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
为了准确识别气体绝缘开关柜(gas insulated switchgear,GIS)设备的异常工况,提出了一种基于加权梅尔频率谱系数单类支持向量机(Mel frequency cestrum coefficient-one class support vector machine,MFCC-OCSVM)和贝叶斯优化的门控循...为了准确识别气体绝缘开关柜(gas insulated switchgear,GIS)设备的异常工况,提出了一种基于加权梅尔频率谱系数单类支持向量机(Mel frequency cestrum coefficient-one class support vector machine,MFCC-OCSVM)和贝叶斯优化的门控循环单元(bidirectional gate recurrent unit,BiGRU)声纹识别算法。首先,利用基于F统计量的MFCC对声纹数据进行加权特征提取,突出重要特征并减弱噪声的影响,然后利用OCSVM对加权后的特征进行异常检测并去除异常值,提高数据质量。为解决样本不平衡问题,采用合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)进行声纹样本的均衡。最后,应用基于贝叶斯优化的BiGRU模型进行声纹识别。以某气体绝缘全封闭组合电器(gas insulated switchgear,GIS)为例,采集了20类不同工况下操纵机构的声音样本,与多种经典分类模型进行对比。结果显示,所提算法取得的最高平均识别准确率达到了92.8%,相比于自适应增强、朴素贝叶斯和线性判别分析算法分别提升了30.1%、14.7%和11.5%。通过消融实验进一步评估和验证了所提算法各个流程对声纹识别的实际效果和性能影响,研究成果可为GIS设备异常工况的声纹识别提供高效技术路线。展开更多
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。
