A power management unit （PMU） chip supplying dual panel supply voltage, which has a low electro-magnetic interference （EMI） characteristic and is favorable for miniaturization, is designed. A two-phase charge pump...A power management unit （PMU） chip supplying dual panel supply voltage, which has a low electro-magnetic interference （EMI） characteristic and is favorable for miniaturization, is designed. A two-phase charge pump circuit using external pumping capacitor increases its pumping current and works out the charge-loss problem by using bulk-potential biasing circuit. A low-power start-up circuit is also proposed to reduce the power consumption of the band-gap reference voltage generator. And the ring oscillator used in the ELVSS power circuit is designed with logic devices by supplying the logic power supply to reduce the layout area. The PMU chip is designed with MagnaChip＇s 0.25 μ high-voltage process. The driving currents of ELVDD and ELVSS are more than 50 mA when a SPICE simulation is done.展开更多
远程终端单元(remote terminal unit, RTU)是当前电网中最主要的测量终端,但是其量测量没有统一时标,更新频率低,而且存在不确定性的传输时延。而同步相量测量单元(phasor measurement unit, PMU)具有高同步、高精度等特点,成为电力系...远程终端单元(remote terminal unit, RTU)是当前电网中最主要的测量终端,但是其量测量没有统一时标,更新频率低,而且存在不确定性的传输时延。而同步相量测量单元(phasor measurement unit, PMU)具有高同步、高精度等特点,成为电力系统中重要的数据采集装置。为协调利用这两种测量数据,首先归纳出RTU量测非同步的来源,分析了量测数据不同步对状态估计和潮流计算的影响,并给出了相关的验证结果。并提出基于能量交互算子的量测数据相关性分析方法。该方法应用同步数据间相关性最大的原理,利用PMU所产生的精确数据来同步RTU数据,为混合测量系统确定测量基准时刻。通过对IEEE39节点电网和广东83节点实际电网的仿真,结果表明该方法能有效校正量测数据非同步以及改善状态估计和潮流计算精度。展开更多
大规模风电并网导致电力系统惯量和一次调频响应资源减少,大扰动下系统频率安全问题突出。为应对风电不确定性和系统惯量降低的挑战,提出计及风电频率支撑能力和运行风险的鲁棒机组组合(unitcommitment,UC)模型。首先,通过系统发生有功...大规模风电并网导致电力系统惯量和一次调频响应资源减少,大扰动下系统频率安全问题突出。为应对风电不确定性和系统惯量降低的挑战,提出计及风电频率支撑能力和运行风险的鲁棒机组组合(unitcommitment,UC)模型。首先,通过系统发生有功扰动后频率偏差动力学摆动方程建立频率安全的运行约束模型,并嵌入到UC问题中。其次,考虑到风电出力不确定性,提出风电出力鲁棒可行域定义以表征系统接纳风电的安全运行范围,并基于此提出系统运行风险模型。最后,基于两阶段鲁棒优化理论提出计及风电频率支撑能力和运行风险的UC鲁棒优化模型,并采用列和约束生成(column and constraint generation,C&CG)算法求解该模型。在IEEE9和IEEE118节点测试系统进行仿真分析,结果验证了所提模型的有效性。展开更多
为了提高利用监控和数据采集(supervisory control and data acquisition,SCADA)多变量长时间序列预测齿轮箱油温的精度,解决不同风电机组因处不同运行环境导致的数据分布不一致的问题,提出了一种基于多分支时间序列预测与迁移学习相结...为了提高利用监控和数据采集(supervisory control and data acquisition,SCADA)多变量长时间序列预测齿轮箱油温的精度,解决不同风电机组因处不同运行环境导致的数据分布不一致的问题,提出了一种基于多分支时间序列预测与迁移学习相结合的齿轮箱状态监测方法。首先,利用极致梯度提升(extreme gradient boosting,XGBoost)算法筛选输入参数组成原始序列,对其进行分解得到季节与趋势序列。其次,提出季节、趋势序列特征提取模块获取季节及趋势特征的序列,将其与经过Informer模型处理后的特征序列进行融合后输入进多层感知机映射成最终的预测值,以构建提出的多分支时间序列预测网络(multi-branch time series prediction network,MBFN)。最后,利用迁移学习并结合一分类向量支持机(one-class support vector machine,OCSVM)模型及滑动窗口构建齿轮箱的健康指数,完成齿轮箱状态监测。实验结果表明,所提出模型的MBFN显著提高了油温预测精度,优于常规时间序列预测模型,所使用的迁移策略能以较少数据适应不同数据的分布,进而实现对齿轮箱的状态监测,并且所提出的模型可以提前18.9 d发出齿轮箱故障预警。展开更多
文摘A power management unit （PMU） chip supplying dual panel supply voltage, which has a low electro-magnetic interference （EMI） characteristic and is favorable for miniaturization, is designed. A two-phase charge pump circuit using external pumping capacitor increases its pumping current and works out the charge-loss problem by using bulk-potential biasing circuit. A low-power start-up circuit is also proposed to reduce the power consumption of the band-gap reference voltage generator. And the ring oscillator used in the ELVSS power circuit is designed with logic devices by supplying the logic power supply to reduce the layout area. The PMU chip is designed with MagnaChip＇s 0.25 μ high-voltage process. The driving currents of ELVDD and ELVSS are more than 50 mA when a SPICE simulation is done.
