CN105184392B - 一种基于最小二乘支持向量机的光伏电站故障诊断方法 - Google Patents
一种基于最小二乘支持向量机的光伏电站故障诊断方法 Download PDFInfo
- Publication number
- CN105184392B CN105184392B CN201510518091.2A CN201510518091A CN105184392B CN 105184392 B CN105184392 B CN 105184392B CN 201510518091 A CN201510518091 A CN 201510518091A CN 105184392 B CN105184392 B CN 105184392B
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- photovoltaic plant
- model
- sample
- parameter
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003745 diagnosis Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000007257 malfunction Effects 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Photovoltaic Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于最小二乘支持向量机的光伏电站故障诊断方法,首先获取光伏电站不同工作状态下相关设备的参数构成故障诊断特征向量;然后建立基于最小二乘支持向量机的故障诊断模型;使用训练样本对故障诊断模型进行训练,采用分层多粒子群优化算法计算出模型参数的最优解,得到训练完成的故障诊断模型;将光伏电站的测试样本或实时样本输入到模型中进行故障诊断。本发明采用最小二乘支持向量机模型可有效解决小样本、非线性、高维数的问题,并且可将二次规划问题转变为线性方程组,提高求解问题的速度和收敛精度;采用分层多粒子群优化算法来优化模型的参数,降低了系统优化变量的维数和复杂性,提高了收敛精度和速度。
Description
技术领域
本发明涉及一种基于最小二乘支持向量机的光伏电站故障诊断方法,属于新能源控制技术领域。
背景技术
近年来,在各国政府的大力支持下,具有清洁环保、无污染、可再生等优点的光伏发电得到了快速的发展。随着光伏电站规模的扩大,电站的设备剧增,设备众多、占地面积大、环境恶劣等问题使得故障频发是不可避免的。因此,为了在光伏发电运行过程中有效监测出各种故障,提高光伏发电系统的发电量、降低发电成本,保证整个光伏电站的安全稳定运行,提出一种智能高效的故障诊断方法是非常必要的。
为了减少电站损失,提高发电量,我国各高校及电力企业相继开展了对光伏电站故障诊断的研究工作。大多数的研究对象是光伏阵列或逆变器等单个设备的故障诊断,并没有考虑到整个光伏电站是由若干光伏阵列、逆变器、汇流箱等机组共同构成的大系统。中国专利申请号201510197855.2公开了一种光伏发电系统在线故障诊断方法,该方法在各块光伏组件、各路汇流箱上分别设置监测模块进行实时监测来判断是否发生了故障,这种方法对于大规模的光伏电站显然是不行的,显著增加了系统的成本和安装难度;中国专利申请号201410449777.6公开了一种基于模糊聚类算法的光伏电站故障诊断方法,模糊隶属函数和模糊规则无法保证任何情况下都为最优,而且模糊逻辑系统缺少自学习能力;中国专利申请号201410295094.X公开了一种光伏电站故障诊断方法,虽然可以快速的进行故障诊断但需要依靠电站的历史经验数据,没有考虑新建电站样本数据较少的情况。
发明内容
本发明的目的是提供一种基于最小二乘支持向量机的光伏电站故障诊断方法,以解决目前光伏故障诊断过程中出现的小样本、非线性和高维数的问题。
本发明为解决上述技术问题提供了一种基于最小二乘支持向量机的光伏电站故障诊断方法,该故障诊断方法包括以下步骤:
1)获取光伏电站不同工作状态下相关设备的电气参数、通讯参数、开关状态、环境参数构成故障诊断特征向量;
2)建立基于最小二乘支持向量机的故障诊断模型;
3)使用训练样本对故障诊断模型进行训练,计算出故障诊断模型模型参数的最优解,得到训练完成的故障诊断模型;
4)将光伏电站的测试样本或实时样本输入到模型中进行故障诊断。
所述的步骤2)中的故障诊断模型的建立过程如下:
A.将步骤1)中的故障特征向量的一部分作为训练样本,并将该训练样本映射到高维特征空间;
B.构造最优线性决策函数对故障诊断特征向量训练样本进行分类;
C.求解最小二乘支持向量机目标函数确定决策函数中的系数向量和偏差项;
D.以得到的系数向量和偏差项带入决策函数即为所建立的故障诊断模型。
所述步骤B中的决策函数为:
y(x)=sign[(wm)Tφ(x)+bm] m=1,2,3,4,5,6
其中,wm、bm分别为第m个LS-SVM的系数向量、偏差项,可通过求解该LS-SVM的目标函数来确定,其目标函数为:
