CN105406476A - 基于历史数据的电力系统稳定性快速判断方法 - Google Patents
基于历史数据的电力系统稳定性快速判断方法 Download PDFInfo
- Publication number
- CN105406476A CN105406476A CN201511030190.2A CN201511030190A CN105406476A CN 105406476 A CN105406476 A CN 105406476A CN 201511030190 A CN201511030190 A CN 201511030190A CN 105406476 A CN105406476 A CN 105406476A
- Authority
- CN
- China
- Prior art keywords
- stability
- historical data
- power system
- current time
- fault
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于历史数据的电力系统稳定性快速判断方法,包括收集电网历史运行数据,并计算统计量;收集电网实时运行数据;对电网关键节点和电网故障薄弱点的故障求取故障稳定程度指标;进行相关性分析,形成各采样点的故障特征变量;计算当前时刻的稳定程度指标,判断当前时刻电网稳定性。本发明将电网实时运行数据与电力系统历史数据库中的电网运行和故障数据,快速判断电网的实时稳定性能;同时针对每一次的计算结果都会纳入并更新数据库,因此本发明方法计算复杂度较低,计算速度快;本发明还采用时域仿真方法详细对系统的稳定性进行计算并纳入历史数据,因此本发明方法还能对电力系统稳定性进行精确判断。
Description
技术领域
本发明属于电力系统自动化领域,具体涉及一种基于历史数据的电力系统稳定性快速判断方法。
背景技术
随着我国经济技术的发展和人民生活水平的提高,电能已经成为了人们日常生活中最重要的能源。而电力系统的供电稳定性已经成为了人们对电力系统最重要的要求之一。为了保障电能安全可靠的传输,中国电网中开展了西电东送、全国联网以及特高压输电等重大工程,交直流混联的特大电网已经基本形成。随着电网规模的扩大,电网安全稳定性愈加难以掌控。世界上已经发生的多次电网故障表明,输电电压等级的提高、联网规模扩大以及传输容量的增加,都会增大电网故障带来的危害,故障原因和过程也更为复杂。开展对运行电网全面细致的在线监视、分析和控制,保障电力生产、传输和使用的安全是各国电力行业的迫切需求。
为了保证电力系统的安全稳定,电力系统在线安全稳定分析技术已得到较为广泛的应用。目前我国省级以上调度支持系统都配有在线分析模块。在线分析通常每15分钟对电力系统当前运行状态进行一次全面扫描,对实时性要求非常高,尤其是暂态稳定分析模块,计算任务一般会达到几百至上千不等,计算量非常大;另一方面,在线分析模块会把每15分钟一次的当前断面数据进行存储,形成大量宝贵的历史计算数据,这些数据既包含以往的运行方式,也包含对应的稳定分析结果。
但是,现有的电力系统快速判稳方法大致分为两类:第一类方法是利用大量的电网运行数据,进行严格精确的在线数据计算和仿真,然而该类方法随着电力系统运行数据的增加和系统的扩大,其计算复杂度呈指数性上升趋势,该类方法虽然计算结果精确可靠,但是由于计算和仿真周期长,一般仅用于进行理论分析和验证。第二类方法是利用电网的运行数据,采取优化计算程序、简化分析过程等手段减少计算和仿真的数据量,从而达到快速定性判断电网稳定性的目的;但是该类方法存在计算和仿真的基础数据量不足、结果不精确、可靠性和稳定性不高的问题。
发明内容
本发明的目的在于提供一种能够快速对电力系统稳定性进行精确判断、实时高的基于历史数据的电力系统稳定性快速判断方法。
本发明提供的这种基于历史数据的电力系统稳定性快速判断方法,包括如下步骤:
S1.收集电网系统数据库中电网设备的状态量和电气量历史数据,计算状态量和电气量的均值和标准差,形成统计量;同时收集电网系统实际运行时的电网设备的状态量和电气量,形成当前时刻下的故障特征变量;
S2.根据步骤S1收集的统计量,针对每一个时间节点,对电网关键节点和电网故障薄弱点的各类故障求得故障临界切除时间,作为故障稳定程度指标;
S3.将步骤S1得到的统计量,与步骤S2获取的各类故障稳定程度指标进行相关性分析,将相关性最大的N组统计量作为该故障的故障特征变量,形成各采样点的故障特征变量,N为大于零的整数;
S4.本局步骤S3获得的各采样点的故障特征变量和步骤S2得到的当前时刻下的故障特征变量,采用K-最近邻算法计算当前时刻的稳定程度指标,判断当前时刻下电网系统的稳定性结果。
