CN105930613A - 一种分布式发电系统等值建模方法 - Google Patents
一种分布式发电系统等值建模方法 Download PDFInfo
- Publication number
- CN105930613A CN105930613A CN201610306282.7A CN201610306282A CN105930613A CN 105930613 A CN105930613 A CN 105930613A CN 201610306282 A CN201610306282 A CN 201610306282A CN 105930613 A CN105930613 A CN 105930613A
- Authority
- CN
- China
- Prior art keywords
- model
- identification
- square
- generation system
- input
- 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
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000010248 power generation Methods 0.000 title abstract description 12
- 238000012545 processing Methods 0.000 claims abstract 2
- 238000012795 verification Methods 0.000 claims abstract 2
- 238000012850 discrimination method Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012546 transfer Methods 0.000 abstract description 2
- 238000013401 experimental design Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 11
- 238000005259 measurement Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- URWAJWIAIPFPJE-YFMIWBNJSA-N sisomycin Chemical compound O1C[C@@](O)(C)[C@H](NC)[C@@H](O)[C@H]1O[C@@H]1[C@@H](O)[C@H](O[C@@H]2[C@@H](CC=C(CN)O2)N)[C@@H](N)C[C@H]1N URWAJWIAIPFPJE-YFMIWBNJSA-N 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种分布式发电系统等值建模方法，根据辨识目的，确定是否需要辨识实验设计，如需要则进一步通过采集、处理分布式发电系统输入/输出数据，进而选取、辨识模型结构，如不需要，则可直接进行模型结构的选取辨识；然后，利用最小二乘法进行模型参数辨识，最后，编写程序，通过辨识程序，得出传递函数，进行等值建模，通过模型验证，最终确定系统等值模型。优点：简化了建模方式和分布式发电系统模型，该模型不仅可方便进行软件仿真，还可进行半实物仿真。摆脱了对分布式发电系统的参数依赖性，使用范围广。仿真效果好，速度快，精度高，运行效率高，大幅缩短了仿真时间。克服了传统建模方法模型复杂，运行效率低，使用范围窄的问题。
Description
技术领域
本发明属于电网稳定性研究领域，尤其是一种分布式发电系统等值建模方法。
背景技术
分布式发电一般是指发电功率在数千瓦至50兆瓦的小型化、模块化、分散式、布置在用户附近为用户供电的连接到配电系统的小型发电系统。
研究分布式发电系统，仿真是一种普遍和常用的手段，而建模是进行仿真研究的基础。因此建立分布式发电系统并网逆变器模型就是首要的问题。
目前，针对系统建模问题，国内外已有许多学者做了大量研究工作并提出了多种不同的方案，概括起来可归纳为机理建模和辨识建模两种。
机理建模应用普遍，传统并网逆变器的模型基于逆变器拓扑结构和变流过程，列写电路方程进行推导得到的。但是对于实际并网运行的逆变器而言，通常情况下，因技术保密等原因，内部结构参数、控制策略等信息是无从得知的，针对特定系统、特定逆变器的建模就难以展开。
目前分布式发电的系统都使用动态的详细模型来进行研究，此类模型使用由开关器件构成的详细主电路拓扑，以及完整的解耦控制策略。此类模型在建模时，需要详细的器件，电路，以及控制参数，否则无法建模。即便是利用这些参数，建立了动态详细模型，在仿真时，由于此类模型十分复杂，使得仿真效率十分低，特别是在研究分布式电源大量接入电网时，往往会花费非常长的时间。
发明内容
针对背景技术中所描述的问题，可以把未知参数的逆变器看作“黑箱”，对于“黑箱”模型，从外部特性上描述其输入/输出关系的动态特性进而建模，无需了解逆变器内部的参数与控制方法，这即为辨识建模；
