CN108196146B - 电力系统中低频振荡类型的判断方法 - Google Patents
电力系统中低频振荡类型的判断方法 Download PDFInfo
- Publication number
- CN108196146B CN108196146B CN201711434515.2A CN201711434515A CN108196146B CN 108196146 B CN108196146 B CN 108196146B CN 201711434515 A CN201711434515 A CN 201711434515A CN 108196146 B CN108196146 B CN 108196146B
- Authority
- CN
- China
- Prior art keywords
- oscillation
- frequency
- waveform
- judgment
- low
- 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
- 230000010355 oscillation Effects 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013016 damping Methods 0.000 claims description 56
- 238000005311 autocorrelation function Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 11
- 230000000737 periodic effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种电力系统中低频振荡类型的判断方法，包括：当检测到电力系统发生低频振荡时，获得电力系统的有功功率从起振阶段至稳态振荡阶段的波形；若所述波形符合第一判断条件，获知低频振荡类型为强迫振荡；其中，所述第一判断条件为：所述波形在稳态振荡阶段的高次振荡频率分量含量大于三角波理论值。本发明具有可信度高、判断直观的优点。
Description
技术领域
本发明涉及电力系统分析技术领域，更具体地，涉及电力系统中低频振荡类型的判断方法。
背景技术
低频振荡已成为电力系统安全稳定运行的主要威胁之一。根据振荡产生的机理，电力系统中的低频振荡可以分为两大类，分别是自由振荡和强迫振荡。
自由振荡(free/natural oscillation)产生的机理是：系统出现接近零阻尼甚至负阻尼的振荡模式，从而发生振荡。强迫振荡(forced oscillation)产生的机理是：系统固有振荡模式均为正阻尼，但系统受到扰动频率和某个固有振荡模式频率接近的周期性外施扰动，导致系统发生大幅度的共振。发生自由振荡时，通过调整运行方式，增加系统阻尼，振荡就会平息。发生强迫振荡时，只有通过清除扰动源，振荡才能平息。因此，准确的振荡类型辨别结果是低频振荡紧急控制辅助决策的重要依据。
一般情况下，强迫振荡达到稳态时表现为等幅振荡。实际的自由振荡最后一般也表现为等幅振荡，即使是负阻尼振荡，由于各种非线性因素的存在，振幅通常也不会一直增加，最后也稳定于某个值。因此，不同类型的振荡稳态时都表现为等幅振荡的形式，从而给振荡类型的辨别带来困难。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的电力系统中低频振荡类型的判断方法。
根据本发明的一个方面，提供一种电力系统中低频振荡类型的判断方法，包括：
当检测到电力系统发生低频振荡时，获得电力系统的有功功率从起振阶段至稳态振荡阶段的波形；
若所述波形符合第一判断条件，获知低频振荡类型为强迫振荡；
其中，所述第一判断条件为：所述波形在稳态振荡阶段的高次振荡频率分量含量大于三角波理论值。
优选地，所述的判断方法，还包括：
若所述波形不符合所述第一判断条件，则对波形在起振阶段的峰峰值增量进行指数拟合，获得表达式：
Yi＝αeβi
其中，Yi表示起振阶段中i时刻的峰峰值增量，α和β分别表示第一拟合参数和第二拟合参数；
当所述第二拟合参数大于0.06时，获知低频振荡类型为自由振荡；当所述第二拟合参数小于-0.06时，获知低频振荡类型为强迫振荡。
优选地，所述的判断方法，还包括：
若所述第二拟合参数的范围为[-0.06,0.06]，则根据所述波形符合第二判断条件，获知所述低频振荡类型为强迫振荡；
其中，所述第二判断条件为：所述波形在起振阶段辨识出的系统固有阻尼比大于0.05。
优选地，所述的判断方法，还包括：
若所述波形不符合所述第二判断条件，则根据所述波形符合第三判断条件，获知所述低频振荡类型为强迫振荡；
其中，所述第三判断条件为：所述波形在稳态振荡阶段辨识出的系统固有阻尼比大于0.08。
优选地，获得所述波形在稳态振荡阶段的高次振荡频率分量含量的方法包括：
对稳态振荡阶段的波形进行快速傅里叶变换，获得所述稳态振荡阶段的波形中的最大幅值，将所述最大幅值处的振荡频率作为主振荡频率；
分别获得2倍主振荡频率处的幅值和3倍主振荡频率处的幅值并求和，作为参考幅值；