文摘远程终端单元(remote terminal unit, RTU)是当前电网中最主要的测量终端,但是其量测量没有统一时标,更新频率低,而且存在不确定性的传输时延。而同步相量测量单元(phasor measurement unit, PMU)具有高同步、高精度等特点,成为电力系统中重要的数据采集装置。为协调利用这两种测量数据,首先归纳出RTU量测非同步的来源,分析了量测数据不同步对状态估计和潮流计算的影响,并给出了相关的验证结果。并提出基于能量交互算子的量测数据相关性分析方法。该方法应用同步数据间相关性最大的原理,利用PMU所产生的精确数据来同步RTU数据,为混合测量系统确定测量基准时刻。通过对IEEE39节点电网和广东83节点实际电网的仿真,结果表明该方法能有效校正量测数据非同步以及改善状态估计和潮流计算精度。
文摘大规模风电并网导致电力系统惯量和一次调频响应资源减少,大扰动下系统频率安全问题突出。为应对风电不确定性和系统惯量降低的挑战,提出计及风电频率支撑能力和运行风险的鲁棒机组组合(unitcommitment,UC)模型。首先,通过系统发生有功扰动后频率偏差动力学摆动方程建立频率安全的运行约束模型,并嵌入到UC问题中。其次,考虑到风电出力不确定性,提出风电出力鲁棒可行域定义以表征系统接纳风电的安全运行范围,并基于此提出系统运行风险模型。最后,基于两阶段鲁棒优化理论提出计及风电频率支撑能力和运行风险的UC鲁棒优化模型,并采用列和约束生成(column and constraint generation,C&CG)算法求解该模型。在IEEE9和IEEE118节点测试系统进行仿真分析,结果验证了所提模型的有效性。
文摘为了提高利用监控和数据采集(supervisory control and data acquisition,SCADA)多变量长时间序列预测齿轮箱油温的精度,解决不同风电机组因处不同运行环境导致的数据分布不一致的问题,提出了一种基于多分支时间序列预测与迁移学习相结合的齿轮箱状态监测方法。首先,利用极致梯度提升(extreme gradient boosting,XGBoost)算法筛选输入参数组成原始序列,对其进行分解得到季节与趋势序列。其次,提出季节、趋势序列特征提取模块获取季节及趋势特征的序列,将其与经过Informer模型处理后的特征序列进行融合后输入进多层感知机映射成最终的预测值,以构建提出的多分支时间序列预测网络(multi-branch time series prediction network,MBFN)。最后,利用迁移学习并结合一分类向量支持机(one-class support vector machine,OCSVM)模型及滑动窗口构建齿轮箱的健康指数,完成齿轮箱状态监测。实验结果表明,所提出模型的MBFN显著提高了油温预测精度,优于常规时间序列预测模型,所使用的迁移策略能以较少数据适应不同数据的分布,进而实现对齿轮箱的状态监测,并且所提出的模型可以提前18.9 d发出齿轮箱故障预警。
