CN105550450A - 一种电能质量干扰源特征谐波建模方法 - Google Patents
一种电能质量干扰源特征谐波建模方法 Download PDFInfo
- Publication number
- CN105550450A CN105550450A CN201510958532.0A CN201510958532A CN105550450A CN 105550450 A CN105550450 A CN 105550450A CN 201510958532 A CN201510958532 A CN 201510958532A CN 105550450 A CN105550450 A CN 105550450A
- Authority
- CN
- China
- Prior art keywords
- interference source
- quality
- power supply
- modeling
- data
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电能质量干扰源特征谐波建模方法,通过采集建模数据,得到初始数据集;预处理初始数据集,并进行工况辨识;根据工况及建模数据,建立电能质量干扰源特征谐波模型。本发明提出的方法克服了原有依赖机器学习、神经网络算法以及数学分析方法来达到模型创建的方法效率低、计算量大等缺陷,而且基于大数定律的电能质量干扰源特征谐波建模方法简单易学、实用高效、计算量小,尤其适于大规模数据集的分析和处理;进而保证了供电系统安全及电能质量。
Description
技术领域
本发明涉及电网电能质量评估领域,具体涉及一种电能质量干扰源特征谐波建模方法。
背景技术
当代电网在诸多方面发生着深刻变化,随着以特高压电网为骨干网架、各级电网协调发展的坚强智能电网建设加快,电网中产生电能质量扰动的因素不断增加,电能质量扰动亦呈现新的特征。新能源发电、分布式发电的快速增长和电能质量干扰源用户接入系统电压等级不断提高,谐波污染日趋严重,给电网运行提出了新的挑战。谐波污染不仅影响供电质量,同时会对各种电力设备、通信设备及线路都会产生有害的影响,严重时会损坏设备,甚至造成电力系统事故。因此,对电网谐波进行监测和研究,是限制、消除谐波危害的前提,也是保证供电系统安全及电能质量的迫切需要。
当前对电力系统谐波的分析均借助于机器学习算法、神经网络算法,以及传统的傅立叶变换、小波变换等数学分析方法,但是以上方法普遍存在效率低、计算量大等缺陷。当前对电力系统谐波的建模,针对的是负荷谐波、谐波源的建模,对电网干扰源谐波的分析研究少之又少。
因此,需要提出的电能质量干扰源特征谐波建模方法,针对电网干扰源特征谐波进行分析和模型的创建,能够克服传统谐波分析及建模方法效率低、计算量大等缺陷。
发明内容
有鉴于此,本发明提供的一种电能质量干扰源特征谐波建模方法,该方法克服了原有依赖机器学习、神经网络算法以及数学分析方法来达到模型创建的方法效率低、计算量大等缺陷,而且基于大数定律的电能质量干扰源特征谐波建模方法简单易学、实用高效、计算量小,尤其适于大规模数据集的分析和处理;进而保证了供电系统安全及电能质量。
本发明的目的是通过以下技术方案实现的:
一种电能质量干扰源特征谐波建模方法,所述方法包括如下步骤:
步骤1.采集建模数据,得到初始数据集;
步骤2.预处理所述初始数据集,并进行工况辨识;
步骤3.根据所述工况及建模数据,建立电能质量干扰源特征谐波模型。
优选的,所述步骤1中的所述建模数据包括:电能质量干扰源的类型和基本参数、测试得到基本电气量及各次谐波电流含量;所述基本电气量包括电压、电流及功率。
优选的,所述步骤2包括:
2-1.用编程的方式将所述初始数据集中的所述建模数据预处理为相同的数据格式,且转换数据格式后的所述建模数据均可用于直接计算;
2-2.用聚类算法进行工况辨识。
优选的,所述2-2包括:
a.根据所述电能质量干扰源的类型,先将所述工况分类为干扰源工作状态或停止工作状态;
b.根据所述电能质量干扰源的运行规律,根据时间、功率及电流参数对所述建模数据用聚类算法进行工况辨识,得到辨识结果ki(i∈N∩[0,n]),其中,n为聚类个数;N为自然数。
优选的,所述步骤3包括:
3-1.在所述辨识结果ki(i∈N∩[0,n])中,计数每种工况数据记录的条数ni(i∈N∩[0,n])及所占总记录数的比例pi(i∈N∩[0,n]);并根据pi=ni/S求得总记录数S;
3-2.设μ是n次独立试验中事件A发生的次数,且事件A在每次试验中发生的概率为P,则对任意正数ε,则有:
所述事件A为某一时刻电能的状态,A为工况集合中的一种;