辨识就是从系统的观测数据中，确定一个与系统特性“等价”的模型；如果观测数据包含系统的输入和输出，那么系统辨识就是拟合一个与系统输入—输出外特性最接近的数学模型；辨识包括三个要素：数据、模型、辨识方法；对于“黑箱”模型，数据为输入输出数据；模型是有多种形式，如连续系统传递函数，离散系统差分方程，状态空间模型等。
对于参数模型的辨识方法根据工作原理可以分为三类：最小二乘法、梯度矫正法、极大似然法。
为研究分布式发电接入时电网的稳定性，建立分布式发电系统的等值模型，本发明提出了一种利用最小二乘法进行分布式发电系统模型辨识的等值建模方法，该方法通过描述分布式发电系统的输入/输出关系的动态特性进行建模，无需了解分布式发电系统的内部参数与控制策略，有效克服了建立动态模型存在的模型复杂、仿真效率低且严重依赖分布式发电系统的内部参数和控制策略的问题。
对分布式发电高渗透率接入时电网稳定性进行研究，一般只能通过仿真计算的手段。故建立分布式发电系统并网逆变器模型就是首要也极为重要的问题。本发明提出了分布式发电系统中，并网变流器的辨识建模方法。
本发明的内容是:一种分布式发电系统等值建模方法，其特征是：首先根据辨识目的及知识准备情况，确定是否需要辨识实验设计，如需要则进一步通过采集、处理分布式发电系统输入/输出数据，进而选取、辨识模型结构，如不需要，则可直接进行模型结构的选取辨识；然后，利用最小二乘法，包括递推最小二乘法，增广最小二乘法，多变量最小二乘法进行模型参数辨识，三种方法分别对应于单输入/单输出模型，多输入/单输出模型，多输入/多输出模型的辨识；最后，编写程序，通过辨识程序，得出传递函数，进行等值建模，通过模型验证，最终确定系统等值模型。
进一步，所述建模方法是利用最小二乘法进行分布式发电系统模型的辨识方法；根据最小二乘法的原理，推导出系统辨识的方法，最终得到系统模型；其中包括递推最小二乘法，增广最小二乘法，多变量最小二乘法，三种方法分别对应于单输入/单输出模型，多输入/单输出模型，多输入/多输出模型的辨识技术，根据上述三种最小二乘法的思想分别在MATLAB中编写辨识方法的M程序文件，通过程序进行分布式系统的等值；辨识过程通过采集输入输出数据，通过辨识程序，得出传递函数，从而进行等值建模。
本发明的原理是：利用最小二乘法进行分布式发电系统模型的辨识方法；根据最小二乘法的原理，推导出系统辨识的方法，最终得到系统模型。其中包括递推最小二乘法，增广最小二乘法，多变量最小二乘法，三种方法分别对应于单输入/单输出模型，多输入/单输出模型，多输入/多输出模型的辨识技术，根据上述三种最小二乘法的思想分别在MATLAB中编写辨识方法的M程序文件，通过程序进行分布式系统的等值。辨识过程通过采集输入输出数据，通过辨识程序，得出传递函数，从而进行等值建模。
效果对比：
目前分布式发电的系统都使用动态的详细模型来进行研究，此类模型使用由开关器件构成的详细主电路拓扑，以及完整的解耦控制策略。此类模型在建模时，需要详细的器件，电路，以及控制参数，否则无法建模。即便是利用这些参数，建立了动态详细模型，在仿真时，由于此类模型十分复杂，使得仿真效率十分低，特别是在研究分布式电源大量接入电网时，往往会花费非常长的时间。
本发明通过等效建模的方法，可以不需要知道分布式电源的详细参数，便可通过输入和输出之间的关系得到分布式电源的等效模型，同时由于不包含开关器件和复杂的控制策略，所以仿真效率大大提高，特别是在复杂系统仿真时，可以大大缩短仿真所花费的时间。
为更加清晰的阐述本发明所提方法的工作原理，发明以简单单输入单输出系统为例，进行了系统辨识。图2为简单单输入单输出系统Simulink仿真图。通过采集系统的输入和输出数据，进行模型结构及参数辨识，通过运行MATLAB辨识程序，获得系统辨识结果，结果如图3所示。通过图3可以看到辨识后得到的等值传递函数与原函数之间的误差非常之小，论证了最小二乘等值建模方法的可行性。
对于多变量系统来说，其辨识过程与单变量类似，在递推最小二乘法的基础上，根据增广最小二乘法对公式进行推导化简，得到辨识公式，根据公式编写辨识程序进行辨识。通过辨识结果写出等值传递函数，将等值传递函数代替分布式发电系统中被辨识的部分，最终得到分布式发电系统的等值模型。
等值建模的主要内容包括数据采集，系统辨识，等值模型的建立三部分。其中最为关键也最为核心的技术为系统辨识技术。
系统辨识就是按照一个准则在一组模型类中选择一个与数据拟合的最好的模型。如果观测数据包含系统的输入和输出，那么系统辨识就是拟合一个与系统输入—输出外特性最接近的数学模型。辨识的步骤如图1所示。
辨识运用的方法为最小二乘法，最小二乘的辨识方法是对系统参数进行辨识。对于简单的单输入/单输出系统，如图2所示。我们可以通过传递函数模型从而列写出系统的差分方程模型，可以将参数和输入输出量分别写成矩阵，则可以化简公式形式。之后我们引入加权最小二乘法和递推最小二乘法，经过数学公式的推导转化，最后得到单输入/单输出系统的最小二乘辨识方法的公式，我们就可以根据公式编写辨识方法的M程序文件，在MATLAB中进行运行辨识。
