CN105975710B - 用于同步发电机在线参数辨识的坏数据集检测和识别方法 - Google Patents
用于同步发电机在线参数辨识的坏数据集检测和识别方法 Download PDFInfo
- Publication number
- CN105975710B CN105975710B CN201610326810.5A CN201610326810A CN105975710B CN 105975710 B CN105975710 B CN 105975710B CN 201610326810 A CN201610326810 A CN 201610326810A CN 105975710 B CN105975710 B CN 105975710B
- Authority
- CN
- China
- Prior art keywords
- data set
- data
- synchronous generator
- indicate
- identification
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Eletrric Generators (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用于同步发电机在线参数辨识的坏数据集检测和识别方法。同步发电机在线辨识领域中尚无有效的坏数据集检测和识别方法。本发明采用的技术方案为:采集一段时间内同步发电机信号,并作为数据集存入数据库中,分为输入数据和输出数据,并统计输出数据的采样总个数;确定发电机待辨识参数,并构建参数向量;构建同步发电机在线参数辨识的等价非线性优化问题,并求解得到输出结果;计算输出结果下的参数辨识目标函数,并检验;如果通不过检验,对各数据集目标函数进行检验。本发明只用计算一次参数辨识的目标函数就可进行坏数据检测;重复利用目标函数中各个数据集对应部分,便可快速、便捷地进行坏数据集的识别分析。
Description
技术领域
本发明属于电力系统的动态参数辨识领域,尤其是一种用于同步发电机在线参数辨识的坏数据集检测和识别方法。
背景技术
随着全球能源互联网的战略发展,电网的运行规划和稳定分析越来越突出其重要价值,并且这些应用和分析往往都是基于电力系统动态仿真来进行,因此电力系统动态模型参数,尤其是发电机模型参数的准确性就显得至关重要。另一方面,向量测量技术的发展使同步发电机的动态信号能够用于在线参数辨识,并且为了提高模型参数的准确性,采集大量数据以用于发电机在线参数辨识中。这样在参数辨识过程中就不得不面对一个问题:如此多的数据集中的数据是否都是好的,如果存在不好的数据,那么就要找到相应坏的数据集并将其剔除,毕竟坏数据集的存在会导致辨识结果的下降。
目前而言,坏数据的检测和识别方法都只存在于电力系统状态估计领域。它们主要是通过分析状态估计目标函数的概率密度分布特性进行坏数据检测,并且根据各个测量装置的修正测量特性进行坏数据识别。但是由于状态估计与参数辨识的问题模型的不同,导致这些方法只能应用于基于静态信号的电力系统状态估计中,并不能分析基于动态信号的同步发电机在线参数辨识问题中是否存在坏数据。
从上述可以看出,同步发电机在线辨识领域中尚无有效的坏数据集检测和识别方法。
发明内容
本发明根据同步发电机在线参数辨识问题特点以及相应的目标函数的概率密度分布特性,提供一种用于同步发电机在线参数辨识的坏数据集检测和识别方法,其能够高效、便捷地对坏数据集进行检测和识别,以提高参数辨识结果。
为此,本发明采用的技术方案是:用于同步发电机在线参数辨识的坏数据集检测和识别方法,包括如下步骤:
第一步:当同步发电机在线运行时,发电厂的在线监测系统采集一段时间内的发电机信号,包括同步发电机机端三相电压信号、机端三相电流信号、发电机有功功率信号、无功功率信号以及相应的发电机励磁信号,然后,这些信号作为一个数据集的数据存入发电厂子站数据库中;
第二步:将多个时间段对应的多个数据集的数据进行划分,即将第i个数据集中的机端三相电压信号和发电机励磁信号划分为输入数据ui,而第i个数据集的其他信号则划分为输出数据zmi,其中i=1,2,...ns,ns表示数据集的总数,然后,统计第i个数据集的输出数据得到对应数据集的采样总个数nmi;
第三步:确定同步发电机需要辨识的参数并构建长度为np的参数向量θ,其中np表示同步发电机需要辨识参数的个数;
第四步:构建同步发电机在线参数辨识的等价非线性优化问题P,并利用内点算法求解等价非线性优化问题P,并得到输出结果
