针对多个风电机组接入配电网带来的不确定性问题,采用基于拉丁超立方采样的Monte Carlo概率潮流计算方法(correlation Latin hypercube sampling Monte Carlo simulation,CLMCS)以及场景缩减技术得到风机组输出功率的典型场景,将不确定...针对多个风电机组接入配电网带来的不确定性问题,采用基于拉丁超立方采样的Monte Carlo概率潮流计算方法(correlation Latin hypercube sampling Monte Carlo simulation,CLMCS)以及场景缩减技术得到风机组输出功率的典型场景,将不确定性问题转化为单场景确定性潮流问题。并建立以有功网损最小、电压偏差最小作为目标函数的配电网无功优化数学模型。采用e正交多目标差分进化算法(e-orthogonal differential evolution multi-objective algorithm,e-ODEMO)进行计算得到非劣解集,该算法基于一般差分演化算法,结合正交实验方法使初始个体均匀分布在决策变量空间,利用e占优技术对Archive群体进行更新,能得到均匀分布的非劣解集。应用IEEE 33节点以及PG&E 69节点配电网系统进行了测试,结果验证了所提方法和模型的可行性与有效性。展开更多
针对机械故障振动信号在变工况条件下的特征提取与智能诊断问题,该研究提出了一种将变分模态分解(Variational Mode Decomposition,VMD)的优化算法与深度迁移学习(Deep Transfer Learning,DTL)模型相结合的故障诊断方法。首先,通过多种...针对机械故障振动信号在变工况条件下的特征提取与智能诊断问题,该研究提出了一种将变分模态分解(Variational Mode Decomposition,VMD)的优化算法与深度迁移学习(Deep Transfer Learning,DTL)模型相结合的故障诊断方法。首先,通过多种群差分进化(Multiple Population Differential Evolution,MPDE)算法和包络熵适应度函数来优化VMD,以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题,再将VMD分解后的本征模态函数根据平均峭度准则进行重构,重构信号经过连续小波变换后获取信号时频特征。然后在深度残差网络(Deep Residual Network,ResNet)的基础上,将ResNet网络与迁移学习(Transfer Learning,TL)模型进行结合,采用边缘分布自适应方法缩小机械故障信号源域数据集与目标域数据集之间的差异,构建出适合于变工况条件下的机械故障诊断深度迁移学习模型。最后,在4个不同工况条件下的滚动轴承试验数据集中,将所提出的MPDE-VMD+DTL的故障诊断方法与传统BP神经网络、ResNet卷积神经网络和迁移成分分析进行对比。结果表明,该研究的MPDE-VMD+DTL方法诊断精度达到84.36%,BP、ResNet和迁移成分分析方法的诊断精度分别为23.60%、71.63%和19.68%,均低于该研究方法。MPDE-VMD+DTL方法实现了在不同工况下的端到端机械故障智能诊断,同时具有较好的泛化能力和鲁棒性。展开更多
文摘针对多个风电机组接入配电网带来的不确定性问题,采用基于拉丁超立方采样的Monte Carlo概率潮流计算方法(correlation Latin hypercube sampling Monte Carlo simulation,CLMCS)以及场景缩减技术得到风机组输出功率的典型场景,将不确定性问题转化为单场景确定性潮流问题。并建立以有功网损最小、电压偏差最小作为目标函数的配电网无功优化数学模型。采用e正交多目标差分进化算法(e-orthogonal differential evolution multi-objective algorithm,e-ODEMO)进行计算得到非劣解集,该算法基于一般差分演化算法,结合正交实验方法使初始个体均匀分布在决策变量空间,利用e占优技术对Archive群体进行更新,能得到均匀分布的非劣解集。应用IEEE 33节点以及PG&E 69节点配电网系统进行了测试,结果验证了所提方法和模型的可行性与有效性。