将所述参考幅值与所述最大幅值的商，作为所述高次振荡频率分量含量。
优选地，获得所述波形在起振阶段的系统固有阻尼比的方法包括：
获得起振阶段的波形的第一自相关函数，采用Prony方法对所述第一自相关函数进行模态参数辨识，获得多个第一模态参数，每个第一模态参数具有一一对应的频率和阻尼比；
获得在频率阈值范围内最接近主振荡频率的频率，将所述频率对应的第一模态参数作为第一目标参数，将所述第一目标参数对应的阻尼比，作为系统固有阻尼比。
优选地，所述波形在稳态振荡阶段辨识出的系统固有阻尼的获取方法包括：
获得振荡稳态阶段的波形的第二自相关函数，采用Prony方法对所述第二自相关函数进行模态参数辨识，获得多个第二模态参数，每个第二模态参数具有一一对应的频率和阻尼比；
获得在频率阈值范围内最接近主振荡频率的频率，将所述频率对应的第二模态参数作为第二目标参数，将所述第二目标参数对应的阻尼比，作为系统固有阻尼比。
本发明提出的电力系统中低频振荡类型的判断方法，通过波形在稳态振荡阶段的高次振荡频率分量含量大于三角波理论值，获知低频振荡的类型为强迫振荡，具有可信度高、判断直观的优点。
附图说明
图1为根据本发明实施例的获得波形在稳态振荡阶段的高次振荡频率分量含量的流程示意图；
图2为根据本发明实施例的获得波形在起振阶段的系统固有阻尼比的流程示意图；
图3为根据本发明实施例的获得波形在稳态振荡阶段辨识出的系统固有阻尼的流程示意图；
图4为根据本发明实施例的一种判断低频振荡类型的流程示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
为了克服现有技术的上述缺陷，本发明实施例提供一种电力系统中低频振荡类型的判断方法，包括：
当检测到电力系统发生低频振荡时，获得电力系统的有功功率从起振阶段至稳态振荡阶段的波形；
若波形符合第一判断条件，获知低频振荡类型为强迫振荡；
其中，第一判断条件为：波形在稳态振荡阶段的高次振荡频率分量含量大于三角波理论值。
需要说明的是，自由振荡时，振荡波形呈现出正弦形态，即使因为非线性因素的影响而偏离正弦形态，偏离的程度也较小。而强迫振荡的振荡波形受周期性扰动源的波形影响较为明显——如果扰动源呈现出非正弦形态，则振荡波形也将表现为非正弦周期性波形。这类波形中将含有较大的高次振荡频率成分。因此，对稳态振荡阶段的波形进行傅里叶分解获得高次振荡频率分量，如果高次振荡频率分量含量的含量突出，表明波形为明显的非正弦周期性波形，则可以判定为是强迫振荡。
通过第一种判断条件判断低频振荡的类型可信度是最高的，如果波形并不符合第一判断条件，本发明实施例还提供了一种可信度次于上述实施例的判断方法，包括：
对波形在起振阶段的峰峰值增量进行指数拟合，获得表达式：
Yi＝αeβi
其中，Yi表示起振阶段中i时刻的峰峰值增量，α和β分别表示第一拟合参数和第二拟合参数；
当第二拟合参数大于0.06时，获知低频振荡类型为自由振荡；当第二拟合参数小于-0.06时，获知低频振荡类型为强迫振荡。
需要说明的是，自由振荡和强迫振荡在起振阶段的波形包络线可统一为Aeσt+B的形式，其中自由振荡时σ＞0，强迫振荡时σ＜0，因此可以通过波形数据判定σ的正负。具体方法为计算起振阶段峰峰值，然后计算峰峰值的增量，峰峰值与峰峰值增量的关系式为：
其中，T为振荡周期，Xi表示起振阶段中i时刻的峰峰值，Yi表示起振阶段中i时刻的峰峰值增量，对实测并计算得到的Yi进行指数拟合，可得Yi＝αeβi，α和β分别表示第一拟合参数和第二拟合参数，得到σT的估计值由于T＞0，因此对于自由振荡拟合估计值为正，对于强迫振荡拟合估计值为负，故通过拟合估计值可以区分自由振荡和强迫振荡。
由于实际应用时存在误差，本发明实施例并不是以0作为判断阈值，而是以0.06作为判断阈值。之所以选择0.06作为判断阈值，是为了留出适量的裕值。根据推导可知：S＝σT≈-2πζ，为系统固有阻尼比，因此ζ可取0.01。从而针对自由振荡和强迫振荡，S<-0.06为强迫振荡，S>0.06为自由振荡。
自由振荡和强迫振荡虽然在稳态阶段都表现为等幅振荡，但系统固有阻尼比是不同的。自由振荡时系统固有阻尼比接近为零甚至为负，而强迫振荡时系统固有阻尼比为正。因此，如果系统发生等幅振荡，但辨识出系统的固有阻尼比为正，则可以判断该振荡是外施周期性扰动作用下的结果，是强迫振荡。但是，稳态振荡波形并非系统固有阻尼比的体现，经过分析，包含系统固有阻尼比信息的响应有两个，一个是振荡稳态阶段的噪声响应，另一个是起振阶段的自由响应。
起振阶段的波形在强迫振荡时包含两个部分，一个是由系统正阻尼造成的自由衰减分量，另一个是稳态强迫分量。自由振荡只存在一个分量，即自由分量。强迫振荡存在两个分量，自由分量和强迫分量。
因此，若无法通过起振波形的特征量判断出低频振荡的类型，在上述实施例的基础上，本判断方法还包括一种判断方法：
根据波形符合第二判断条件，获知低频振荡类型为强迫振荡；
其中，第二判断条件为：波形在起振阶段辨识出的系统固有阻尼比大于0.05。
电力系统运行时，时刻受到负荷变化等随机激励的作用，激发出的微小幅度波动称为噪声响应(或类噪声信号)，可用于辨识系统模态参数。一般辨识都假设激励是白噪声，本发明实施例也采用该假设。电力系统稳态运行时，基于噪声响应辨识模态参数已有大量深入研究和成果应用。即使在发生强迫振荡时，除了引发持续振荡的周期性扰动外，负荷变化等随机激励仍然是存在的，系统响应中除了周期性扰动引发的强迫振荡，还有噪声响应。噪声响应中包含了系统固有的阻尼特性信息，可以辨识系统的固有阻尼比。
因此，若波形不符合第二判断条件，则还可以根据波形符合第三判断条件，获知低频振荡类型为强迫振荡；
其中，第三判断条件为：波形在稳态振荡阶段辨识出的系统固有阻尼比大于0.08。
需要说明的是，对起振阶段的波形辨识系统固有阻尼是直接对起振阶段的波形进行分析，而稳态振荡阶段辨识系统阻尼则是对稳态振荡阶段波形中内含的噪声响应进行阻尼比辨识，而直接基于波形分析的可选度比基于稳态波形噪声响应自相关函数辨识系统固有阻尼比稍高，在选取阈值时，根据已有文献，阻尼比大于0.05为强阻尼，因此基于起振阶段波形辨识系统固有阻尼比判据阈值可取0.05，基于稳态波形噪声响应自相关函数辨识系统固有阻尼比的阈值稍大些，取为0.08。当辨识出来的阻尼比大于阈值时，判定为强迫振荡。
在上述实施例的基础上，获得波形在稳态振荡阶段的高次振荡频率分量含量的方法，参见图1，包括：
101、对稳态振荡阶段的波形进行快速傅里叶变换，获得稳态振荡阶段的波形中的最大幅值，将最大幅值处的振荡频率作为主振荡频率；
102、分别获得2倍主振荡频率处的幅值和3倍主振荡频率处的幅值并求和，作为参考幅值；
103、将参考幅值与最大幅值的商，作为高次振荡频率分量含量。
在上述实施例的基础上，获得波形在起振阶段的系统固有阻尼比的方法，参见图2，包括：
201、获得起振阶段的波形的第一自相关函数，采用Prony方法对第一自相关函数进行模态参数辨识，获得多个第一模态参数，每个第一模态参数具有一一对应的频率和阻尼比；
202、获得在频率阈值范围内最接近主振荡频率的频率，将频率对应的第一模态参数作为第一目标参数，将第一目标参数对应的阻尼比，作为系统固有阻尼比。
在上述实施例的基础上，波形在稳态振荡阶段辨识出的系统固有阻尼的获取方法，参见图3，包括：
301、获得振荡稳态阶段的波形的第二自相关函数，采用Prony方法对第二自相关函数进行模态参数辨识，获得多个第二模态参数，每个第二模态参数具有一一对应的频率和阻尼比；
302、获得在频率阈值范围内最接近主振荡频率的频率，将频率对应的第二模态参数作为第二目标参数，将第二目标参数对应的阻尼比，作为系统固有阻尼比。
图4示出了本发明实施例的一种判断低频振荡类型的方法，该方法包括4种具有不同可信度的判断条件，首先通过可信度最高的判断条件进行判断，若可信度最高的判断条件无法判断出结果，则选择可信度次之的判断条件进行判断，该方法具体包括：
首先采用A类判断条件判断低频振荡的类型：分析稳态波形高次振荡频率分类，若该分类大于0.11，则判断为强迫振荡；
若A类判断条件无法满足，则采用B类判断方法继续判断：分析起振波形特征量，若起振波形特征量大于0.06，则判断为自由振荡，若小于-0.06则判断为强迫振荡；
若B类判断方法无法判断出低频振荡的类型，则采用C类判断条件进行判断：分析波形在起振阶段的系统固有阻尼比，若系统固有阻尼比不大于0.05，则判断为强迫振荡；
若C类判断条件无法判断出低频振荡的类型，则采用D类判断条件进行判断：分析波形在稳态振荡阶段的系统固有阻尼比，若系统固有阻尼比不大于0.08，则判断为强迫振荡。
本发明实施例综合利用稳态振荡波形的高次振荡频率分量含量含量、系统固有阻尼比和起振阶段波形的特征量等信息，辨别低频振荡的类型是自由振荡还是强迫振荡。提高了低频振荡类型辨别的准确性和可靠性，帮助电网运行人员及时准确地辨别振荡类型，从而采取必要的紧急控制措施平息振荡。该方法能够可靠地辨别振荡类型，具有工程实用价值，能够提升电网安全性。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件
加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (1)
1.一种电力系统中低频振荡类型的判断方法，其特征在于，包括：
当检测到电力系统发生低频振荡时，获得电力系统的有功功率从起振阶段至稳态振荡阶段的波形；
若所述波形符合第一判断条件，获知低频振荡类型为强迫振荡；
其中，所述第一判断条件为：所述波形在稳态振荡阶段的高次振荡频率分量含量大于三角波理论值；
所述的判断方法还包括：
若所述波形不符合所述第一判断条件，则对波形在起振阶段的峰峰值增量进行指数拟合，获得表达式：
Yi＝αeβi
其中，Yi表示起振阶段中i时刻的峰峰值增量，α和β分别表示第一拟合参数和第二拟合参数；
当所述第二拟合参数大于0.06时，获知低频振荡类型为自由振荡；当所述第二拟合参数小于-0.06时，获知低频振荡类型为强迫振荡；
所述的判断方法还包括：
若所述第二拟合参数的范围为[-0.06,0.06]，则根据所述波形符合第二判断条件，获知所述低频振荡类型为强迫振荡；
其中，所述第二判断条件为：所述波形在起振阶段辨识出的系统固有阻尼比大于0.05；
所述的判断方法还包括：
