CN102545218A - 基于电能质量监测系统的在线负荷建模并行计算方法 - Google Patents
基于电能质量监测系统的在线负荷建模并行计算方法 Download PDFInfo
- Publication number
- CN102545218A CN102545218A CN2012100360648A CN201210036064A CN102545218A CN 102545218 A CN102545218 A CN 102545218A CN 2012100360648 A CN2012100360648 A CN 2012100360648A CN 201210036064 A CN201210036064 A CN 201210036064A CN 102545218 A CN102545218 A CN 102545218A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- model
- antibody
- electric energy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明涉及一种基于电能监测系统的电力系统负荷建模并行计算方法:方法利用电能质量监测系统获取电网扰动数据,采用改进克隆选择算法对该模型进行并行计算辨识处理;在不同的故障情况下校验模型输出功率与实际测量的负荷功率拟合情况,按照BPA电动机模型输出MI卡和拟合曲线。本发明利用电能质量监测系统获取数据,采用改进克隆选择并行算法辨识负荷模型参数,辨识精度高,具有全局收敛的特点,运行速度快,且具有拟实时性的特点,且根据实际需要具有良好的伸缩性和加速比,适于实际工程应用,提高了负荷建模过程的时效性和易用性,使复杂情况下负荷建模工作的软件平台运行效率得到了较大程度的提高和改善。
Description
技术领域
本发明涉及一种计算方法,具体是涉及一种基于电能质量监测系统的电力系统在线负荷建模并行计算方法。
背景技术
数字仿真的基础是建立起电力系统各组成元件的数学模型-简称建模,其准确度直接影响仿真结果的误差。目前发电机组和输电网络的模型已较为成熟,相比之下,负荷建模发展则相对较慢,负荷模型已成了制约计算精度的关键因素之一。负荷建模是一个非常复杂的问题,这是因为电力系统负荷是由许许多多各不相同的用电设备集合而成,种类繁多;且负荷组成及负荷量是随时间随机变化的;还有缺乏负荷组成的精确数据;以及负荷的不确定性及非线性,它们随时间及频率的变化而变化。虽然这些因素的影响使负荷建模十分困难,但负荷建模仍是电力系统几个最重要的研究领域之一。
负荷建模就是研究负荷母线上的总体负荷吸收的功率随负荷母线的电压和频率的变动而变化的关系。负荷建模的总体测辨法因其能够辨识出负荷动态特性而成为目前国内广泛使用的一种方法。基于量测技术的总体测辨法最大的困难在于实测数据的获取,其数据的获取须有良好的硬件环境,需要在各负荷节点处都安装负荷特性数据记录装置进行同步高精度实测数据采集,并依托各种通信技术将数据传回。负荷以其大量性、多样性和随机性成为建模的难点,而这恰恰需要依靠基于计算机技术装置的长期测量和外部特性等值的辨识技术,才能得到负荷的统计规律。
负荷建模的另一个困难之处在于以前的关注的重点在于系统负荷建模的准确性,很少关心到负荷建模的时效性,只采用传统串行的计算方法来处理有关辨识数据,而对大批量系统采集数据无法进行高效处理,开发的有关负荷建模平台软件实在难以承受大规模的负荷建模辨识计算任务。
负荷模型和参数辨识算法问题是负荷建模的另一个难点。目前,各地区电力调度部门逐渐采用一定比例的感应电动机并联ZIP(高储存密度的磁盘驱动器与磁盘)的负荷模型,实践表明该模型能准确描述负荷特性并具有一定的泛化能力,已经应用于新版的BPA仿真程序中。但应用该模型需要辨识的参数较多,存在多峰值,极值点差异细微,解空间复杂等特点。求解参数辨识最常用的方法有最小二乘法等传统的优化算法以及以遗传算法为代表的人工智能算法,传统优化算法受初值影响较大,收敛困难。遗传算法存在全局收敛性差,容易产生个体退化等问题,且计算时间较长。
发明内容
本发明所要解决的技术问题,就在于提供一种基于电能质量监测系统的在线负荷建模并行计算方法,可有效地减少辨识计算时间,且能使整个负荷辨识软件应用平台具有较好的时效性能、良好的并行伸缩性和加速比,合适于在实际工程中应用。
解决上述技术问题,本发明采取如下的技术方案:
一种基于电能质量监测系统的负荷建模并行计算方法,其特征在于:通过电能质量监测系统获取电网扰动数据,经过数据预处理,采用基于非对称扰动数据的动态负荷模型和改进克隆选择并行计算算法进行参数辨识,输出辨识模型参数和拟合曲线;
