期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
一种考虑风电场并网的大电网快速主动解列策略 被引量:5
1
作者 唐飞 刘扬 +2 位作者 施浩波 邹宏亮 周芳 《电工技术学报》 EI CSCD 北大核心 2019年第10期2092-2101,共10页
针对高风电渗透率电力系统的快速主动解列问题,提出了一种两阶段高风电渗透率下大电网全时段快速主动解列策略。在第一阶段,通过修正系统的收缩导纳矩阵将风功率进行等值,离线计算出电机耦合程度的分类结果并对其功角拉普拉斯矩阵进行... 针对高风电渗透率电力系统的快速主动解列问题,提出了一种两阶段高风电渗透率下大电网全时段快速主动解列策略。在第一阶段,通过修正系统的收缩导纳矩阵将风功率进行等值,离线计算出电机耦合程度的分类结果并对其功角拉普拉斯矩阵进行在线修正,进而在线获得当前的同调分群结果;在第二阶段,以图论为基础,通过约束谱聚类算法将解列断面搜索问题转换为广义特征值求解问题,并运用改进k-means算法快速求取实时的最优解列断面。最后通过IEEE 118节点系统仿真,验证了所提策略的正确性、有效性和快速性。 展开更多
关键词 主动解列 风电场并网 发电机同调分群 最优解列断面搜索 改进K-MEANS算法
在线阅读 下载PDF
广义的自适应相干累积算法 被引量:2
2
作者 王蓬 梁红 李志舜 《西北工业大学学报》 EI CAS CSCD 北大核心 2005年第1期107-109,共3页
根据最小均方误差 ( LMS)算法、自适应相干累积 ( ACI)算法及推广的自适应相干累积( GACI)算法在原理上的相关性和推广关系 ,提出了广义的自适应相干累积 ( IGACI)算法。它是在GACI的基础上 ,在算法的权系数迭代公式中引入更多的动量因... 根据最小均方误差 ( LMS)算法、自适应相干累积 ( ACI)算法及推广的自适应相干累积( GACI)算法在原理上的相关性和推广关系 ,提出了广义的自适应相干累积 ( IGACI)算法。它是在GACI的基础上 ,在算法的权系数迭代公式中引入更多的动量因子 ,即利用权系数的更多的历史信息 ,使被检测的单频或调频脉冲信号 ,在脉冲期间 ,实现自适应相干累积 ,从而完成低输入信噪比条件下的信号检测 ,而无需或很少需要知道信号的先验信息。理论分析和仿真结果证明在低信噪比的情况下 ,其性能要优于 展开更多
关键词 线性调频 自适应相干累积 广义的自适应相干累积
在线阅读 下载PDF
一种广义的自适应相干累积算法 被引量:2
3
作者 王蓬 《声学技术》 CSCD 2010年第1期87-89,共3页
根据最小均方误差算法(LMS)、自适应相干累积算法(ACI)及推广的自适应相干累积算法(Generalized Adaptive Coherent Integrator,GACI)在原理上的相关性和推广关系,提出了广义的自适应相干累积算法(IGACI)。以GACI为基础,在权系数迭代公... 根据最小均方误差算法(LMS)、自适应相干累积算法(ACI)及推广的自适应相干累积算法(Generalized Adaptive Coherent Integrator,GACI)在原理上的相关性和推广关系,提出了广义的自适应相干累积算法(IGACI)。以GACI为基础,在权系数迭代公式中引入更多的动量因子,即利用权系数的更多的历史信息,使被检测的单频或调频脉冲信号,在脉冲持续期间实现自适应相干累积,从而完成低输入信噪比条件下的信号检测,而无需或很少需要知道信号的先验信息。理论分析和仿真结果证明在低信噪比情况下,其性能优于GACI算法。 展开更多
关键词 线性调频 自适应相干累积 广义的自适应相干累积
在线阅读 下载PDF
广义自适应相干累积算法改进及其在线谱增强中的应用 被引量:2
4
作者 王蓬 宋明玉 +1 位作者 张林芳 王新远 《声学技术》 CSCD 北大核心 2007年第5期919-923,共5页
文章在广义的自适应相干累积(IGACI)算法的基础上,提出了修正系数的IGACI算法。即在相应原权系数基础上乘以修正系数,修正原则是提升末端权系数的幅值,同时可根据信噪比的变化作适当的调整。并将其用于白色噪声下的线谱增强,理论分析和... 文章在广义的自适应相干累积(IGACI)算法的基础上,提出了修正系数的IGACI算法。即在相应原权系数基础上乘以修正系数,修正原则是提升末端权系数的幅值,同时可根据信噪比的变化作适当的调整。并将其用于白色噪声下的线谱增强,理论分析和仿真结果证明了在低信噪比的情况下,其性能要优于IGACI算法。文章还讨论了自适应线谱增强器的两种改进形式,并将IGACI算法应用于其中,仿真结果证明了其优越性。 展开更多
关键词 相干累加 自适应相干累积 自适应线谱增强
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部