约束条件为:
其中,xi、yi分别为输入的第i个特征向量训练样本及其对应的输出;n为特征向量训练样本的数量;r为惩罚系数,且r>0;为第m个LS-SVM中xi的误差变量,且
所述步骤3)中故障诊断模型的最优参数是采用分层多粒子群优化算法计算得到。
采用分层多粒子群优化算法计算故障诊断模型的最优参数的过程如下:
a.将每个发电单元下的训练样本划分为一个种群,确定粒子群规模N,初始化参数惯性因子、学习因子、速度限值、最大迭代次数、粒子速度;
b.第1层每个种群在控制变量变化范围内随机生成m个解,计算目标函数值,并把最优位置向量解P1传送到第2层;
c.第2层接收第1层传送的L个最优位置向量解作为粒子的初始值,进行各种群之间的协调,并计算目标函数值,取各种群的最优值进行第二次优化,更新全局最优解P2及对应的目标函数值;
d.判断迭代结束条件,满足则终止迭代,输出最优的LS-SVM参数,不满足则转到f;
f.第1层中每个粒子群根据迭代公式更新粒子的飞行速度,把位置向量传送到第2层,转到步骤c。
所述步骤4)将光伏电站的测试样本或实时样本输入到模型中后分别计算每个决策函数的函数值,得到故障诊断特征向量样本所对应的故障状态,判断系统是否处于故障状态,若处于故障状态则给出故障类型。
所述步骤1)中的工作状态包括正常工作状态和故障状态,故障状态包括组件短路、组件断路、汇流箱故障、逆变器故障、变压器故障、大面积阴影。
所述步骤1)中的相关设备包括光伏电站内汇流箱、逆变器、电能表和变压器设备。
本发明的有益效果是:本发明首先从监控系统获取光伏电站不同工作状态下相关设备的电气参数、通讯参数、开关状态、环境参数构成故障诊断特征向量;结合光伏电站的故障特征建立基于最小二乘支持向量机的故障诊断模型;使用训练样本对故障诊断模型进行训练,采用分层多粒子群优化算法计算出模型参数的最优解,得到训练完成的故障诊断模型;将光伏电站的测试样本或实时样本输入到模型中进行故障诊断。本发明采用最小二乘支持向量机模型可有效解决小样本、非线性、高维数的问题,并且可将二次规划问题转变为线性方程组,提高求解问题的速度和收敛精度;采用分层多粒子群优化算法来优化模型的参数,降低了系统优化变量的维数和复杂性,提高了收敛精度和速度;本发明不仅诊断速度快、精度高,而且能够解决新建光伏电站诊断样本少的问题,在样本数据较少的情况下仍能获得较高的诊断准确率;从整个光伏电站的角度出发,综合分析各设备的实时数据及环境数据来进行故障诊断,为电站运维人员及时提供故障信息,从而减少故障造成的损失,利于光伏电站的安全稳定运行,具有广泛的工程应用价值。
附图说明
图1是本发明实施例中的基于最小二乘支持向量机故障诊断的流程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的说明。
如图1所示的基于最小二乘支持向量机故障诊断的流程示意图,具体诊断步骤为:
1.从监控系统中采集光伏电站不同工作状态下光伏阵列工作于最大功率跟踪点时相关设备的电气参数、通讯状态、开关状态、环境参数,构成故障诊断特征向量。
故障诊断特征向量为汇流箱、逆变器、环境监测仪、电能表及箱变的故障特征向量的组合,分别为:
汇流箱的特征向量记为(UHik、IHik、CHjk、KHjk),分别为电压、电流、通讯状态、开关状态,i代表第i条汇流支路,j代表第j个汇流箱。
逆变器的特征向量记为(UNik、INik、PNik、CNik、KNik),分别为直流侧电压、直流侧电流、输出总有功功率、通讯状态、开机状态,i代表第i个逆变器。
环境监测仪的特征向量记为(Sk、Tk、TCk),分别为光照强度、环境温度、电池板温度。
电能表的特征向量记为PDk,代表电度量。
箱变的特征向量记为TBk,代表油温。
上述特征向量中,k为样本采集序号,k为1到N的整数,每个数字代表一种工作状态。
工作状态包括正常工作状态和故障状态,故障状态包括组件短路、组件断路、汇流箱故障、逆变器故障、变压器故障、大面积阴影。
2.结合光伏电站的故障特征,建立基于最小二乘支持向量机(LS-SVM)的故障诊断模型。
采用最小二乘线性系统作为损失函数,代替传统的支持向量机采用的二次规划方法,将不等式约束条件变为等式约束,从而将二次规划问题转变为线性方程组的求解,提高了求解问题的速度和收敛精度。
假设建立6个LS-SVM,每个LS-SVM将属于本类型的故障诊断特征向量样本设为+1,其余的样本设为-1。
将步骤1中故障特征向量的一部分作为训练样本x,将其通过φ(x)映射到高维特征空间,并构造最优线性决策函数y(x)来实现故障诊断特征向量训练样本的分类,则第m个LS-SVM的决策函数为:
y(x)=sign[(wm)Tφ(x)+bm] m=1,2,3,4,5,6
其中,wm、bm分别为第m个LS-SVM的系数向量、偏差项,可通过求解该LS-SVM的目标函数来确定,其目标函数为:
约束条件为:
其中,xi、yi分别为输入的第i个特征向量训练样本及其对应的输出;n为特征向量训练样本的数量;r为惩罚系数,且r>0;为第m个LS-SVM中xi的误差变量,且
