中点电位的平衡控制是中点钳位式三电平拓扑安全可靠运行的关键,但现有文献均未能通过建立精确的数学模型对中点电位漂移的物理机理进行精确分析,控制参数整定困难。该文建立了考虑未知干扰和参数摄动影响的中点钳位式三电平D-STATCOM...中点电位的平衡控制是中点钳位式三电平拓扑安全可靠运行的关键,但现有文献均未能通过建立精确的数学模型对中点电位漂移的物理机理进行精确分析,控制参数整定困难。该文建立了考虑未知干扰和参数摄动影响的中点钳位式三电平D-STATCOM的精确数学模型,利用重复控制与无源性控制相结合的方法实现了基于鲁棒L_2性能准则的电流控制器设计,精确分析了参数摄动导致的有功能量分配不均是中点电位漂移的根本原因。通过零序分量注入,利用直流侧上下端电容器之间的有功能量交换实现了中点电位的平衡控制。通过仿真以及1.14 k V,±400 k Var煤矿供电系统的工程应用,验证了该文所建立模型的准确性以及所提控制算法的可行性和有效性。展开更多
对工作在不平衡条件下的星型连接的链式D-STATCOM提出一种控制策略。通过等效变换,考虑未知干扰和参数摄动,建立abc坐标系下精确的数学模型。一种无源性控制与重复控制相结合鲁棒L2增益性能的新方法用于实现电流控制,重复控制用于补偿...对工作在不平衡条件下的星型连接的链式D-STATCOM提出一种控制策略。通过等效变换,考虑未知干扰和参数摄动,建立abc坐标系下精确的数学模型。一种无源性控制与重复控制相结合鲁棒L2增益性能的新方法用于实现电流控制,重复控制用于补偿周期性干扰,无源控制用来保证重复控制的收敛性和对控制目标的跟踪,同时也补偿非周期干扰对系统的影响。直流电压控制由三层组成,第一层通过注入正序有功电流,第二层通过注入零序电压,第三层基于H桥单元之间有功能量的交换。控制策略的有效性通过仿真和在10 k V,±5 MVar的链式D-STATCOM装置工程测试所验证。展开更多
故障诊断对电力系统的稳定运行至关重要。当配电网的拓扑结构发生较大变化时,难以获取大量带有标签的暂态数据,导致传统的故障预测模型精度难以提高。针对此问题,提出一种将特征迁移和深度学习相结合的配电网故障诊断新方法。首先,采集...故障诊断对电力系统的稳定运行至关重要。当配电网的拓扑结构发生较大变化时,难以获取大量带有标签的暂态数据,导致传统的故障预测模型精度难以提高。针对此问题,提出一种将特征迁移和深度学习相结合的配电网故障诊断新方法。首先,采集配电网不同线路的零序电流构造故障特征集;其次,引入加权半监督迁移成分分析(semi-supervised transfer component analysis,SSTCA)方法,利用混合核函数将不同拓扑结构下的特征样本映射到同一特征空间中,缩小数据间的分布差异性;最后,将映射后的源域样本输入卷积神经网络中进行分类训练,并测试映射后的目标域样本。通过Simulink仿真表明,在改变配电网拓扑结构的新场景下,所提的特征迁移方法与其他方法相比,对目标域故障定位精度最高,达到98%以上。展开更多
文摘中点电位的平衡控制是中点钳位式三电平拓扑安全可靠运行的关键,但现有文献均未能通过建立精确的数学模型对中点电位漂移的物理机理进行精确分析,控制参数整定困难。该文建立了考虑未知干扰和参数摄动影响的中点钳位式三电平D-STATCOM的精确数学模型,利用重复控制与无源性控制相结合的方法实现了基于鲁棒L_2性能准则的电流控制器设计,精确分析了参数摄动导致的有功能量分配不均是中点电位漂移的根本原因。通过零序分量注入,利用直流侧上下端电容器之间的有功能量交换实现了中点电位的平衡控制。通过仿真以及1.14 k V,±400 k Var煤矿供电系统的工程应用,验证了该文所建立模型的准确性以及所提控制算法的可行性和有效性。
文摘对工作在不平衡条件下的星型连接的链式D-STATCOM提出一种控制策略。通过等效变换,考虑未知干扰和参数摄动,建立abc坐标系下精确的数学模型。一种无源性控制与重复控制相结合鲁棒L2增益性能的新方法用于实现电流控制,重复控制用于补偿周期性干扰,无源控制用来保证重复控制的收敛性和对控制目标的跟踪,同时也补偿非周期干扰对系统的影响。直流电压控制由三层组成,第一层通过注入正序有功电流,第二层通过注入零序电压,第三层基于H桥单元之间有功能量的交换。控制策略的有效性通过仿真和在10 k V,±5 MVar的链式D-STATCOM装置工程测试所验证。
文摘故障诊断对电力系统的稳定运行至关重要。当配电网的拓扑结构发生较大变化时,难以获取大量带有标签的暂态数据,导致传统的故障预测模型精度难以提高。针对此问题,提出一种将特征迁移和深度学习相结合的配电网故障诊断新方法。首先,采集配电网不同线路的零序电流构造故障特征集;其次,引入加权半监督迁移成分分析(semi-supervised transfer component analysis,SSTCA)方法,利用混合核函数将不同拓扑结构下的特征样本映射到同一特征空间中,缩小数据间的分布差异性;最后,将映射后的源域样本输入卷积神经网络中进行分类训练,并测试映射后的目标域样本。通过Simulink仿真表明,在改变配电网拓扑结构的新场景下,所提的特征迁移方法与其他方法相比,对目标域故障定位精度最高,达到98%以上。