第五步:利用输出结果计算同步发电机在线参数辨识的目标函数
第六步:对目标函数进行卡方检验H,如果通过检验,则说明使用的数据集中没有坏数据,则跳到第八步;如果没有通过检验,则说明使用的数据集中存在坏数据,则进入第七步,进行坏数据的识别;
第七步:对每一个数据集进行坏数据识别检测,例如对第i个数据集的输出结果对应的目标函数进行卡方检验Hi,如果通过检验,则说明第i个数据集不是坏数据集,为有效数据集;如果没有通过检验,则说明第i个数据集是坏数据集,其中i=1,2,...ns,ns表示数据集的总数;
第八步:输出坏数据集辨识及识别结果。
本发明基于同步发电机在线参数辨识问题特点以及相应的目标函数的概率密度分布特性,实现了同步发电机坏数据集的检测和识别,填补了同步发电机在线参数辨识问题中的坏数据集分析的空白。本发明只用计算一次参数辨识的目标函数就可进行坏数据检测;重复利用目标函数中各个数据集对应部分,便可快速,便捷地进行坏数据集的识别分析;可以直接应用于在线同步发电机参数辨识领域,以改善辨识结果。
进一步,在第四步中,所述的发电机在线参数辨识的等价非线性优化问题P具有如下形式:
其中,下标i表示第i个数据集,ns表示数据集的总数;下标k表示第k个时刻,nt表示所有离散化后的时刻总数;obj.表示优化目标,s.t.表示约束条件;F表示离散化后的表征同步发电机的动态过程和输出特性的非线性函数,x表示同步发电机动态过程中的离散化的状态变量,u表示输入数据,z为离散化的输出状态,zm表示输出数据;k=0为仿真时段的初始时刻,x0为状态变量的初值,W表示发电厂的同步发电机在线监测系统采样设备相应的采样误差。
进一步,在第五步中,在线参数辨识的目标函数具有如下形式:
其中,下标i表示第i个数据集,ns表示数据集的总数;下标k表示第k个时刻,nt表示所有离散化后的时刻总数;zm表示输出数据,表示求解等价非线性优化问题P后得到的输出结果;W表示发电厂的同步发电机在线监测系统采样设备相应的采样误差。
进一步,在第六步中,对目标函数进行卡方检验H具有如下形式:
其中,下标i表示第i个数据集,ns表示数据集的总数,nmi表示第i个数据集的输出数据的采样总个数,np表示同步发电机需要辨识参数的个数,表示自由度为可信度为α的卡方检验值,χ表示任意正实数。
进一步,在第七步中,第i个数据集的输出结果对应的目标函数具有如下形式:
其中,下标i表示第i个数据集,i=1,2,...ns,ns表示数据集的总数;下标k表示第k个时刻,nt表示所有离散化后的时刻总数;zm表示输出数据,表示求解等价非线性优化问题P后得到的输出结果;W表示发电厂的同步发电机在线监测系统采样设备相应的采样误差。
进一步,在第七步中,第i个数据集的输出结果对应的目标函数进行卡方检验Hi具有如下形式:
其中,下标i表示第i个数据集,ns表示数据集的总数,nmi表示第i个数据集的输出数据的采样总个数,np表示同步发电机需要辨识参数的个数,χ2(nmi-np/nc,α)表示自由度为nmi-np/nc、可信度为α的卡方检验值,χ表示任意正实数。
本发明提出了一种用于同步发电机在线参数辨识的坏数据集检测和识别方法,该方法基于同步发电机在线参数辨识问题特点以及相应的目标函数的概率密度分布特性,实现了同步发电机坏数据集的检测和识别,拓展了已有的同步发电机参数辨识问题中的坏数据检测和识别的应用范围。
与现有技术相比,本发明主要有以下有益效果:
1.提出的用于同步发电机在线参数辨识的坏数据集检测和识别方法,能正确的分析同步发电机参数辨识问题中的数据的有效性。
2.提出的用于同步发电机在线参数辨识的坏数据集检测和识别方法,只用计算一次参数辨识的目标函数就可进行坏数据检测;重复利用目标函数中各个数据集对应部分,便可快速,便捷地进行坏数据集的识别分析。
3.所计算得到的坏数据集检测和识别结果,可直接应用于同步发电机参数辨识,提升了辨识结果的准确性。
附图说明
图1是本发明的流程图。
图2是本发明同步发电机在线辨识优化目标概率分布图。
图3是本发明同步发电机在线辨识单数据集对应的优化目标概率分布图。
具体实施方式
如图1所示的用于在线同步发电机参数辨识的参数可辨识性分析方法,其步骤如下:
第一步:当同步发电机在线运行时,发电厂的在线监测系统采集一段时间内的发电机信号,包括同步发电机机端三相电压信号,机端三相电流信号,发电机有功功率信号,无功功率信号,以及相应的发电机励磁信号。然后,这些信号作为一个数据集的数据存入发电厂子站数据库中。
第二步:将多个时间段对应的多个数据集的数据进行划分。即,将第i个数据集中的机端电压信号和励磁信号划分为输入数据ui,而第i个数据集的其他信号则划分为输出数据zmi,其中i=1,2,...ns,ns表示数据集的总数。然后,统计第i个数据集的输出数据得到对应数据集的采样总个数nmi。