若所述波形不符合所述第二判断条件，则根据所述波形符合第三判断条件，获知所述低频振荡类型为强迫振荡；
其中，所述第三判断条件为：所述波形在稳态振荡阶段辨识出的系统固有阻尼比大于0.08；
获得所述波形在稳态振荡阶段的高次振荡频率分量含量的方法包括：
对稳态振荡阶段的波形进行快速傅里叶变换，获得所述稳态振荡阶段的波形中的最大幅值，将所述最大幅值处的振荡频率作为主振荡频率；
分别获得2倍主振荡频率处的幅值和3倍主振荡频率处的幅值并求和，作为参考幅值；
将所述参考幅值与所述最大幅值的商，作为所述高次振荡频率分量含量；
获得所述波形在起振阶段的系统固有阻尼比的方法包括：
获得起振阶段的波形的第一自相关函数，采用Prony方法对所述第一自相关函数进行模态参数辨识，获得多个第一模态参数，每个第一模态参数具有一一对应的频率和阻尼比；
获得在频率阈值范围内最接近主振荡频率的频率，将所述频率对应的第一模态参数作为第一目标参数，将所述第一目标参数对应的阻尼比，作为系统固有阻尼比；
所述波形在稳态振荡阶段辨识出的系统固有阻尼的获取方法包括：
获得振荡稳态阶段的波形的第二自相关函数，采用Prony方法对所述第二自相关函数进行模态参数辨识，获得多个第二模态参数，每个第二模态参数具有一一对应的频率和阻尼比；
获得在频率阈值范围内最接近主振荡频率的频率，将所述频率对应的第二模态参数作为第二目标参数，将所述第二目标参数对应的阻尼比，作为系统固有阻尼比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711434515.2A CN108196146B (zh) | 2017-12-26 | 2017-12-26 | 电力系统中低频振荡类型的判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711434515.2A CN108196146B (zh) | 2017-12-26 | 2017-12-26 | 电力系统中低频振荡类型的判断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108196146A CN108196146A (zh) | 2018-06-22 |
| CN108196146B true CN108196146B (zh) | 2019-10-18 |
Family
ID=62584222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711434515.2A Active CN108196146B (zh) | 2017-12-26 | 2017-12-26 | 电力系统中低频振荡类型的判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108196146B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626209A (zh) * | 2020-05-27 | 2020-09-04 | 江苏蔚能科技有限公司 | 基于高峰期电力系统高低频振动实时监控方法 |
| CN111969622B (zh) * | 2020-08-13 | 2022-07-05 | 清华大学 | 电力系统等幅振荡的频率和幅值参数解析计算方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102650657A (zh) * | 2012-04-10 | 2012-08-29 | 中国电力科学研究院 | 基于二次差分法判断负阻尼振荡与强迫振荡的系统和方法 |
| CN102914718A (zh) * | 2012-11-13 | 2013-02-06 | 山东大学 | 基于响应成分和振荡特征辨识的低频振荡类型判别方法 |
| CN103116106A (zh) * | 2013-03-04 | 2013-05-22 | 中国南方电网有限责任公司 | 一种电力系统自由振荡和强迫振荡的辨别方法 |
| CN103337866A (zh) * | 2013-07-19 | 2013-10-02 | 中国南方电网有限责任公司 | 一种从随机响应数据中辨识电力系统低频振荡参数的方法 |
| CN103592530A (zh) * | 2013-09-27 | 2014-02-19 | 华北电力大学（保定） | 基于包络线拟合的低频振荡机理类型判别方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101685966B (zh) * | 2008-09-27 | 2012-07-04 | 国家电力调度通信中心 | 一种低频振荡综合分析的方法及其系统 |
| CN102636728B (zh) * | 2011-12-22 | 2016-01-20 | 中国电力科学研究院 | 基于力矩分解法识别负阻尼低频振荡的方法 |
| CN102914712A (zh) * | 2012-10-18 | 2013-02-06 | 中国电力科学研究院 | 基于直线法判断负阻尼振荡与强迫振荡的系统和方法 |
