CN107153743B - 基于智能搜索算法的vfto智能仿真分析方法及系统 - Google Patents

基于智能搜索算法的vfto智能仿真分析方法及系统 Download PDF

Info

Publication number
CN107153743B
CN107153743B CN201710392008.0A CN201710392008A CN107153743B CN 107153743 B CN107153743 B CN 107153743B CN 201710392008 A CN201710392008 A CN 201710392008A CN 107153743 B CN107153743 B CN 107153743B
Authority
CN
China
Prior art keywords
vfto
search algorithm
intelligent search
simulation
intelligent
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
Application number
CN201710392008.0A
Other languages
English (en)
Other versions
CN107153743A (zh
Inventor
刘世明
黄启彦
李帅
伏传顺
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN201710392008.0A priority Critical patent/CN107153743B/zh
Publication of CN107153743A publication Critical patent/CN107153743A/zh
Application granted granted Critical
Publication of CN107153743B publication Critical patent/CN107153743B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于智能搜索算法的VFTO智能仿真分析方法及系统，方法包括，设置智能搜索算法的约束条件；将约束条件数值化编码，并设定目标函数；以智能搜索算法计算中提供的可变参数作为电磁暂态仿真程序的VFTO仿真参数；调用电磁暂态仿真程序对VFTO仿真模型文件进行仿真运算，获得VFTO仿真波形数据，获取VFTO幅值及频率特性作为返回值；智能搜索算法将返回值作为计算的目标函数值进行寻优运算，在多代计算后获得最优解，获得最优解时的运算参数为可能产生最大VFTO幅值、最不利的频率特性情况时的GIS站配置信息。避免了人工仿真建模的繁琐操作，也避免了使用穷举法分析时占用计算机内存较多且耗时较多的缺点。

