由于风电功率预测的局限性，难以准确而有效地刻画风电功率的概率分布函数，提出考虑风电功率概率分布不确定性的含风电配电网无功规划方法。该方法可有效应用于风电概率分布集合中的任意分布情况，在一定概率约束下保证配电网的安全运行要求，同时最小化配电网网损和无功设备投资成本之和。采用概率分布鲁棒机会约束模型描述含风电的配电网无功规划问题，根据潮流平衡等式分离节点电压和支路功率约束中的随机向量，根据条件风险价值（CVaR）的物理意义构建关于节点电压约束和支路功率约束的CVaR模型，利用对偶优化、Schur补和S-lemma的性质将该模型转化为确定性的双线性矩阵不等式（BMI）问题。采用基于BMI优化的免疫粒子群算法求解该问题。改进的IEEE 33节点配电系统仿真结果验证了所提无功规划方法的可行性和有效性。
2021-12-27 18:26:22
1.16MB
1
受风速随机变化的影响,风电输出功率具有波动性。为了平抑风电输出功率的波动,在配置电池储能系统的基础上,文中基于风电短期平均功率预测技术,以风电时间周期T的平均功率为对象,采用时间序列法进行预测,实时滚动预测未来每个时间周期T的平均功率,结合平抑度要求和电池荷电状态限制条件,控制并网功率在每个时间周期T都保持在平均功率附近的可接受范围内,分段平抑功率波动。其中,根据电网对风电功率波动的可接受程度,设置平抑度,为防止电池过充放电,对电池SOC进行限制。最后以某风电场的实际历史数据为例,在Matlab中进行了仿真分析,验证了所述方法的有效性。
2021-11-28 19:32:23
241KB
1
提取多通道脑电（EEG）功率谱特征，训练连续高斯密度混合隐马尔科夫模型（CHMM），建立了基于功率谱-CHMM的精神疲劳分级模型。分级结果表明：EEG各节律功率谱及其比值是精神疲劳的敏感指标，CHMM对于不同的精神疲劳状态具有较高的分类精度，最高分类正确率达到97.5%；在训练样本相同的情况下，CHMM比反向传输人工神经网络具有更高的分类精度。
2021-11-26 15:45:37
366KB
1