具体步骤包括:
(1)采集数据:通过电能质量监测系统数据访问接口,获取负荷变电站发生故障或者电压扰动时的三相电压和电流瞬时值;
(2)数据预处理:对三相电压和电流瞬时值进行三点五次平滑滤波,校正采样通道的零漂和不一致数据;采用正序基波空间旋转矢量坐标变换方法,将预处理后的静止坐标系下的三相电压和电流瞬时值,变换到同步旋转坐标系下的空间矢量值,并计算负荷建模所需的电压、频率、有功功率和无功功率;在此数据预处理中考虑到并行计算的处理,可以节约一些时间,提高了数据预处理过程中的平台的时效性能;
(3)非对称扰动数据负荷建模:负荷模型建立在变压器高压侧母线上,将下级网架下的负荷等值为电力系统分析软件PSD-BPA中的三阶感应电动机模型并联ZIP静态负荷模型,数据预处理得到的电压和频率作为负荷模型的输入数据,有功功率和无功功率作为负荷模型的实际输出数据,建立待辨识的负荷模型;
(4)动态负荷模型参数并行辨识:使用改进克隆选择并行计算算法对动态负荷模型进行辨识从而得到负荷模型参数;极大地提高了动态负荷模型辨识平台软件的计算效能;
(5)参数校核:辨识得到的动态负荷模型,在不同的故障情况下,比较其模型输出功率与实际测量的负荷功率拟合情况,校验模型的鲁棒性;
(6)结果输出:根据BPA电动机模型输出MI卡和拟合曲线。
所述的电能质量监测系统获得的数据以标准IEEE1159.3的PQDIF格式存储在后台数据库中,通过数据接口在线检索到电网扰动事件发生时三相电压电流瞬时值数据,筛选适合进行负荷建模的数据,通过数值计算转换到负荷建模需要的电压、频率、有功功率及无功功率电气量。在此过程中也充分考虑了并行计算的特点提高了负荷建模数据的筛选的时效性要求,减小了数据筛选时间,提高了这一过程的速度。
所述的(4)使用改进克隆选择并行计算算法对动态负荷模型进行辨识从而得到负荷模型参数的具体步骤是:
(1)预处理后负荷数据V、f、P、Q
(2)设定待辨识参数的取值区间,Iteraiong=0,即将待辨识的参数作为抗体,在[0,1]区间内实数编码;
(3)随机生成初始抗体:将满足电动机稳态运行条件的抗体加入抗体群并计算亲和度,直到抗体种群达到一定规模;
(4)计算出实滑差、功率因数是否满足要求,Y则进入步骤(5),N则返回步骤
(3)
(5)计算亲和度,加入抗体种群:随机选择3个抗体,两两抗体的各分量之间在参数辨识范围内进行内插和外推,计算亲和度,选择亲和度最高的抗体替换父代抗体;
(6)抗体总群是否达到一定规模,Y则进入下一步,N则返回步骤(3);
(7)克隆、搞死编译、定向进化;
(8)种群最高亲和度Jmax<ε,或者满足最大迭代次数,Y输出计算结果,退出;N Iteration+1
(9)Iteration%5=0(进化是否超过5代),Y进入步骤(10),N返回步骤(7);
(10)抗体抑制:去除抗体距离太近的低亲和力抗体;
(11)返回步骤(6)。
使用改进克隆选择并行计算算法对负荷模型参数进行辨识,与传统的免疫算法相结合,将目标函数作为抗原,将待辨识的参数作为抗体,引入定向进化和抗体浓度抑制机制。
这一阶段将改进克隆选择算法进行并行计算的改造,极大的缩短了单个负荷模型建模的辨识时间,从而整体上较大程度地缩短了总体负荷建模的辨识时间,极大程度地提高了负荷建模应用平台的时效性。
所述的动态负荷模型,采用了电力系统仿真软件BPA中的三阶感应电动机模型并联ZIP静态负荷模型,以机电暂态稳定数据文件MI卡格式输出并配以拟合曲线。
本发明的重点,就在于已取得相关负荷建模的准确性基础上,采用并行计算算法改造原有传统负荷建模的算法,从而极大的改进与开拓了负荷建模的视野,使负荷建模从学术实验研究状态进入到真正工业级应用的状态,为负荷建模的真正运用具有了良好的时效性能。
本发明的优点和积极效果是:基于电能质量监测系统的负荷建模并行计算方法,在充分利用电能质量监测系统,具有异地多通道、高精度测量,大容量存储,高速通信和数据共享等技术特点,从电能质量监测系统中获取电网扰动数据,实现大跨度电网各个负荷节点的动态负荷建模,从而有效地解决了负荷建模的数据来源问题;本发明采用非对称扰动数据负荷建模的方法,既适用于三相对称故障,也适用于电网的非对称自然扰动,是对传统负荷建模总体测辨法的扩充;本发明采用改进克隆选择并行计算算法辨识负荷模型参数,辨识精度高,鲁棒性强,具有全局收敛的特点;本发明对负荷模型进行辨识后输出BPA电动机模型MI卡,可直接用在电力系统计算分析软件BPA的仿真计算中。极大地改进了原有的负荷建模算法因长期使用串行计算导致计算效能较低,无法利用动态负荷建模的计算机资源的特点,使大规模处理电能质量监测系统中的数据的负荷建模软件平台计算耗时较多,无法满足实际负荷建模的需要。而采用负荷建模的并行计算方法则有效地提高了解决负荷建模这一个关键性应用问题,具有较好的时效性及加速比。它使得负荷建模从学术实验室状态到工业级应用成为可能。
