CN107039972A - 一种基于afsa‑bfo算法的电力系统pss参数整定方法 - Google Patents

一种基于afsa‑bfo算法的电力系统pss参数整定方法 Download PDF

Info

Publication number
CN107039972A
CN107039972A CN201710255640.0A CN201710255640A CN107039972A CN 107039972 A CN107039972 A CN 107039972A CN 201710255640 A CN201710255640 A CN 201710255640A CN 107039972 A CN107039972 A CN 107039972A
Authority
CN
China
Prior art keywords
afsa
algorithms
bfo
power system
gen
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
Application number
CN201710255640.0A
Other languages
English (en)
Other versions
CN107039972B (zh
Inventor
金涛
刘对
沈学宇
刘页
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201710255640.0A priority Critical patent/CN107039972B/zh
Publication of CN107039972A publication Critical patent/CN107039972A/zh
Application granted granted Critical
Publication of CN107039972B publication Critical patent/CN107039972B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于AFSA‑BFO算法的电力系统PSS参数整定方法，首先采用AFSA算法进行搜索，当适应度达到某一值时，表明AFSA算法已收敛到全局最优的区域，此时切换到BFO算法，BFO算法将会在AFSA算法的基础上进行局部寻优；对于算法的切换，引入了新的判别方式。本发明采用AFSA‑BFO算法整定的PSS控制器在总体上具有较好的调节性，且整定的PSS参数具有较好的适应性，在大扰动下仍可提高系统稳定运行水平。