Description

基于智能搜索算法的VFTO智能仿真分析方法及系统
技术领域
本发明属于电力系统仿真计算的技术领域，尤其涉及一种基于智能搜索算法的VFTO智能仿真分析方法及系统。
背景技术
随着我国电力工业的高速发展和电压等级的不断提高，气体绝缘变电站(GIS)在我国电力系统中的应用越来越广泛。近年来，GIS中特快速暂态过电压(VFTO)对设备本身以及相邻设备的影响受到了越来越多的关注。
GIS中VFTO的特性受到GIS站结构、元件参数、操作隔离开关位置等多种因素的影响。目前的研究中通常利用电磁暂态仿真软件针对特定GIS结构和有限的操作过程进行仿真计算，根据有限的几种结构和参数下产生的VFTO波形比较分析，研究不同影响因素对VFTO波形的影响。
GIS站的结构和不同工况对于VFTO有着较大的影响，因此需要对不同结构、配置和工况下的GIS站进行VFTO仿真分析，提供可能对变电站设备产生最大威胁的VFTO波形，从而通过优化GIS站结构与配置来抑制VFTO对变电站设备的损害。目前普遍使用的VFTO仿真建模方法，主要是研究人员使用仿真软件手工搭建仿真模型，对特定的一种或几种情况下的GIS站中隔离开关产生的VFTO进行仿真分析，难以全面的分析各项因素对VFTO的影响，也难以获得可能对变电站设备威胁最大的VFTO波形。另一方面，如果采用穷举法逐个修改GIS中的VFTO影响因素的参数进行仿真计算，考虑到VFTO受到多重因素的影响，计算将是海量的，必然要耗费大量的人力和时间。因此目前亟需一种采用智能搜索算法的VFTO智能仿真分析方法。
发明内容
本发明的目的就是为了解决上述问题，提供一种基于智能搜索算法的VFTO智能仿真分析方法及系统，通过智能搜索算法与VFTO仿真方法的结合，采用智能算法对GIS变电站的不同结构、配置和工况进行智能搜索，完成不同情况下的GIS站VFTO仿真分析，自动获取可能产生最大VFTO幅值、最不利的频率特性等情况时的GIS站构、配置和工况信息，给变电站设计、变电站运行以及变电站主要设备的设计提供参考。
为了实现上述目的，本发明采用如下技术方案：
一种基于智能搜索算法的VFTO智能仿真分析方法，包括以下步骤：
(1)读取描述GIS站稳态信息的仿真模型文件确定各VFTO影响因素的变化范围，作为智能搜索算法运算中自变量的约束条件；
(2)根据所选智能算法的计算需求，将各约束条件数值化编码，作为智能算法计算中的可变参数，将VFTO幅值或某特定频域值作为智能搜索算法的计算目标，设定目标函数；
(3)根据计算难度自动设定智能算法其他运行参数，执行智能算法程序，以智能计算中提供的可变参数作为电磁暂态仿真程序的VFTO仿真参数；
(4)调用电磁暂态仿真程序对VFTO仿真模型文件进行仿真运算，获得VFTO仿真波形数据，对波形数据进行处理，获取VFTO幅值、频率特性等数据作为返回值；
(5)智能搜索算法将返回值作为计算的目标函数值进行寻优运算，在多代计算后获得最优解，获得最优解时的运算参数即为可能产生最大VFTO幅值、最不利的频率特性等情况时的GIS站配置信息。
所述步骤(1)的具体方法为：编程对描述GIS站稳态信息的仿真模型文件进行解析，从而获得GIS站仿真模型中各个VFTO影响因素的可变化范围，主要的影响因素包括隔离开关位置、母线残余电荷、变压器的入口电容值、GIS的支路长度等，将各影响因素数值化(隔离开关根据位置编号，各元件参数数值标准化)作为智能搜索算法运算中自变量的约束条件；
所述步骤(2)的具体方法为：根据使用的智能搜索算法的需求，将各VFTO影响因素的参数标准化，从而对智能搜索算法中的个体进行编码；对于隔离开关位置、刀闸操作顺序等参数在编码时可以先对其编号，然后根据智能算法的需要对进行编码，而对于元件参数类影响因素可以直接将其数值标准化进行编码，各影响因素在编码时所占位数应尽量一致，方便之后的计算。
所述步骤(3)的具体方法为：根据运算的复杂程度设定种群个体数和运算代数，选取的VFTO影响因素越多，编码越复杂，为获得最优解所需的种群个体数和运算代数也越多；运行智能搜索算法后，以智能计算中提供的可变参数作为电磁暂态仿真程序的VFTO仿真参数调用自动建模程序，使用以上参数建立VFTO仿真模型文件，对于未给定的参数则仍保留使用GIS站稳态信息仿真模型中的参数。
所述步骤(4)的具体方法为：调用电磁暂态仿真程序对VFTO仿真模型文件进行仿真运算，获得VFTO仿真波形数据，根据智能搜索算法的运算需求对波形数据进行处理，获取VFTO幅值、频率特性等数据作为返回值，VFTO的幅值可以由VFTO波形中直接获取，而获取VFTO的频率特性则需要使用现代信号分析方法对其进行频域分析。
采用所述的基于智能搜索算法的VFTO智能仿真分析方法的系统，包括模块化的智能搜索算法模块和VFTO电磁暂态仿真模块，VFTO电磁暂态仿真模块以智能搜索算法模块中提供的可变参数作为仿真运算的参数，运算结束后，输出VFTO仿真波形的极值或频率特征值；而智能搜索算法模块的寻优运算中调用VFTO电磁暂态仿真模块，将其输出的VFTO仿真波形的极值或频率特征值作为目标函数值，最终经多代计算获得最优解。
本发明的有益效果：
(1)本发明采用智能算法对GIS变电站的不同结构、配置和工况的进行智能搜索，完成不同情况下的GIS站VFTO仿真分析，避免了人工仿真建模的繁琐操作，也避免了使用穷举法分析时占用计算机内存较多且耗时较多的缺点。可以自动获取可能产生最大VFTO幅值、最不利的频率特性等情况时的GIS站结构、配置和工况信息。