附图说明
图1为基于电能质量监测系统的负荷建模并行计算方法原理流程图;
图2为数据预处理步骤的流程图;
图3为采用改进克隆选择并行计算算法进行参数辨识的流程图;
图4为电能质量监测系统监测到的某变电站发生的一次电压扰动事件的三相电压波形;
图5为使用本发明辨识得到的动态响应与实际测量的动态响应对比图;
图6为不同故障情况下的动态响应与实际测量的动态响应对比图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
基于电能质量监测系统的负荷建模方法是一种利用电能质量监测系统在线获取数据,采用非对称扰动数据负荷建模的方法,该方法实施流程图如图1所示,具体步骤如下:
1.通过电能质量监测系统数据访问接口,实时监控数据库记录的电网扰动事件,对于新增记录的电网扰动事件,读取负荷变电站发生故障或者电压扰动时的三相电压和电流瞬时值。
2.对三相电压和电流瞬时值进行三点五次平滑滤波,校正采样通道的零漂和不一致数据。采用正序基波空间旋转矢量坐标变换方法,将预处理后的静止坐标系下的三相电压和电流瞬时值,变换到同步旋转坐标系下的空间矢量值。当d轴与A相电压向量方向重合时,q轴电压向量等于0,计算负荷建模所需的电压、频率、有功功率和无功功率,该步骤的流程图如图2所示,具体如下:
1)读取三相电压和电流瞬时值;
2)取均值、进行三点五次平滑滤波;
3)坐标变换,abc坐标变换为αβ0坐标;
4)反三角变换,求旋转矢量相角;
5)由旋转矢量相角求频率;
6)求P、Q、U;
7)求V、F、P、Q。
在此一步骤中同时考虑了并行数据处理,加速有关数据处理速度。
3.采用三阶感应电动机模型并联ZIP的动态负荷模型,将所研究的负荷模型建立在变压器高压侧母线上。步骤2得到的电压和频率作为负荷模型的输入数据,有功功率和无功功率作为负荷模型的实际输出数据。
待辨识的三阶感应电动机并联ZIP的动态负荷模型状态向量方程为:
输出方程为:
约束方程为:
目标函数:
其中,X=Xs+Xm,X′=Xs+Xm//Xr,P(k),Pm(k)分别表示第k个采样点时有功功率的实际测量值和模型输出值,Q(k),Qm(k)分别表示第k个采样点时无功功率的实际测量值和模型输出值,n表示总的采样点数。
动态负荷模型状态向量X=[E′d,E′q,ωr],输入向量W=[U,ω],输出向量Y=[P,Q]。待辨识的参数13个,即θ=[Rs,Xs,Xm,Rr,Xr,Tj,A,B,Kpm,kpZ,kpI,kqZ,kqI]。下面将寻找一组最优的负荷模型参数,使得模型的输出按照目标函数最大程度的拟合实际的动态响应。
4.使用改进克隆选择并行计算算法对动态负荷模型进行辨识从而得到负荷模型参数。具体步骤是:
(1)预处理后负荷数据V、f、P、Q
(2)设定待辨识参数的取值区间,Iteraiong=0:将待辨识的参数作为抗体,在[0,1]区间内实数编码;
(3)随机生成初始抗体:将满足电动机稳态运行条件的抗体加入抗体群并计算亲和度,直到抗体种群达到一定规模;
(4)计算出实滑差、功率因数是否满足要求,Y则进入步骤(5),N则返回步骤
(3);
(5)计算亲和度,加入抗体种群(随机选择3个抗体,两两抗体的各分量之间在参数辨识范围内进行内插和外推,计算亲和度,选择亲和度最高的抗体替换父代抗体);
(6)抗体总群是否达到一定规模,Y则进入下一步,N则返回步骤(3);
(7)克隆、搞死编译、定向进化;
(8)种群最高亲和度Jmax<ε,或者满足最大迭代次数,Y输出计算结果,退出;N Iteration+1;
(9)Iteration%5=0(进化是否超过5代),Y进入步骤(10),N返回步骤(7);
(10)抗体抑制:去除抗体距离太近的低亲和力抗体;
(11)返回步骤(6)。
在整个有关计算过程中进行并行计算算法改进,极在地提高了改进克隆选择并行计算算法对动态负荷建模的时效性能,并保证具有较为良好的并行计算的伸缩性和加速比。
5.辨识得到的动态负荷模型参数,在不同的故障情况下校核,比较其模型输出功率与实际测量的负荷功率拟合情况,检验模型的鲁棒性。
6.根据BPA电动机模型输出MI卡和拟合曲线。
将本发明的基于电能质量监测系统的负荷建模并行计算方法应用到实际大电网中,图4为使用本发明监测到的某变电站发生的一次电压扰动事件的三相电压波形,图5为使用本发明辨识得到的模型的动态响应与实际测量的动态响应对比图。根据图5可见,基于电能质量监测系统的负荷建模方法得到的负荷模型能够很好的拟合实际测量的动态响应,精度很高。图6为利用已经辨识得到的负荷参数在不同故障情况下校核,得到的动态响应与实际测量的动态响应对比图。根据图6可见,使用本发明辨识的负荷模型准确,鲁棒性强,接近实际情况,适用于实际工程需要。