Description

一种基于AFSA-BFO算法的电力系统PSS参数整定方法
技术领域
本发明涉及电力系统低频振荡抑制领域，特别是一种基于AFSA-BFO算法的电力系统PSS参数整定方法。
背景技术
随着全球经济的快速增长、人口的急剧增加，电能在世界范围内的使用量也不断提高，从而使电网的负荷不断加重；与此同时，现代电力系统已经进入跨区域互联的大电网时期，远距离、大容量的输电线路广泛存在；这些都将诱发电力系统低频振荡。如果低频振荡不能很好的抑制，将引发一系列系统故障，从而导致大规模的停电、造成巨大的经济损失。近年来，电力系统低频振荡已经成为影响电网能否可靠、安全运行的关键问题之一。因此，如何快速有效实时地辨识出低频振荡的相关参数，并调节阻尼器来抑制低频振荡就显得尤为重要。
由于采取加装电力系统稳定器(PowerSystem Stabilizer,PSS)在可以抑制低频振荡的同时，也具有控制较简单、性能好的优点；而且PSS具有物理概念清晰，作为阻尼控制时，其计算和调试具有直接的数学模型可用，同时投入调试和退出还可以根据不同的运行工况进行所以在抑制中。因此，加装PSS是抑制低频振荡的首选控制措施。
PSS控制的核心问题是PSS的参数整定；目前，PSS整定方法主要采用相位补偿法、极点配置法等。相位补偿法具有物理意义清晰、方便调试等优点；极点配置法是将系统的主要极点配置到S平面的新位置，从而提高系统的稳定性，但因为其与励磁系统参数没有直观联系，在实际工程的应用是受限的。近来，PSS参数的相关整定中也出现了大量的优化算法，如神经网络、模糊控制及人工智能算法等。但神经网络需要大量的学习样本且收敛速度较慢，遗传算法搜索时间过长、易于过早收敛于次全局最优解，但在模糊控制中可能产生自适应能力差、规则设定困难等后果。人工智能算法在电力系统控制中的应用在加快寻优速度和避免陷入局部极值等方面仍有很大的潜力可以挖掘，需要进一步的深入研究。
发明内容
本发明的目的在于提供一种基于AFSA-BFO算法的电力系统PSS参数整定方法，以克服现有技术中存在的缺陷。
为实现上述目的，本发明的技术方案是：一种基于AFSA-BFO算法的电力系统PSS参数整定方法，包括如下步骤：
步骤S1：AFSA、BFO算法参数的初始化；
步骤S2：令迭代次数gen＝1，进行迭代运算；
步骤S3：运行电力系统仿真模型，并采取电力系统仿真模型中各发电机以及联络线之间的信号；
步骤S4：从采取的信号中，获取电力系统低频振荡信号；
步骤S5：对所述电力系统低频振荡信号进行辨识分析，获取对应的振荡模态及特征值λi＝σi±jwi；其中，σi代表特征值的实部，wi代表特征值的虚部；
步骤S6：根据特征值的大小确定其阻尼比；
步骤S7：利用将阻尼比作为PSS参数优化的目标；
步骤S8：通过PSS的约束条件，进行PSS参数优化；
步骤S9：采用AFSA-BFO算法对目标函数进行寻优计算；
步骤S10：经过寻优计算后，产生一组新的个体极值为Pi(gen)、全局极值为Pg(gen)；
步骤S11：迭代次数gen＝gen+1；
步骤S12：判断迭代次数gen是否达到最大迭代数MAXGEN；
步骤S13：若迭代次数gen未达到最大迭代数MAXGEN，转到所述步骤S2继续进行迭代；
步骤S14：若迭代次数gen达到最大迭代数MAXGEN，将个体极值为Pi(gen)、全局极值为Pg(gen)输出；个体极值Pi(gen)即为寻优得到的PSS参数，全局极值Pg(gen)即为电力系统最优的阻尼比；
步骤S15：完成所有的计算，并结束。
在本发明一实施例中，在所述步骤S1中，在初始化过程程，记维度为D，种群数量为n，迭代次数gen，最大迭代数MAXGEN，最大尝试次数为TN，视野为Visual，步长为Step，拥挤度因子为z，细菌的趋化次数为Nc，趋化操作中单向运动的最大步数为Ns，复制操作步骤数为Nre，迁移操作数为Ned，迁移概率为Ped，且随机产生初始化参数；
在本发明一实施例中，在所述步骤S6中，所述阻尼比为：
在本发明一实施例中，在所述步骤S7中，目标函数为：
J＝min{ξi,j,i∈S,j＝1,...,k}
式中，k为优化过程中采用的运行方式的个数；S为振荡的集合；ξi,j表示第j种干扰方式下第i个机电振荡模态的阻尼比。
在本发明一实施例中，在所述步骤S8中，参数优化的表达为如下形式：
其中，增益Ki的范围为[0.1,50]，T1i、T3i的范围是[0.01,1]，PSS时间常数T5i、T2i、T4i为预设值。
在本发明一实施例中，所述PSS时间常数T5i、T2i、T4i预设值分别为：10、0.05、0.05。
在本发明一实施例中，在所述步骤S9中，还包括如下步骤：
步骤S91：采用AFSA算法使鱼群快速收敛到全局最优解所在域；
步骤S92：判断AFSA算法是否收敛到全局最优的区域，且所采用的切换的判别方式采用如下方式：
或
式中：Yk、Yk+1、Yn+1分别为AFSA算法第k、k+1、n+1次迭代得到的相应适应度值；α、β与γ为预设值；
步骤S93：当满足上式时，表明AFSA算法已经收敛到全局最优的区域，收敛开始变慢，此时，切换到BFO算法。
在本发明一实施例中，在所述步骤S93中，令当AFSA算法的最佳适应度值达到阈值γ，且连续n+1次的结果相同时，跳出AFSA算法，切换到BFO算法。
在本发明一实施例中，所述预设值α、β、γ分别取0.1、0.01、0.13。
相较于现有技术，本发明具有以下有益效果：
1.本发明通过将AFSA算法与BFO相结合，形成AFSA-BFO混合算法，充分利用了AFSA算法的全局搜索能力和BFO算法局部搜索能力。
2.本发明提出的混合算法首法先采用AFSA算法，当适应度达到某一值时切换到BFO算法；对于算法的切换点，并引入新的判别方式。运用的两种算法之间的切换方式，在参数寻优的过程中可以在保证收敛精度下，提高算法收敛的速度。
3.本发明提出的方法运用在PSS整定中，在总体上具有较好的调节性，且具有较好的适应性，在大扰动下仍可提高系统稳定运行水平。
附图说明
图1为本发明中一种基于AFSA-BFO算法的PSS参数整定方法的流程图。
图2为本发明一实施例中获取的振荡信号及加装PSS后抑制信号。
图3为本发明一实施例中AFSA-BFO算法的流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供一种基于AFSA-BFO算法的电力系统PSS参数整定方法，如图1所示，包括以下步骤：
步骤S1：AFSA、BFO算法参数的初始化；在本实施例中，记维度为D，种群数量为n，迭代次数gen，最大迭代数MAXGEN，最大尝试次数为TN，视野Visual，步长Step，拥挤度因子z；细菌的趋化次数Nc，趋化操作中单向运动的最大步数Ns，复制操作步骤数Nre，迁移操作数Ned，迁移概率Ped；并随机产生初始化参数。
步骤S2：令gen＝1，进行迭代运算。
步骤S3：运行相应的仿真模型，并采取电力系统仿真模型中各发电机以及联络线之间的信号；
步骤S4：从采取的信号中，获取电力系统低频振荡信号；如图2所示，实线为获取的振荡信号。
步骤S5：对电力系统低频振荡信号进行相应的辨识分析，求出相关的振荡模态及特征值λi＝σi±jwi，σi代表特征值的实部，wi代表特征值的虚部。
步骤S6：根据特征值的大小，定义其阻尼比为：
式中，λi的实部σi决定了系统响应的衰减速率。如果σi的值大，则响应衰减速率就较慢，系统就不稳定；反之，系统就较稳定。ξi代表电力系统的动态性能，它既能反映特征值在复平面上的位置，也能决定最大超调量的大小；阻尼比越大，超调量就越小。在电力系统中，一般要求阻尼比不能小于0.05，从而来保证系统有较好的动态特性。
步骤S7：利用将阻尼比作为目标作为PSS参数优化的目标；
J＝min{ξi,j,i∈S,j＝1,...,k}
式中，k代表优化过程中考虑的运行方式的个数；S为振荡的集合；ξi,j表示第j种干扰方式下第i个机电振荡模态的阻尼比。优化的最终目的就是为了能够让在多种运行状况下最小的阻尼比达到最大化；
进一步的，选择将选择2种较典型的运行状况，并采用其中最严重的运行状况来进行PSS的适应性校验。
步骤S8：考虑PSS的一些约束条件，PSS参数优化可以表达为如下形式：
其中，增益Ki的范围为[0.1,50]，T1i、T3i的范围是[0.01,1]。PSS时间常数T5i、T2i、T4i一般在优化之前给定；在本实施例中，PSS时间常数T5i、T2i、T4i在优化之前给定为：10、0.05、0.05。
步骤S9：采用AFSA-BFO算法对目标函数进行寻优计算，如图3所示，为本实施例中采用的AFSA-BFO算法的流程图。
进一步的，在步骤S9中，具体还包括以下步骤：
步骤S91：先采用AFSA算法使鱼群快速收敛到全局最优解所在域。
步骤S92：判断AFSA算法是否收敛到全局最优的区域，且切换的判别方式采用下列公式：
或
式中：Yk、Yk+1、Yn+1分别为AFSA算法第k、k+1、n+1次迭代得到的相应适应度值；α、β与γ为预先设定的值。
步骤S93：当满足上式时，表明AFSA算法已经收敛到全局最优的区域、收敛开始变慢，此时，考虑切换到BFO算法。
在本实施例中，α与β值的大小将会影响到BFO算法的参与时刻，如果值取的过大AFSA算法可能还没有很好地找到最优范围就进入BFO算法，这样会导致整个算法用时较长。而如果值设置的太小，会使AFSA算法进行过多的计算。由于AFSA算法比BFO算法计算速度快；在选择参数时，文中将α、β值设定的相对大些，这样可使BFO算法在接近最优解的范围内开始搜索范围。
进一步的，为了不让算法陷入AFSA的全局最优解，设定AFSA算法的最佳适应度值达到阈值γ且连续n+1次的结果相同时跳出AFSA算法转化为BFO算法。
进一步的，仿真中，α、β、γ参数分别取为0.1、0.01、0.13。
步骤S10：经过寻优计算后产生一组新的个体极值为Pi(gen)、全局极值为Pg(gen)。
步骤S11：迭代次数gen＝gen+1。
步骤S12：判断迭代次数gen是否达到最大迭代数MAXGEN。
步骤S13：若迭代次数gen未达到最大迭代数MAXGEN，转到步骤S2继续进行迭代。
步骤S14：若迭代次数gen达到最大迭代数MAXGEN，将个体极值为Pi(gen)、全局极值为Pg(gen)输出；个体极值Pi(gen)即为寻优得到的PSS参数，全局极值Pg(gen)即为电力系统最优的阻尼比；
如下表1所示，为算法优化PSS参数结果，同时比较了AFSA、BFO的计算结果；图2中虚线为加装三种算法整定的PSS后抑制低频振荡的效果。从图2中可以看出，采用AFSA-BFO算法整定的参数抑制低频振荡效果最佳。
表1
步骤S15：完成所有的计算，并结束。
综上所述，本发明通过将AFSA算法与BFO相结合，充分利用了AFSA算法的全局搜索能力和BFO算法局部搜索能力；设计的切换方式，在参数寻优的过程中可以在保证收敛精度下，提高算法收敛的速度；此算法整定的PSS，在总体上具有较好的调节性，且具有较好的适应性，在大扰动下仍可提高系统稳定运行水平。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (9)

1.一种基于AFSA-BFO算法的电力系统PSS参数整定方法，其特征在于，包括如下步骤：
步骤S1：AFSA、BFO算法参数的初始化；
步骤S2：令迭代次数gen＝1，进行迭代运算；
步骤S3：运行电力系统仿真模型，并采取电力系统仿真模型中各发电机以及联络线之间的信号；
步骤S4：从采取的信号中，获取电力系统低频振荡信号；
步骤S5：对所述电力系统低频振荡信号进行辨识分析，获取对应的振荡模态及特征值λi＝σi±jwi；其中，σi代表特征值的实部，wi代表特征值的虚部；
步骤S6：根据特征值的大小确定其阻尼比；
步骤S7：利用将阻尼比作为PSS参数优化的目标；
步骤S8：通过PSS的约束条件，进行PSS参数优化；
步骤S9：采用AFSA-BFO算法对目标函数进行寻优计算；
步骤S10：经过寻优计算后，产生一组新的个体极值为Pi(gen)、全局极值为Pg(gen)；
步骤S11：迭代次数gen＝gen+1；
步骤S12：判断迭代次数gen是否达到最大迭代数MAXGEN；
步骤S13：若迭代次数gen未达到最大迭代数MAXGEN，转到所述步骤S2继续进行迭代；
步骤S14：若迭代次数gen达到最大迭代数MAXGEN，将个体极值为Pi(gen)、全局极值为Pg(gen)输出；个体极值Pi(gen)即为寻优得到的PSS参数，全局极值Pg(gen)即为电力系统最优的阻尼比；
步骤S15：完成所有的计算，并结束。
2.根据权利要求1所述的一种基于AFSA-BFO算法的电力系统PSS参数整定方法，其特征在于，在所述步骤S1中，在初始化过程程，记维度为D，种群数量为n，迭代次数gen，最大迭代数MAXGEN，最大尝试次数为TN，视野为Visual，步长为Step，拥挤度因子为z，细菌的趋化次数为Nc，趋化操作中单向运动的最大步数为Ns，复制操作步骤数为Nre，迁移操作数为Ned，迁移概率为Ped，且随机产生初始化参数。
3.根据权利要求1所述的一种基于AFSA-BFO算法的电力系统PSS参数整定方法，其特征在于，在所述步骤S6中，所述阻尼比为：
4.根据权利要求1所述的一种基于AFSA-BFO算法的电力系统PSS参数整定方法，其特征在于，在所述步骤S7中，目标函数为：
J＝min{ξi,j,i∈S,j＝1,...,k}
式中，k为优化过程中采用的运行方式的个数；S为振荡的集合；ξi,j表示第j种干扰方式下第i个机电振荡模态的阻尼比。
5.根据权利要求4所述的一种基于AFSA-BFO算法的电力系统PSS参数整定方法，其特征在于，在所述步骤S8中，参数优化的表达为如下形式：
其中，增益Ki的范围为[0.1,50]，T1i、T3i的范围是[0.01,1]，PSS时间常数T5i、T2i、T4i为预设值。
6.根据权利要求5所述的一种基于AFSA-BFO算法的电力系统PSS参数整定方法，其特征在于，所述PSS时间常数T5i、T2i、T4i预设值分别为：10、0.05、0.05。
7.根据权利要求1所述的一种基于AFSA-BFO算法的电力系统PSS参数整定方法，其特征在于，在所述步骤S9中，还包括如下步骤：
步骤S91：采用AFSA算法使鱼群快速收敛到全局最优解所在域；
步骤S92：判断AFSA算法是否收敛到全局最优的区域，且所采用的切换的判别方式采用如下方式：
或
式中：Yk、Yk+1、Yn+1分别为AFSA算法第k、k+1、n+1次迭代得到的相应适应度值；α、β与γ为预设值；
步骤S93：当满足上式时，表明AFSA算法已经收敛到全局最优的区域，收敛开始变慢，此时，切换到BFO算法。
8.根据权利要求7所述的一种基于AFSA-BFO算法的电力系统PSS参数整定方法，其特征在于，在所述步骤S93中，令当AFSA算法的最佳适应度值达到阈值γ，且连续n+1次的结果相同时，跳出AFSA算法，切换到BFO算法。
9.根据权利要求7或8所述的一种基于AFSA-BFO算法的电力系统PSS参数整定方法，其特征在于，所述预设值α、β、γ分别取0.1、0.01、0.13。
CN201710255640.0A 2017-04-19 2017-04-19 一种基于afsa-bfo算法的电力系统pss参数整定方法 Active CN107039972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710255640.0A CN107039972B (zh) 2017-04-19 2017-04-19 一种基于afsa-bfo算法的电力系统pss参数整定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710255640.0A CN107039972B (zh) 2017-04-19 2017-04-19 一种基于afsa-bfo算法的电力系统pss参数整定方法

Publications (2)

Publication Number Publication Date
CN107039972A true CN107039972A (zh) 2017-08-11
CN107039972B CN107039972B (zh) 2019-09-13

Family

ID=59535915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710255640.0A Active CN107039972B (zh) 2017-04-19 2017-04-19 一种基于afsa-bfo算法的电力系统pss参数整定方法

Country Status (1)

Country Link
CN (1) CN107039972B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107706928A (zh) * 2017-11-14 2018-02-16 广西电网有限责任公司电力科学研究院 一种基于dna模糊遗传算法的pss参数整定方法
CN108121208A (zh) * 2017-12-25 2018-06-05 国网江西省电力有限公司电力科学研究 基于pso-abfo再热汽温pid控制器参数优化方法
CN109217289A (zh) * 2018-08-24 2019-01-15 南京理工大学 一种基于灰狼算法的光伏附加阻尼控制器参数优化方法
CN111030089B (zh) * 2019-11-26 2021-06-18 国家电网公司华中分部 一种基于飞蛾扑火优化算法的pss参数优化方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘宪林等: "基于人工鱼群算法的电力系统稳定器参数优化研究", 《郑州大学学报（工学版）》 *
沈鑫等: "基于相位补偿法和粒子群算法的PSS4B 参数优化方法", 《电子器件》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107706928A (zh) * 2017-11-14 2018-02-16 广西电网有限责任公司电力科学研究院 一种基于dna模糊遗传算法的pss参数整定方法
CN107706928B (zh) * 2017-11-14 2020-04-07 广西电网有限责任公司电力科学研究院 一种基于dna模糊遗传算法的pss参数整定方法
CN108121208A (zh) * 2017-12-25 2018-06-05 国网江西省电力有限公司电力科学研究 基于pso-abfo再热汽温pid控制器参数优化方法
CN109217289A (zh) * 2018-08-24 2019-01-15 南京理工大学 一种基于灰狼算法的光伏附加阻尼控制器参数优化方法
CN111030089B (zh) * 2019-11-26 2021-06-18 国家电网公司华中分部 一种基于飞蛾扑火优化算法的pss参数优化方法及系统

Also Published As

Publication number Publication date
CN107039972B (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN107039972A (zh) 一种基于afsa‑bfo算法的电力系统pss参数整定方法
CN110535146B (zh) 基于深度确定策略梯度强化学习的电力系统无功优化方法
CN111523737B (zh) 深度q网络驱动的电力系统运行方式自动趋优调整方法
CN106709641A (zh) 一种基于蒙特卡洛模拟的小干扰概率风险分析与仿真方法
US20210133376A1 (en) Systems and methods of parameter calibration for dynamic models of electric power systems
CN110137941B (zh) 一种基于双馈风机稳定性影响的电网稳定控制方法及装置
CN114675535B (zh) 一种基于强化学习的航空发动机过渡态寻优控制方法
CN104539601B (zh) 动态网络攻击过程可靠性分析方法及系统
Blank et al. ρ meson, Bethe-Salpeter equation, and the far infrared
Zhang et al. Application of simulated annealing genetic algorithm-optimized back propagation (BP) neural network in fault diagnosis
CN109638815B (zh) 一种电力系统中长期电压安全稳定预防控制策略确定方法
CN107194496A (zh) 光伏功率的预测方法及预测装置
WO2018145498A1 (zh) 基于强化学习算法的双馈感应风力发电机自校正控制方法
CN112290534A (zh) 一种电力系统稳定器参数优化方法及系统
CN106655931B (zh) 低励限制参数整定方法和装置
CN116306306A (zh) 一种基于非洲秃鹫算法的微网惯性常数估计方法
CN111030089B (zh) 一种基于飞蛾扑火优化算法的pss参数优化方法及系统
Chertovskikh et al. An adaptive PID controller with an online auto-tuning by a pretrained neural network
Jiang et al. Nonlinear steam valve adaptive controller design for the power systems
CN112685841B (zh) 一种带有连接关系的结构的有限元建模、修正方法及系统
CN112018813B (zh) 一种虚拟同步发电机频率控制方法
CN107800147B (zh) 一种基于参量Lyapunov理论的广域时滞阻尼输出反馈控制器
Wang et al. Neural Networks Based Lyapunov Functions for Transient Stability Analysis and Assessment of Power Systems
Shivakumar Implementation of a novel nature inspired firefly optimizer for power system stability enhancement
Zhen et al. Model for predicting NOx emission from boilers based on MWOA-LSSVM integration

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