(2)本方法具有很强的实用价值，对于变电站设计，能够提供最优的结构和间隔配置方案；对于变电站运行，能够提供参考，避免选用可能产生VFTO的刀闸操作方式，保证变电站安全运行；对于变电站中变压器等主要设备的设计，能够提供GIS站可能产生的最大VFTO幅值、最不利的频率特性等信息，提高变电站设备的安全性和经济性。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
本发明基于智能搜索算法的VFTO智能仿真分析方法，可以采用MATLAB软件、C语言编程或其他编程语言来实现智能搜索计算，VFTO的仿真可以使用ATP或PSCAD等仿真软件实现，VFTO极值的智能搜索计算可以使用遗传算法、差分进化算法、粒子群算法、蚁群算法等智能算法实现。
如图1所示为本发明基于智能搜索算法的VFTO智能仿真分析方法的实现流程，本实例借助MATLAB编程软件编程，使用ATP电磁暂态仿真软件进行仿真，选用遗传算法作为智能搜索算法进行GIS变电站VFTO极值搜索计算：
(1)使用MATLAB编程对描述GIS站稳态信息的ATP模型文件进行解析，从而获得GIS站仿真模型中各个VFTO影响因素的可变化范围，主要的影响因素包括隔离开关位置、母线残余电荷、变压器的入口电容值、GIS的支路长度等，将各影响因素数值化(隔离开关根据位置编号，各元件参数数值标准化)作为遗传算法运算中自变量的约束条件。
(2)根据遗传算法的计算需求，将各VFTO影响因素的参数标准化，从而对遗传算法中的个体进行编码。遗传算法的使用中通常采用二进制编码，对于隔离开关位置、刀闸操作顺序等参数在编码时可以先对其编号，然后根据智能算法的需要对进行编码，而对于元件参数类影响因素可以直接将其数值标准化进行编码，各影响因素在编码时所占位数应尽量一致，方便之后的计算。
(3)使用MATLAB程序根据种群编码的复杂程度设定遗传算法中的种群个体数和运算代数，选取的VFTO影响因素越多，编码越复杂，为获得最优解所需的种群个体数和运算代数也越多，运行MATLAB编写的遗传算法计算程序，根据步骤(2)中的编码方法初始化种群，初始化产生的种群个体应符合步骤(1)中获得的各自变量的约束条件。
(4)使用MATLAB程序，根据步骤(2)确定的编码规则，对遗传算法产生的种群个体进行解码，获得对应的VFTO仿真参数，调用ATP自动建模程序，使用以上参数建立VFTO仿真模型文件，对于未给定的参数则仍保留使用GIS站稳态信息ATP模型中的参数。为了方便后期研究，可以将个体的编码作为仿真文件名。
(5)MATLAB程序调用ATP程序对VFTO仿真模型文件进行仿真运算，获得VFTO仿真波形数据，根据遗传算法的运算需求对波形数据进行处理，获取VFTO幅值、频率特性等数据作为返回值，VFTO的幅值可以由VFTO波形中直接获取，而获取VFTO的频率特性则需要使用现代信号分析方法对其进行频域分析。
(6)将ATP自动建模运算获得的返回值作为智能搜索算法计算中的目标函数值，每个个体均对应一个目标函数值，该目标函数值作为遗传算法计算中的适应度，也就是说，将整个ATP自动建模运算作为遗传算法运算中的适应度函数。通过遗传算法的选择、交叉和变异对个体进行筛选和进化，是适应度大的个体(也就是VFTO幅值较大的个体)被保留，适应度小的被淘汰，新的群体继承了上一代的信息，又优于上一代，这样反复循环，对每代个体进行步骤(4)(5)的计算，最终获得最优解。
(7)对最优解的个体进行解码，即可获得可能产生最大VFTO幅值、最不利的频率特性等情况时的GIS站配置信息。
在整个智能仿真分析运算中智能计算部分和VFTO电磁暂态仿真部分分别模块化。VFTO电磁暂态仿真模块以智能算法计算中提供的可变参数作为仿真运算的参数，运算结束后，输出VFTO仿真波形的极值或频率特征值；而智能搜索算法模块的寻优运算中调用VFTO电磁暂态仿真模块，将其输出的VFTO仿真波形的极值或频率特征值作为目标函数值，最终经多代计算获得最优解。
本发明通过智能搜索算法与VFTO仿真方法的结合，调用VFTO电磁暂态仿真程序，采用智能算法对GIS变电站的不同结构、配置和工况的进行智能搜索，完成不同情况下的GIS站VFTO仿真分析，自动获取可能产生最大VFTO幅值、最不利的频率特性等情况时的GIS站结构、配置和工况信息。避免了人工仿真建模的繁琐操作，也避免了使用穷举法分析时占用计算机内存较多且耗时较多的缺点，具有很高的实用价值。
目前普遍使用的VFTO仿真建模方法，主要是研究人员使用仿真软件手工搭建仿真模型，对特定情况下的GIS站中一处隔离开关产生的VFTO进行仿真分析，如需研究VFTO受多种影响因素的影响情况，则需使用控制变量法，选取一种情况反复进行以上操作，进行对比研究。不但研究过程耗时耗力，研究结果也比较片面，只能定性研究，难以获知VFTO的最极端情况。
与传统仿真方法相比，本发明采用智能算法程序对GIS变电站的不同结构、配置和工况的进行智能搜索，完成不同情况下的GIS站VFTO仿真分析，避免了人工仿真建模的繁琐操作，也避免了使用穷举法分析时占用计算机内存较多且耗时较多的缺点。研究结果具有很强的实用价值，对于变电站设计，能够提供最优的结构和间隔配置方案；对于变电站运行，能够提供参考，避免选用可能产生VFTO的刀闸操作方式，保证变电站安全运行；对于变电站中变压器等主要设备的设计，能够提供GIS站可能产生的最大VFTO幅值、最不利的频率特性等信息，提高变电站设备的安全性和经济性。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (4)

