VMD

针对行波故障测距技术中行波检测准确性和行波波速对测距精度的影响，提出一种新的双端行波故障定位方法。首先，介绍了变分模态分解(Variational Mode Decomposition，VMD)和 Teager能量算子(Teager Energy Operator，TEO)的特点，并将VMD与TEO相结合应用于故障行波波头的检测。其次，在双端行波故障测距原理的基础上，根据故障行波的传播路径，推导出一种不受行波波速和线路实际长度变化影响的行波故障测距新算法。该算法不需要检测行波反射波的波头，测距原理简单。最后，通过EMTDC仿真验证方法的正确性和准确性。大量的仿真结果表明该方法行波波头检测效果较好，测距准确度较高。

为提高电力负荷的预测精度，提出一种基于VMD-SE的电力负荷分量的多特征短期预测方法。首先采用变分模态分解（VMD）将原始负荷分解为一系列模态分量与残差，VMD的分解层数由样本熵值（sample entropy，SE）确定；然后对比原始负荷与模态分量的SE值，重构为平稳分量和波动分量，来降低运算规模；同时利用皮尔逊相关系数来筛选特征变量，删除特征冗余，建立灰狼算法优化后的支持向量回归模型（GWO-SVR）和长短期记忆神经网络（LSTM）分别对平稳分量和波动分量预测；最后以某地区2018—2020年用电负荷为例进行实验。实验证明：此模型精准度高达94.7%，平均绝对百分误差降低到2.98%，具有更好的精准性和适用性。

多用户电力负荷预测是指根据历史负荷数据对多个用户或区域的电力负荷进行预测，可使电网企业掌握不同用户或区域的电力需求，以便更好地开展规划和实施调度优化等。然而由于各用户呈现出复杂多样的用电行为，采用传统方法难以进行统一建模并实现快速准确预测。为此，构建了一种基于DTW K-medoids与VMD-多分支神经网络的多用户短期负荷预测模型。首先，采用DTW K-medoids法进行用户负荷数据聚类，利用动态时间弯曲（dynamic time warping，DTW）计算数据间的距离，取代K-medoids算法中传统的欧氏距离度量方式，以改善多用户负荷聚类的效果；在此基础上，为充分表征负荷历史数据的长短期时序依赖特征，建立了一种基于变分模态分解（variational mode decomposition，VMD）-多分支神经网络模型的并行预测方法，用于多用户短期负荷预测；最后，使用某地区20个用户365天的负荷数据进行聚类、训练和测试实验，结果显示该模型结果的平均绝对误差和均方根误差等指标均较对比模型有较大幅度降低，表明该方法可有效表征多类用户的用电行为，提升多用户负荷预测效率和精度。

针对输电杆塔结构状态信息提取难度大、精度低等问题，提出了一种基于北方苍鹰算法优化的变分模态分解（northern goshawk optimized variational mode decomposition，NGO-VMD）与长短期记忆（long short-term memory，LSTM）神经网络的输电杆塔倾斜状态识别方案。通过北方苍鹰优化算法解决了变分模态分解参数难确定的问题，并且证明其分解的各阶本征模态分量（intrinsic mode function，IMF）可以有效提取出杆塔结构的模态信息。为了使信息特征更为明显，对IMF分量进行奇异值分解（singular value decomposition，SVD），发现各阶分量的奇异值在杆塔不同状态下有较为明显的区别。最后引入LSTM神经网络进行特征分类，形成故障诊断模型。依托某110 kV猫头塔对模型进行试验验证，结果表明：所提方法对杆塔倾斜状态的识别准确率为96.68%，与其他方法相比，具有效率更高、稳定性更强、更加精准的优势。

对油中溶解气体浓度进行预测，可提前掌握变压器运行趋势。提出一种基于混合模态分解和LSTM-CNN（long short-term memory network-convolution network）网络的预测方法，实现精准的气体浓度预测。首先，为消除分解中模态混叠和残余白噪声的影响，对气体序列进行ICEEMDAN分解，以削弱序列的非平稳性；然后，使用VMD对聚合重构后的高频分量进行二次分解，降低高频分量的复杂度；最后，为了增强模型对序列时间特征和空间特征的拟合，采用结合时间注意力机制的LSTM-CNN网络对分解分量分别进行预测并重构气体浓度数据。算例验证表明，所提出的模型相比其他模型具有更强的预测性能，为后续故障预测提供有力支撑。