根据公式(1)及大数定律,得到当所述总记录数S趋向于无穷大,事件A发生的频率p无穷接近于该事件发生的概率P的结论;
3-3.分工况绘制2~50次谐波电流的频谱图,得到特征谐波频次,绘制每种工况下的特征谐波电流直方图并计算基础统计量;
3-4.对每种工况下的特征谐波电流数据进行概率分布的假设和检验;
3-5.用f(I)表示各次特征谐波电流含有量的概率密度函数,根据联合分布定律,有:
式(2)中,P(i)表示类型i的概率;fi(I)表示类型i的某次特征谐波电流的概率密度函数。
优选的,所述步骤3-2包括:
c.计算每种工况下2~50次谐波电流的95%概率值;
d.分工况绘制2~50次谐波电流95%概率值的频谱图,得到特征谐波电流频次;
e.分工况绘制特征谐波电流的概率密度图并计算极大值、极小值、均值、方差、95%概率值及99%概率值的统计量。
从上述的技术方案可以看出,本发明提供了一种电能质量干扰源特征谐波建模方法,通过采集建模数据,得到初始数据集;预处理初始数据集,并进行工况辨识;根据工况及建模数据,建立电能质量干扰源特征谐波模型。本发明提出的方法克服了原有依赖机器学习、神经网络算法以及数学分析方法来达到模型创建的方法效率低、计算量大等缺陷,而且基于大数定律的电能质量干扰源特征谐波建模方法简单易学、实用高效、计算量小,尤其适于大规模数据集的分析和处理;进而保证了供电系统安全及电能质量。
与最接近的现有技术比,本发明提供的技术方案具有以下优异效果:
1、本发明所提供的技术方案中,利用大数定律达到对电能质量干扰源特征谐波的建模,首先对采集到的初始数据集进行预处理,得到可用于聚类的数据格式;然后通过聚类算法达到电能质量干扰源工况的辨识;最后基于大数定律,进行假设性检验和分布类型确定,结合联合分布函数达到对电能质量干扰源特征谐波的建模。本发明在电网电能质量干扰源特征谐波建模方面,具有较好的性能。
2、本发明所提供的技术方案,通过采集建模数据,得到初始数据集;预处理初始数据集,并进行工况辨识;根据工况及建模数据,建立电能质量干扰源特征谐波模型。本发明提出的方法克服了原有依赖机器学习、神经网络算法以及数学分析方法来达到模型创建的方法效率低、计算量大等缺陷,而且基于大数定律的电能质量干扰源特征谐波建模方法简单易学、实用高效、计算量小,尤其适于大规模数据集的分析和处理;进而保证了供电系统安全及电能质量。
3、本发明提供的技术方案,应用广泛,具有显著的社会效益和经济效益。
附图说明
图1是本发明的一种电能质量干扰源特征谐波建模方法的流程图;
图2是本发明的建模方法中的步骤2的流程示意图;
图3是本发明的建模方法中的步骤3的流程示意图;
图4是本发明的一种电能质量干扰源特征谐波建模方法的具体应用例的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供一种电能质量干扰源特征谐波建模方法,包括如下步骤:
步骤1.采集建模数据,得到初始数据集;
步骤2.预处理初始数据集,并进行工况辨识;
步骤3.根据工况及建模数据,建立电能质量干扰源特征谐波模型。
其中,步骤1中的建模数据包括:电能质量干扰源的类型和基本参数、测试得到基本电气量及各次谐波电流含量;基本电气量包括电压、电流及功率。
如图2所示,步骤2包括:
2-1.用编程的方式将初始数据集中的建模数据预处理为相同的数据格式,且转换数据格式后的建模数据均可用于直接计算;
2-2.用聚类算法进行工况辨识。
其中,2-2包括:
a.根据电能质量干扰源的类型,先将工况分类为干扰源工作状态或停止工作状态;电能质量干扰源的类型包括不限于风力发电、光伏发电、牵引负荷、轨道交通负荷、冶炼负荷、电动汽车充电站、变频装置等;
b.根据电能质量干扰源的运行规律,根据时间、功率及电流参数对所述建模数据用聚类算法进行工况辨识,得到辨识结果ki(i∈N∩[0,n]),其中,n为聚类个数;N为自然数;电能质量干扰源的运行规律为:根据干扰源的类型其运行规律不一致,且该处所说运行规律不固定,例如光伏发电的运行规律一般表现为白天发电,且随时间有规律的变化,夜间不发电;对于牵引负荷和轨道交通负荷,其运行规律与列车运行图对应,等等。
如图3所示,步骤3包括:
3-1.在辨识结果ki(i∈N∩[0,n])中,计数每种工况数据记录的条数ni(i∈N∩[0,n])及所占总记录数的比例pi(i∈N∩[0,n]);并根据pi=ni/S求得总记录数S;
3-2.设μ是n次独立试验中事件A发生的次数,且事件A在每次试验中发生的概率为P,则对任意正数ε,则有:
事件A为某一时刻电能的状态,A为工况集合中的一种;
根据公式(1)及大数定律,得到当总记录数S趋向于无穷大,事件A发生的频率p无穷接近于该事件发生的概率P的结论;
3-3.分工况绘制2~50次谐波电流的频谱图,得到特征谐波频次,绘制每种工况下的特征谐波电流直方图并计算基础统计量;
3-4.对每种工况下的特征谐波电流数据进行概率分布的假设和检验;
3-5.用f(I)表示各次特征谐波电流含有量的概率密度函数,根据联合分布定律,有:
式(2)中,P(i)表示类型i的概率;fi(I)表示类型i的某次特征谐波电流的概率密度函数。
其中,步骤3-2包括:
c.计算每种工况下2~50次谐波电流的95%概率值;
d.分工况绘制2~50次谐波电流95%概率值的频谱图,得到特征谐波电流频次;
e.分工况绘制特征谐波电流的概率密度图并计算极大值、极小值、均值、方差、95%概率值及99%概率值的统计量。
电能质量即电力系统中电能的质量,理想的电能应该是完美对称的正弦波,然而由于输变电设备和线路周围复杂的地理环境以及其他用电设施,会使得波形偏离对称正弦,也由此产生了电能质量问题。我们把影响电能质量的因素称为干扰源,常见的电网干扰源有汽车充电站、风电场、微网、分布式等。
其中,干扰源接入电网而产生的谐波是影响电能质量的最主要因素,因此掌握并了解干扰源特征谐波的变化规律对保证电网电能质量具有重要的意义。
当前对电力系统谐波的分析和建模都借助机器学习、神经网络算法以及数学分析方法,效率低且计算量大。
在实际工作中,需要一种实用高效、简单易学、计算量小且适用于大规模数据集处理的干扰源特征谐波建模方法。因此本实施例使用大数定律来达到对电能质量干扰源特征谐波的建模,首先对采集到的数据进行预处理,得到可用的数据格式,然后结合对数据的整体分析进行聚类,达到对干扰源工况的辨识,最后结合不同工况辨识结果和相关数据的分析对干扰源特征谐波进行建模。
如图4所示,本发明提供一种电能质量干扰源特征谐波建模方法的具体应用例,如下:
步骤1:数据采集,得到初始数据集;其中,初始数据集中包包括电能质量干扰源的类型和基本参数,测试得到的电压、电流、功率等基本电气量、各次谐波电流含量等;
步骤2:工况辨识,对初始数据集进行预处理,并通过聚类算法进行工况的辨识;
其中,预处理即将数据转换为可用格式的过程,可以通过编程等方式实现;
由于测试数据可能包含多种格式,此步骤工作即是将多种格式转换为统一的方便计算格式,本应用例中采用的格式是txt或excel格式,由于采用的数学工具有可能不同,数据格式不限于此;
其中,工况的判断根据电能质量干扰源的类型不同有所区别,区分工况首先应区分是干扰源工作状态还是停止工作状态,其次,根据干扰源的运行规律,利用时间、功率、电流等参数对数据进行聚类,对工况进行辨识,这里的工况主要包括功率段和时间的区别,根据干扰源的不同,表示工况的参数可能会有所不同;
步骤3:建模,在步骤2工况辨识和相关数据分析的基础上对电能质量干扰源进行模型的创建;包括:
步骤3.1:设步骤2的聚类的结果为ki(i∈N∩[0,n]),其中n为聚类个数,计数每种工况数据记录的条数为ni(i∈N∩[0,n]),计算出每种工况记录数所占总记录数的比例pi(i∈N∩[0,n]),显然pi=ni/S其中S为总记录数;
步骤3.2:设μ是n次独立试验中事件A发生的次数,且事件A在每次试验中发生的概率为P,则对任意正数ε,有:
其含义是,当n足够大时,事件A出现的频率将几乎接近于其发生的概率;
在本专利所描述的电能质量分析场景中,事件A指的某一时刻电能的状态,A属于工况集合中的一种。发生次数足够多,指的是当整体记录S趋向于无穷大,此时根据大数定律,事件A发生的频率pi无穷接近于该事件发生的概率Pi步骤3.3:分工况绘制2~50次谐波电流的频谱图,得到特征谐波频次,绘制每种工况下的特征谐波电流直方图并计算基础统计量;
步骤3.4:对每种工况下的特征谐波电流数据进行概率分布的假设和检验;
步骤3.5:用f(I)表示3次特征谐波电流含有量的概率密度函数,根据联合分布律,有其中n表示工况类型,P(i)表示类型i的概率;fi(I)表示类型i的某次特征谐波电流的概率密度函数。
其中,步骤3.2包括以下步骤:
步骤3.2.1:计算每种工况下2~50次谐波电流的95%概率值;
步骤3.2.2:分工况绘制2~50次谐波电流95%概率值的频谱图,得到特征谐波电流频次;
步骤3.2.3:分工况绘制特征谐波电流的概率密度图并计算极大值、极小值、均值、方差、95%概率值、99%概率值等统计量。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,而这些未脱离本发明精神和范围的任何修改或者等同替换,其均在申请待批的本发明的权利要求保护范围之内。
Claims (6)
