高比例新能源接入使配电网具备一定的主动电压支撑能力,可通过调节公共连接点无功功率,实现输配协同电压调控。然而,新能源出力波动及输配耦合效应加剧了电压失稳过程的复杂性,给短期电压稳定(short-term voltage stability,STVS)评估...高比例新能源接入使配电网具备一定的主动电压支撑能力,可通过调节公共连接点无功功率,实现输配协同电压调控。然而,新能源出力波动及输配耦合效应加剧了电压失稳过程的复杂性,给短期电压稳定(short-term voltage stability,STVS)评估带来挑战。为此,提出计及输配协同的STVS数据驱动评估方法,首先,区别于传统评估中将配电网简化为不可控等值负荷,构建计及配电网主动电压支撑能力的系统时域仿真拓展模型,基于优化方法量化支撑能力并嵌入时域仿真,反映其对电压稳定的影响。其次,基于该模型与历史数据,构建以系统量测量为输入、稳定性状态为输出的训练数据集,训练卷积神经网络(convolutional neural network,CNN)实现STVS在线评估。相比于现有基于深度学习的STVS评估,提出了基于关键节点电压的输入-输出变量降维提取方法,可显著减少训练数据量,提升学习效率。算例仿真结果验证了所提方法在STVS评估和电压失稳程度量化方面的有效性。展开更多
锂电池健康状态(state of health,SOH)的在线估计是锂电池管理系统中必不可少的一部分。大部分基于数据驱动的锂电池SOH估计方法由于计算量较大,难以在锂电池管理系统微控制器中在线使用。因此,文中提出基于新型健康特征的锂电池SOH快...锂电池健康状态(state of health,SOH)的在线估计是锂电池管理系统中必不可少的一部分。大部分基于数据驱动的锂电池SOH估计方法由于计算量较大,难以在锂电池管理系统微控制器中在线使用。因此,文中提出基于新型健康特征的锂电池SOH快速估计方法。首先,分析锂电池的充电数据,基于已有的锂电池恒流充电过程的等压升时间(time interval of an equal charging voltage difference,TIECVD)健康特征,构建一个同充电电压起点、同充电时间间隔的健康特征。其次,文中提出基于新型健康特征和多元线性回归(multiple linear regression,MLR)的锂电池SOH快速估计方法。然后,通过对牛津锂电池老化数据集和美国国家航空航天局锂电池随机使用数据集进行分析,以0.01 V步长遍历恒流充电电压区间,以皮尔逊相关系数最大为目标,确定锂电池最优的起始电压。最后,考虑不同充电时间间隔,利用最小二乘(ordinary least squares,OLS)回归分析方法,确定锂电池最优充电时间间隔参数。使用2个数据集划分的训练集建立MLR模型,使用2个数据集划分的验证集对文中方法进行验证。实验结果表明,文中基于新型健康特征方法可极大缩减计算量,并且可以在保障预测精度的前提下实现锂电池SOH的快速估计。展开更多
文摘高比例新能源接入使配电网具备一定的主动电压支撑能力,可通过调节公共连接点无功功率,实现输配协同电压调控。然而,新能源出力波动及输配耦合效应加剧了电压失稳过程的复杂性,给短期电压稳定(short-term voltage stability,STVS)评估带来挑战。为此,提出计及输配协同的STVS数据驱动评估方法,首先,区别于传统评估中将配电网简化为不可控等值负荷,构建计及配电网主动电压支撑能力的系统时域仿真拓展模型,基于优化方法量化支撑能力并嵌入时域仿真,反映其对电压稳定的影响。其次,基于该模型与历史数据,构建以系统量测量为输入、稳定性状态为输出的训练数据集,训练卷积神经网络(convolutional neural network,CNN)实现STVS在线评估。相比于现有基于深度学习的STVS评估,提出了基于关键节点电压的输入-输出变量降维提取方法,可显著减少训练数据量,提升学习效率。算例仿真结果验证了所提方法在STVS评估和电压失稳程度量化方面的有效性。
文摘锂电池健康状态(state of health,SOH)的在线估计是锂电池管理系统中必不可少的一部分。大部分基于数据驱动的锂电池SOH估计方法由于计算量较大,难以在锂电池管理系统微控制器中在线使用。因此,文中提出基于新型健康特征的锂电池SOH快速估计方法。首先,分析锂电池的充电数据,基于已有的锂电池恒流充电过程的等压升时间(time interval of an equal charging voltage difference,TIECVD)健康特征,构建一个同充电电压起点、同充电时间间隔的健康特征。其次,文中提出基于新型健康特征和多元线性回归(multiple linear regression,MLR)的锂电池SOH快速估计方法。然后,通过对牛津锂电池老化数据集和美国国家航空航天局锂电池随机使用数据集进行分析,以0.01 V步长遍历恒流充电电压区间,以皮尔逊相关系数最大为目标,确定锂电池最优的起始电压。最后,考虑不同充电时间间隔,利用最小二乘(ordinary least squares,OLS)回归分析方法,确定锂电池最优充电时间间隔参数。使用2个数据集划分的训练集建立MLR模型,使用2个数据集划分的验证集对文中方法进行验证。实验结果表明,文中基于新型健康特征方法可极大缩减计算量,并且可以在保障预测精度的前提下实现锂电池SOH的快速估计。