第三步:确定同步发电机需要辨识的参数并构建长度为np的参数向量θ,其中np表示同步发电机需要辨识参数的个数。
第四步:构建同步发电机在线参数辨识的等价非线性优化问题P,并利用内点算法求解非线性优化问题P,并得到输出结果
第五步:利用输出结果计算同步发电机在线参数辨识的目标函数
第六步:对目标函数进行卡方检验H,如果通过检验,则说明使用的数据集中没有坏数据,则跳到第八步;如果没有通过检验,则说明使用的数据集中存在坏数据,则进入第七步,进行坏数据的识别。
第七步:对每一个数据集进行坏数据识别检测,例如对第i个数据集的输出结果对应的目标函数进行卡方检验Hi,如果通过检验,则说明第i个数据集不是坏数据集;如果没有通过检验,则说明第i个数据集是坏数据集,其中i=1,2,...ns,ns表示数据集的总数。
第八步:输出坏数据集辨识及识别结果,并结束进程。
所述第四步的发电机在线参数辨识的等价非线性优化问题P具有如下形式:
其中,下标i表示第i个数据集,ns表示数据集的总数;下标k表示第k个时刻,nt表示所有离散化后的时刻总数;obj.表示优化目标,s.t.表示约束条件;F表示离散化后的表征同步发电机的动态过程和输出特性的非线性函数,x表示同步发电机动态过程中的离散化的状态变量,u表示输入数据,z为离散化的输出状态,zm表示输出数据;k=0为仿真时段的初始时刻,x0为状态变量的初值,W表示发电厂的同步发电机在线监测系统采样设备相应的采样误差。
所述第五步的利用输出结果计算同步发电机在线参数辨识的目标函数具有如下形式:
其中,下标i表示第i个数据集,ns表示数据集的总数;下标k表示第k个时刻,nt表示所有离散化后的时刻总数;zm表示输出数据,表示求解问题P后得到的输出结果;W表示发电厂的同步发电机在线监测系统采样设备相应的采样误差。
所述的第六步的对目标函数进行卡方检验H具有如下形式:
其中,下标i表示第i个数据集,ns表示数据集的总数,nmi表示第i个数据集的输出数据的采样总个数,np表示参数的总个数,表示自由度为可信度为α的卡方检验值,χ表示任意正实数。
所述第七步的第i个数据集的输出结果对应的目标函数具有如下形式:
其中,下标i表示第i个数据集,i=1,2,...ns,ns表示数据集的总数;下标k表示第k个时刻,nt表示所有离散化后的时刻总数;zm表示输出数据,表示求解问题P后得到的输出结果;W表示发电厂的同步发电机在线监测系统采样设备相应的采样误差。
所述第七步的第i个数据集的输出结果对应的目标函数进行卡方检验Hi具有如下形式:
其中,下标i表示第i个数据集,ns表示数据集的总数,nmi表示第i个数据集的输出数据的采样总个数,np表示参数的总个数,χ2(nmi-np/nc,α)表示自由度为nmi-np/nc,可信度为α的卡方检验值,χ表示任意正实数。
应用例
本申请的发明人使用Matlab编程语言开发了实现同步发电机在线参数辨识的坏数据集检测和识别方法(即本发明)的计算程序,并使用一台装配有CoreTM i7-47903.60GHz CPU和16GB内存的PC机完成了本应用例的测试和验证。
在应用过程中,将发电厂厂站端数据采集与监控系统采集的发电机相关联数据,划分为发电机的输入数据和输出数据。测试使用的同步发电机配有相应的励磁装置和调速装置,在同步发电机建模过程使用4轴6阶同步发电机模型用于描述发电机的动态过程的输出过程,表1列出了测试用的同步发电机的信息。
表1:测试用的同步发电机参数标称值
发电机参数 | 参数说明 | 参数标称值 |
X<sub>d</sub> | 直轴电抗 | 1.8000 |
X<sub>q</sub> | 交轴电抗 | 1.7500 |
X’<sub>d</sub> | 直轴暂态电抗 | 0.3000 |
X’<sub>q</sub> | 交轴暂态电抗 | 0.4700 |
X” | 次暂态电抗 | 0.2300 |
T’<sub>d0</sub> | 直轴暂态时间常数 | 4.8000 |
T”<sub>d0</sub> | 直轴次暂态时间常数 | 0.0350 |
T’<sub>q0</sub> | 交轴暂态时间常数 | 1.5000 |
T”<sub>q0</sub> | 交轴次暂态时间常数 | 0.0700 |
T<sub>j</sub> | 转动惯量 | 6.4000 |