在清洁能源发展迅速的大环境下，风电出力的随机性和波动性会对电力系统的稳定造成影响，因此对风电波动平抑是当前清洁能源发展的一个基础性问题。提出一种基于改进后的北方苍鹰算法（sine-cosine northern goshawk optimization，SCNGO）优化变分模态分解（VMD）参数平抑风电波动的混合储能容量配置策略，对风电功率进行参数优化的VMD过后利用皮尔逊相关性分析判断强弱相关分界点，经过2次分配后得到并网功率与混合储能功率；对混合储能功率进行基于t检验分频算法的功率分配，得到蓄电池/超级电容的容量配置。基于此策略，以储能元件年综合成本作为模型，结合算例进行经济性评估并对并网功率进行波动量分析及改进北方苍鹰算法的优越性分析。结果表明：基于SCNGO-VMD的储能容量配置策略能有效平抑风电波动，平抑后的并网功率1 min、10 min的最大波动量仅为国家要求的18.2%、45.52%，相应的储能配置成本为传统配置策略中的最低值。其配置的混合储能容量更具经济性，验证了改进的北方苍鹰算法在迭代速度与精度上均优于传统的智能优化算法。

单端行波故障测距方法在考虑频变波速影响时需要提取故障行波时频域特征，但现有方法存在时频分辨率较低、波头识别困难和波速计算不准确的问题。为此，提出一种基于参数优化变分模态分解(variational mode decomposition, VMD)和瞬态提取变换(transient extraction transform, TET)的单端故障定位方法。首先，利用麻雀搜索算法(sparrow search algorithm, SSA)优化VMD参数，提取含有故障特征的高频模态分量。然后，对该模态分量进行瞬态提取变换，通过去除短时傅里叶变换中模糊的时频能量，保留与信号瞬态特征密切相关的时频信息，得到故障行波时频域全波形。最后，在故障行波全波形中提取主频分量并标定初始波头与第二反射波头，通过计算主频分量下的波速度，结合行波定位方法实现单端故障测距。在PSCAD/EMTDC中搭建四端柔性直流电网的仿真结果表明，所提算法对过渡电阻和噪声具有较强的耐受性，即使在较低采样率下也能实现准确的故障定位。

分布式光伏高比例接入和再电气化与电能替代加剧了系统源、荷的波动性，传统低压配电网规划方法难以适应新型电力系统发展的要求。针对此问题，首先建立了计及激励型需求响应的低压配电网混合储能优化配置模型，然后，根据不同时间尺度下的储能设备和激励型需求侧响应资源的特点，提出运用改进的变分模态分解算法（variational mode decomposition，VMD）对净负荷曲线进行多尺度分解和组合重构，以系统总成本和有功功率波动值之和最小为目标，运用改进的鲸鱼优化算法对所提的优化配置模型进行求解。最后，通过算例验证所提方案的有效性。

对油中溶解气体浓度进行预测，可提前掌握变压器运行趋势。提出一种基于混合模态分解和LSTM-CNN（long short-term memory network-convolution network）网络的预测方法，实现精准的气体浓度预测。首先，为消除分解中模态混叠和残余白噪声的影响，对气体序列进行ICEEMDAN分解，以削弱序列的非平稳性；然后，使用VMD对聚合重构后的高频分量进行二次分解，降低高频分量的复杂度；最后，为了增强模型对序列时间特征和空间特征的拟合，采用结合时间注意力机制的LSTM-CNN网络对分解分量分别进行预测并重构气体浓度数据。算例验证表明，所提出的模型相比其他模型具有更强的预测性能，为后续故障预测提供有力支撑。

能源互联网背景下的电能质量问题越来越凸显，针对传统电能质量扰动(power quality disturbances, PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题，提出了一种混合分量多尺度时频图和残差神经网络(residual neural network, ResNet)、门控循环单元(gated recurrent units, GRU)网络与注意力机制(attention, AT)组合的电能质量复合扰动识别新方法—Res-GRU-AT。首先利用奇异谱分解(singular spectrum decomposition, SSD)和逐次变分模态分解(successive variational mode decomposition, SVMD)对PQDs信号分别进行多尺度分解得到混合分量，再对混合分量进行希尔伯特黄变换(Hilbert-Huang transform, HHT)，分析得到多尺度时频图。其次，利用Res-GRU-AT模型对多尺度时频图进行深层次特征提取、强化和识别。Res-GRU-AT模型能够利用ResNet的二维图像空间特征提取能力和GRU的时序特征提取能力进行特征融合，再通过AT进行特征加权强化，提高了PQDs的识别能力。不同方案的仿真结果表明，所提方法特征提取能力强且抗噪性能好，对复合扰动识别率高。