1.基于智能搜索算法的VFTO智能仿真分析方法，其特征是，包括以下步骤：
步骤(1)、读取描述GIS站稳态信息的仿真模型文件确定VFTO影响因素的变化范围，作为智能搜索算法运算中自变量的约束条件；
所述步骤(1)的具体方法为：对描述GIS站稳态信息的仿真模型文件进行解析，从而获得GIS站仿真模型中各个VFTO影响因素的可变化范围；
VFTO影响因素包括隔离开关位置、母线残余电荷、变压器的入口电容值及GIS的支路长度，将各影响因素数值化作智能搜索算法运算中自变量的约束条件；
步骤(2)、根据智能搜索算法的计算需求，将约束条件数值化编码，作为智能搜索算法计算中的可变参数；将VFTO幅值或某特定频域值作为智能搜索算法的计算目标，设定目标函数；
所述步骤(2)的具体方法为：根据使用的智能搜索算法的计算需求，将各VFTO影响因素的参数标准化，从而对智能搜索算法中的个体进行编码；对于隔离开关位置、刀闸操作顺序在编码时先对其编号，然后根据智能搜索算法的需要对进行编码，而对于元件参数类影响因素直接将其数值标准化进行编码；各影响因素在编码时所占位数一致，方便之后的计算；
步骤(3)、根据计算难度自动设定智能搜索算法其他的运行参数，执行智能搜索算法，以智能搜索算法计算中提供的可变参数作为电磁暂态仿真程序的VFTO仿真参数；
步骤(4)、运行智能搜索算法后，以智能计算中提供的可变参数作为电磁暂态仿真程序的VFTO仿真参数调用自动建模程序，使用以上参数建立VFTO仿真模型文件，对于未给定的参数则仍保留使用GIS站稳态信息仿真模型中的参数；
调用电磁暂态仿真程序对由智能计算中提供的可变参数的VFTO仿真模型文件进行仿真运算，获得VFTO仿真波形数据，对波形数据进行处理，获取VFTO幅值及频率特性作为返回值；
步骤(5)、智能搜索算法将返回值作为计算的目标函数值进行寻优运算，在多代计算后获得最优解，获得最优解时的运算参数为可能产生最大VFTO幅值、最不利的频率特性情况时的GIS站配置信息。
2.如权利要求1所述的基于智能搜索算法的VFTO智能仿真分析方法，其特征是，所述步骤(3)的具体方法为：根据运算的复杂程度设定种群个体数和运算代数，选取的VFTO影响因素越多，编码越复杂，为获得最优解所需的种群个体数和运算代数也越多。
3.如权利要求1所述的基于智能搜索算法的VFTO智能仿真分析方法，其特征是，所述步骤(4)的具体方法为：根据智能搜索算法的运算需求对波形数据进行处理，获取VFTO幅值、频率特性数据作为返回值，VFTO的幅值由VFTO波形中直接获取，VFTO的频率特性则使用现代信号分析方法对其进行频域分析。
4.采用权利要求1所述的基于智能搜索算法的VFTO智能仿真分析方法的系统，其特征是，包括模块化的智能搜索算法模块和VFTO电磁暂态仿真模块，VFTO电磁暂态仿真模块以智能搜索算法模块中提供的可变参数作为仿真运算的参数，运算结束后，输出VFTO仿真波形的极值或频率特征值；而智能搜索算法模块的寻优运算中调用VFTO电磁暂态仿真模块，将其输出的VFTO仿真波形的极值或频率特征值作为目标函数值，最终经多代计算获得最优解。
CN201710392008.0A 2017-05-27 2017-05-27 基于智能搜索算法的vfto智能仿真分析方法及系统 Expired - Fee Related CN107153743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710392008.0A CN107153743B (zh) 2017-05-27 2017-05-27 基于智能搜索算法的vfto智能仿真分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710392008.0A CN107153743B (zh) 2017-05-27 2017-05-27 基于智能搜索算法的vfto智能仿真分析方法及系统