针对测试的同步发电机,首先使用单个数据集进行同步发电机的参数辨识,并计算该数据集下同步发电机的目标函数的统计特性,并于图2中展示。从中可以观察出,目标函数的统计概率密度特性和用于检验的卡方分布基本重合。这表明提出的坏数据检测方法能够对坏数据进行检测。
然后,在28个扰动数据集中加入7个坏数据集,并分析各个数据集对应目标函数的统计分布。图3展示了各个数据集对应目标函数的统计分布,很明显地可以这些分布可以分为两类:好数据集分布以及坏数据集分布。对于好数据集分布而言,其基本上和用于坏数据集识别的卡方分布重合;而坏数据集却很不一样,远大于卡方分布。这个意味着提出的坏数据识别方法能够准确的对坏数据进行辨识。
进一步地,计算剔除坏数据前后发电机参数的辨识误差。剔除坏数据前后的参数总的辨识误差分别是12.32%和6.32%,表2展示了剔除坏数据前后有较大差异的参数。
表2:剔除坏数据集前后的发电机参数辨识误差
发电机参数 | 参数说明 | 有坏数据下的相对辨识误差 | 无坏数据下的相对辨识误差 |
T”<sub>d0</sub> | 直轴次暂态时间常数 | 1.86% | 0.46% |
T’<sub>q0</sub> | 交轴暂态时间常数 | 2.30% | 0.32% |
T”<sub>q0</sub> | 交轴次暂态时间常数 | 1.78% | 0.51% |
从中可以看出,剔除了坏数据集后参数的辨识结果更准确,尤其对于发电机的交轴暂态时间常数和次暂态时间常数而言,改善的效果更佳明显。这个说明本发明具有改善参数辨识结果的作用。
Claims (4)
1.用于同步发电机在线参数辨识的坏数据集检测和识别方法,包括如下步骤:
第一步:当同步发电机在线运行时,发电厂的在线监测系统采集一段时间内的发电机信号,包括同步发电机机端三相电压信号、机端三相电流信号、发电机有功功率信号、无功功率信号以及相应的发电机励磁信号,然后,这些信号作为一个数据集的数据存入发电厂子站数据库中;
第二步:将多个时间段对应的多个数据集的数据进行划分,即将第i个数据集中的机端三相电压信号和发电机励磁信号划分为输入数据ui,而第i个数据集的其他信号则划分为输出数据zmi,其中i=1,2,...ns,ns表示数据集的总数,然后,统计第i个数据集的输出数据得到对应数据集的采样总个数nmi;
第三步:确定同步发电机需要辨识的参数并构建长度为np的参数向量θ,其中np表示同步发电机需要辨识参数的个数;
第四步:构建同步发电机在线参数辨识的等价非线性优化问题P,并利用内点算法求解等价非线性优化问题P,并得到输出结果
第五步:利用输出结果计算同步发电机在线参数辨识的目标函数
第六步:对目标函数进行卡方检验H,如果通过检验,则说明使用的数据集中没有坏数据,则跳到第八步;如果没有通过检验,则说明使用的数据集中存在坏数据,则进入第七步,进行坏数据的识别;
第七步:对每一个数据集进行坏数据识别检测;
第八步:输出坏数据集辨识及识别结果;
在第四步中,所述的发电机在线参数辨识的等价非线性优化问题P具有如下形式:
其中,下标i表示第i个数据集,ns表示数据集的总数;下标k表示第k个时刻,nt表示所有离散化后的时刻总数;obj.表示优化目标,s.t.表示约束条件;F表示离散化后的表征同步发电机的动态过程和输出特性的非线性函数,x表示同步发电机动态过程中的离散化的状态变量,u表示输入数据,z为离散化的输出状态,zm表示输出数据;k=0为仿真时段的初始时刻,x0为状态变量的初值,W表示发电厂的同步发电机在线监测系统采样设备相应的采样误差;
在第五步中,在线参数辨识的目标函数具有如下形式:
其中,下标i表示第i个数据集,ns表示数据集的总数;下标k表示第k个时刻,nt表示所有离散化后的时刻总数;zm表示输出数据,表示求解等价非线性优化问题P后得到的输出结果;W表示发电厂的同步发电机在线监测系统采样设备相应的采样误差。
2.根据权利要求1所述的用于同步发电机在线参数辨识的坏数据集检测和识别方法,其特征在于,
在第六步中,对目标函数进行卡方检验H具有如下形式:
其中,下标i表示第i个数据集,ns表示数据集的总数,nmi表示第i个数据集的输出数据的采样总个数,np表示同步发电机需要辨识参数的个数,表示自由度为可信度为α的卡方检验值,χ表示任意正实数。
3.根据权利要求1所述的用于同步发电机在线参数辨识的坏数据集检测和识别方法,其特征在于,
在第六步中,第i个数据集的输出结果对应的目标函数具有如下形式:
其中,下标i表示第i个数据集,i=1,2,...ns,ns表示数据集的总数;下标k表示第k个时刻,nt表示所有离散化后的时刻总数;zm表示输出数据,表示求解等价非线性优化问题P后得到的输出结果;W表示发电厂的同步发电机在线监测系统采样设备相应的采样误差。
