针对大型配电网最小环集获取耗时,以及现有优化算法难以在短时间内生成高质量故障重构方案等问题,提出一种快速配电网故障重构的编码改进及其应用算法。首先,基于Tarjan算法检测并剔除故障导致的孤岛区域,并根据最小环与反向边关联特性...针对大型配电网最小环集获取耗时,以及现有优化算法难以在短时间内生成高质量故障重构方案等问题,提出一种快速配电网故障重构的编码改进及其应用算法。首先,基于Tarjan算法检测并剔除故障导致的孤岛区域,并根据最小环与反向边关联特性在最大双连通分量子图上利用宽度优先搜索(breadth first search,BFS)找到最小环集。其次,以最小环作为编码,针对环消除过程中不可行解的产生原因进行编码优化。然后,结合故障重构问题,利用抽样、图论和交叉方式对河马优化算法的3个关键搜索过程进行改进。最后,基于真实的751节点大型配电网算例,展开仿真分析。实验结果表明,所提方法获取最小环集的时间仅为现有方法的3.45%,并且在5 s内生成的故障重构策略,在网损、开关次数和电压偏差方面均优于其他算法。展开更多
锂电池的状态估计和主动均衡是提高电池性能和延长使用寿命的关键技术,针对参数模型的荷电状态(State of charge,SOC)估计方法忽略电动汽车实际工况而导致的估计偏差较大的问题,提出一种基于遗传算法的极限学习机(GA-ELM)神经网络算法...锂电池的状态估计和主动均衡是提高电池性能和延长使用寿命的关键技术,针对参数模型的荷电状态(State of charge,SOC)估计方法忽略电动汽车实际工况而导致的估计偏差较大的问题,提出一种基于遗传算法的极限学习机(GA-ELM)神经网络算法来估计电池的荷电状态SOC,通过遗传算法优化了ELM的参数,提高估计精度和泛化能力,并在UDDS工况数据下进行训练与测试。同时采用双向Buck-Boost均衡拓扑结构,该拓扑结构能够快速实现电池间的能量传递,同时又降低了传递路径的复杂性。通过遗传算法的极限学习机估计出的SOC作为均衡变量,利用Matlab/Simulink仿真平台进行试验。结果表明,提出的GA-ELM神经网络平均误差为0.15%,而传统的ELM神经网络平均误差为0.56%,因此提出的神经网络能够更精确地估计SOC;同时电池组之间能够快速完成能量均衡,证明了所提方案的可行性。展开更多
文摘针对大型配电网最小环集获取耗时,以及现有优化算法难以在短时间内生成高质量故障重构方案等问题,提出一种快速配电网故障重构的编码改进及其应用算法。首先,基于Tarjan算法检测并剔除故障导致的孤岛区域,并根据最小环与反向边关联特性在最大双连通分量子图上利用宽度优先搜索(breadth first search,BFS)找到最小环集。其次,以最小环作为编码,针对环消除过程中不可行解的产生原因进行编码优化。然后,结合故障重构问题,利用抽样、图论和交叉方式对河马优化算法的3个关键搜索过程进行改进。最后,基于真实的751节点大型配电网算例,展开仿真分析。实验结果表明,所提方法获取最小环集的时间仅为现有方法的3.45%,并且在5 s内生成的故障重构策略,在网损、开关次数和电压偏差方面均优于其他算法。
文摘锂电池的状态估计和主动均衡是提高电池性能和延长使用寿命的关键技术,针对参数模型的荷电状态(State of charge,SOC)估计方法忽略电动汽车实际工况而导致的估计偏差较大的问题,提出一种基于遗传算法的极限学习机(GA-ELM)神经网络算法来估计电池的荷电状态SOC,通过遗传算法优化了ELM的参数,提高估计精度和泛化能力,并在UDDS工况数据下进行训练与测试。同时采用双向Buck-Boost均衡拓扑结构,该拓扑结构能够快速实现电池间的能量传递,同时又降低了传递路径的复杂性。通过遗传算法的极限学习机估计出的SOC作为均衡变量,利用Matlab/Simulink仿真平台进行试验。结果表明,提出的GA-ELM神经网络平均误差为0.15%,而传统的ELM神经网络平均误差为0.56%,因此提出的神经网络能够更精确地估计SOC;同时电池组之间能够快速完成能量均衡,证明了所提方案的可行性。