1.一种电能质量干扰源特征谐波建模方法,其特征在于,所述方法包括如下步骤:
步骤1.采集建模数据,得到初始数据集;
步骤2.预处理所述初始数据集,并进行工况辨识;
步骤3.根据所述工况及建模数据,建立电能质量干扰源特征谐波模型。
2.如权利要求1所述的方法,其特征在于,所述步骤1中的所述建模数据包括:电能质量干扰源的类型和基本参数、测试得到基本电气量及各次谐波电流含量;所述基本电气量包括电压、电流及功率。
3.如权利要求1所述的方法,其特征在于,所述步骤2包括:
2-1.用编程的方式将所述初始数据集中的所述建模数据预处理为相同的数据格式,且转换数据格式后的所述建模数据均可用于直接计算;
2-2.用聚类算法进行工况辨识。
4.如权利要求3所述的方法,其特征在于,所述2-2包括:
a.根据所述电能质量干扰源的类型,先将所述工况分类为干扰源工作状态或停止工作状态;
b.根据所述电能质量干扰源的运行规律,根据时间、功率及电流参数对所述建模数据用聚类算法进行工况辨识,得到辨识结果ki(i∈N∩[0,n]),其中,n为聚类个数;N为自然数。
5.如权利要求4所述的方法,其特征在于,所述步骤3包括:
3-1.在所述辨识结果ki(i∈N∩[0,n])中,计数每种工况数据记录的条数ni(i∈N∩[0,n])及所占总记录数的比例pi(i∈N∩[0,n]);并根据pi=ni/S求得总记录数S;
3-2.设μ是n次独立试验中事件A发生的次数,且事件A在每次试验中发生的概率为P,则对任意正数ε,则有:
所述事件A为某一时刻电能的状态,A为工况集合中的一种;
根据公式(1)及大数定律,得到当所述总记录数S趋向于无穷大,事件A发生的频率p无穷接近于该事件发生的概率P的结论;
3-3.分工况绘制2~50次谐波电流的频谱图,得到特征谐波频次,绘制每种工况下的特征谐波电流直方图并计算基础统计量;
3-4.对每种工况下的特征谐波电流数据进行概率分布的假设和检验;
3-5.用f(I)表示各次特征谐波电流含有量的概率密度函数,根据联合分布定律,有:
式(2)中,P(i)表示类型i的概率;fi(I)表示类型i的某次特征谐波电流的概率密度函数。
6.如权利要求5所述的方法,其特征在于,所述步骤3-2包括:
c.计算每种工况下2~50次谐波电流的95%概率值;
d.分工况绘制2~50次谐波电流95%概率值的频谱图,得到特征谐波电流频次;
e.分工况绘制特征谐波电流的概率密度图并计算极大值、极小值、均值、方差、95%概率值及99%概率值的统计量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510958532.0A CN105550450B (zh) | 2015-12-17 | 2015-12-17 | 一种电能质量干扰源特征谐波建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510958532.0A CN105550450B (zh) | 2015-12-17 | 2015-12-17 | 一种电能质量干扰源特征谐波建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105550450A true CN105550450A (zh) | 2016-05-04 |
CN105550450B CN105550450B (zh) | 2020-10-13 |
Family
ID=55829639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510958532.0A Active CN105550450B (zh) | 2015-12-17 | 2015-12-17 | 一种电能质量干扰源特征谐波建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105550450B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778906A (zh) * | 2017-01-11 | 2017-05-31 | 国家电网公司 | 基于模糊c均值聚类的电铁负荷对电网运行的影响分析 |
CN108053095A (zh) * | 2017-11-22 | 2018-05-18 | 全球能源互联网研究院有限公司 | 一种电能质量扰动事件特征提取方法及系统 |
CN108241863A (zh) * | 2016-12-23 | 2018-07-03 | 全球能源互联网研究院 | 一种高铁电能质量分析数据择取的联合聚类方法和装置 |
CN110210152A (zh) * | 2019-06-06 | 2019-09-06 | 福州大学 | 一种超高次谐波源建模方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200969528Y (zh) * | 2006-06-16 | 2007-10-31 | Bcd半导体制造有限公司 | 充电器电路及其pwm控制器 |
WO2012131863A1 (ja) * | 2011-03-28 | 2012-10-04 | 富士通株式会社 | 設計支援方法、設計支援プログラムおよび設計支援装置 |
JP2013055792A (ja) * | 2011-09-02 | 2013-03-21 | Fuji Electric Co Ltd | 永久磁石式回転電機のシミュレーション方法、これを使用した損失算定方法、シミュレーションプログラム、損失算定プログラム、シミュレーションシステム及び損失算定システム |
CN103235981A (zh) * | 2013-04-10 | 2013-08-07 | 东南大学 | 一种风电电能质量趋势预测方法 |
CN103777091A (zh) * | 2013-12-13 | 2014-05-07 | 国家电网公司 | 一种基于k均值的高铁电能质量监测数据分类方法 |
CN104504263A (zh) * | 2014-12-22 | 2015-04-08 | 国家电网公司 | 一种基于分布概率的光伏电站谐波水平评估方法 |
CN104882884A (zh) * | 2015-02-27 | 2015-09-02 | 国网河南省电力公司电力科学研究院 | 基于马尔可夫链-蒙特卡罗法的系统谐波概率评估方法 |
-
2015
- 2015-12-17 CN CN201510958532.0A patent/CN105550450B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200969528Y (zh) * | 2006-06-16 | 2007-10-31 | Bcd半导体制造有限公司 | 充电器电路及其pwm控制器 |
WO2012131863A1 (ja) * | 2011-03-28 | 2012-10-04 | 富士通株式会社 | 設計支援方法、設計支援プログラムおよび設計支援装置 |
JP2013055792A (ja) * | 2011-09-02 | 2013-03-21 | Fuji Electric Co Ltd | 永久磁石式回転電機のシミュレーション方法、これを使用した損失算定方法、シミュレーションプログラム、損失算定プログラム、シミュレーションシステム及び損失算定システム |
CN103235981A (zh) * | 2013-04-10 | 2013-08-07 | 东南大学 | 一种风电电能质量趋势预测方法 |
CN103777091A (zh) * | 2013-12-13 | 2014-05-07 | 国家电网公司 | 一种基于k均值的高铁电能质量监测数据分类方法 |
CN104504263A (zh) * | 2014-12-22 | 2015-04-08 | 国家电网公司 | 一种基于分布概率的光伏电站谐波水平评估方法 |
CN104882884A (zh) * | 2015-02-27 | 2015-09-02 | 国网河南省电力公司电力科学研究院 | 基于马尔可夫链-蒙特卡罗法的系统谐波概率评估方法 |
Non-Patent Citations (4)
Title |
---|
STAATS P.T ET AL: "A statistical method for predicting the net harmonic currents generated by a concentration of electric vehicle battery chargers", 《IEEE TRANSACTIONS ON POWER DELIVERY》 * |
卢艳霞等: "电动汽车充电站谐波分析", 《电力系统及其自动化学报》 * |
姚猛等: "基于模糊聚类的电网谐波综合评估方法", 《电测与仪表》 * |
王新成: "电动汽车充电站谐波的分析与治理研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241863A (zh) * | 2016-12-23 | 2018-07-03 | 全球能源互联网研究院 | 一种高铁电能质量分析数据择取的联合聚类方法和装置 |
CN106778906A (zh) * | 2017-01-11 | 2017-05-31 | 国家电网公司 | 基于模糊c均值聚类的电铁负荷对电网运行的影响分析 |
CN106778906B (zh) * | 2017-01-11 | 2020-05-26 | 国家电网公司 | 基于模糊c均值聚类的电铁牵引负荷运行情况对电网运行的影响分析 |
CN108053095A (zh) * | 2017-11-22 | 2018-05-18 | 全球能源互联网研究院有限公司 | 一种电能质量扰动事件特征提取方法及系统 |
CN108053095B (zh) * | 2017-11-22 | 2024-03-19 | 全球能源互联网研究院有限公司 | 一种电能质量扰动事件特征提取方法及系统 |
CN110210152A (zh) * | 2019-06-06 | 2019-09-06 | 福州大学 | 一种超高次谐波源建模方法 |
CN110210152B (zh) * | 2019-06-06 | 2021-01-29 | 福州大学 | 一种超高次谐波源建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105550450B (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105429304B (zh) | 对电网的谐波源进行监测的方法 | |
CN112487659B (zh) | 一种海上风电场集电系统优化设计方法和系统 | |
CN105550450A (zh) | 一种电能质量干扰源特征谐波建模方法 | |
CN112531694A (zh) | 基于数字孪生技术的交直流混合电网全域实时模拟方法 | |
CN103617568A (zh) | 稳态电能质量预警机制中的异常数据判定阈值设定方法 | |
CN104281737A (zh) | 一种海上风电场集电系统拓扑结构选型方法 | |
CN102831321A (zh) | 一种基于蒙特卡洛方法的风电场风险评估方法 | |
CN107069814A (zh) | 配网分布式电源容量布点的模糊机会约束规划方法与系统 | |
CN113159601B (zh) | 一种基于dbscan聚类算法的光伏电站运行状态分析方法 | |
CN105356494B (zh) | 多端vsc-hvdc并网系统的可靠性计算方法 | |
CN103887792B (zh) | 一种含分布式电源的低压配电网建模方法 | |
CN103149492B (zh) | 一种基于智能电表的微电网短路故障诊断方法 | |
CN116505656A (zh) | 基于5g物联网技术的风-光-储多能互补智慧用电系统 | |
CN103530508B (zh) | 一种建立风速功率转换概率模型的方法 | |
CN105354761B (zh) | 一种风电接入电网的安全与效能评估方法及系统 | |
CN115983548A (zh) | 一种基于人工智能技术的配电网智能规划方法 | |
CN103473607A (zh) | 一种按轨迹特征离线优化和实时匹配外推模型的风电超短期预测方法 | |
CN103532233B (zh) | 基于gprs技术的用电信息采集异常精确定位系统 | |
Zhou et al. | Secure and intelligent energy data management scheme for smart IoT devices | |
CN105790303B (zh) | 一种智能微电网 | |
Li et al. | Low carbon unit commitment for power system with wind farms and carbon capture devices based on DE-BBO algorithm | |
Feng et al. | A Data-driven Modeling Method for Power Quality Disturbance sources in Distribution Networks | |
CN103955755A (zh) | 采用复合数据源基于自学习多项式核函数支持向量机的风电功率短期预测方法 | |
CN103955757A (zh) | 采用复合数据源基于多项式核函数支持向量机的光伏发电功率短期预测方法 | |
CN109245709A (zh) | 光伏发电系统及故障监控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |