近年来,随着风电、光伏等电力电子接口电源大规模接入电网,电网整体惯量水平持续降低,节点惯量呈现出空间分布差异,系统频率失稳风险显著增加。因此,亟待快速评估电网惯量分布情况,以便调度运行人员及时制定有效惯量调控措施。提出了一...近年来,随着风电、光伏等电力电子接口电源大规模接入电网,电网整体惯量水平持续降低,节点惯量呈现出空间分布差异,系统频率失稳风险显著增加。因此,亟待快速评估电网惯量分布情况,以便调度运行人员及时制定有效惯量调控措施。提出了一种基于极大似然辨识的电网节点惯量估计方法。先利用频率和有功功率量测数据,构建用于惯量估计的带外部输入的自回归滑动平均模型(autoregressive moving average model with exogenous inputs,ARMAX);再利用极大似然辨识方法,识别ARMAX模型中的未知参数;然后,结合节点有功-频率传递函数和计数器确定惯量估计值和所需最小量测数据长度;最后,基于改进的CEPRI-36点系统进行的仿真测试验证了该方法的有效性。展开更多
文章以黑龙江水产研究所渤海冷水性鱼类试验站5个品系虹鳟为材料,建立300家系,养殖到2龄时,对约5000尾鱼的生长数据,采用单性状约束最大似然法(Restricted Maximum Likelihood Method,REML)对其生长性状进行遗传参数的估计。结果表明,...文章以黑龙江水产研究所渤海冷水性鱼类试验站5个品系虹鳟为材料,建立300家系,养殖到2龄时,对约5000尾鱼的生长数据,采用单性状约束最大似然法(Restricted Maximum Likelihood Method,REML)对其生长性状进行遗传参数的估计。结果表明,体重的遗传力为范围为0.20～0.45、体长的遗传力范围为0.17～0.43、肥满度的遗传力范围为0.47～0.65。其中肥满度的遗传性能稍高于体重和全长的遗传性能。另外,从性状的表型相关来看,体重和体长之间存在较大的正相关。展开更多
针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。I...针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。IMBO算法通过精英反向学习策略对初始帝王蝶种群进行优化,得到适应度值较优的初始帝王蝶个体,进而能够改善帝王蝶种群的多样性;引入差分进化算法启发的变异操作以及自适应策略对帝王蝶个体的寻优方式进行改进,扩大了算法的搜索空间;引入了高斯-柯西变异算子,自适应调整变异步长,避免算法陷入局部最优。将IMBO应用于ML-DOA,实验表明,与传统的DOA估计算法相比,在不同信源数目、信噪比以及种群数量下,本文提出的算法收敛性能更好,均方根误差更低,运算量更小。展开更多
文摘近年来,随着风电、光伏等电力电子接口电源大规模接入电网,电网整体惯量水平持续降低,节点惯量呈现出空间分布差异,系统频率失稳风险显著增加。因此,亟待快速评估电网惯量分布情况,以便调度运行人员及时制定有效惯量调控措施。提出了一种基于极大似然辨识的电网节点惯量估计方法。先利用频率和有功功率量测数据,构建用于惯量估计的带外部输入的自回归滑动平均模型(autoregressive moving average model with exogenous inputs,ARMAX);再利用极大似然辨识方法,识别ARMAX模型中的未知参数;然后,结合节点有功-频率传递函数和计数器确定惯量估计值和所需最小量测数据长度;最后,基于改进的CEPRI-36点系统进行的仿真测试验证了该方法的有效性。
文摘文章以黑龙江水产研究所渤海冷水性鱼类试验站5个品系虹鳟为材料,建立300家系,养殖到2龄时,对约5000尾鱼的生长数据,采用单性状约束最大似然法(Restricted Maximum Likelihood Method,REML)对其生长性状进行遗传参数的估计。结果表明,体重的遗传力为范围为0.20～0.45、体长的遗传力范围为0.17～0.43、肥满度的遗传力范围为0.47～0.65。其中肥满度的遗传性能稍高于体重和全长的遗传性能。另外,从性状的表型相关来看,体重和体长之间存在较大的正相关。
文摘针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。IMBO算法通过精英反向学习策略对初始帝王蝶种群进行优化,得到适应度值较优的初始帝王蝶个体,进而能够改善帝王蝶种群的多样性;引入差分进化算法启发的变异操作以及自适应策略对帝王蝶个体的寻优方式进行改进,扩大了算法的搜索空间;引入了高斯-柯西变异算子,自适应调整变异步长,避免算法陷入局部最优。将IMBO应用于ML-DOA,实验表明,与传统的DOA估计算法相比,在不同信源数目、信噪比以及种群数量下,本文提出的算法收敛性能更好,均方根误差更低,运算量更小。