4.根据权利要求1所述的用于同步发电机在线参数辨识的坏数据集检测和识别方法,其特征在于,
在第六步中,第i个数据集的输出结果对应的目标函数进行卡方检验Hi具有如下形式:
其中,下标i表示第i个数据集,ns表示数据集的总数,nmi表示第i个数据集的输出数据的采样总个数,np表示同步发电机需要辨识参数的个数,χ2(nmi-np/nc,α)表示自由度为nmi-np/nc、可信度为α的卡方检验值,χ表示任意正实数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610326810.5A CN105975710B (zh) | 2016-05-17 | 2016-05-17 | 用于同步发电机在线参数辨识的坏数据集检测和识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610326810.5A CN105975710B (zh) | 2016-05-17 | 2016-05-17 | 用于同步发电机在线参数辨识的坏数据集检测和识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105975710A CN105975710A (zh) | 2016-09-28 |
CN105975710B true CN105975710B (zh) | 2019-02-05 |
Family
ID=56955717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610326810.5A Active CN105975710B (zh) | 2016-05-17 | 2016-05-17 | 用于同步发电机在线参数辨识的坏数据集检测和识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105975710B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596979B (zh) * | 2018-12-06 | 2020-04-17 | 浙江大学 | 一种基于内点优化算法的同步发电系统动态状态估计方法 |
CN112488474B (zh) * | 2020-11-19 | 2022-05-20 | 贵州电网有限责任公司 | 一种能源互联网综合能耗模型及参数辨识方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073014A (zh) * | 2011-01-07 | 2011-05-25 | 华北电网有限公司 | 一种同步发电机参数的辨识方法 |
CN102510263A (zh) * | 2011-10-25 | 2012-06-20 | 中国电力科学研究院 | 基于抛载试验和数值差分的同步发电机实用参数辨识方法 |
CN103023418A (zh) * | 2012-11-23 | 2013-04-03 | 华北电网有限公司 | 一种基于广域量测信息的同步发电机在线参数辨识方法 |
CN104156504A (zh) * | 2014-07-21 | 2014-11-19 | 国家电网公司 | 一种发电机励磁系统参数可辨识性判定方法 |
CN105183938A (zh) * | 2015-07-17 | 2015-12-23 | 国家电网公司 | 电网不良数据辨识与估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9864820B2 (en) * | 2012-10-03 | 2018-01-09 | Operation Technology, Inc. | Generator dynamic model parameter estimation and tuning using online data and subspace state space model |
-
2016
- 2016-05-17 CN CN201610326810.5A patent/CN105975710B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073014A (zh) * | 2011-01-07 | 2011-05-25 | 华北电网有限公司 | 一种同步发电机参数的辨识方法 |
CN102510263A (zh) * | 2011-10-25 | 2012-06-20 | 中国电力科学研究院 | 基于抛载试验和数值差分的同步发电机实用参数辨识方法 |
CN103023418A (zh) * | 2012-11-23 | 2013-04-03 | 华北电网有限公司 | 一种基于广域量测信息的同步发电机在线参数辨识方法 |
CN104156504A (zh) * | 2014-07-21 | 2014-11-19 | 国家电网公司 | 一种发电机励磁系统参数可辨识性判定方法 |
CN105183938A (zh) * | 2015-07-17 | 2015-12-23 | 国家电网公司 | 电网不良数据辨识与估计方法 |
Non-Patent Citations (2)
Title |
---|
基于实测系统扰动的同步发电机参数辨识与验证;伍双喜 等;《电网技术》;20121130;第36卷(第11期);87-93 |
数据挖掘在电力负荷坏数据智能辨识与修正中的应用;张昀 等;《重庆大学学报》;20130228;第36卷(第2期);69-74 |
Also Published As
Publication number | Publication date |
---|---|
CN105975710A (zh) | 2016-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109682561B (zh) | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
CN106353623A (zh) | 基于随机响应信号的电力系统低频振荡模式在线辨识方法 | |
CN101907437A (zh) | 一种基于小波差分算法的电缆故障测距方法 | |
CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型系统及方法 | |
CN106786567B (zh) | 一种基于pmu类噪声数据的在线负荷建模方法 | |
CN103018537A (zh) | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 | |
CN105975710B (zh) | 用于同步发电机在线参数辨识的坏数据集检测和识别方法 | |
CN110516275A (zh) | 基于扰动信息的仿真模型参数校核方法 | |
CN107565867A (zh) | 一种基于轨迹灵敏度的同步发电机参数辨识方法 | |
CN105137324A (zh) | 一种基于仿真分类模型的多探测点故障元器件定位方法 | |
CN112017070A (zh) | 一种基于数据增强评估电力系统暂态稳定的方法及系统 | |
CN105406461A (zh) | 一种配电网停电事件的负荷自适应动态监测方法 | |
CN104967097B (zh) | 基于支持向量分类机的励磁涌流识别方法 | |
CN111639583A (zh) | 一种电网电能质量扰动的识别方法及系统 | |
CN107132311A (zh) | 一种基于频域特征提取的快速气体识别算法 | |
CN105954695A (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
CN104112003B (zh) | 对游戏终端的性能进行检测的方法及系统 | |
CN105093166A (zh) | 一种电子式电能表的现场检验方法 | |
Guo et al. | Parameter estimation of a complex load model using phasor measurements | |
CN108197381B (zh) | 基于寻优空间形态分析的参数辨识方法 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
Zhu et al. | Injection amplitude guidance for impedance measurement in power systems | |
CN105808833B (zh) | 一种基于多数据集合的并行同步发电机在线参数辨识方法 | |
Wang et al. | Temperature forecast based on SVM optimized by PSO algorithm |
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 |