Claims (4)
1.一种基于电能质量监测系统的负荷建模并行计算方法,其特征在于,通过电能质量监测系统获取电网扰动数据,经过数据预处理,采用基于非对称扰动数据的动态负荷模型和改进克隆选择并行计算算法进行参数辨识,输出辨识模型参数和拟合曲线;
具体步骤包括:
(1) 采集数据:通过电能质量监测系统数据访问接口,获取负荷变电站发生故障或者电压扰动时的三相电压和电流瞬时值;
(2) 数据预处理:对三相电压和电流瞬时值进行三点五次平滑滤波,校正采样通道的零漂和不一致数据;采用正序基波空间旋转矢量坐标变换方法,将预处理后的静止坐标系下的三相电压和电流瞬时值,变换到同步旋转坐标系下的空间矢量值,并计算负荷建模所需的电压、频率、有功功率和无功功率;
(3) 非对称扰动数据负荷建模:负荷模型建立在变压器高压侧母线上,将下级网架下的负荷等值为.电力系统分析软件BPA中的三阶感应电动机模型并联ZIP静态负荷模型,数据预处理得到的电压和频率作为负荷模型的输入数据,有功功率和无功功率作为负荷模型的实际输出数据,建立待辨识的负荷模型;
(4) 动态负荷模型参数并行辨识:使用改进克隆选择并行计算算法对动态负荷模型进行辨识从而得到负荷模型参数;
(5) 参数校核:辨识得到的动态负荷模型,在不同的故障情况下,比较其模型输出功率与实际测量的负荷功率拟合情况,校验模型的鲁棒性;
(6) 结果输出:根据BPA电动机模型输出MI卡和拟合曲线。
2.根据权利要求1所述的基于电能质量监测系统的负荷建模并行计算方法,其特征在于:所述的电能质量监测系统获得的数据以标准IEEE1159.3的PQDIF格式存储在后台数据库中,通过数据接口在线检索到电网扰动事件发生时三相电压电流瞬时值数据,筛选适合进行负荷建模的数据,通过数值计算转换到负荷建模需要的电压、频率、有功功率及无功功率电气量。
3.根据权利要求1所述的基于电能质量监测系统的负荷建模并行计算方法,其特征在于:所述的不走(4)使用改进克隆选择并行计算算法对负荷模型参数进行辨识,与传统的免疫算法相结合,将目标函数作为抗原,将待辨识的参数作为抗体,引入定向进化和抗体浓度抑制机制;具体步骤包括:
(1)预处理后负荷数据 V、f、P、Q;
(2)设定待辨识参数的取值区间,Iteraiong=0,即将待辨识的参数作为抗体,在[0,1]区间内实数编码;
(3) 随机生成初始抗体:将满足电动机稳态运行条件的抗体加入抗体群并计算亲和度,直到抗体种群达到一定规模;
(4)计算出实滑差、功率因数是否满足要求,Y则进入步骤(5),N则返回步骤(3);
(5) 计算亲和度,加入抗体种群:随机选择3个抗体,两两抗体的各分量之间在参数辨识范围内进行内插和外推,计算亲和度,选择亲和度最高的抗体替换父代抗体;
(6)抗体总群是否达到一定规模,Y则进入下一步,N则返回步骤(3);
(7)克隆、搞死编译、定向进化;
(9)Iteration%5=0(进化是否超过5代), Y进入步骤(10),N返回步骤(7);
(10)抗体抑制:去除抗体距离太近的低亲和力抗体;
(11)返回步骤(6)。
4.根据权利要求1所述的基于电能质量监测系统的负荷建模并行计算方法,其特征在于:所述的动态负荷模型,采用电力系统仿真软件BPA中的三阶感应电动机模型并联ZIP静态负荷模型,以机电暂态稳定数据文件MI卡格式输出并配以拟合曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100360648A CN102545218A (zh) | 2012-02-17 | 2012-02-17 | 基于电能质量监测系统的在线负荷建模并行计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100360648A CN102545218A (zh) | 2012-02-17 | 2012-02-17 | 基于电能质量监测系统的在线负荷建模并行计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102545218A true CN102545218A (zh) | 2012-07-04 |
Family
ID=46351434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100360648A Pending CN102545218A (zh) | 2012-02-17 | 2012-02-17 | 基于电能质量监测系统的在线负荷建模并行计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102545218A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246206A (zh) * | 2013-05-15 | 2013-08-14 | 国家电网公司 | 基于pmu的负荷特性电网负荷在线建模方法 |
CN103324841A (zh) * | 2013-06-06 | 2013-09-25 | 山东大学 | 基于故障录波器数据的在线动态负荷建模方法 |
CN103683278A (zh) * | 2013-11-04 | 2014-03-26 | 国家电网公司 | 一种应用于在线合环潮流优化分析的配电网负荷校准方法 |
US9829880B2 (en) | 2014-11-20 | 2017-11-28 | General Electric Company | System and method for modelling load in an electrical power network |
CN115348193A (zh) * | 2022-08-09 | 2022-11-15 | 海南大学 | 一种通信网络信号切换故障下的执行模辨识与滤波方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101483343A (zh) * | 2009-02-10 | 2009-07-15 | 华北电力大学 | 以电网不对称运行和频率偏移信息辨识综合负荷等值马达方法 |
-
2012
- 2012-02-17 CN CN2012100360648A patent/CN102545218A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101483343A (zh) * | 2009-02-10 | 2009-07-15 | 华北电力大学 | 以电网不对称运行和频率偏移信息辨识综合负荷等值马达方法 |
Non-Patent Citations (2)
Title |
---|
尹建华等: "基于电能质量装置数据和改进克隆选择算法的电力动态负荷建模", 《南方电网技术》, vol. 5, no. 6, 31 December 2011 (2011-12-31), pages 42 - 46 * |
罗敏等: "广东电网基于BPA的实用负荷模型的建立与校验", 《南方电网技术》, vol. 4, 31 December 2010 (2010-12-31), pages 162 - 166 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246206A (zh) * | 2013-05-15 | 2013-08-14 | 国家电网公司 | 基于pmu的负荷特性电网负荷在线建模方法 |
CN103246206B (zh) * | 2013-05-15 | 2015-10-28 | 国家电网公司 | 基于pmu的负荷特性电网负荷在线建模方法 |
CN103324841A (zh) * | 2013-06-06 | 2013-09-25 | 山东大学 | 基于故障录波器数据的在线动态负荷建模方法 |
CN103683278A (zh) * | 2013-11-04 | 2014-03-26 | 国家电网公司 | 一种应用于在线合环潮流优化分析的配电网负荷校准方法 |
US9829880B2 (en) | 2014-11-20 | 2017-11-28 | General Electric Company | System and method for modelling load in an electrical power network |
CN115348193A (zh) * | 2022-08-09 | 2022-11-15 | 海南大学 | 一种通信网络信号切换故障下的执行模辨识与滤波方法 |
CN115348193B (zh) * | 2022-08-09 | 2023-08-15 | 海南大学 | 一种通信网络信号切换故障下的执行模辨识与滤波方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102377180B (zh) | 基于电能质量监测系统的电力系统负荷建模方法 | |
Haghi et al. | Nonlinear modeling of temporal wind power variations | |
Krishnan et al. | Efficient database generation for decision tree based power system security assessment | |
CN110543720B (zh) | 基于sdae-elm伪量测模型的状态估计方法 | |
Yang et al. | An adaptive PMU missing data recovery method | |
Hazra et al. | Power grid transient stability prediction using wide area synchrophasor measurements | |
JP2015080400A (ja) | 送電システムにおける振動安定性を分析するためのシステムおよび方法 | |
Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
CN102545218A (zh) | 基于电能质量监测系统的在线负荷建模并行计算方法 | |
CN108054757A (zh) | 一种内嵌无功和电压的n-1闭环安全校核方法 | |
CN111460374A (zh) | 一种考虑节点差异性的配电网d-pmu优化配置方法 | |
CN104682387A (zh) | 一种基于多区域交互迭代的概率潮流计算方法 | |
Akyurek et al. | Tesla: Taylor expanded solar analog forecasting | |
Neumann et al. | Heuristics for transmission expansion planning in low-carbon energy system models | |
Xiao et al. | Feasibility study of neural ode and dae modules for power system dynamic component modeling | |
CN105956698A (zh) | 基于iowga算子和新鲜预测精度的电力负荷组合预测方法 | |
Liu et al. | A MapReduce based high performance neural network in enabling fast stability assessment of power systems | |
CN103326396B (zh) | 一种测定电力系统风电运行出力上限值的方法 | |
Moirangthem et al. | GIS integrated automation of a near real-time power-flow service for electrical grids | |
Stanev et al. | A quasi-dynamic approach for slow dynamics time domain analysis of electrical networks with distributed energy ressources | |
Maharjan et al. | Probabilistic Grid Strength Assessment of Power Systems with Uncertain Renewable Generation based on Probabilistic Collocation Method | |
Cui et al. | A frequency domain approach to predict power system transients | |
Zhang | Robust stability analysis for large-scale power systems | |
Wang et al. | An equivalent model‐based asynchronous dispatch method for clusters of flexible distributed energy resources | |
Zhang et al. | Wind speed prediction for wind farm based on clayton copula function and deep learning fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120704 |