可用输电能力(available transfer capability,ATC)是衡量电力系统两点(区域)间可用来进一步可靠传输电能的能力。随着风力发电技术的快速发展和电力市场的逐渐成熟,迫切需要研究大型并网风电场对系统ATC的影响。利用时间序列模型描述...可用输电能力(available transfer capability,ATC)是衡量电力系统两点(区域)间可用来进一步可靠传输电能的能力。随着风力发电技术的快速发展和电力市场的逐渐成熟,迫切需要研究大型并网风电场对系统ATC的影响。利用时间序列模型描述风电场风速和输出功率,进而采用序贯蒙特卡罗仿真的方法对包含风电场的ATC进行概率评估;每一抽样状态的ATC采用关键约束下的交流潮流方法来计算;结合期望值和方差及相应的年度化指标评估风电场对ATC的影响。利用包含风电场的改进IEEE-RTS79系统进行仿真和算法验证,表明所提算法能快速而准确地计算ATC,并能有效评估风电场对ATC的影响,研究成果可为电力系统的运行和风电场的规划提供有益的参考。展开更多
针对含大规模风电场的电力系统的可用输电能力(available transfer capability,ATC)进行研究,首先基于连续潮流法,提出了线性预测关键约束的改进算法,并引入到交流潮流模型中形成扩展潮流方程求解电力系统确定性ATC,且推导了电力系统AT...针对含大规模风电场的电力系统的可用输电能力(available transfer capability,ATC)进行研究,首先基于连续潮流法,提出了线性预测关键约束的改进算法,并引入到交流潮流模型中形成扩展潮流方程求解电力系统确定性ATC,且推导了电力系统ATC对风电等节点的注入功率波动的灵敏度快速估算模型。在此基础上,结合风电并网系统的多维可视化注入功率空间,提出了一种采用分层类聚算法划分蒙特卡罗抽样样本,综合考虑发电机随机故障、线路随机故障、风电场风速、发电机出力和负荷波动等多种不确定因素的概率ATC快速计算方法,最后通过算例分析验证了该算法的快速有效性。展开更多
为减少采摘点定位不当导致末端碰撞损伤结果枝与果串,致使采摘失败及损伤率提高等问题,该研究提出了基于深度学习与葡萄关键结构多目标识别的采摘点定位方法。首先,通过改进YOLACT++模型对结果枝、果梗、果串等葡萄关键结构进行识别与分...为减少采摘点定位不当导致末端碰撞损伤结果枝与果串,致使采摘失败及损伤率提高等问题,该研究提出了基于深度学习与葡萄关键结构多目标识别的采摘点定位方法。首先,通过改进YOLACT++模型对结果枝、果梗、果串等葡萄关键结构进行识别与分割;结合关键区域间的相交情况、相对位置,构建同串葡萄关键结构从属判断与合并方法。最后设计了基于结构约束与范围再选的果梗低碰撞感兴趣区域(region of interest,ROI)选择方法,并以该区域果梗质心为采摘点。试验结果表明,相比于原始的YOLACT++,G-YOLACT++边界框和掩膜平均精度均值分别提升了0.83与0.88个百分点;对单串果实、多串果实样本关键结构从属判断与合并的正确率分别为88%、90%,对关键结构不完整的果串剔除正确率为92.3%;相较于以ROI中果梗外接矩形的中心、以模型识别果梗的质心作为采摘点的定位方法,该研究采摘点定位方法的成功率分别提升了10.95、81.75个百分点。该研究为葡萄采摘机器人的优化提供了技术支持,为非结构化环境中的串类果实采摘机器人的低损收获奠定基础。展开更多
文摘可用输电能力(available transfer capability,ATC)是衡量电力系统两点(区域)间可用来进一步可靠传输电能的能力。随着风力发电技术的快速发展和电力市场的逐渐成熟,迫切需要研究大型并网风电场对系统ATC的影响。利用时间序列模型描述风电场风速和输出功率,进而采用序贯蒙特卡罗仿真的方法对包含风电场的ATC进行概率评估;每一抽样状态的ATC采用关键约束下的交流潮流方法来计算;结合期望值和方差及相应的年度化指标评估风电场对ATC的影响。利用包含风电场的改进IEEE-RTS79系统进行仿真和算法验证,表明所提算法能快速而准确地计算ATC,并能有效评估风电场对ATC的影响,研究成果可为电力系统的运行和风电场的规划提供有益的参考。
文摘针对含大规模风电场的电力系统的可用输电能力(available transfer capability,ATC)进行研究,首先基于连续潮流法,提出了线性预测关键约束的改进算法,并引入到交流潮流模型中形成扩展潮流方程求解电力系统确定性ATC,且推导了电力系统ATC对风电等节点的注入功率波动的灵敏度快速估算模型。在此基础上,结合风电并网系统的多维可视化注入功率空间,提出了一种采用分层类聚算法划分蒙特卡罗抽样样本,综合考虑发电机随机故障、线路随机故障、风电场风速、发电机出力和负荷波动等多种不确定因素的概率ATC快速计算方法,最后通过算例分析验证了该算法的快速有效性。
文摘为减少采摘点定位不当导致末端碰撞损伤结果枝与果串,致使采摘失败及损伤率提高等问题,该研究提出了基于深度学习与葡萄关键结构多目标识别的采摘点定位方法。首先,通过改进YOLACT++模型对结果枝、果梗、果串等葡萄关键结构进行识别与分割;结合关键区域间的相交情况、相对位置,构建同串葡萄关键结构从属判断与合并方法。最后设计了基于结构约束与范围再选的果梗低碰撞感兴趣区域(region of interest,ROI)选择方法,并以该区域果梗质心为采摘点。试验结果表明,相比于原始的YOLACT++,G-YOLACT++边界框和掩膜平均精度均值分别提升了0.83与0.88个百分点;对单串果实、多串果实样本关键结构从属判断与合并的正确率分别为88%、90%,对关键结构不完整的果串剔除正确率为92.3%;相较于以ROI中果梗外接矩形的中心、以模型识别果梗的质心作为采摘点的定位方法,该研究采摘点定位方法的成功率分别提升了10.95、81.75个百分点。该研究为葡萄采摘机器人的优化提供了技术支持,为非结构化环境中的串类果实采摘机器人的低损收获奠定基础。