| CN106407955B (zh) * | 2016-10-20 | 2019-04-16 | 西南交通大学 | 一种电力系统低频振荡模式在线辨识方法 |
| CN106571638A (zh) * | 2016-11-10 | 2017-04-19 | 南京南瑞集团公司 | 一种低频振荡类型的判别方法 |
| CN106786514A (zh) * | 2016-12-01 | 2017-05-31 | 西南交通大学 | 一种电力系统低频振荡模式在线辨识方法 |
-
2017
- 2017-12-26 CN CN201711434515.2A patent/CN108196146B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102650657A (zh) * | 2012-04-10 | 2012-08-29 | 中国电力科学研究院 | 基于二次差分法判断负阻尼振荡与强迫振荡的系统和方法 |
| CN102914718A (zh) * | 2012-11-13 | 2013-02-06 | 山东大学 | 基于响应成分和振荡特征辨识的低频振荡类型判别方法 |
| CN103116106A (zh) * | 2013-03-04 | 2013-05-22 | 中国南方电网有限责任公司 | 一种电力系统自由振荡和强迫振荡的辨别方法 |
| CN103337866A (zh) * | 2013-07-19 | 2013-10-02 | 中国南方电网有限责任公司 | 一种从随机响应数据中辨识电力系统低频振荡参数的方法 |
| CN103592530A (zh) * | 2013-09-27 | 2014-02-19 | 华北电力大学（保定） | 基于包络线拟合的低频振荡机理类型判别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《Low-frequency oscillation parameter identification based on the random response theory》;Yuanhang Dai等;《 10th International Conference on Advances in Power System Control, Operation & Management (APSCOM 2015)》;20151112;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108196146A (zh) | 2018-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105260279B (zh) | 基于smart数据动态诊断硬盘故障的方法和装置 | |
| Lim et al. | Provenance-based trustworthiness assessment in sensor networks | |
| Ruscio et al. | Determining the number of factors to retain in an exploratory factor analysis using comparison data of known factorial structure. | |
| CN105095747B (zh) | 一种Java应用健康度评估方法及系统 | |
| Wang et al. | Imbalanced SVM‐Based Anomaly Detection Algorithm for Imbalanced Training Datasets | |
| CN108196146B (zh) | 电力系统中低频振荡类型的判断方法 | |
| US11740122B2 (en) | Autonomous discrimination of operation vibration signals | |
| CN106708692B (zh) | 建立过滤报警模型的方法和装置以及过滤报警的方法、装置和电子设备 | |
| CN105871634A (zh) | 检测集群异常的方法及应用、管理集群的系统 | |
| CN110532119B (zh) | 动力系统运行异常点检测方法 | |
| Chen et al. | Classification of power quality disturbances using dual strong tracking filters and rule‐based extreme learning machine | |
| Motte et al. | Operational modal analysis in the presence of harmonic excitations: a review | |
| Ali-Eldin et al. | Measuring cloud workload burstiness | |
| US11055631B2 (en) | