CN106599541B - 一种动态电力负荷模型的结构和参数在线辨识方法 - Google Patents
一种动态电力负荷模型的结构和参数在线辨识方法 Download PDFInfo
- Publication number
- CN106599541B CN106599541B CN201611037014.6A CN201611037014A CN106599541B CN 106599541 B CN106599541 B CN 106599541B CN 201611037014 A CN201611037014 A CN 201611037014A CN 106599541 B CN106599541 B CN 106599541B
- Authority
- CN
- China
- Prior art keywords
- power load
- load model
- dynamic power
- model structure
- moment
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种动态电力负荷模型的结构和参数在线辨识方法,包括:步骤1,建立动态电力负荷模型结构库,其包括至少两种的动态电力负荷模型结构;步骤2,并行读取动态电力负荷模型结构库中的每种动态电力负荷模型结构,将其待辨识的参数与其状态向量组成扩展状态向量,利用不敏卡尔曼滤波对待辨识的参数进行估计;步骤3,计算出各个动态电力负荷模型结构的后验概率;步骤4,比较各动态电力负荷模型结构的后验概率大小,将后验概率最高者作为最优的动态电力负荷模型结构,同时将该动态电力负荷模型结构下的参数辨识结果作为最优参数。本发明通过模型结构和参数的同时在线辨识,从模型结构和参数两个层面对动态电力负荷特性进行更加准确的描述。
Description
技术领域
本发明涉及电力负荷仿真领域,具体涉及一种动态电力负荷模型的结构和参数在线辨识方法。
背景技术
电力负荷模型可以描述为电压或频率与综合电力负荷节点所消耗的功率之间的某种数学关系,这可以视为一个系统识别问题。电力负荷建模一般具有两个环节:确定一个适当的电力负荷模型结构;对该模型结构的参数值进行辨识。
目前的电力负荷模型结构主要可以分为两类:静态电力负荷模型结构和动态电力负荷模型结构。其中ZIP模型是应用最为广泛的一种静态电力负荷模型结构,它包括恒定阻抗、恒定电流和恒定功率三个部分。静态电力负荷模型结构的优点是比较简单,但在大多数动态仿真分析中并不能准确反映综合电力负荷的动态行为。常用的动态电力负荷模型结构又可分为自适应电力负荷模型结构、指数型电力负荷模型结构、电动机模型结构等。相对而言,动态电力负荷模型结构在动态仿真分析中具有更高的精度。
为了确定某一给定模型结构下的参数,通常采用最小二乘法、遗传算法、蚁群算法、粒子群算法等优化算法进行参数辨识,但这些优化算法只能实现电力负荷参数的离线辨识。为了实现电力负荷参数的在线辨识,卡尔曼滤波算法近年来也在电力负荷参数辨识中得到了应用。
已有的动态电力负荷建模方法主要存在如下的问题:先按经验选定一个动态电力负荷模型结构,再在此基础上进行参数辨识,并不能实现动态电力负荷模型的结构和参数的同时最优。
发明内容
本发明的目的在于针对上述现有技术中存在的问题,提出了一种动态电力负荷模型的结构和参数在线辨识方法,实现动态电力负荷模型的结合和参数的同时最优。
为达到上述发明的目的,本发明通过以下技术方案实现:
一种动态电力负荷模型的结构和参数在线辨识方法,包括如下步骤:
步骤1,建立动态电力负荷模型结构库,其包括至少两种的动态电力负荷模型结构;所述动态电力负荷模型结构是状态向量与量测向量描述的结构;
步骤2,并行读取动态电力负荷模型结构库中的每种动态电力负荷模型结构,对每种动态电力负荷模型结构,将其待辨识的参数与其状态向量组成扩展状态向量,利用不敏卡尔曼滤波对待辨识的参数进行估计;
步骤3,在不敏卡尔曼滤波的估计结果的基础上计算出各个动态电力负荷模型结构的后验概率;
步骤4,比较各动态电力负荷模型结构的后验概率大小,将后验概率最高者作为最优的动态电力负荷模型结构,同时将该动态电力负荷模型结构下的参数辨识结果作为最优参数。
进一步,步骤1所述动态电力负荷模型结构为:
Xi(k+1)=fi(Xi(k))+Wi(k) (1)
Zi(k)=hi(Xi(k))+Vi(k) (2)
其中Xi(k)第i种动态电力负荷模型结构在k时刻的状态向量;Zi(k)为第i种动态电力负荷模型结构在k时刻的量测向量,k为大于零的整数时刻,取为动态电力负荷的有功功率P或无功功率Q;fi是该第i种动态电力负荷模型的转移函数;hi是该第i种动态电力负荷模型的量测模型函数;Wi(k)和Vi(k)是与状态向量和量测向量相对应的过程噪声和量测噪声。
进一步,步骤2所述的扩展状态向量为:
式中Si(k)为第i种动态电力负荷模型结构中待辨识的参数;为加入扩展向量后第i种动态电力负荷模型结构新形成的状态向量。
进一步,所述扩展状态向量后的第i种动态电力负荷模型结构为:
进一步,步骤2所述利用不敏卡尔曼滤波对待辨识的参数进行估计,包括如下步骤:步骤21,对所述扩展状态向量下的第i种动态电力负荷模型结构,计算其k-1时刻的一组确定性采样点的状态值,此处k大于1;
步骤22,计算各确定性采样点k时刻的状态值及该预测状态值下的测量值;
步骤23,对k时刻的该第i种动态电力负荷模型结构下,求和所有确定性采样点的状态值、测量值,从而得到k时刻的状态值向量、测量向量,并计算残差;
步骤24,根据k时刻的状态值向量、测量值及残差,计算第i种动态负荷模型结构在k时刻的协方差矩阵;
步骤25,更新第i种动态负荷模型结构在k时刻的状态向量和新息协方差矩阵。
所述扩展状态向量后的第i种动态电力负荷模型结构,其初始化条件如下:任意给定状态向量的初始值和量测向量的初始值设置初始概率pi(0)=1/M;将测量向量的维数记为n,设置不敏卡尔曼滤波参数N=2n,不敏卡尔曼滤波参数λ≠-n,不敏卡尔曼滤波参数ω0=λ/(n+λ),不敏卡尔曼滤波参数ωj=ωn+j=1/2(n+λ),其中表示序号j=1,…,n。
进一步,步骤21所述的第i种动态电力负荷模型结构的各确定性采样点如下:
其中χi,j(k-1|k-1)是第i种动态电力负荷模型结构的第j个确定性采样点在k-1时刻的状态值;是第i种动态电力负荷模型结构的状态新息协方差矩阵,是的第j行元素;
步骤22所述计算各确定性采样点k时刻的状态值及该预测状态值下的测量值,是所采用如下公式计算:
χi,j(k|k-1)=fi(χi,j(k-1|k-1)) (8)
γi,j(k|k-1)=hi(χi,j(k|k-1)) (9)
j=1,…,N
χi,j(k|k-1)是由该确定性采样点在k-1时刻的状态值预测的该确定性采样点在k时刻的状态值;γi,j(k|k-1)是由预测的状态值得到的k时刻的量测值。
进一步,所述步骤23是通过式(10)、(11)和(12)对第i种动态电力负荷模型结构在k时刻的状态向量量测向量和残差ei(k)进行预测;
所述步骤24是通过(13)、(14)和(15)计算第i种动态电力负荷模型结构在k时刻的协方差矩阵,
式中为状态新息协方差矩阵,为量测新息协方差矩阵,为互协方差矩阵。
进一步,所述步骤25是通过(16)、(17)和(18)更新第i种动态电力负荷模型结构在k时刻的状态向量和新息协方差矩阵;
其中,Gi为增益矩阵。
进一步,所述步骤3通过式(19)计算第i种动态电力负荷模型结构在k时刻的后验概率;
式中pi(k)是第i种动态电力负荷模型结构在k时刻的概率;M是模型结构的个数;
式中Pi(k)、Qi(k)分别为第i种动态电力负荷模型结构在k时刻有功功率和无功功率;
P(k)、Q(k)分别为综合电力负荷模型在k时刻有功功率和无功功率;
还包括步骤31,置k=k+1,并返回步骤21。
本发明的一种动态电力负荷模型的结构和参数在线辨识方法,具有如下有益效果:
通过模型结构和参数的同时在线辨识,从模型结构和参数两个层面对动态电力负荷特性进行更加准确的描述。这有利于提高电力系统仿真分析的精度,形成更为有效的电力系统调控策略,从而现实电力的安全、可靠供应。
附图说明
图1为本发明的一种动态电力负荷模型的结构和参数在线辨识方法的实现流程框图;
图2为各动态电力负荷模型库及其参数预测的计算示意图;
具体实施方式
下面结合附图和实施例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,而不是全部实施例。
参看图1,为本发明方法的具体实现流程,本发明的一种动态电力负荷模型的结构和参数在线辨识方法,该方法包括:
步骤1,建立动态电力负荷模型结构库,其包括至少两种的动态电力负荷模型结构;所述动态电力负荷模型结构是状态向量与量测向量描述的结构;
步骤2,并行读取动态电力负荷模型结构库中的每种动态电力负荷模型结构,对每种动态电力负荷模型结构,将其待辨识的参数与其状态向量组成扩展状态向量,利用不敏卡尔曼滤波对待辨识的参数进行估计;
步骤3,在不敏卡尔曼滤波的估计结果的基础上计算出各个动态电力负荷模型结构的后验概率;
步骤4,比较各动态电力负荷模型结构的后验概率大小,将后验概率最高者作为最优的动态电力负荷模型结构,同时将该动态电力负荷模型结构下的参数辨识结果作为最优参数。
通过上述方法,便可实现动态电力负荷模型的结构和参数的同时辨识。
作为上述方法的一个具体实施例,为不失一般性,可将某种动态电力负荷模型结构描述为如下形式
Xi(k+1)=fi(Xi(k))+Wi(k) (1)
Zi(k)=hi(Xi(k))+Vi(k) (2)
其中Xi(k)第i种动态电力负荷模型结构在k时刻的状态向量;Zi(k)为第i种动态电力负荷模型结构在k时刻的量测向量,一般取为动态电力负荷的有功功率P或无功功率Q;fi是该子模型结构的动态模型的转移函数;hi是该子模型结构的量测模型函数;Wi(k)和Vi(k)是与状态向量和量测向量相对应的过程噪声和量测噪声。Wi(k)和Vi(k)假定为零均值高斯过程,即有Wi(k)~N(0,qi(k)),Vi(k)~N(0,Ri(k))。
为了进行参数估计,可将待辨识的参数向量作为扩展状态向量加入状态向量Xi(k)中,
即
式中Si(k)为第i种动态电力负荷模型结构中待辨识的参数;为加入扩展向量后第i种动态电力负荷模型结构新形成的状态向量。
此时式(1)和(2)所描述的动态电力负荷模型结构可表示为
对于各种动态电力负荷模型结构,可采用不敏卡尔曼滤波分别对它们的参数进行估计,并在此基础上计算它们的后验概率,从而实现动态电力负荷模型的结构和参数的同时辨识。参看图1和图2,具体过程如下:
步骤一:将多种可能的动态电力负荷模型结构选入动态电力负荷模型结构库。
步骤二:对第i种动态电力负荷模型结构,任意给定状态向量的初始值和量测向量的初始值设置初始概率pi(0)=1/M。将向量的维数记为n,设置不敏卡尔曼滤波参数N=2n,不敏卡尔曼滤波参数λ≠-n,不敏卡尔曼滤波参数ω0=λ/(n+λ),不敏卡尔曼滤波参数ωj=ωn+j=1/2(n+λ),其中j=1,…,n。
步骤三:通过式(6)、(7)计算第i种动态电力负荷模型结构的确定性采样点。
其中χi,j(k-1|k-1)是第i种动态电力负荷模型结构的第j个确定性采样点在k-1时刻的状态值;是第i种动态电力负荷模型结构的状态新息协方差矩阵,是的第j行元素。
步骤四:通过式(8)、(9)对第i种动态电力负荷模型结构在k时刻的每个确定性采样点进行预测。
χi,j(k|k-1)=fi(χi,j(k-1|k-1)) (8)
γi,j(k|k-1)=hi(χi,j(k|k-1)) (9)
j=1,…,N
χi,j(k|k-1)是由该确定性采样点在k-1时刻的状态值预测的该确定性采样点在k时刻的状态值;γi,j(k|k-1)是由预测的状态值得到的k时刻的量测值。
步骤五:通过式(10)、(11)和(12)对第i种动态电力负荷模型结构在k时刻的状态向量、量测向量和残差进行预测。
步骤六:通过式(13)、(14)和(15)计算第i种动态电力负荷模型结构在k时刻的协方差矩阵。
式中为状态新息协方差矩阵,为量测新息协方差矩阵,为互协方差矩阵。
步骤七:通过式(16)、(17)和(18)更新第i种动态电力负荷模型结构在k时刻的状态向量和新息协方差矩阵。
其中,Gi为增益矩阵。
步骤八:通过式(19)计算第i种动态电力负荷模型结构在k时刻的后验概率。
式中pi(k)是第i种动态电力负荷模型结构在k时刻的概率;M是模型结构的个数。
式中Pi(k)、Qi(k)分别为第i种动态电力负荷模型结构在k时刻有功功率和无功功率;
P(k)、Q(k)分别为综合电力负荷模型在k时刻有功功率和无功功率。
步骤九:置k=k+1并返回步骤三。
上述实施例仅用以说明本发明而并非限制本发明所描述的技术方案;因此,尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明,但是,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或者等同替换;而一切不脱离本发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种动态电力负荷模型的结构和参数在线辨识方法,其特征在于,包括如下步骤:
步骤1,建立动态电力负荷模型结构库,其包括至少两种的动态电力负荷模型结构;所述动态电力负荷模型结构是状态向量与量测向量描述的结构;
步骤2,并行读取动态电力负荷模型结构库中的每种动态电力负荷模型结构,对每种动态电力负荷模型结构,将其待辨识的参数与其状态向量组成扩展状态向量,利用不敏卡尔曼滤波对待辨识的参数进行估计;
步骤3,在不敏卡尔曼滤波的估计结果的基础上计算出各个动态电力负荷模型结构的后验概率;
步骤4,比较各动态电力负荷模型结构的后验概率大小,将后验概率最高者作为最优的动态电力负荷模型结构,同时将该动态电力负荷模型结构下的参数辨识结果作为最优参数;
步骤1所述动态电力负荷模型结构为:
Xi(k+1)=fi(Xi(k))+Wi(k) (1)
Zi(k)=hi(Xi(k))+Vi(k) (2)
其中Xi(k)第i种动态电力负荷模型结构在k时刻的状态向量;Zi(k)为第i种动态电力负荷模型结构在k时刻的量测向量,k为大于零的整数时刻,取为动态电力负荷的有功功率P或无功功率Q;fi是该第i种动态电力负荷模型的转移函数;hi是该第i种动态电力负荷模型的量测模型函数;Wi(k)和Vi(k)是与状态向量和量测向量相对应的过程噪声和量测噪声;
步骤2所述的扩展状态向量为:
式中Si(k)为第i种动态电力负荷模型结构中待辨识的参数;为加入扩展向量后第i种动态电力负荷模型结构新形成的状态向量;
所述扩展状态向量后的第i种动态电力负荷模型结构为:
步骤2所述利用不敏卡尔曼滤波对待辨识的参数进行估计,包括如下步骤:
步骤21,对所述扩展状态向量下的第i种动态电力负荷模型结构,计算其k-1时刻的一组确定性采样点的状态值,此处k大于1;
步骤22,计算各确定性采样点k时刻的状态值及该预测状态值下的测量值;
步骤23,对k时刻的该第i种动态电力负荷模型结构下,求和所有确定性采样点的状态值、测量值,从而得到k时刻的状态值向量、测量向量,并计算残差;
步骤24,根据k时刻的状态值向量、测量值及残差,计算第i种动态负荷模型结构在k时刻的协方差矩阵;
步骤25,更新第i种动态负荷模型结构在k时刻的状态向量和新息协方差矩阵。
2.根据权利要求1所述的动态电力负荷模型的结构和参数在线辨识方法,其特征在于,所述扩展状态向量后的第i种动态电力负荷模型结构,其初始化条件如下:任意给定状态向量的初始值和量测向量的初始值设置初始概率pi(0)=1/M;将测量向量的维数记为n,设置不敏卡尔曼滤波参数N=2n,不敏卡尔曼滤波参数λ≠-n,不敏卡尔曼滤波参数ω0=λ/(n+λ),不敏卡尔曼滤波参数ωj=ωn+j=1/2(n+λ),其中表示序号j=1,…,n。
3.根据权利要求2所述的动态电力负荷模型的结构和参数在线辨识方法,其特征在于,步骤21所述的第i种动态电力负荷模型结构的各确定性采样点如下:
j=1,…,n
其中χi,j(k-1|k-1)是第i种动态电力负荷模型结构的第j个确定性采样点在k-1时刻的状态值;是第i种动态电力负荷模型结构的状态新息协方差矩阵,是的第j行元素;
步骤22所述计算各确定性采样点k时刻的状态值及该预测状态值下的测量值,是所采用如下公式计算:
χi,j(k|k-1)=fi(χi,j(k-1|k-1)) (8)
γi,j(k|k-1)=hi(χi,j(k|k-1)) (9)
j=1,…,N
χi,j(k|k-1)是由该确定性采样点在k-1时刻的状态值预测的该确定性采样点在k时刻的状态值;γi,j(k|k-1)是由预测的状态值得到的k时刻的量测值。
4.根据权利要求3所述的动态电力负荷模型的结构和参数在线辨识方法,其特征在于,所述步骤23是通过式(10)、(11)和(12)对第i种动态电力负荷模型结构在k时刻的状态向量量测向量和残差ei(k)进行预测;
所述步骤24是通过(13)、(14)和(15)计算第i种动态电力负荷模型结构在k时刻的协方差矩阵,
式中为状态新息协方差矩阵,为量测新息协方差矩阵,为互协方差矩阵。
5.根据权利要求4所述的动态电力负荷模型的结构和参数在线辨识方法,其特征在于,所述步骤25是通过(16)、(17)和(18)更新第i种动态电力负荷模型结构在k时刻的状态向量和新息协方差矩阵;
其中,Gi为增益矩阵。
6.根据权利要求5所述的动态电力负荷模型的结构和参数在线辨识方法,其特征在于,所述步骤3通过式(19)计算第i种动态电力负荷模型结构在k时刻的后验概率;
式中pi(k)是第i种动态电力负荷模型结构在k时刻的概率;M是模型结构的个数;
式中Pi(k)、Qi(k)分别为第i种动态电力负荷模型结构在k时刻有功功率和无功功率;P(k)、Q(k)分别为综合电力负荷模型在k时刻有功功率和无功功率;
还包括步骤31,置k=k+1,并返回步骤21。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611037014.6A CN106599541B (zh) | 2016-11-23 | 2016-11-23 | 一种动态电力负荷模型的结构和参数在线辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611037014.6A CN106599541B (zh) | 2016-11-23 | 2016-11-23 | 一种动态电力负荷模型的结构和参数在线辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106599541A CN106599541A (zh) | 2017-04-26 |
CN106599541B true CN106599541B (zh) | 2019-04-19 |
Family
ID=58592762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611037014.6A Expired - Fee Related CN106599541B (zh) | 2016-11-23 | 2016-11-23 | 一种动态电力负荷模型的结构和参数在线辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599541B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909161B (zh) * | 2017-11-24 | 2023-07-25 | 西南交通大学 | 一种基于风险费用预测的牵引供电设备维修方法 |
CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
CN111725804B (zh) * | 2020-06-10 | 2022-06-24 | 国网新疆电力有限公司 | 一种综合负荷模型参数辨识方法和计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779238A (zh) * | 2012-08-09 | 2012-11-14 | 北京航空航天大学 | 一种基于自适应卡尔曼滤波的无刷直流电机系统辨识方法 |
CN103036498A (zh) * | 2012-10-18 | 2013-04-10 | 中国电力科学研究院 | 一种基于pmu的同步发电机实用模型参数校核与辨识方法 |
CN103618492A (zh) * | 2013-08-09 | 2014-03-05 | 国家电网公司 | 一种基于时频变换的同步发电机参数辨识方法 |
CN104899435A (zh) * | 2015-05-25 | 2015-09-09 | 清华大学 | 计及零注入约束的电力系统动态状态估计方法 |
CN105260943A (zh) * | 2015-09-30 | 2016-01-20 | 华南理工大学 | 一种基于交互多模型算法的电力负荷在线建模方法 |
CN105975747A (zh) * | 2016-04-27 | 2016-09-28 | 渤海大学 | 一种基于无迹卡尔曼滤波算法的cstr模型参数辨识方法 |
-
2016
- 2016-11-23 CN CN201611037014.6A patent/CN106599541B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779238A (zh) * | 2012-08-09 | 2012-11-14 | 北京航空航天大学 | 一种基于自适应卡尔曼滤波的无刷直流电机系统辨识方法 |
CN103036498A (zh) * | 2012-10-18 | 2013-04-10 | 中国电力科学研究院 | 一种基于pmu的同步发电机实用模型参数校核与辨识方法 |
CN103618492A (zh) * | 2013-08-09 | 2014-03-05 | 国家电网公司 | 一种基于时频变换的同步发电机参数辨识方法 |
CN104899435A (zh) * | 2015-05-25 | 2015-09-09 | 清华大学 | 计及零注入约束的电力系统动态状态估计方法 |
CN105260943A (zh) * | 2015-09-30 | 2016-01-20 | 华南理工大学 | 一种基于交互多模型算法的电力负荷在线建模方法 |
CN105975747A (zh) * | 2016-04-27 | 2016-09-28 | 渤海大学 | 一种基于无迹卡尔曼滤波算法的cstr模型参数辨识方法 |
Non-Patent Citations (2)
Title |
---|
卡尔曼滤波理论在电力系统中的应用综述;李江等;《电力系统保护与控制》;20140316;第42卷(第6期);全文 |
扩展卡尔曼滤波在动态负荷参数辨识中应用;仲卫进等;《电力自动化设备》;20070228;第27卷(第2期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106599541A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | An on-board model-based condition monitoring for lithium-ion batteries | |
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN108594135A (zh) | 一种用于锂电池均衡充放电控制的soc估算方法 | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN113064093B (zh) | 储能电池荷电状态与健康状态联合估算方法及系统 | |
CN105717460B (zh) | 一种基于非线性观测器的动力电池soc估计方法和系统 | |
CN107436411A (zh) | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 | |
WO2022021726A1 (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN110441694A (zh) | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 | |
CN107038292A (zh) | 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法 | |
CN105260607A (zh) | 一种串并联耦合的多模型水文预报方法 | |
CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
CN106599541B (zh) | 一种动态电力负荷模型的结构和参数在线辨识方法 | |
CN113762625B (zh) | 一种基于图卷积网络的配电网状态评估方法和系统 | |
CN107565553A (zh) | 一种基于ukf的配电网抗差动态状态估计方法 | |
CN109633479A (zh) | 基于嵌入式容积卡尔曼滤波的锂电池soc在线估算方法 | |
WO2019006995A1 (zh) | 一种电动汽车动力电池soc智能化预测系统 | |
CN108448585A (zh) | 一种基于数据驱动的电网潮流方程线性化求解方法 | |
CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
CN102169168A (zh) | 一种基于粒子滤波的电池剩余电量估计方法 | |
CN109507598A (zh) | 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法 | |
CN113177600B (zh) | 一种电力系统自适应鲁棒状态估计方法 | |
CN104008433A (zh) | 基于贝叶斯动态模型的中长期电力负荷预测方法 | |
CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 | |
CN108363876A (zh) | 一种考虑关键故障的测试优化选择方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190419 Termination date: 20201123 |