Publications (2)

Publication Number Publication Date
CN107153743A CN107153743A (zh) 2017-09-12
CN107153743B true CN107153743B (zh) 2019-10-18

Family

ID=59793833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710392008.0A Expired - Fee Related CN107153743B (zh) 2017-05-27 2017-05-27 基于智能搜索算法的vfto智能仿真分析方法及系统

Country Status (1)

Country Link
CN (1) CN107153743B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875147B (zh) * 2018-05-28 2023-09-22 武汉理工大学 一种vfto数学表达式拟合方法
CN108898189B (zh) * 2018-07-11 2021-05-25 云南电网有限责任公司电力科学研究院 一种vfto测量数据的指纹库建立方法及系统
CN109270443A (zh) * 2018-08-24 2019-01-25 山东理工大学 一种快速暂态过电压全过程高效仿真系统及仿真方法
CN113177381B (zh) * 2021-04-19 2024-04-09 西安交通大学 一种基于vfto波形表征参量影响权重的防护方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103063985A (zh) * 2012-12-19 2013-04-24 中国电力科学研究院 一种特快速瞬态过电压水平确定方法
CN103258094A (zh) * 2013-05-10 2013-08-21 清华大学 用于抑制特快速暂态过电压的高频磁环的优化方法
EP2747094A1 (en) * 2012-12-21 2014-06-25 ABB Technology AG Very fast transient overvoltage attenuator

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4487024B2 (ja) * 2002-12-10 2010-06-23 株式会社日立製作所 液晶表示装置の駆動方法および液晶表示装置
EP1745612A4 (en) * 2004-05-11 2011-03-16 Trimble Planning Solutions Pty Ltd WEGANALYSESYSTEM

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103063985A (zh) * 2012-12-19 2013-04-24 中国电力科学研究院 一种特快速瞬态过电压水平确定方法
EP2747094A1 (en) * 2012-12-21 2014-06-25 ABB Technology AG Very fast transient overvoltage attenuator
CN103258094A (zh) * 2013-05-10 2013-08-21 清华大学 用于抑制特快速暂态过电压的高频磁环的优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
750kV GIS变电站VFTO特性分析;卢鹏;《电力建设》;20110131;第32卷(第1期);第86-90页 *
GIS中VFTO过电压的数值分析;李环 等;《华通技术》;20060331;第25卷(第3期);第8-13页 *
Numerical analysis of very fast transient overvoltage in GIS;Dianchun Zheng 等;《 2011 1st International Conference on Electric Power Equipment - Switching Technology》;20111027;第35-38页 *

Also Published As

Publication number Publication date
CN107153743A (zh) 2017-09-12

Similar Documents

Publication Publication Date Title
CN107153743B (zh) 基于智能搜索算法的vfto智能仿真分析方法及系统
CN106709143A (zh) 基于atp自动建模的vfto批量仿真分析方法及系统
CN109102146B (zh) 基于多参数线性规划的电力系统风险评估加速方法
CN102375895B (zh) 一种自动构建器件模型参数优化提取过程的方法
CN103346556B (zh) 一种配电网环路快速定位方法
CN103887792B (zh) 一种含分布式电源的低压配电网建模方法
CN110082612A (zh) 超/特高压换流站直流场电场仿真方法、装置及存储介质
CN112750051A (zh) 基于随机森林算法的台区相序识别方法、装置及终端设备
CN104680249B (zh) 一种基于改进离散粒子群算法的pmu配置方法
Sun et al. Machine learning based fault type identification in the active distribution network
CN203405695U (zh) 太阳能电池阵列模拟器的压控电流信号发生器
CN107016066A (zh) 一种电网模型建模过程中测点匹配方法及装置
CN109342815B (zh) 一种变电站谐波源定位方法与系统
CN112818537B (zh) 一种光伏并网系统稳定性分析方法及装置
CN109934917A (zh) 基于机器学习预测计算强度的并行化点云生成dem方法
CN203275539U (zh) 一种继电保护交流采样测试系统
Zhang et al. An improved salp swarm algorithm with spiral flight search for optimizing hybrid active power filters’ parameters
CN107809388A (zh) 基于脚本配置式的自主寻路开关矩阵网络控制方法及系统
CN114971053A (zh) 低压台区网络线损率在线预测模型的训练方法及装置
CN111553040B (zh) 一种基于gpu加速的电网拓扑分析高性能计算方法及装置
CN111884254A (zh) 基于双重随机模拟的分布式光伏消纳接入方法及装置
CN105279085A (zh) 基于规则自定义的智能变电站配置文件测试系统及方法
Guddanti et al. Better data structures for co-simulation of distribution system with gridlab-d and python
CN110896218A (zh) 一种用于建立集合性居民负荷的谐波建模方法及系统
Zhang Multiple mutation strategy of adaptive differential evolution algorithm research

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

Granted publication date: 20191018

CF01 Termination of patent right due to non-payment of annual fee