CN105572472B - 分布式电源环境的频率测量方法与系统 - Google Patents
分布式电源环境的频率测量方法与系统 Download PDFInfo
- Publication number
- CN105572472B CN105572472B CN201510925825.9A CN201510925825A CN105572472B CN 105572472 B CN105572472 B CN 105572472B CN 201510925825 A CN201510925825 A CN 201510925825A CN 105572472 B CN105572472 B CN 105572472B
- Authority
- CN
- China
- Prior art keywords
- frequency
- voltage
- phase
- weighting coefficient
- electric voltage
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/02—Arrangements for measuring frequency, e.g. pulse repetition rate; Arrangements for measuring period of current or voltage
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measuring Frequencies, Analyzing Spectra (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种分布式电源环境的频率测量方法与系统,基于预设标准频率对电网电压进行采样,采用复值小波变换分别获得电网电压中第l次采样的电压相位和第l‑1次采样的电压相位,根据第l次采样的电压相位、第l‑1次采样的电压相位、以及电压频率加权计算公式,计算电压频率。整个过程中,采用复值小波变换准确获得采样电压的电压相位,减少分布式电源谐波干扰,相位信息精度大大提高,并且进行电压频率加权计算,能够实现对电网频率的快速、准确测量。
Description
技术领域
本发明涉及分布式电源监控技术领域,特别是涉及分布式电源环境的频率测量方法与系统。
背景技术
近年来,随着新能源技术的不断进步和发展,大量分布式电源广泛地接入电网系统,在提高供电灵活性和带来经济环保等优势的同时,也给电网的运行与维护提出了许多新难题,准确、快速的频率测量是评估分布式电源运行状态,以及实现孤岛检测的重要环节。
一般的频率测量主要有基于锁相环路技术的硬件测频法,以及基于傅里叶变换的软件测量方法。硬件测频法需要增加电路成本,而且容易受器件零点漂移以及信号谐波干扰等影响,存在很大的误差。对于长时间稳态的周期信号,傅里叶算法能够准确地估计出信号中的基频信号幅值和相角,从而实现频率测量,但分布式电源的孤岛检测中,要求在6个周波内基于频率情况判断主网供电状态,同时由于存在逆变器等电力电子器件存在严重的谐波干扰,难以通过傅里叶变换测量获得准确的电网频率。
发明内容
基于此,有必要针对现有分布式电源环境的频率测量方法存在较大误差的问题,提供一种测量准确的分布式电源环境的频率测量方法与系统。
一种分布式电源环境的频率测量方法,包括步骤:
基于预设标准频率对电网电压进行采样;
采用复值小波变换分别获得所述电网电压中第l次采样的电压相位和第l-1次采样的电压相位,其中,l为正整数;
根据所述第l次采样的电压相位、所述第l-1次采样的电压相位以及电压频率加权计算公式,计算电压频率;
其中,所述电压频率加权计算公式具体为:
式中,f为所述电压频率,f0为所述预设标准频率,为所述第l次采样的电压相位,为所述第l-1次采样的电压相位,和βl为修正加权系数。
一种分布式电源环境的频率测量系统,包括:
采样模块,用于基于预设标准频率对电网电压进行采样;
复值想小波变换模块,用于采用复值小波变换分别获得所述电网电压中第l次采样的电压相位和第l-1次采样的电压相位,其中,l为正整数;
电压频率计算模块,用于根据所述第l次采样的电压相位、所述第l-1次采样的电压相位以及电压频率加权计算公式,计算电压频率;
其中,所述电压频率加权计算公式具体为:
式中,f为所述电压频率,f0为所述预设标准频率,为所述第l次采样的电压相位,为所述第l-1次采样的电压相位,和βl为修正加权系数。
本发明分布式电源环境的频率测量方法与系统,基于预设标准频率对电网电压进行采样,采用复值小波变换分别获得电网电压中第l次采样的电压相位和第l-1次采样的电压相位,根据第l次采样的电压相位、第l-1次采样的电压相位、以及电压频率加权计算公式,计算电压频率。整个过程中,采用复值小波变换准确获得采样电压的电压相位,减少分布式电源谐波干扰,相位信息精度大大提高,并且进行电压频率加权计算,能够实现对电网频率的快速、准确测量。
附图说明
图1为本发明分布式电源环境的频率测量方法第一个实施例的流程示意图;
图2为本发明分布式电源环境的频率测量方法第二个实施例的流程示意图;
图3为本发明分布式电源环境的频率测量系统第一个实施例的结构示意图;
图4为本发明分布式电源环境的频率测量系统第二个实施例的结构示意图;
图5为人工神经网络结构示意图。
具体实施方式
如图1所示,一种分布式电源环境的频率测量方法,包括步骤:
S100:基于预设标准频率对电网电压进行采样。
预设标准频率是预先设定的频率,其可以根据频率测量的需求或者应用环境进行设定。预设标准频率可以设定为45HZ、50HZ以及55HZ等。我国电网中电压标准频率一般为50HZ,因此,优选的预设标准频率为50HZ。
S200:采用复值小波变换分别获得所述电网电压中第l次采样的电压相位和第l-1次采样的电压相位,其中,l为正整数。
复小波是以在时域和频域中具有很高的分辨率,除了计算应的幅值外,还可以计算出的相位数值,同时由于加入了可伸缩的取样窗口,对高频干扰抑制较好,与传统的傅里叶变换比较,在分布式电源环境下能够更准确低计算电压相位,当小波母函数为复函数时的小波变换称为复小波变换。
S300:根据所述第l次采样的电压相位、所述第l-1次采样的电压相位以及电压频率加权计算公式,计算电压频率;
其中,所述电压频率加权计算公式具体为:
式中,f为所述电压频率,f0为所述预设标准频率,为所述第l次采样的电压相位,为所述第l-1次采样的电压相位,和βl为修正加权系数。
修正加权系数可以通过历史经验数据获得,例如可以从专家库数据中获得;另外,修正加权系数还可以通过实时计算获得,例如可以采用人工神经网络训练获得。
本发明分布式电源环境的频率测量方法,基于预设标准频率对电网电压进行采样,采用复值小波变换分别获得电网电压中第l次采样的电压相位和第l-1次采样的电压相位,根据第l次采样的电压相位、第l-1次采样的电压相位、以 及电压频率加权计算公式,计算电压频率。整个过程中,采用复值小波变换准确获得采样电压的电压相位,减少分布式电源谐波干扰,相位信息精度大大提高,并且进行电压频率加权计算,能够实现对电网频率的快速、准确测量。
如图2所示,在其中一个实施例中,步骤S300之前还包括步骤:
S220:通过人工神经网络训练获取所述修正加权系数。
人工神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的,并具有自学习和自适应的能力。利用人工神经网络的自学习和自适应的能力,能够训练获得电压频率加权计算公式中的修正加权系数,以实现电压频率的准确测量。
在其中一个实施例中,所述通过人工神经网络训练获取所述修正加权系数的步骤具体包括:
获取所述人工神经网络的加权系数初始值;
根据第l次采样的电压相位、所述第l-1次采样的电压相位、所述加权系数初始值以及所述电压频率加权计算公式,计算初始电压频率;
计算所述初始电压频率与所述预设标准频率之间的频率差值;
当所述频率差值大于预设允许误差时,计算所述第l次采样的电压相位与所述第l-1次采样的电压相位的相位差值,将所述相位差值输入至所述人工神经网络的输入层,建立所述相位差值与电压频率的计算权值的优化模型,输出所述人工神经网络的所述修正加权系数;
将所述修正加权系数替换所述加权系数初始值,重复执行上述步骤,直至所述频率差值不大于所述预设允许误差;
当所述频率差值不大于预设允许误差时,获取所述频率差值不大于预设允许误差时对应的电压频率。
下面将结合数学公式对本发明分布式电源环境的频率测量方法进行详细描述。
步骤一:直接读取人工神经网络的加权系数初始值和β。
步骤二:根据公式(1)计算初始电压频率f1。
步骤三:计算初始电压频率f1与预设标准频率f0之间的差值△f。
步骤四:当△f大于预设允许误差时,计算所述第l次采样的电压相位与所述第l-1次采样的电压相位的相位差值θ,将θ代入至人工神经网络的输入层,建立所述相位差值与电压频率的计算权值的优化模型,输出所述人工神经网络的所述修正加权系数和βl。
步骤五:将所述修正加权系数和βl代替加权系数初始值和β,再次计算电压频率fl,并计算电压频率fl与预设标准频率f0之间的差值△fl,再判断△fl是否大于预设允许误差。
步骤六:当△fl还大于预设允许误差时,重复上述步骤二、步骤三、步骤四、步骤五以及步骤六,直至步骤五中计算获得的△fl不大于预设允许误差,即此时对应的加权系数为最终修正的加权系数。上述循环处理的过程可以理解为利用人工神经网络自适应和自学习的功能进行训练,以获取动态修正加权系数,实现电网频率的快速计算的过程。
步骤七:当频率差值不大于预设允许误差时,获取频率差值不大于预设允许误差时对应的电压频率。
在其中一个实施例中,所述预设标准频率为50HZ。
在其中一个实施例中,所述人工神经网络为反向传播网络。
反向传播网络是目前应用最广泛的神经网络模型之一。
如图2所示,在其中一个实施例中,步骤S300之后还包括:
S400:将对电网电压进行采样的时间与所述电压频率关联存储。
将采样时间和电压频率关联存储,便于对电网电压监控数据的管理和后期数据分析与研究。
如图3所示,一种分布式电源环境的频率测量系统,包括:
采样模块100,用于基于预设标准频率对电网电压进行采样;
复值想小波变换模块200,用于采用复值小波变换分别获得所述电网电压中第l次采样的电压相位和第l-1次采样的电压相位,其中,l为正整数;
电压频率计算模块300,用于根据所述第l次采样的电压相位、所述第l-1次采样的电压相位以及电压频率加权计算公式,计算电压频率;
其中,所述电压频率加权计算公式具体为:
式中,f为所述电压频率,f0为所述预设标准频率,为所述第l次采样的电压相位,为所述第l-1次采样的电压相位,和βl为修正加权系数。
本发明分布式电源环境的频率测量系统,采样模块100基于预设标准频率对电网电压进行采样,复值想小波变换模块200采用复值小波变换分别获得电网电压中第l次采样的电压相位和第l-1次采样的电压相位,电压频率计算模块300根据第l次采样的电压相位、第l-1次采样的电压相位、以及电压频率加权计算公式,计算电压频率。整个过程中,采用复值小波变换准确获得采样电压的电压相位,减少分布式电源谐波干扰,相位信息精度大大提高,并且进行电压频率加权计算,能够实现对电网频率的快速、准确测量。
如图4所示,在其中一个实施例中,所述分布式电源环境的频率测量系统还包括:
修正加权系数获取模块400,用于通过人工神经网络训练获取所述修正加权系数
在其中一个实施例中,所述修正加权系数获取模块400具体包括:
加权系数初始值单元,用于获取所述人工神经网络的加权系数初始值;
初始电压频率计算单元,用于根据第l次采样的电压相位、所述第l-1次采样的电压相位、所述加权系数初始值以及所述电压频率加权计算公式,计算初始电压频率;
频率差值计算单元,用于计算所述初始电压频率与所述预设标准频率之间的频率差值;
加权系数修正单元,用于当所述频率差值大于预设允许误差时,计算所述第l次采样的电压相位与所述第l-1次采样的电压相位的相位差值,将所述相位差值输入至所述人工神经网络的输入层,建立所述相位差值与电压频率的计算权值的优化模型,输出所述人工神经网络的所述修正加权系数;
重复操作单元,用于将所述修正加权系数替换所述加权系数初始值,控制 上述单元执行相应操作,直至所述频率差值不大于所述预设允许误差;
获取单元,用于当所述频率差值不大于预设允许误差时,获取所述频率差值不大于预设允许误差时对应的电压频率。
在其中一个实施例中,所述预设标准频率为50HZ。
在其中一个实施例中,所述人工神经网络为反向传播网络。
如图4所示,在其中一个实施例中,所述分布式电源环境的频率测量系统还包括:
存储模块500,用于将对电网电压进行采样的时间与所述电压频率关联存储。
为了更进一步详细解释本发明分布式电源环境的频率测量方法与系统的技术方案及其效果,下面将采用数学公式并结合试验实例数据进行解释说明。
一、分布式电源环境的频率测量的整体方案
由于分布式电源环境下频率稳定性较差,谐波干扰重,而且可能存在大量分数次谐波的特点,以50HZ频率为基准进行信号处理,采用复值小波分析获取各电压周波的相位,根据电网实际频率与50HZ之间的差异,基于人工神经网络训练动态修正加权系数,从而快速获得电网频率。
通过电压相位获取电网频率的计算方法如下:
设f0为50Hz标准频率,为第l次基于50Hz标准频率,通过小波分析运算所获得电压相位,这样电网频率可表示为:
其中,βl为人工神经网络训练的动态修正加权系数。
由于分布式电源监控频率稳定性较差,谐波干扰重,同时需要在很短的时间内完成频率测量,采用传统的傅里叶变换存在较大误差,而复值小波变换具有较好的高频抑制能力,而且能够同时计算幅值与相位,所以本发明选择复值小波变换进行电压相位的计算。
根据式(1)所示,为了精确获取电网实际频率,本发明采用人工神经网络训练动态修正加权系数βl,人工神经网络自身常常都是对现实中某种函数 或者算法的逼近,能在外界信息的基础上改变内部结构,是一种自适应、非线性统计数据建模工具,常用来对输入和输出之间复杂的关系进行建模,其中反向传播网络是目前应用最广泛的神经网络模型之一。
经过训练的神经网络能存储大量电压相位,利用正常的历史数据来训练网络,并将此信息知识与当前测量数据进行比较,以获取动态修正加权系数βl,从而实现电网频率的快速计算。
二、基于复值小波变换的电压相位获取
复小波是以在时域和频域中具有很高的分辨率,除了计算应的幅值外,还可以计算出的相位数值,同时由于加入了可伸缩的取样窗口,对高频干扰抑制较好,与传统的傅里叶变换比较,在分布式电源环境下能够更准确低计算电压相位。
传输信号y(t)小波变换公式为:
式中ψ(t)为小波母函数,a为伸缩因子,b为平移因子,与频带宽度有关,a和b共同确定对信号进行分析的中心位置及分析的时间宽度。
当ψ(t)为复函数时的小波变换又称为复小波变换,这样,信号y(t)的复小波变换为:
相位参数为:
选择以高斯函数为窗的复小波变换,其小波母函数为:
ψ(t,w)=exp(μt2)exp(jwt) (5)
式中,w为所需计算的频率,μ为高频衰减系数,当μ=0时,等效于傅里叶运算。
这样,离散化叠加合成信号y(n)的复值小波变换为:
Wf(n)=y(n)*φ(n)=Wy(n)<θ (6)
复值小波变换有很好的抑制高频分量的作用,在计算过程中,根据分布式电 源监控对电网频率测量的需求,可选择2至6各工频周波作为,短间隔区间,在该短间隔区间内任意指定频率成分信号的幅值和相位信息可通过下面公式得到:
F(N)=f(n)*φ(n)=|F(N)|<θ (7)
式(6)和(7)中N为一个周期内的采样点数,m为短间隔内的基波周期数,n为离散点的序号,n=1~M,M为短间隔内的采样点数,M=Nm,K为指定频率成分的谐波次数,k=1对应基波成分,f(n)为f(t)位于该短间隔内的离散序列。
经分析,位于该间隔区间内的原始信号中指定频率成分的幅值Ak和F(n)的幅值存在如下关系:
其中ε为任一幅值为B且与所分析频率成分的复小波变换系数的幅值。
这样,在计算隔区间内,所分析频率成分的相位为:
为了说明复值小波变换在电压幅值、相位计算过程中的性能,针对分布式电源谐波干扰重的特点,设电压其表达式为:
在式(10)中,电压信号除基波外,还存在呈指数衰减特性的分数次谐波,分别采用傅里叶变换和复值小波变换进行电压幅值、相位计算结果如表1所示:
表1电网中存在非整数次谐波时两种算法计算结果比较
从表1可见,当电网存在分数次谐波干扰时,基于复值小波变换所获取的相位信息误差大大降低。
为了分析电网的频率不稳定对电压相位计算的影响,取电网频率为48HZ。假设电压的表达式为:
分别使用傅里叶算法和复值小波算法对电压基波幅值和相位进行计算,各个时问点的幅值和相位的具体数值如表2所示。
表2电网频率波动时两种算法计算结果比较
通过对以上两种情况下的仿真分析表明,当电网频率存在波动或非整数次谐波干扰严重时,基于复值小波所获取的电压相位信息精度大大提高,这样就为计算电网频率创造了有利条件。
三、基于人工神经网络的加权系数获取
为了根据式(1)计算电网频率,选择人工神经网络算法来获取动态修正加权系数βl,通过输入由复值小波变换的得到电压相位,由训练部进行网络的权系数W调整,然后获得输出动态修正加权系数βl。
设计令每个输入样本向量为:X=(θ1,θ2...θm);期望输出向量为:D={α,β}误差函数表达式如下所示:
如图5所示,为了方便起见,将电网频率测量人工神经网络输入层设为M,即有m个神经元,其中任一个神经元用m表示。隐层为J,即有J个神经元,其中任一个神经元用j表示。输出层为P,有2个输出神经元,代表有2个权重输出结果,其中任一个神经元用Pi表示。另输入层与隐层的权值用Wi表示,隐层与输出层的权值用Wj表示。此外神经元的输入用u表示,输出用v表示,所有神经元的激活函数均采用transig函数。
在如图5的人工神经网络结构中,隐层第j个神经元的输入、输出为:
oj=g(netj) (14)
输出层第k个神经元的输入、输出为:
ok=g(netk) (16)
基本诊断函数定义如下:
各神经元的输出如式下:
在人工神经网络学习过程中,系统平均误差为:
输入样本信号电网电压相位θ可以通过权系数作用,在输出层产生输出结果∑Wθ,即有:
再把期望输出信号y(α,β)和u(α,β)进行比较,从而产生误差信号E。权值调整机构根据误差E去对学习系统的权系数进行修改,修改方向应使误差E变小,不断进行下去,使到误差EE接近零,这时实际输出值u(α,β)和期望输出值y(α,β)基本一致,学习过程结束。
这样,输入相位经过隐藏层各个神经元之间的映射关系学习得到输出权值 βl。
四、电网频率测量的计算流程
步骤一:首先,采用50Hz标准频率对电网电压进行采样,对采得的样本利用复值小波变换处理,得到第(l-1)次采样的电压相位和第(l)次采样的电压相位给定和β一个初始值,使用计算频率误差,如果误差满足要求,则可以将f作为频率的测量结果。
步骤二:如果频率误差不满足要求,将输入人工神经网络输入层, 建立θ与f的计算权值的优化模型,输出修正后的权值和βl。
步骤三:再次利用计算测量频率,并计算测量频率误差。
步骤四:如果测量频率误差满足要求,结束得到测量的电网频率。否则,返回步骤三继续执行,直到得到符合误差要求的测量频率。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种分布式电源环境的频率测量方法,其特征在于,包括步骤:
基于预设标准频率对电网电压进行采样;
采用复值小波变换分别获得所述电网电压中第l次采样的电压相位和第l-1次采样的电压相位,其中,l为正整数;
根据所述第l次采样的电压相位、所述第l-1次采样的电压相位以及电压频率加权计算公式,计算电压频率;
其中,所述电压频率加权计算公式具体为:
式中,f为所述电压频率,f0为所述预设标准频率,为所述第l次采样的电压相位,为所述第l-1次采样的电压相位,和βl为修正加权系数。
2.根据权利要求1所述的分布式电源环境的频率测量方法,其特征在于,所述根据所述第l次采样的电压相位、所述第l-1次采样的电压相位以及电压频率加权计算公式,计算电压频率的步骤之前还包括:
通过人工神经网络训练获取所述修正加权系数。
3.根据权利要求2所述的分布式电源环境的频率测量方法,其特征在于,所述通过人工神经网络训练获取所述修正加权系数的步骤具体包括:
获取所述人工神经网络的加权系数初始值;
根据第l次采样的电压相位、所述第l-1次采样的电压相位、所述加权系数初始值以及所述电压频率加权计算公式,计算初始电压频率;
计算所述初始电压频率与所述预设标准频率之间的频率差值;
当所述频率差值大于预设允许误差时,计算所述第l次采样的电压相位与所述第l-1次采样的电压相位的相位差值,将所述相位差值输入至所述人工神经网络的输入层,建立所述相位差值与电压频率的计算权值的优化模型,输出所述人工神经网络训练的所述修正加权系数;
将所述修正加权系数替换所述加权系数初始值,重复执行上述步骤,直至所述频率差值不大于所述预设允许误差;
当所述频率差值不大于预设允许误差时,获取所述频率差值不大于预设允许误差时对应的电压频率。
4.根据权利要求1或2所述的分布式电源环境的频率测量方法,其特征在于,所述预设标准频率为50HZ。
5.根据权利要求1或2所述的分布式电源环境的频率测量方法,其特征在于,所述根据所述第l次采样的电压相位、所述第l-1次采样的电压相位以及电压频率加权计算公式,计算电压频率的步骤之后还包括:
将对电网电压进行采样的时间与所述电压频率关联存储。
6.一种分布式电源环境的频率测量系统,其特征在于,包括:
采样模块,用于基于预设标准频率对电网电压进行采样;
复值小波变换模块,用于采用复值小波变换分别获得所述电网电压中第l次采样的电压相位和第l-1次采样的电压相位,其中,l为正整数;
电压频率计算模块,用于根据所述第l次采样的电压相位、所述第l-1次采样的电压相位以及电压频率加权计算公式,计算电压频率;
其中,所述电压频率加权计算公式具体为:
式中,f为所述电压频率,f0为所述预设标准频率,为所述第l次采样的电压相位,为所述第l-1次采样的电压相位,和βl为修正加权系数。
7.根据权利要求6所述的分布式电源环境的频率测量系统,其特征在于,还包括:
修正加权系数获取模块,用于通过人工神经网络训练获取所述修正加权系数。
8.根据权利要求7所述的分布式电源环境的频率测量系统,其特征在于,所述修正加权系数获取模块具体包括:
加权系数初始值单元,用于获取所述人工神经网络的加权系数初始值;
初始电压频率计算单元,用于根据第l次采样的电压相位、所述第l-1次采样的电压相位、所述加权系数初始值以及所述电压频率加权计算公式,计算初始电压频率;
频率差值计算单元,用于计算所述初始电压频率与所述预设标准频率之间的频率差值;
加权系数修正单元,用于当所述频率差值大于预设允许误差时,计算所述第l次采样的电压相位与所述第l-1次采样的电压相位的相位差值,将所述相位差值输入至所述人工神经网络的输入层,建立所述相位差值与电压频率的计算权值的优化模型,输出所述人工神经网络的所述修正加权系数;
重复操作单元,用于将所述修正加权系数替换所述加权系数初始值,控制上述单元执行相应操作,直至所述频率差值不大于所述预设允许误差;
获取单元,用于当所述频率差值不大于预设允许误差时,获取所述频率差值不大于预设允许误差时对应的电压频率。
9.根据权利要求6或7所述的分布式电源环境的频率测量系统,其特征在于,所述预设标准频率为50HZ。
10.根据权利要求6或7所述的分布式电源环境的频率测量系统,其特征在于,还包括:
存储模块,用于将对电网电压进行采样的时间与所述电压频率关联存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510925825.9A CN105572472B (zh) | 2015-12-11 | 2015-12-11 | 分布式电源环境的频率测量方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510925825.9A CN105572472B (zh) | 2015-12-11 | 2015-12-11 | 分布式电源环境的频率测量方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105572472A CN105572472A (zh) | 2016-05-11 |
CN105572472B true CN105572472B (zh) | 2018-09-25 |
Family
ID=55882834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510925825.9A Active CN105572472B (zh) | 2015-12-11 | 2015-12-11 | 分布式电源环境的频率测量方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105572472B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108627694B (zh) * | 2018-04-17 | 2020-02-11 | 中国农业大学 | 一种电网电压频率的检测方法、装置和设备 |
CN109459609B (zh) * | 2018-10-17 | 2020-10-13 | 北京机械设备研究所 | 一种基于人工神经网络的分布式电源频率检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308174A (zh) * | 2007-05-14 | 2008-11-19 | 吴伟 | 采用可变带宽参数的小波变换的信号频谱测量分析方法 |
CN101329374A (zh) * | 2008-06-13 | 2008-12-24 | 哈尔滨工业大学 | 一种差分滤波器加全周复小波幅值计算方法 |
US8165835B1 (en) * | 2007-10-26 | 2012-04-24 | Cirrus Logic, Inc. | Complex wavelet filter based power measurement and calibration system |
-
2015
- 2015-12-11 CN CN201510925825.9A patent/CN105572472B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308174A (zh) * | 2007-05-14 | 2008-11-19 | 吴伟 | 采用可变带宽参数的小波变换的信号频谱测量分析方法 |
US8165835B1 (en) * | 2007-10-26 | 2012-04-24 | Cirrus Logic, Inc. | Complex wavelet filter based power measurement and calibration system |
CN101329374A (zh) * | 2008-06-13 | 2008-12-24 | 哈尔滨工业大学 | 一种差分滤波器加全周复小波幅值计算方法 |
Non-Patent Citations (1)
Title |
---|
基于改进递归小波的电力系统频率测量;赵成勇等;《电工技术学报》;20050630;第20卷(第6期);62-65,76页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105572472A (zh) | 2016-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A novel three-step classification approach based on time-dependent spectral features for complex power quality disturbances | |
Zhang et al. | A novel hybrid model based on VMD-WT and PCA-BP-RBF neural network for short-term wind speed forecasting | |
Jain et al. | Fast harmonic estimation of stationary and time-varying signals using EA-AWNN | |
Borges et al. | Feature extraction and power quality disturbances classification using smart meters signals | |
Jain et al. | Harmonics estimation in emerging power system: Key issues and challenges | |
CN106295798A (zh) | 经验模式分解与Elman神经网络组合风电预测方法 | |
CN108257044A (zh) | 一种基于稳态电流模型的非侵入式负荷分解方法 | |
Ma et al. | A hybrid dynamic equivalent using ANN-based boundary matching technique | |
CN110059295B (zh) | 一种基于三点筛选法的系统谐波阻抗估计方法 | |
CN106980044B (zh) | 一种适应风电接入的电力系统谐波电流估计方法 | |
CN112435142B (zh) | 一种用电负荷识别方法及其负荷用电设施知识库构建方法 | |
Wang et al. | An MVMD-CCA recognition algorithm in SSVEP-based BCI and its application in robot control | |
Chen et al. | Data-driven piecewise linearization for distribution three-phase stochastic power flow | |
Tan et al. | Analog fault diagnosis using S-transform preprocessor and a QNN classifier | |
CN104833852A (zh) | 一种基于人工神经网络的电力系统谐波信号估计测量方法 | |
CN110045317A (zh) | 一种互感器计量误差在线检测方法及系统 | |
Wang et al. | A novel piezoelectric hysteresis modeling method combining LSTM and NARX neural networks | |
CN105572472B (zh) | 分布式电源环境的频率测量方法与系统 | |
CN113743651A (zh) | 基于机器学习和svm算法的电子式电压互感器误差状态预测方法 | |
Giarnetti et al. | Non recursive multi-harmonic least squares fitting for grid frequency estimation | |
JP2015148934A (ja) | 発電量予測装置および発電量予測方法 | |
Yau et al. | Signal clustering of power disturbance by using chaos synchronization | |
Li et al. | Broad learning system using rectified adaptive moment estimation for harmonic detection and analysis | |
CN111368392B (zh) | 一种基于memd与srm的单样本非平稳风速模拟方法 | |
Liu et al. | Asynchronous harmonic analysis based on out-of-sequence measurement for large-scale residential power network |
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 |