图3为一个简单的一阶系统，我们采集系统的输入和输出数据，运行辨识程序，之后将结果转化为传递函数，结果如图4所示。通过图4我们可以看到辨识后得到的等值传递函数与原函数之间的误差非常之小，论证了最小二乘等值建模方法的可行性。
对于多变量系统的辨识过程与单变量类似，在递推最小二乘法的基础上，根据增广最小二乘法对公式进行推导化简，得到辨识公式，根据公式可以写出辨识程序进行辨识。
通过辨识结果写出的等值传递函数，将等值传递函数代替分布式发电系统中被辨识的部分，得到分布式发电系统的等值建模模型，此模型可以大大简化分布式发电系统原模型，即可以进行软件仿真研究，也可以进行半实物仿真平台的仿真研究。
原理：分布式发电等效建模的方法:测量需要建模的分布式发电装置的输入输出数据，利用等效建模的方法，建立其模型。本发明目前无可替代方案。
本发明利用最小二乘法进行分布式发电系统模型辨识的等值建模，实现了以下技术效果：
1.简化了建模方式，摆脱了对分布式发电系统的参数依赖性，使用范围大大增加；
2.仿真效果好，速度快，精度高，大幅提高了运行效率，大幅缩短了仿真时间；
3.克服了传统建模方法模型复杂，运行效率低，使用范围窄的问题；
4.简化了分布式发电系统模型，该模型不仅可方便进行软件仿真，还可进行半实物仿真；
5.建模方式简单，不需详细参数，适合于厂家不提供详细参数的装置建模；
6.仿真速度快，由于省去的开关器件等部分，所以仿真运行效率大大提高。
附图说明
图1 是本发明系统辨识步骤框图；
图2 是本发明简单单输入单输出系统模型图；
图3 是本发明简单单输入单输出系统simulink仿真图；
图4 是本发明MATLAB辨识结果；
图5 是本发明递推最小估计法的信息变换。
具体实施方式
最小二乘法理论：
最小二乘法是1795年高斯在预测星体运行轨道时提出的，到二十世纪六十年代应用于系统辨识的理论中来。之后在传统的最小二乘法的基础之上，衍生出了加权最小二乘法和递推最小二乘法等理论。最小二乘辨识方法是对系统参数进行辨识，所以要先知道系统的模型，再在该类型下确定系统的最优参数。
对于SISO的系统如图2所示，被辨识的系统模型为
（1）
其对应的差分方程为
（2）
若系统中含有干扰噪声，则公式（2）改写为
（3）
式中，为系统输出量的第k次观测值；为系统输出的低k次真值；为系统的第k个输入值；是均值为0的随机噪声。
如果定义
（4）
（5）
则式（3）就可以改写为
（6）
其中，即为待估参数矩阵。
如果令k=1,2…,m则有
那么式（6）可以改写为
（7）
那么最小二乘法就是找到一个参数矩阵的估计参数矩阵，使得各次的测量值与由估计参数矩阵确定的测量估计之差的平方和最小，即
（8）
要使上式达到最小，根据极值定理，需要上式导数为0，即
（9）
若行数大于列数，满秩，即存在。将上式（9）整理得
（10）
最小二乘法所求出的估计参数不能满足每个式子，但它保证了所有偏差的平方和达到最小，兼顾了所有方程的近似程度，使整体的误差达到最小。
加权最小二乘法是在基本最小二乘法中引入权矩阵，它是对称正定矩阵，常取对角阵，即
（11）
将式（8）改写为
（12）
整理得的加权最小二乘估计为
（13）
加权矩阵引入的目的是为了让测量置信度高的数据，权重取得大一些；置信度低的数据，权重取得小一些，这有利于误差的减小，前提是对不同测量值置信度有所了解。
递推最小二乘法就是当每次得到新的测量值后，就在前一次估计结果的基础上，利用新的测量数据对前一次估计结果进行修正，直到估计值达到满意的结果精度为止。用公式表示即为
当前的估计值=上次估计值+修正项
可以看出，测量值越多，修正的次数就越多，结果也就越准确。在上面分析的加权最小二乘法中引入修正项，当获得一组新的输入输出数据时，根据式（6）可得
（14）
进一步根据式（7）可得
（15）
式中
（16）
同理，根据式（13）有
（17）
式中，
将上式整理化简，最终得到加权最小二乘估计的递推算法为
（18）
（19）
（20）
式中
（21）
（22）
递推最小二乘法具有明显的意义：为前一刻的参数估计值；
是在以前测量的基础上对本次测量值的预测；是当前时刻的测量值，而为预测误差，又称为新息。由于预测误差实际是前一时刻的估计值与实际参数的偏差形成的，因此当前参数的估计值必须根据预测误差对前一时刻估计值进行修正来获得，修正的增益矩阵为。递推最小二乘法根据前次测量数据得到的及新的测量数据，可以计算出增益矩阵，从而由提推算出，同时可计算出下次递推计算所需的。每次递推计算中，信息变换情况如图（3）所示。
最小二乘法理论：
最小二乘法是1795年高斯在预测星体运行轨道时提出的，到二十世纪六十年代应用于系统辨识的理论中来。之后在传统的最小二乘法的基础之上，衍生出了加权最小二乘法和递推最小二乘法等理论。最小二乘辨识方法是对系统参数进行辨识的一种重要的方法。
Claims (2)
1.一种分布式发电系统等值建模方法，其特征是：首先根据辨识目的及知识准备情况，确定是否需要辨识实验设计，如需要则进一步通过采集、处理分布式发电系统输入/输出数据，进而选取、辨识模型结构，如不需要，则可直接进行模型结构的选取辨识；然后，利用最小二乘法，包括递推最小二乘法，增广最小二乘法，多变量最小二乘法进行模型参数辨识，三种方法分别对应于单输入/单输出模型，多输入/单输出模型，多输入/多输出模型的辨识；最后，编写程序，通过辨识程序，得出传递函数，进行等值建模，通过模型验证，最终确定系统等值模型。
2.根据权利要求1所述等值建模方法，其特征是：所述建模方法是利用最小二乘法进行分布式发电系统模型的辨识方法；根据最小二乘法的原理，推导出系统辨识的方法，最终得到系统模型；其中包括递推最小二乘法，增广最小二乘法，多变量最小二乘法，三种方法分别对应于单输入/单输出模型，多输入/单输出模型，多输入/多输出模型的辨识技术，根据上述三种最小二乘法的思想分别在MATLAB中编写辨识方法的M程序文件，通过程序进行分布式系统的等值；辨识过程通过采集输入输出数据，通过辨识程序，得出传递函数，从而进行等值建模。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610306282.7A CN105930613A (zh) | 2016-05-11 | 2016-05-11 | 一种分布式发电系统等值建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610306282.7A CN105930613A (zh) | 2016-05-11 | 2016-05-11 | 一种分布式发电系统等值建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105930613A true CN105930613A (zh) | 2016-09-07 |
Family
ID=56834804
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610306282.7A Pending CN105930613A (zh) | 2016-05-11 | 2016-05-11 | 一种分布式发电系统等值建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105930613A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110912125A (zh) * | 2019-12-10 | 2020-03-24 | 东北电力大学 | 一种高比例电力电子化系统谐振风险识别方法 |
| CN112711822A (zh) * | 2020-11-26 | 2021-04-27 | 冶金自动化研究设计院 | 一种基于动态辨识的工业气体管网建模方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103219725A (zh) * | 2013-01-18 | 2013-07-24 | 云南电网公司大理供电局 | 一种基于实时运行数据的风电场等值建模方法 |
| CN103336864A (zh) * | 2013-06-25 | 2013-10-02 | 四川大学 | 多机互联电力系统动态等值模型的多步递归最小二乘在线辨识方法 |
| CN103872679A (zh) * | 2014-03-07 | 2014-06-18 | 国家电网公司 | 微弱信号下的电网戴维南等值模型参数辨识方法 |
| CN103887815A (zh) * | 2014-02-21 | 2014-06-25 | 华南理工大学 | 基于运行数据的风电场参数辨识及动态等值方法 |
-
2016
- 2016-05-11 CN CN201610306282.7A patent/CN105930613A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103219725A (zh) * | 2013-01-18 | 2013-07-24 | 云南电网公司大理供电局 | 一种基于实时运行数据的风电场等值建模方法 |
| CN103336864A (zh) * | 2013-06-25 | 2013-10-02 | 四川大学 | 多机互联电力系统动态等值模型的多步递归最小二乘在线辨识方法 |
| CN103887815A (zh) * | 2014-02-21 | 2014-06-25 | 华南理工大学 | 基于运行数据的风电场参数辨识及动态等值方法 |
| CN103872679A (zh) * | 2014-03-07 | 2014-06-18 | 国家电网公司 | 微弱信号下的电网戴维南等值模型参数辨识方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110912125A (zh) * | 2019-12-10 | 2020-03-24 | 东北电力大学 | 一种高比例电力电子化系统谐振风险识别方法 |
| CN110912125B (zh) * | 2019-12-10 | 2022-02-08 | 东北电力大学 | 一种高比例电力电子化系统谐振风险识别方法 |
| CN112711822A (zh) * | 2020-11-26 | 2021-04-27 | 冶金自动化研究设计院 | 一种基于动态辨识的工业气体管网建模方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ren et al. | A fully data-driven method based on generative adversarial networks for power system dynamic security assessment with missing data | |
| Rohjans et al. | mosaik-A modular platform for the evaluation of agent-based Smart Grid control | |
| Stanovich et al. | Development of a smart-grid cyber-physical systems testbed | |
| CN106529090A (zh) | 一种航天电子类产品可靠性评估方法 | |
| Xu et al. | Robust transient stability-constrained optimal power flow with uncertain dynamic loads | |
| Wang et al. | Reliability analysis of phasor measurement unit considering data uncertainty | |
| CN105203969A (zh) | 基于修正的rc电池模型的荷电状态估计方法 | |
| CN102314522B (zh) | 一种模拟集成电路设计优化方法 | |
| CN105184027B (zh) | 一种基于交互式多模型算法的电力负荷建模方法 | |
| CN105260786A (zh) | 一种电力推进系统仿真可信度评估模型综合优化方法 | |
| CN105182245A (zh) | 基于无迹卡尔曼滤波的大容量电池系统荷电状态估计方法 | |
| CN110299762A (zh) | 基于pmu准实时数据的主动配电网抗差估计方法 | |
| CN104156542A (zh) | 一种基于隐式投影的有源配电系统稳定性仿真方法 | |
| CN113837432A (zh) | 一种物理-数据联合驱动的电力系统频率预测方法 | |
| Ran et al. | Probabilistic evaluation for static voltage stability for unbalanced three‐phase distribution system | |
| Rashidi et al. | On‐line parameter identification of power plant characteristics based on phasor measurement unit recorded data using differential evolution and bat inspired algorithm | |
| CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
| Hu et al. | Frequency prediction model combining ISFR model and LSTM network | |
| Lin et al. | Uncertainty quantification in dynamic simulations of large-scale power system models using the high-order probabilistic collocation method on sparse grids | |
| CN105353270B (zh) | 考虑分布式电源并网的电能质量扰动源容错定位方法 | |
| CN105930613A (zh) | 一种分布式发电系统等值建模方法 | |
| CN109145503A (zh) | 一种光伏电站集群的高精度动态建模方法 | |
| CN112488295A (zh) | 交叉验证算法优化lstm网络继电器贮存寿命预测方法 | |
| CN103488842B (zh) | 一种基于Saber的典型分立器件的可靠性自动预计方法 | |
| CN109390946B (zh) | 一种基于多参数规划理论的最优概率潮流快速计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160907 |
|
| WD01 | Invention patent application deemed withdrawn after publication |