读 下载PDF
结合贝叶斯优化及通道注意力的双端优化时序式风功率预测模型 被引量:1
2
作者 荆志宇 李培强 林文婷 《电力系统及其自动化学报》 CSCD 北大核心 2024年第8期39-47,59,共10页
针对现有风功率时序预测模型数据端缺少参数优化以及模型端缺少结构优化的问题,提出一种双端优化时序式风功率预测模型。首先,利用贝叶斯优化对数据端参数进行高效搜索寻优;然后,利用通道注意力和卷积神经网络构建特征提取模块,增强模... 针对现有风功率时序预测模型数据端缺少参数优化以及模型端缺少结构优化的问题,提出一种双端优化时序式风功率预测模型。首先,利用贝叶斯优化对数据端参数进行高效搜索寻优;然后,利用通道注意力和卷积神经网络构建特征提取模块,增强模型对输入影响因素重要性的学习;最后,利用双向长短期记忆模型对先前提取的特征进行精准拟合。研究结果表明,所提出模型在各预测场景下均能很好地把握风功率变化趋势,显著提升了预测精度。 展开更多
关键词 时序式风功率预测 双端优化 贝叶斯优化 通道注意力
在线阅读 下载PDF
基于关联信息熵和轻量级梯度提升机的油纸绝缘特征优选策略 被引量:1
3
作者 赖汶鸿 刘庆珍 鄢仁武 《电气技术》 2024年第1期34-41,47,共9页
为了充分挖掘对变压器油纸绝缘综合诊断结果有利的老化特征量,提出一种基于关联信息熵和轻量级梯度提升机(LightGBM)的特征量优选策略。首先,基于不同老化状态的变压器介电响应实测数据,提取不同类别的时域特征量形成初始高维特征空间;... 为了充分挖掘对变压器油纸绝缘综合诊断结果有利的老化特征量,提出一种基于关联信息熵和轻量级梯度提升机(LightGBM)的特征量优选策略。首先,基于不同老化状态的变压器介电响应实测数据,提取不同类别的时域特征量形成初始高维特征空间;其次,引入关联信息熵度量特征子集的相关性及冗余性,再利用轻量级梯度提升机评估特征的重要度,进而得到最优特征空间;最后,对比分析最优特征空间与不同对照组的诊断性能,有效验证了基于所提优选策略确定的最优特征空间的优越性。 展开更多
关键词 油纸绝缘老化 综合诊断 关联信息熵 梯度提升算法 特征选择
在线阅读 下载PDF
基于多级特征提取的BiLSTM短期光伏出力预测
4
作者 林文婷 李培强 +1 位作者 荆志宇 钟吴君 《太阳能学报》 EI CAS CSCD 北大核心 2024年第10期284-297,共14页
传统光伏预测模型易受气象数据波动的影响,且对气象特征不敏感。由此,提出基于多级特征提取的BiLSTM短期光伏出力预测方法,用于预测不同天气类型下的光伏出力。首先,选取与光伏出力相关性较高的气象因素作为输入特征;使用模糊C均值(FCM... 传统光伏预测模型易受气象数据波动的影响,且对气象特征不敏感。由此,提出基于多级特征提取的BiLSTM短期光伏出力预测方法,用于预测不同天气类型下的光伏出力。首先,选取与光伏出力相关性较高的气象因素作为输入特征;使用模糊C均值(FCM)聚类方法,对样本进行灵活划分,通过计算Xie-Beni指标以确定最佳聚类数,将历史数据集聚类为晴天、少云天、晴转多云、阴雨天和恶劣天气;其次,构建CNN-CBAM-TCN多级特征提取器(MFE):利用卷积神经网络(CNN)进行初步的特征提取,结合卷积注意力块(CBAM)抑制非重要特征,之后,利用时间卷积网络(TCN)进一步捕捉日内光伏出力的时序特征;最后,借助双向长短期记忆网络(BiLSTM)进行光伏出力预测。在实例分析中,验证了使用Xie-Beni指标确定最佳聚类数的有效性,证明了该模型较其他预测模型在复杂天气类型下具有更高预测精度。 展开更多
关键词 短期光伏出力预测 双向长短期记忆网络 卷积注意力块 时间卷积网络 模糊C均值聚类 Xie-Beni指标
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部