CN103400046A - 适用于电网广域监测系统的数据建模方法及应用 - Google Patents
适用于电网广域监测系统的数据建模方法及应用 Download PDFInfo
- Publication number
- CN103400046A CN103400046A CN2013103614458A CN201310361445A CN103400046A CN 103400046 A CN103400046 A CN 103400046A CN 2013103614458 A CN2013103614458 A CN 2013103614458A CN 201310361445 A CN201310361445 A CN 201310361445A CN 103400046 A CN103400046 A CN 103400046A
- Authority
- CN
- China
- Prior art keywords
- data
- wams
- panel
- dynamic process
- power system
- 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
本发明提供一种适用于电网广域监测系统(WAMS)的数据建模方法及应用,包括步骤:步骤S1,采集分布在重要线路节点的PMU的实测WAMS数据;步骤S2,根据采集的实测WAMS数据,构建具有面板数据形式的WAMS数据模型。根据构建的具有面板数据形式的WAMS数据模型对电力系统暂态稳定动态过程进行模拟。本发明考虑了WAMS数据的时-空特性,并构建WAMS数据的面板数据模型。基于WAMS数据的面板数据模型可全面有效的分析采集的各电气特征量之间的协整关系和因果关系,而且,还能更全面细致的刻画电力系统的暂态动态过程和变量间的动态特性。
Description
技术领域
本发明属于电力工程领域,尤其涉及一种适用于电网广域监测系统(WAMS)的数据建模方法及应用。
背景技术
随着电网规模的不断扩大,网架结构和拓扑结构更加复杂,对电力系统的监控、单机发电容量进一步提升,各种大规模储能元件接入,电力汽车充电桩等新型负荷不断加入,跨区域大容量联络线输电系统逐步上马,部分重载线路长期处于接近热稳定极限工作状态,系统的运行方式和运行工况时有变化,电力系统的动态行为在上述约束条件下,变得更加复杂,更加难以预测。WAMS系统的应用和PMU(电力系统同步相量测量装置)布点的不断深入,为电力系统的监控提供了有力的数据支持。但是,每隔20ms的采样间隔和多个电气量的采样数据,源源不断的从各个发电厂和变电站传送到调度中心,WAMS数据呈现高维度的时间序列,现有的分析方法和数据统计手段,很难兼顾PMU数据的时-空特性,从海量的WAMS数据中挖掘有利于体现电力系统暂态稳定动态过程的关键特征量。
面板数据(panel data)是同时在时间和截面空间上取得的二维数据的一种数据类型,面板数据的结构和分析方法,能够同时在时间和空间两个维度展示多个变量序列数据,在宏观经济学(金融、税收、GDP增长等)和微观经济学(收入、消费、市场营销、就业等)中得到了较好的应用。由于电力市场与经济学存在一定的学科交叉,电力的消费与经济学中的消费存在一定的类比性和相似性,所以面板数据的模型和分析方法在电力系统的电力市场领域,存在较多的应用。与单纯的时间序列和单纯的横截面数据相比较,面板数据同时具备二者的优点。
发明内容
针对现有技术存在的问题,本发明提出了一种基于面板数据的表示和分析方法、同时兼顾WAMS数据时-空特性的、适用于电网广域监测系统的数据建模方法及应用。
为解决上述技术问题,本发明采用如下的技术方案:
一、一种适用于电网广域监测系统的数据建模方法,包括步骤:
步骤S1,采集分布在重要线路节点的PMU的实测WAMS数据;
步骤S2,根据采集的实测WAMS数据,构建具有面板数据形式的WAMS数据模型。
上述步骤S1进一步包括以下子步骤:
步骤S1-1,分布在重要线路节点的PMU,采集携带GPS统一时标的不同电气特征量;
步骤S1-2,针对各分布有PMU的重要线路节点,按时间顺序分别采集各重要线路节点的电气特征量。
上述步骤S2具体为:
步骤S1-1采集的电气特征量分别来自不同PMU,具备空间特性;步骤S2-2采集的电气特征量反映了电气特征量随时间的变化趋势,具备时间特性;以步骤S1-1采集的电气特征量为横截面数据,以步骤S2-2采集的电气特征量为时序数据,结合横截面数据和时序数据构建具有面板数据形式的WAMS数据模型。
二、一种电力系统暂态稳定动态过程模拟方法,该方法根据上述构建的具有面板数据形式的WAMS数据模型,对电力系统暂态稳定动态过程进行模拟。
上述根据具有面板数据形式的WAMS数据模型对电力系统暂态稳定动态过程进行模拟,进一步包括子步骤:
(1)基于具有面板数据形式的WAMS数据模型,以电气特征量中表征稳定的特征量为因变量进行回归方程拟合,获得权重因子;
(2)采用灰色关联分析法和聚类分析法压缩和提取具有面板数据形式的WAMS数据模型中的原始特征量,采用权重因子从原始特征量中提取最优特征,获得最优特征子集;
(3)基于最优特征子集模拟电力系统暂态稳定动态过程。
上述步骤(1)的一种具体实施方案为:
对具有面板数据形式的WAMS数据模型,选定一个表征稳定的电气特征量为因变量,分别以其他电气特征量为自变量,分别构建因变量和各自变量的回归方程,采用最小二乘法法估计各回归方程的权重因子,获得各自变量对应的权重因子。
本发明引入面板数据的表示和分析方法,将不同地域的发电厂和变电站的WAMS数据(即,多变量的横截面数据),同时间序列结合起来,构建具有面板数据形式的WAMS数据模型;通过电科院8机36节点暂态失稳的仿真算例,证明基于WAMS数据模型能有效验证各电气特征量的平稳性、协整性、以及功角失稳与其它电气特征量之间可能存在的权重影响关系。
与现有技术相比,本发明具有以下优点和有益效果:
本发明考虑了WAMS数据的时-空特性,并构建WAMS数据的面板数据模型。基于WAMS数据的面板数据模型可以全面有效的分析采集的各电气特征量之间的协整关系和因果关系,而且,还能更全面细致的刻画电力系统的暂态动态过程和变量间的动态特性。
附图说明
图1是本发明面板数据验证流程图;
图2是某区域电网基本架构图;
图3是电科院8机36节点功角暂态失稳仿真波形;
图4是特征量提取流程图。
具体实施方式
本发明提供了一种适用于电网广域检测系统的数据建模方法及其应用,该方法充分考虑了电力系统的暂态动态过程和变量间的动态特性,在对大电网的动态响应数据进行时序特征和横截面特征提取后,构建具有面板数据形式的WAMS数据模型。本发明方法兼顾WAMS数据的时-空特性,便于从海量的WAMS数据中挖掘有利于体现电力系统暂态稳定动态过程的关键特征量。
可采用如下方法对构建的具有面板数据形式的WAMS数据模型进行验证,下面见将以平稳性检验和协整性检验为例进行说明,验证流程参见图1。
(1)通过分布在重要线路节点的PMU,采集某区域电网的实测WAMS数据,并构建该区域电网的具有面板数据形式的WAMS数据模型。
(2)对具有面板数据形式的WAMS数据模型进行平稳性检验和协整性检验。
平稳性检验主要包括LLC检验算法、IPS检验算法和Hadri检验算法(LLC检验算法由Levin,Lin and CHU提出,IPS检验算法由Im,Pesearn,Shin提出,Hadri 检验算法由Hadri提出)的Hadri检验),检验公式如下:
LLC检验公式如下:
公式(1)中:
N为面板数据的截面维数;
T为面板数据的时间跨度;
IPS检验公式如下:
公式(2)中:
N为面板数据的截面维数;
pi为确定附加项的个数;
t为对N个截面个体分别按模型 进行单位根检验,得到相应的检验值,i为地区标识,i=1,2,...,N;
ΔYi,t是差分项;αi是常数趋势项;βi是线性趋势项;ρij是检验统计量;εi,t是白噪声。
Hadri检验算法的原假设是没有单位根,如果Z统计量计算的概率值小于预设临界值(本具体实施中,将临界值设为0.05),说明有单位根,拒绝原假设,是非平稳时间序列;反之,该概率值大于预设临界值,说明不存在单位根,该时间序列是平稳的。
Hadri检验公式如下:
公式(3)中:
N为面板数据的截面维数;
本具体实施中,a=1/6,b=1/45;
协整性检验采用Pedroni检验算法。Predroni检验算法从两个方面一共提出了7个协整统计量,一是从联合组内尺度的方面提出了4个统计量,见公式(4)~(7),另一种是从组间尺度描述上提出3个统计量,见公式(8)~(10)。
Panel v统计量:
Panelρ统计量:
Panel PP统计量:
Panel ADF统计量:
Groupρ统计量:
Group PP统计量:
Group ADF统计量:
公式(4)~(10)中:
下面将以图2所示的某区域电网为例进一步说明本发明方法。
步骤S1,采集分布在各变电站和发电厂的PMU的实测WAMS数据。
采集大电网不同时刻的数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)数据、同步相量测量单元(Phasor Measurement Unit,PMU)数据和网络拓扑结构数据,将同一节点的时序数据和位于不同位置的不同节点的PMU数据进行整合,得到大电网的动态响应数据。
本具体实施中采集的电气特征量具体见表1。
表1变电站和发电厂PMU采集物理量
序号 | 变电站记录的物理量举例 | 发电厂记录的物理量举例 |
1 | A相电压幅值/相角 | A相电压幅值/相角 |
2 | B相电压幅值/相角 | B相电压幅值/相角 |
3 | C相电压幅值/相角 | C相电压幅值/相角 |
4 | A相电流幅值/相角 | A相电流幅值/相角 |
5 | B相电流幅值/相角 | B相电流幅值/相角 |
6 | C相电流幅值/相角 | C相电流幅值/相角 |
7 | 正序电压幅值/相角 | 正序电压幅值/相角 |
8 | 正序流幅值/相角 | 正序流幅值/相角 |
9 | 有功功率 | 有功功率 |
10 | 无功功率 | 无功功率 |
11 | 频率 | 频率 |
12 | 频率变化率 | 频率变化率 |
[0076]
13 | NA | 电气功角幅值/相角 |
14 | NA | 电气内电势幅值/相角 |
15 | NA | 机械电势幅值/相角 |
16 | NA | 机械功角幅值/相角 |
17 | NA | 机组主励磁电流 |
18 | NA | 机组主励磁电压 |
步骤S2,构建具有面板数据形式的WAMS数据模型。
在电力系统中,设有n个重要线路节点配备了PMU,选取m个电气特征量为参考指标,时间长度为T,Xis(t)表示第i个PMU节点的第s个电气特征量在t时间的数值,即将WAMS数据构成面板数据形式。在该面板数据中,WAMS数据可以转换为一个二级二维表的形式,见表2。
表2WAMS数据三维描述方法
PMU物理量的3D建模描述包括有功功率、无功功率、频率、正序电压幅值和正序电流幅值。按照表2的数据面板格式,考虑正常工况下,单极闭锁和双极 闭锁三个时间区间,重点观测五个潮流断面的WAMS数据动态过程:X-C断面、A-C断面、A-B断面、A-D断面和A-E断面,使用Matlab编程,构建3D模型进行描述,对比图形以表格的方式表达,见表3和表4。
表3重点线路在正常运行和单极闭锁故障WAMS面板数据比较
表4重点线路在正常运行和双极闭锁故障WAMS面板数据比较
表3~4中,单极闭锁故障发生时,除了在此X-C断面上出现较大幅度的波动,而且在各个区域子网的潮流断面上都不同程度上出现了电压、电流和功率的幅值波动。当发生双击闭锁,该直流线路退出运行后,各个潮流断面的电气量波动程度更大,出现较大的功率转移。由此可知,使用上述的数据面板模型,通过Matlab编程实现3D模型进行描述,能够包含更多的信息量,能够清晰准确的刻画在故障发生时间区间内的各个WAMS物理量的动态过程。
步骤S3、对某区域电网实测WAMS数据的面板数据形式进行校验。
以图3中所示的电科院8机36节点功角暂态失稳仿真为例,来说明校验结果。
使用PSASP(电力系统分析综合程序)输出各发电机的相对功角、发电机转速、机端电压、机端电流、机械功率、有功功率、无功功率、励磁电压等8个物理量的动态过程,各物理量都是一个时间序列,与不同位置的发电机结合起来,构成面板数据。
首先,对各物理量分别进行平稳性检验,分别采用LLC检验算法、IPS检验算法和Hadri检验算法来进行,检验结果见表5。
表5电科院8机36节点暂态失稳数据单位根检验结果
注:**表示在0.01以下的显著水平,括号内表示该统计量对应的原假设成立概率。
如表5所示,相对功角经过一阶差分后是平稳的,转速的一阶差分序列仍然非平稳,经过二阶差分之后进行平稳性检验,LLC和IPS算法的概率值都低于0.001,Hardri检验的概率值显著高于0.05,通过了LLC、IPS和Hadri检验。机端电压和机端电流的检测结果在LLC算法对它们的一阶差分值进行分析时,都出现与其它两种算法不同的结果,综合分析认为它们都应该是一阶差分平稳序列。机械功率的一阶差分序列仍然非平稳,其二阶差分序列通过了LLC、IPS和Hadri检验。有功功率,无功功率和励磁电压都经过一阶差分后,是平稳序列。
表5中的8个物理变量的原始序列(即水平值)基本都是非平稳序列,需要进行协整检验。使用Pedroni算法进行协整检验的计算过程中出现奇异矩阵,无法计算获得结果。其原因在于,变量之间的关联性较大,变量较多,消耗了较多的自由度。依次去掉励磁电压和机械功率之后的6个变量能够正常计算获得协整检验结果,见表6。
表6电科院8机36节点暂态失稳数据的协整检验结果
在Pedroni检验算法中,只有组内统计量Panel rho统计量的概率值稍稍大于5%,其它的6个统计量都小于或者等于5%,而且最为重要的三个组间统计量对应的概率值都在理想的范围内。再使用Kao检验算法进一步验证,见表6,说明上述的6个物理量,存在面板协整关系。
本发明构建的具有面板数据形式的WAMS数据模型充分挖掘了WAMS数据的时空特性,采用灰色关联聚类提取具有面板数据形式的WAMS数据模型特征,并以权重因子为判据对提取的特征进行聚类中心选择,从而可获得最优特征子集,基于最优特征子集可对电力系统暂态稳定动态过程进行模拟。
上述获取最优特征子集的过程,进一步包括以下子步骤:
(1)以电气特征量中表征稳定的特征量为因变量进行回归方程拟合,获得权重因子;本具体实施中以功角为因变量。
(2)使用灰色关联分析法和聚类分析法压缩和提取WAMS数据模型中的原始特征量,使用权重因子对聚类后的特征进一步精细化提取,获得最优特征子集。
上述步骤(2)中权重因子的获取方法如下:
对存在协整关系的WAMS数据,选定一个表征稳定的电气特征量为因变量,以其他电气特征量为自变量,分别构建因变量和各自变量的回归方程,采用最小二乘法(OLS)法估计各回归方程的权重因子参数,以获得各自变量对应的权重因子。
以电力系统暂态稳定中的功角稳定为研究对象,以功角为因变量,分别以其它电气特征量为自变量,构造回归方程,如下:
式(11)中:
δt为时间t的功角;
xit表示第i个PMU节点在实际时间t的其它电气特征量,求导关系表明xit单位根检验非平稳,一阶差分后平稳;
C(i)是变量xit的权重因子,表征变量xit对功角的影响力大小,eit是误差参数,其值随机获取;
m为解释变量数;
n为PMU节点数量。
上述步骤(2)中的特征提取流程具体如下:
见图4,首先,对具有面板数据形式的WAMS数据模型中的原始数据进行归一化处理;接着,获取归一化后的WAMS数据的绝对关联度并采用灰色关联分析法和聚类分析法对归一化后的WAMS数据进行聚类;然后,对聚类后的WAMS数据,采用权重因子进一步提取最优特征量,将因变量影响力最敏感的特征量作为同一聚类的最优特征量并输出。
Claims (7)
1.一种适用于电网广域监测系统的数据建模方法,其特征在于,包括步骤:
步骤S1,采集分布在重要线路节点的PMU的实测WAMS数据;
步骤S2,根据采集的实测WAMS数据,构建具有面板数据形式的WAMS数据模型。
2.如权利要求1所述的适用于电网广域监测系统的数据建模方法,其特征在于:
步骤S1进一步包括子步骤:
步骤S1-1,分布在重要线路节点的PMU,采集携带GPS统一时标的不同电气特征量;
步骤S1-2,针对各分布有PMU的重要线路节点,按时间顺序分别采集各重要线路节点的电气特征量。
3.如权利要求1所述的适用于电网广域监测系统的数据建模方法,其特征在于:
步骤S2具体为:
以步骤S1-1采集的电气特征量为横截面数据,以步骤S2-2采集的电气特征量为时序数据,结合横截面数据和时序数据构建具有面板数据形式的WAMS数据模型。
4.一种电力系统暂态稳定动态过程模拟方法,其特征在于:
根据权利要求1构建的具有面板数据形式的WAMS数据模型对电力系统暂态稳定动态过程进行模拟。
5.如权利要求4所述的电力系统暂态稳定动态过程模拟方法,其特征在于:
所述的根据权利要求1构建的具有面板数据形式的WAMS数据模型对电力系统暂态稳定动态过程进行模拟,进一步包括子步骤:
(1)基于具有面板数据形式的WAMS数据模型,以电气特征量中表征稳定的特征量为因变量进行回归方程拟合,获得权重因子;
(2)采用灰色关联分析法和聚类分析法压缩和提取具有面板数据形式的WAMS数据模型中的原始特征量,采用权重因子从原始特征量中提取最优特征量,获得最优特征子集;
(3)基于最优特征子集模拟电力系统暂态稳定动态过程。
6.如权利要求5所述的电力系统暂态稳定动态过程模拟方法,其特征在于:
步骤(1)具体为:
对具有面板数据形式的WAMS数据模型,选定一个表征稳定的电气特征量为因变量,分别以其他电气特征量为自变量,分别构建因变量和各自变量的回归方程,采用最小二乘法法估计各回归方程的权重因子,获得各自变量对应的权重因子。
7.如权利要求5所述的电力系统暂态稳定动态过程模拟方法,其特征在于:
步骤(2)具体为:
首先,对具有面板数据形式的WAMS数据模型中的原始数据进行归一化处理;接着,获取归一化后的WAMS数据的绝对关联度并采用灰色关联分析法和聚类分析法对归一化后的WAMS数据进行聚类;然后,对聚类后的WAMS数据,采用权重因子进一步提取最优特征量,将因变量影响力最敏感的特征量作为同一聚类的最优特征量并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103614458A CN103400046A (zh) | 2013-08-19 | 2013-08-19 | 适用于电网广域监测系统的数据建模方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103614458A CN103400046A (zh) | 2013-08-19 | 2013-08-19 | 适用于电网广域监测系统的数据建模方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103400046A true CN103400046A (zh) | 2013-11-20 |
Family
ID=49563673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013103614458A Pending CN103400046A (zh) | 2013-08-19 | 2013-08-19 | 适用于电网广域监测系统的数据建模方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103400046A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077393A (zh) * | 2014-07-01 | 2014-10-01 | 武汉大学 | 一种基于半监督谱聚类的最优解列断面搜索方法 |
CN104331432A (zh) * | 2014-10-22 | 2015-02-04 | 江苏瑞中数据股份有限公司 | 一种适用于截面访问模式的电网海量时序数据存取方法 |
CN106611959A (zh) * | 2017-02-27 | 2017-05-03 | 国网河南省电力公司 | 一种基于wams异常波动动态跟踪的直流受端交流系统电压稳定判别方法 |
CN107453484A (zh) * | 2017-08-24 | 2017-12-08 | 国网辽宁省电力有限公司 | 一种基于wams信息的scada数据校准方法 |
CN109473972A (zh) * | 2018-08-31 | 2019-03-15 | 长沙理工大学 | 基于多功率曲线协整的源荷储优化控制方法 |
CN110224401A (zh) * | 2019-06-19 | 2019-09-10 | 清华大学 | 结合人工特征和残差网络的电力系统暂态稳定预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060259255A1 (en) * | 2005-04-05 | 2006-11-16 | Anderson James C | Method of visualizing power system quantities using a configurable software visualization tool |
CN101741086A (zh) * | 2009-12-16 | 2010-06-16 | 国网电力科学研究院 | 基于pmu数据的稳定计算模型及参数精度的综合评估方法 |
-
2013
- 2013-08-19 CN CN2013103614458A patent/CN103400046A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060259255A1 (en) * | 2005-04-05 | 2006-11-16 | Anderson James C | Method of visualizing power system quantities using a configurable software visualization tool |
CN101741086A (zh) * | 2009-12-16 | 2010-06-16 | 国网电力科学研究院 | 基于pmu数据的稳定计算模型及参数精度的综合评估方法 |
Non-Patent Citations (3)
Title |
---|
李洪伟: "基于模式识别和集成学习的电力系统暂态稳定评估", 《中国优秀硕士学位论文全文数据库》, no. 05, 15 May 2011 (2011-05-15), pages 28 - 34 * |
李阎君: "基于广域测量信号的电力系统暂态稳定预测方法研究", 《中国优秀硕士学位论文全文数据库》, no. 03, 15 March 2013 (2013-03-15) * |
焦艳燕: "基于数据挖掘方法的居民生活用电负荷预测研究", 《中国优秀硕士学位论文全文数据库》, no. 11, 15 November 2009 (2009-11-15), pages 13 - 29 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077393A (zh) * | 2014-07-01 | 2014-10-01 | 武汉大学 | 一种基于半监督谱聚类的最优解列断面搜索方法 |
CN104077393B (zh) * | 2014-07-01 | 2017-07-11 | 国家电网公司 | 一种基于半监督谱聚类的最优解列断面搜索方法 |
CN104331432A (zh) * | 2014-10-22 | 2015-02-04 | 江苏瑞中数据股份有限公司 | 一种适用于截面访问模式的电网海量时序数据存取方法 |
CN106611959A (zh) * | 2017-02-27 | 2017-05-03 | 国网河南省电力公司 | 一种基于wams异常波动动态跟踪的直流受端交流系统电压稳定判别方法 |
CN106611959B (zh) * | 2017-02-27 | 2019-06-14 | 国网河南省电力公司 | 一种基于wams异常波动动态跟踪的直流受端交流系统电压稳定判别方法 |
CN107453484A (zh) * | 2017-08-24 | 2017-12-08 | 国网辽宁省电力有限公司 | 一种基于wams信息的scada数据校准方法 |
CN107453484B (zh) * | 2017-08-24 | 2020-09-04 | 国网辽宁省电力有限公司 | 一种基于wams信息的scada数据校准方法 |
CN109473972A (zh) * | 2018-08-31 | 2019-03-15 | 长沙理工大学 | 基于多功率曲线协整的源荷储优化控制方法 |
CN109473972B (zh) * | 2018-08-31 | 2021-07-13 | 长沙理工大学 | 基于多功率曲线协整的源荷储优化控制方法 |
CN110224401A (zh) * | 2019-06-19 | 2019-09-10 | 清华大学 | 结合人工特征和残差网络的电力系统暂态稳定预测方法 |
CN110224401B (zh) * | 2019-06-19 | 2020-09-01 | 清华大学 | 结合人工特征和残差网络的电力系统暂态稳定预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103400046A (zh) | 适用于电网广域监测系统的数据建模方法及应用 | |
CN106054104A (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
CN103177188B (zh) | 一种基于特征映射的电力系统负荷动特性分类方法 | |
Fang et al. | Application of gray relational analysis to k-means clustering for dynamic equivalent modeling of wind farm | |
CN105186514A (zh) | 一种大规模分布式光伏并网对配网安全评价及预警方法 | |
CN103246806A (zh) | 一种含风电场电力系统的运行风险评估方法 | |
CN102880989A (zh) | 一种风电出力时间序列建模方法 | |
CN103258103A (zh) | 基于偏最小二乘回归的戴维南等值参数辨识方法 | |
CN103973203A (zh) | 一种适用于安全稳定分析的大型光伏电站在线等值建模方法 | |
CN103198184A (zh) | 一种电力系统低频振荡特征类噪声辨识方法 | |
Schmitt et al. | Steady-state inertia estimation using a neural network approach with modal information | |
CN102364490B (zh) | 基于层次分析模型的自动同调识别方法 | |
CN105242110A (zh) | 一种配电网多点谐波污染溯源方法 | |
CN103995948A (zh) | 一种基于多项式模型的振荡中心电压预测方法 | |
CN105406461A (zh) | 一种配电网停电事件的负荷自适应动态监测方法 | |
CN101153881A (zh) | 基于同步相量测量的区域电压稳定性监视方法 | |
CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
Liu et al. | An integrated scheme for static voltage stability assessment based on correlation detection and random bits forest | |
Wang et al. | Variational autoencoder based fault detection and location method for power distribution network | |
CN103632314A (zh) | 基于概率统计的广义节点特征建模方法 | |
CN106056305A (zh) | 一种基于状态聚类的发电系统可靠性快速评估方法 | |
CN108988347A (zh) | 一种电网暂态电压稳定样本集类别失衡的调节方法及系统 | |
Min et al. | Fault prediction for distribution network based on CNN and LightGBM algorithm | |
US20240019468A1 (en) | High-resolution electrical measurement data processing | |
CN105896525B (zh) | 基于wams的电网大扰动识别方法 |
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: 20131120 |