3.用样本数据对LS-SVM模型进行训练,采用分层多粒子群优化算法计算出LS-SVM模型的最优参数,分别计算每个决策函数的函数值,得到故障诊断特征向量样本对应的故障状态,进而得到训练完成的LS-SVM故障诊断模型。分层多粒子群优化算法进行求解,优点在于采用控制理论的分层思想:第一层将各发电单元看成一个子系统,各子系统单独优化并行计算,降低了算法维度;第二层进行各子系统之间相互协调并进行第二次粒子群优化,得到全系统的最优解,提高收敛精度和速度
该算法将参数w、b作为粒子群中粒子的位置,其计算步骤为:
1)初始化。设置种群数L,将每个发电单元下的训练样本划分为一个种群,确定粒子群规模N,初始化算法参数惯性因子、学习因子、速度限值、最大迭代次数、粒子速度;
2)第1层每个种群在控制变量变化范围内随机生成m个解,计算目标函数值,并把最优位置向量解P1传送到第2层;
3)第2层接收第1层传送的L个最优位置向量解作为粒子的初始值,进行各种群之间的协调,并计算目标函数值,取各种群的最优值进行第二次优化,更新全局最优解P2及对应的目标函数值;
4)判断迭代结束条件,满足则终止迭代,输出最优的LS-SVM参数,不满足则转到5);
5)第1层中每个粒子群根据迭代公式更新粒子的飞行速度,重新把位置向量传送到第2层,转到步骤3)。
4.将测试样本或重新采集实时的故障诊断特征向量样本输入到训练完成的LS-SVM故障诊断模型中,分别计算每个决策函数的函数值,得到故障诊断特征向量样本所对应的故障状态,判断系统是否处于故障状态,若处于故障状态则给出故障类型。
本实施例所采用的光伏电站故障诊断方法可以对整个光伏电站进行故障诊断,不仅诊断速度快、精度高,而且能够解决新建光伏电站诊断样本少的问题,在样本数据较少的情况下仍能获得较高的诊断准确率。
以上实施例仅用于帮助理解本发明的核心思想,不能以此限制本发明,对于本领域的技术人员,凡是依据本发明的思想,对本发明进行修改或者等同替换,在具体实施方式及应用范围上所做的任何改动,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于最小二乘支持向量机的光伏电站故障诊断方法,其特征在于,该故障诊断方法包括以下步骤:
1)获取光伏电站不同工作状态下相关设备的电气参数、通讯参数、开关状态、环境参数构成故障诊断特征向量;
2)建立基于最小二乘支持向量机的故障诊断模型;
3)使用训练样本对故障诊断模型进行训练,计算出故障诊断模型模型参数的最优解,得到训练完成的故障诊断模型;
4)将光伏电站的测试样本或实时样本输入到模型中进行故障诊断;
所述的步骤2)中的故障诊断模型的建立过程如下:
A.将步骤1)中的故障特征向量的一部分作为训练样本,并将该训练样本映射到高维特征空间;
B.构造最优线性决策函数对故障诊断特征向量训练样本进行分类;
C.求解最小二乘支持向量机目标函数确定决策函数中的系数向量和偏差项;
D.以得到的系数向量和偏差项带入决策函数即为所建立的故障诊断模型;
所述步骤B中的决策函数为:
y(x)=sign[(wm)Tφ(x)+bm] m=1,2,3,4,5,6
其中,wm、bm分别为第m个LS-SVM的系数向量、偏差项,可通过求解该LS-SVM的目标函数来确定,其目标函数为:
约束条件为:
其中,xi、yi分别为输入的第i个特征向量训练样本及其对应的输出;n为特征向量训练样本的数量;r为惩罚系数,且r>0;为第m个LS-SVM中xi的误差变量,且
2.根据权利要求1所述的基于最小二乘支持向量机的光伏电站故障诊断方法,其特征在于,所述步骤3)中故障诊断模型的最优参数是采用分层多粒子群优化算法计算得到。
3.根据权利要求2所述的基于最小二乘支持向量机的光伏电站故障诊断方法,其特征在于,采用分层多粒子群优化算法计算故障诊断模型的最优参数的过程如下:
a.将每个发电单元下的训练样本划分为一个种群,确定粒子群规模N,初始化参数惯性因子、学习因子、速度限值、最大迭代次数、粒子速度;
b.第1层每个种群在控制变量变化范围内随机生成m个解,计算目标函数值,并把最优位置向量解P1传送到第2层;
c.第2层接收第1层传送的L个最优位置向量解作为粒子的初始值,进行各种群之间的协调,并计算目标函数值,取各种群的最优值进行第二次优化,更新全局最优解P2及对应的目标函数值;
d.判断迭代结束条件,满足则终止迭代,输出最优的LS-SVM参数,不满足则转到f;
f.第1层中每个粒子群根据迭代公式更新粒子的飞行速度,把位置向量传送到第2层,转到步骤c。
4.根据权利要求3所述的基于最小二乘支持向量机的光伏电站故障诊断方法,其特征在于,所述步骤4)将光伏电站的测试样本或实时样本输入到模型中后分别计算每个决策函数的函数值,得到故障诊断特征向量样本所对应的故障状态,判断系统是否处于故障状态,若处于故障状态则给出故障类型。
5.根据权利要求3所述的基于最小二乘支持向量机的光伏电站故障诊断方法,其特征在于,所述步骤1)中的工作状态包括正常工作状态和故障状态,故障状态包括组件短路、组件断路、汇流箱故障、逆变器故障、变压器故障、大面积阴影。