基于历史数据的电力系统稳定性快速判断方法还包括如下步骤:
S5.精确求取当前时刻电网系统的稳定程度指标;
S6.将步骤S5求取的精确的稳定程度指标更新当前时刻的电网系统的稳定性参数,并加入电网系统数据库。
步骤S3所述的相关性分析,为采用Pearson相关系数法进行相关性分析:
式中n是元组的个数,ai和bi分别是元组i在A和B上的数值,和分别是A和B的均值,σA和σB分别是A和B的标准差。
步骤S4所述的K-最近邻算法,具体包括如下步骤:
1)根据当前时刻下电网设备的状态量和电气量得到当前时刻故障特征变量,计算当前时刻下步骤S3所述各采样点的故障特征变量与当前时刻故障特征变量之间的度量距离;
2)在步骤1)获取的度量距离中,获取度量距离最短的M个历史采样点的稳定程度指标,按照度量距离的倒数进行加权平均,求得当前时刻的稳定程度指标,判断当前时刻下电网系统的稳定性结果,M为大于0的整数。
步骤S5所述的精确求取,为采用时域仿真方法求取。
步骤S1所述的电网设备的状态量和电气量,包括交流线路的投运状态和有功功率、机组的投运状态、有功功率和机端电压、负荷的电压和有功功率、区域的总发电、总负荷和平均电压、厂站的总发电、总负荷和投运机组数量。
步骤1)所述的度量距离,为欧式距离。
步骤2)所述的M个历史采样点的稳定程度指标,为3个或5个。
步骤S3所述的N组统计量,为200组统计量。
本发明采用K-最近邻算法,利用电力系统历史数据库中的电网运行和故障数据,求取各类型故障的特征变量,再将故障特征变量与电网实时运行数据进行对比,从而快速判断电网的实时稳定性能;同时本发明方法针对每一次的计算结果都会纳入数据库并进行更新,因此本发明方法计算复杂度相对较低,计算速度快;而且本发明方法还在初步判定系统稳定性能后,采用时域仿真方法详细对系统的稳定性进行计算并纳入历史数据,因此本发明方法对电力系统稳定性进行精确判断。
附图说明
图1为本发明方法的流程图。
具体实施方式
如图1所示为本发明方法的流程图:本发明提供的这种基于历史数据的电力系统稳定性快速判断方法,包括如下步骤:
S1.收集电网系统数据库中电网设备的状态量和电气量,计算状态量和电气量的均值和标准差,形成统计量;同时收集电网系统实际运行时的电网设备的状态量和电气量:
所述的电网设备的状态量和电气量,包括交流线路的投运状态和有功功率、机组的投运状态、有功功率和机端电压、负荷的电压和有功功率、区域的总发电、总负荷和平均电压、厂站的总发电、总负荷和投运机组数量。
S2.根据步骤S1收集的统计量,针对每一个时间节点,对电网关键节点和电网故障薄弱点的各类故障求得故障临界切除时间,作为故障稳定程度指标:
S3.将步骤S1得到的统计量,与步骤S2获取的各类故障稳定程度指标进行相关性分析,将相关性最大的200组统计量作为该故障的故障特征变量,形成各采样点的故障特征变量:
所述的相关性分析,为采用Pearson相关系数法进行相关性分析:
式中n是元组的个数,ai和bi分别是元组i在A和B上的数值,和分别是A和B的均值,σA和σB分别是A和B的标准差。
S4.采用K-最近邻算法,计算当前时刻的稳定程度指标,判断当前时刻下电网系统的稳定性结果:
K-最近邻算法主要包括如下步骤:
1)根据当前时刻下电网设备的状态量和电气量得到当前时刻故障特征变量,计算当前时刻下步骤S3所述各采样点的故障特征变量与当前时刻故障特征变量之间的度量距离,度量距离采用欧式距离;
2)在步骤1)获取的度量距离中,获取度量距离最短的3个或5个历史采样点的稳定程度指标,按照度量距离的倒数进行加权平均,求得当前时刻的稳定程度指标,与电网标准稳定程度指标相比判断当前时刻下电网系统的稳定性结果。
S5.采用时域仿真方法精确求取当前时刻电网系统的稳定程度指标;
S6.将步骤S5求取的精确的稳定程度指标更新当前时刻的电网系统的稳定性参数,并加入电网系统数据库。
以下结合一个实施例对本发明进行进一步说明:
以国家电网公司某月在线计算数据为基础,验证本文方法的有效性。当月华北-华中处于联网运行状态,因此在线数据中包含国调直调以及华北、华中所有220kV以上的电网设备。统计量采用步骤一中的统计方法,共计22816个;考察故障包括四川.山桃一线、华北.黄滨一线、国调.峡葛I线、华中.樊白II线、国调.渔宜线、国调.葛岗线、华中.牌长I回线、华中.盘龙I线、华中.艾鹤I回线、华中.艳牌I回线,共计10个。
该月断面数据共2875个,采用其中的一半作为样本集,即1437个;另外一半用于预测,并与精确仿真结果进行对比。
相关性分析
