利用V-I曲线分析负荷扰动对电压稳定性的影响

建立了电力系统供应侧和负荷侧V -I静特性的数学模型 ,提出了利用特性曲线来判断电压稳定性的方法 ,并利用负荷特性曲线的变化趋势来分析负荷增长对电压稳定性的影响。该方法简单、实用 ,可应用于实时在线电压稳定分析     

探针电流调制法在射频低压等离子体诊断中的应用

应用探针电流调制法设计的三探针用于诊断无内电极放电的射频低压等离子体中的电子能量分布函数。测量了氮气等离子体在压强为０．１３～１３Ｐａ时的电子能量分布函数。由此得到的电子平均能量，与由探针Ｖ－Ｉ特性计算得到的电子平均能量相差不超过５％，证明了本测量系统的可靠性。     

基于图像编码与深度学习的非侵入式负荷识别方法

非侵入式负荷识别(non-intrusive load monitoring,NILM)是一种不依赖用户内部装置,仅凭借外部分析工具和手段即可实现用户用电行为自动感知的方法.提高非侵入式负荷识别的精度,对于开展用能监测服务、实现节能降损具有重要意义.提出了一种基于彩色图像编码与深度学习的电力负荷识别方法.该方法首先在传统电压-电流(V-I)灰色轨迹法的基础上,利用双线性插值技术有效解决了像素点不连续的问题;然后考虑了特征之间的互补性,通过构造电流(R)、电压(G)和相位(B)3个通道,将数值特征嵌入灰色V-I轨迹中,从而得到了蕴含丰富电气特征的彩色V-I图像;最后,采用AlexNet深度学习算法对彩色V-I图像和对应设备标签进行有监督的学习,从而实现了不同类别电器设备的有效辨识.算例测试结果表明,提出的负荷识别方法的准确率高达97.7％.该结果充分验证了上述方法的有效性.     

一种判断静态电压稳定性的新方法

文中对简单系统的供应侧和负荷侧Ｖ-Ｉ特性进行了研究,得出了利用平衡点处两曲线的斜率比较判断电压稳定的新方法,并成功地将该方法应用于复杂系统。算例验证了其有效性。     

基于K-means聚类与PSO特征优选KNN的分级负荷识别方法

针对非侵入式负荷辨识中,单一V-I轨迹特征无法对相似的轨迹特征进行有效识别以及所提取特征易出现冗余甚至噪声特征的问题,提出了一种基于K-means聚类与PSO特征优选的分级非侵入式负荷识别方法。首先,利用K-means算法对负荷V-I轨迹的HOG特征进行初步分类,将轨迹相似的电器分为一类;然后,对每一类中的电器电流数据进行多维特征提取并采用PSO算法选取最优特征子集;最后,利用KNN模型进行二级负荷识别。实验结果表明,该方法有效提高了负荷识别准确率;提取V-I轨迹的HOG特征解决了同一电器V-I轨迹波动的问题;对一级分类后的每一大类单独进行PSO特征优选KNN二级分类,解决了部分电器对特征子集适应性差的问题。所提方法在一定程度上解决了冗余特征甚至噪声特征对辨识准确率的影响,为负荷特征的选取提供了新的思路,对负荷辨识的实际应用具有重要的参考意义。     

新型4H-SiC肖特基二极管的仿真与分析

设计了斜面结构碳化硅肖特基二极管(4H-SiC SBD)并且在器件中加入场环结构,通过基于半导体物理理论的计算机辅助设计软件(Silvaco-TCAD)分析计算了常规结构和新结构SiC-SBD器件的V-I特性、击穿电压、温度热学分布。对比计算结果,可知新结构SiC-SBD器件击穿电压提高至2300V,导通电阻减小,温度热学分布明显优于常规结构SiC-SBD器件。     

基于径向基网络的金属氧化物避雷器阀片伏安特性拟合

为了解决现有金属氧化物避雷器阀片伏安特性拟合中存在的过冲、收敛慢、误差大的问题，用神经网络方法，通过对金属氧化物避雷器（MOA）的原始伏安数据进行分析，确定了神经元个数，并设计了输入、输出录属函数对数据进行预处理。用一个径向基神经网络系统对MOA阀片的伏安特性曲线进行了拟合，拟合结果与分段线性、多指数、线性与非线性拟合法相比，较大幅度地提高了拟合精度和收敛速度，完全适用于MOA阀片的伏安特性拟合。