混合优化算法

对光伏出力的精准预测在配电网安全稳定运行中起着至关重要的作用。因此，提出了一种基于余弦相似度和TSO-BP（金枪鱼群优化-反向传播）神经网络的短期光伏预测方法。首先，利用余弦相似度算法筛选出与预测日具有强相似度的历史数据作为训练样本；然后，采用TSO算法寻找BP神经网络的最优初始权值与阈值，训练TSO-BP短期光伏预测模型；最后，利用TSO-BP模型分别预测平缓天气与波动天气下的光伏出力。仿真结果表明：在平稳和波动两种不同天气情况下，该方法相较于传统预测方法精度更高。

振动测量对发现气体绝缘开关设备(gas insulated switchgear，GIS)潜在性缺陷具有重要意义，但GIS本体振动信号易受基础振动、测量噪声以及环境噪声的影响，使得现场GIS振动带电检测和机械缺陷诊断的效果较差。针对此问题，提出一种基于奇异值分解(singular value decomposition,SVD)-改进自适应啁啾模态分解(improve adaptive chirp mode decomposition,IACMD)的现场振动信号降噪算法。该方法首先利用SVD对原始振动信号进行预处理，滤除低频基础振动和测量噪声，其次利用鱼鹰优化算法(osprey optimization algorithm,OOA)对处理后的信号进行自适应模态分解，得到分解后的固有模态(intrinsic mode functions，IMF)分量，再利用互相关系数筛选有效分量重构振动信号。模拟信号与现场信号测试结果表明：与OOA-自适应啁啾模态分解(adaptive chirp mode decomposition，ACMD)和SVD-变分模态分解(variational mode decomposition,VMD)相比，所提出的SVD-IACMD算法可以去除基础振动、测量噪声和环境噪声，保留GIS本体振动的基频和谐波分量，为GIS现场抗干扰振动检测和机械缺陷诊断提供技术支持。

随着中国特高压交直流换流站的大规模投运，有载分接开关(on-load tap changer, OLTC)已成为特高压换流站中发生故障较多的设备之一。针对强背景噪声环境下特高压换流站OLTC故障特征难以提取的问题，提出一种基于自适应粒子群算法优化奇异谱分解和奇异值分解的方法。首先，利用自适应粒子群优化(adaptive particle swarm optimization, APSO)算法对奇异谱分解算法中的模态参数进行优化，选取最优分解模态数。其次，基于最大峭度准则选取最佳奇异谱分量。然后，确定最佳重构阶数，通过奇异值分解重构信号，从而达到信号降噪的目的。将所提方法应用于仿真信号和实验信号，结果表明所提方法的信噪比达到23.302，均方根误差仅为0.004，并且波形相似参数高达0.998，优于其他降噪方法。所提方法能够更有效地实现对特高压换流站OLTC振动信号的降噪，为辅助运维人员诊断OLTC状态提供参考。

低碳园区复合式能源系统合理的规划与配置对提升系统能效、降低成本、减少污染物排放等具有重要意义。首先，基于园区用能需求快速预测方法和能源系统动态仿真平台，提出了以综合评价指标为导向的低碳园区复合式能源系统优化规划配置方法，建立了虎克-捷夫算法和粒子群算法相融合的混合优化算法。然后，以典型低碳园区冷热电三联供耦合地源热泵、蓄能与燃气锅炉的多能系统为例，对比分析了不同优化算法的配置结果和优化速度，研究了综合优化目标最优、全生命周期成本、能耗最低等不同优化目标对容量优化配置结果和系统典型日运行情况的影响。结果表明，本文提出的优化配置方法和混合优化算法可以保证寻优能力、优化精确度，同时提高了优化计算性能。以综合评价目标最优的能源系统配置结果可以兼顾系统成本、经济运行、环境影响及低碳排放等多方因素，更有利于构建低碳园区最优能源形态。

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题，文中提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)和特征熵权法(entropy weight method，EWM)进行故障诊断的方法。通过相关系数与峭度加权(correlation coefficient and weighted kurtosis，CCWK)原则筛选CEEMDAN分量并重构信号，在实现剔除冗余分量的同时，提升变压器振动信号特征的表征能力；利用EWM构建特征判定系数实现单一数据诊断变压器故障类型；通过主成分分析法减小混合域特征尺度，采用鸡群优化算法优化支持向量机(support vector machine，SVM)模型进行故障诊断。对某变电站110 kV三相油浸式变压器进行分析，结果表明与概率神经网络和SVM等变压器故障诊断方法相比，文中方法能在提前定性故障类型的同时，进一步提高变压器故障诊断的准确率与效率。