本步骤根据采集的统计量和稳定程度指标,进行相关系数分析,找到与稳定指标相关性最大(相关系数绝对值最大)的若干统计量,作为稳定特征,为后续预测做准备。
分析黄滨一线CCT与统计量间的相关性(绝对值最大10个)
表1黄滨一线相关性分析
统计量 | 相关系数 | 相关性说明 |
山东.红庙站负荷功率 | -0.7758 | 负相关 |
山东.泰红Ⅱ线功率 | -0.7731 | 负相关 |
山东.泰红线功率 | -0.7727 | 负相关 |
山东.许寺站负荷功率 | -0.7700 | 负相关 |
山东.延庆站负荷功率 | -0.7569 | 负相关 |
山东.赵庄站负荷功率 | -0.7544 | 负相关 |
山东.水屯站负荷功率 | -0.7509 | 负相关 |
山东.许南线功率 | -0.7484 | 负相关 |
山东.清河站负荷功率 | -0.7471 | 负相关 |
山东.彩虹站负荷功率 | -0.7463 | 负相关 |
分析葛岗线CCT与统计量间的相关性(绝对值最大10个)
表2葛岗线相关性分析
步骤三k最近邻算法预测
选取相关系数最大的若干统计量作为稳定特征,要求相关系数绝对值不小于0.5,稳定特征个数不小于100,然后分别采用k=1,3,5,7,9情况下的k-最近邻算法进行预测。
黄滨一线结果如下所示。
表3黄滨一线预测平均误差
K=1 | K=3 | K=5 | K=7 | K=9 | |
平均误差 | 3.10% | 2.88% | 3.53% | 3.98% | 4.29% |
葛岗线结果如下所示。
表4葛岗线预测平均误差
K=1 | K=3 | K=5 | K=7 | K=9 | |
平均误差 | 0.49% | 0.58% | 0.62% | 0.65% | 0.67% |
目前,电力系统仿真的正常保护动作时间通常为0.1秒,后备保护动作时间通常为0.3秒。现有在线计算得到的临界切除时间均大于0.1秒,这也符合正常情况下发生N-1故障后,系统能够保持稳定的原则。因此,采用0.3秒作为分界线进行分类,0.3秒以下为判定危险,0.3秒以上为判定安全。结果如下表所示。
表5分类预测误差率
任务 | 预测总数 | <0.3s | >=0.3s | 误报数 | 误报率 |
山桃一线 | 1228 | 1187 | 41 | 16 | 1.30% |
黄滨一线 | 1251 | 538 | 713 | 47 | 3.76% |
峡葛I线 | 1235 | 1235 | 0 | 0 | 0 |
樊白II线 | 594 | 73 | 521 | 14 | 2.36% |
渔宜线 | 352 | 2 | 350 | 2 | 0.16% |
葛岗线 | 1234 | 932 | 302 | 2 | 0.16% |
牌长I回线 | 1240 | 1165 | 75 | 9 | 0.73% |
盘龙I线 | 1229 | 1225 | 4 | 3 | 0.24% |
艾鹤I线 | 1235 | 1231 | 4 | 3 | 0.24% |
艳牌I回线 | 1239 | 1165 | 74 | 10 | 0.81% |
由结果可见,预测的临界切除时间平均误差在5%以内,分类误报率在4%以下,具备实用水平。
从计算时间上看,从收到在线计算数据到给出预测结果时间在5秒以内,完全满足在线分析的要求。
Claims (9)
1.一种基于历史数据的电力系统稳定性快速判断方法,包括如下步骤:
S1.收集电网系统数据库中电网设备的状态量和电气量历史数据,计算状态量和电气量的均值和标准差,形成统计量;同时收集电网系统实际运行时的电网设备的状态量和电气量;
S2.根据步骤S1收集的统计量,针对每一个时间节点,对电网关键节点和电网故障薄弱点的各类故障求得故障临界切除时间,作为故障稳定程度指标;
S3.将步骤S1得到的统计量,与步骤S2获取的各类故障稳定程度指标进行相关性分析,将相关性最大的N组统计量作为该故障的故障特征变量,形成各采样点的故障特征变量,N为大于零的整数;
S4.本局步骤S3获得的各采样点的故障特征变量和步骤S1得到的当前时刻下的电网设备的状态量和电气量,采用K-最近邻算法计算当前时刻的稳定程度指标,判断当前时刻下电网系统的稳定性结果。
2.根据权利要求1所述的基于历史数据的电力系统稳定性快速判断方法,其特征在于还包括如下步骤:
S5.精确求取当前时刻电网系统的稳定程度指标;
S6.将步骤S5求取的精确的稳定程度指标更新当前时刻的电网系统的稳定性参数,并加入电网系统数据库。
3.根据权利要求1或2所述的基于历史数据的电力系统稳定性快速判断方法,其特征在于步骤S3所述的相关性分析,为采用Pearson相关系数法进行相关性分析:
式中n是元组的个数,ai和bi分别是元组i在A和B上的数值,和分别是A和B的均值,σA和σB分别是A和B的标准差。
4.根据权利要求1或2所述的基于历史数据的电力系统稳定性快速判断方法,其特征在于步骤S4所述的K-最近邻算法,具体包括如下步骤:
1)根据当前时刻下电网设备的状态量和电气量得到当前时刻故障特征变量,计算当前时刻下步骤S3所述各采样点的故障特征变量与当前时刻故障特征变量之间的度量距离;
2)在步骤1)获取的度量距离中,获取度量距离最短的M个历史采样点的稳定程度指标,按照度量距离的倒数进行加权平均,求得当前时刻的稳定程度指标,判断当前时刻下电网系统的稳定性结果,M为大于0的整数。
5.根据权利要求2所述的基于历史数据的电力系统稳定性快速判断方法,其特征在于步骤S5所述的精确求取,为采用时域仿真方法求取。
6.根据权利要求1或2所述的基于历史数据的电力系统稳定性快速判断方法,其特征在于步骤S1所述的电网设备的状态量和电气量,包括交流线路的投运状态和有功功率、机组的投运状态、有功功率和机端电压、负荷的电压和有功功率、区域的总发电、总负荷和平均电压、厂站的总发电、总负荷和投运机组数量。
7.根据权利要求4所述的基于历史数据的电力系统稳定性快速判断方法,其特征在于步骤1)所述的度量距离,为欧式距离。
8.根据权利要求4所述的基于历史数据的电力系统稳定性快速判断方法,其特征在于步骤2)所述的M个历史采样点的稳定程度指标,为3个或5个。
9.根据权利要求1所述的基于历史数据的电力系统稳定性快速判断方法,其特征在于步骤S3所述的N组统计量,为200组统计量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511030190.2A CN105406476B (zh) | 2015-12-31 | 2015-12-31 | 基于历史数据的电力系统稳定性快速判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511030190.2A CN105406476B (zh) | 2015-12-31 | 2015-12-31 | 基于历史数据的电力系统稳定性快速判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105406476A true CN105406476A (zh) | 2016-03-16 |
CN105406476B CN105406476B (zh) | 2017-10-13 |
Family
ID=55471800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511030190.2A Active CN105406476B (zh) | 2015-12-31 | 2015-12-31 | 基于历史数据的电力系统稳定性快速判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105406476B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067079A (zh) * | 2016-06-20 | 2016-11-02 | 三峡大学 | 一种基于bp神经网络的灰霾预测的系统和方法 |
CN106504116A (zh) * | 2016-10-31 | 2017-03-15 | 山东大学 | 基于电网运行与暂态稳定裕度指标关联的稳定评估方法 |
CN106529081A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于神经网络的pm2.5实时等级预测方法和系统 |
CN106786560A (zh) * | 2017-02-14 | 2017-05-31 | 中国电力科学研究院 | 一种电力系统稳定特征自动提取方法及装置 |
CN107069712A (zh) * | 2017-04-01 | 2017-08-18 | 华北电力大学 | 基于李雅普诺夫的电力系统临界切除时间计算系统及方法 |
CN107784015A (zh) * | 2016-08-30 | 2018-03-09 | 中国电力科学研究院 | 一种基于电力系统在线历史数据的数据约简方法 |
CN109376990A (zh) * | 2018-09-14 | 2019-02-22 | 中国电力科学研究院有限公司 | 一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统 |
CN110472778A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于Blending集成学习的短期负荷预测方法 |
US11088569B2 (en) * | 2016-10-13 | 2021-08-10 | Hitachi, Ltd. | Power flow monitoring device for power system, power system stabilization device, and power flow monitoring method for power system |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102723712A (zh) * | 2012-06-28 | 2012-10-10 | 天津大学 | 一种提高电力系统暂态稳定性分析效率的方法 |
CN103310390A (zh) * | 2013-07-05 | 2013-09-18 | 武汉大学 | 一种电网安全综合评价方法 |
CN104599189A (zh) * | 2014-12-25 | 2015-05-06 | 国家电网公司 | 一种计入电力系统运行方式的电网规划方案风险评估方法 |
WO2015163121A1 (ja) * | 2014-04-25 | 2015-10-29 | 株式会社日立製作所 | 電圧安定度監視装置および方法 |
-
2015
- 2015-12-31 CN CN201511030190.2A patent/CN105406476B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102723712A (zh) * | 2012-06-28 | 2012-10-10 | 天津大学 | 一种提高电力系统暂态稳定性分析效率的方法 |
CN103310390A (zh) * | 2013-07-05 | 2013-09-18 | 武汉大学 | 一种电网安全综合评价方法 |
WO2015163121A1 (ja) * | 2014-04-25 | 2015-10-29 | 株式会社日立製作所 | 電圧安定度監視装置および方法 |
CN104599189A (zh) * | 2014-12-25 | 2015-05-06 | 国家电网公司 | 一种计入电力系统运行方式的电网规划方案风险评估方法 |
Non-Patent Citations (3)
Title |
---|
F.QIAN ET AL: "A NOVEL ONLINE ASSESSMENT SCHEME FOR POWER SYSTEM SECURITY LEVEL OF TRANSIENT STABILITY BASED ON RELATIONSHIPS EXPLORATION IN A LARGE DATA SET", 《COMPUTER MODELLING AND NEW TECHNOLOGIES》 * |
于之虹 等: "基于数据挖掘理论的电力系统暂态稳定评估", 《电力系统自动化》 * |
王同文 等: "基于扩展k 阶近邻法的电力系统稳定评估新算法", 《电力系统自动化》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067079A (zh) * | 2016-06-20 | 2016-11-02 | 三峡大学 | 一种基于bp神经网络的灰霾预测的系统和方法 |
CN107784015A (zh) * | 2016-08-30 | 2018-03-09 | 中国电力科学研究院 | 一种基于电力系统在线历史数据的数据约简方法 |
US11088569B2 (en) * | 2016-10-13 | 2021-08-10 | Hitachi, Ltd. | Power flow monitoring device for power system, power system stabilization device, and power flow monitoring method for power system |
CN106504116A (zh) * | 2016-10-31 | 2017-03-15 | 山东大学 | 基于电网运行与暂态稳定裕度指标关联的稳定评估方法 |
CN106529081A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于神经网络的pm2.5实时等级预测方法和系统 |
