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。

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。

为提高互感器误差预测准确度，首先引入对立搜索算子策略、非线性收敛控制因子对传统海鸥算法进行改进，提出一种基于改进海鸥优化算法(improved seagull optimization algorithm, ISOA)优化变分模态分解(variational mode decomposition, VMD)关键参数的方法，实现误差数据自适应分解。然后，基于多头注意力机制(multi-head attention, MHA)对误差影响特征交叉处理，挖掘各特征间关联性，通过强相关性特征与误差间关系建立弱相关特征与误差间深层联系，避免因数据浪费造成预测精度降低。并考虑训练集与测试集间关系，提出考虑样本相似性的长短期记忆神经网络(similar long short-term memory, SLSTM)，动态调整网络权重和偏置。最终构建MHA-CNN- SLSTM预测模型，并将预测值与实际值误差作为训练集再次输入预测模型，生成补偿数据补偿初步预测值，进一步提高预测精度。最后，以某实测互感器数据进行验证，结果表明所提模型具有更高的预测精度和更好的效果。

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。

分布式电源高渗透并网，呈现出运行复杂性与非线性，故障电流谐波特征显著，使得传统继电保护难以准确区分励磁涌流与故障电流。因此，首先分析了光伏与双馈风机接入产生谐波的表达式，推导了励磁涌流产生机理及谐波特性，并总结了励磁涌流与短路电流频率分量占比。据此，充分发挥变分模态分解(variational mode decomposition, VMD)避免模态混叠的优势，采用VMD算法将故障电流分解为不同中心频率模态分量，比较不同模态方差贡献率进而辨识励磁涌流。仿真结果表明：所提辨识方法在不同故障类型、不同种类分布式电源以及不同合闸角等条件下均能准确地辨识，且辨识能在故障发生一个周波内完成，灵敏度高。

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。

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。

为解决风电场并网时的功率波动影响电网稳定性的问题，提出一种基于北方苍鹰（northern goshawk optimization，NGO）算法优化变分模态分解（variational mode decomposition，VMD）参数的混合储能功率分配策略。首先，按照风电场并网技术规范，采用自适应平均滤波法对风力发电功率进行滤波，并由滤波后的并网功率计算出波动功率。然后，采用NGO优化VMD算法中分解模态数K值和二次惩罚因子α值的最优值组合，将波动功率信号经VMD分解后实现在锂电池和超级电容器的功率分配，最后，采用双重模糊控制对混合储能系统（hybrid energy storage system，HESS）的荷电状态（state of charge，SOC）进行优化，完成HESS功率的二次分配。仿真结果表明，该控制策略不仅能够满足风电并网最大功率波动要求，还可以保持SOC维持在合理范围，实现HESS长期安全运行。

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。