6.根据权利要求3所述的基于最小二乘支持向量机的光伏电站故障诊断方法,其特征在于,所述步骤1)中的相关设备包括光伏电站内汇流箱、逆变器、电能表和变压器设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510518091.2A CN105184392B (zh) | 2015-08-21 | 2015-08-21 | 一种基于最小二乘支持向量机的光伏电站故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510518091.2A CN105184392B (zh) | 2015-08-21 | 2015-08-21 | 一种基于最小二乘支持向量机的光伏电站故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184392A CN105184392A (zh) | 2015-12-23 |
CN105184392B true CN105184392B (zh) | 2019-02-05 |
Family
ID=54906455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510518091.2A Active CN105184392B (zh) | 2015-08-21 | 2015-08-21 | 一种基于最小二乘支持向量机的光伏电站故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184392B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022528B (zh) * | 2016-05-26 | 2019-06-11 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
CN106199305B (zh) * | 2016-07-01 | 2018-12-28 | 太原理工大学 | 煤矿井下供电系统用干式变压器绝缘健康状态评估方法 |
CN106230377B (zh) * | 2016-07-01 | 2018-04-27 | 重庆大学 | 一种光伏电池板热斑故障检测方法 |
CN106374509B (zh) * | 2016-11-07 | 2018-10-23 | 河海大学 | 一种大规模光伏发电并网系统预防电压振荡的方法 |
CN106527339B (zh) * | 2016-12-14 | 2019-04-23 | 东北大学 | 一种基于工业云的高可靠的选矿设备故障诊断系统及方法 |
CN109299507A (zh) * | 2018-08-20 | 2019-02-01 | 浙江大学 | 一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法 |
CN109739209A (zh) * | 2018-12-11 | 2019-05-10 | 深圳供电局有限公司 | 一种基于分类数据挖掘的电网故障诊断方法 |
CN110705114B (zh) * | 2019-10-10 | 2023-04-07 | 辽宁工程技术大学 | 一种无训练样本的通风故障诊断方法 |
CN111077384B (zh) * | 2019-10-17 | 2021-12-10 | 华北电力大学(保定) | 一种变压器内部故障在线监测方法 |
CN112199890B (zh) * | 2020-10-11 | 2023-03-17 | 哈尔滨工程大学 | 一种综合式核动力装置系统级故障诊断方法 |
CN116933923B (zh) * | 2023-07-12 | 2024-07-26 | 淮阴工学院 | 一种智能物联光伏蜂场优化系统及方法 |
CN117150374A (zh) * | 2023-10-27 | 2023-12-01 | 国网江西省电力有限公司电力科学研究院 | 一种基于特征重要性排序的变压器故障辨识方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5625751A (en) * | 1994-08-30 | 1997-04-29 | Electric Power Research Institute | Neural network for contingency ranking dynamic security indices for use under fault conditions in a power distribution system |
CN102663412A (zh) * | 2012-02-27 | 2012-09-12 | 浙江大学 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
CN104753461A (zh) * | 2015-04-10 | 2015-07-01 | 福州大学 | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8588984B2 (en) * | 2009-07-23 | 2013-11-19 | Athula Dayanarth Rajapaske | Rotor angle stability prediction using post disturbance voltage trajectories |