CN106786560A (zh) * | 2017-02-14 | 2017-05-31 | 中国电力科学研究院 | 一种电力系统稳定特征自动提取方法及装置 |
CN106786560B (zh) * | 2017-02-14 | 2021-04-30 | 中国电力科学研究院 | 一种电力系统稳定特征自动提取方法及装置 |
CN107069712A (zh) * | 2017-04-01 | 2017-08-18 | 华北电力大学 | 基于李雅普诺夫的电力系统临界切除时间计算系统及方法 |
CN109376990A (zh) * | 2018-09-14 | 2019-02-22 | 中国电力科学研究院有限公司 | 一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统 |
CN109376990B (zh) * | 2018-09-14 | 2022-03-04 | 中国电力科学研究院有限公司 | 一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统 |
CN110472778A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于Blending集成学习的短期负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105406476B (zh) | 2017-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105406476B (zh) | 基于历史数据的电力系统稳定性快速判断方法 | |
CN103198235B (zh) | 基于风功率纵向时刻概率分布的风功率预测值预评估方法 | |
CN102930344B (zh) | 一种基于负荷趋势变化的超短期母线负荷预测方法 | |
CN102934312B (zh) | 能量产生系统及其控制 | |
CN103440400B (zh) | 考虑灾害因素的电力系统短期风险判定方法 | |
CN104269809B (zh) | 一种地区电网继电保护定值在线校核的方法 | |
CN103872681A (zh) | 一种基于主配网一体化的在线实时合环方法 | |
CN103235984B (zh) | 风电场出力的纵向时刻概率分布计算方法 | |
CN109375050B (zh) | 一种基于初始故障线路割集的电力系统关键断面辨识方法 | |
CN105354675A (zh) | 基于关键输电断面识别的交直流电网连锁故障分析方法 | |
CN101923685A (zh) | 一种基于断线故障概率预测的电力切负荷决策系统及方法 | |
CN107871202A (zh) | 一种计及多电压等级的电网可靠性评估方法 | |
CN102590652B (zh) | 基于电气信息的设备性能评价系统及方法 | |
CN110412417B (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
CN103529337B (zh) | 设备故障与电气量信息间非线性相关关系的识别方法 | |
CN104951654A (zh) | 基于控制变量抽样的大规模风电场可靠性评估方法 | |
CN114186849A (zh) | 一种计及二次系统影响的电力系统连锁故障风险评估方法及其系统 | |
CN106960262B (zh) | 特高压直流线路预想故障有功备用容量评估方法和装置 | |
CN109298228A (zh) | 一种基于光伏组串电流异常的智能化诊断方法及系统 | |
CN117473384A (zh) | 一种电网线路安全约束辨识方法、装置、设备及存储介质 | |
CN113837423A (zh) | 基于能源互联网电力大数据的电网运行态势预测方法 | |
CN111191867B (zh) | 电力系统复杂网络的可靠性评估方法 | |
CN106159940A (zh) | 基于电网负荷特性分析的pmu最优布点方法 | |
CN103473461A (zh) | 基于数据特征提取的风功率预测误差估计方法 | |
Ye et al. | The maintenance strategy for optimizing distribution transformer life cycle cost |
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 |