-
2015
- 2015-08-21 CN CN201510518091.2A patent/CN105184392B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5625751A (en) * | 1994-08-30 | 1997-04-29 | Electric Power Research Institute | Neural network for contingency ranking dynamic security indices for use under fault conditions in a power distribution system |
CN102663412A (zh) * | 2012-02-27 | 2012-09-12 | 浙江大学 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
CN104753461A (zh) * | 2015-04-10 | 2015-07-01 | 福州大学 | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 |
Non-Patent Citations (1)
Title |
---|
基于多种群分层粒子群优化的配电网络重构;吕林 等;《电网技术》;20081231;第32卷;正文第0-4节 |
Also Published As
Publication number | Publication date |
---|---|
CN105184392A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184392B (zh) | 一种基于最小二乘支持向量机的光伏电站故障诊断方法 | |
CN105356492B (zh) | 一种适用于微电网的能量管理仿真系统及方法 | |
CN105024397B (zh) | 海上风电经vsc‑mtdc输电并网系统的动态模拟系统 | |
CN106054672A (zh) | 基于rt‑lab的真实微电网运行动态仿真测试平台 | |
CN103973203B (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 | |
CN103400302A (zh) | 一种风电基地连锁故障风险感知预警方法及其系统 | |
CN104201672B (zh) | 一种新型的微网系统控制装置 | |
CN105403811A (zh) | 风电场电网故障诊断方法和装置 | |
CN103703645A (zh) | 用于光伏电站的控制系统 | |
CN103310306B (zh) | 风储电场综合信息监测管理系统及监测管理方法 | |
CN104504607A (zh) | 一种基于模糊聚类算法的光伏电站故障诊断方法 | |
CN106451418B (zh) | 光伏电站的在线分群等值建模方法 | |
CN103441527B (zh) | 一种基于实测数据的风电接入系统模型 | |
CN101498927A (zh) | 风电场群中央综合监控系统 | |
CN106527182A (zh) | 基于rtds的含多类型高渗透新能源电网安稳试验系统及方法 | |
CN107465211A (zh) | 孤岛微电网的分布式固定时间协调控制方法 | |
CN103904641A (zh) | 基于相关均衡强化学习的孤岛微电网智能发电控制方法 | |
Wu et al. | Integrated distribution management system: architecture, functions, and application in China | |
CN103501056A (zh) | 地县一体化自动电压控制系统 | |
CN105356446B (zh) | 一种电力系统网络的风险评估方法 | |
Ni et al. | A review of line loss analysis of the low-voltage distribution system | |
CN106847019A (zh) | 一种微电网调度监控系统及控制方法 | |
CN202677179U (zh) | 太阳能光伏电站并网发电能效监控系统 | |
Li et al. | Fault location method of active distribution network based on graph theory and matrix algorithm | |
CN107276073A (zh) | 一种基于负荷‑风光等效负荷的母线负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |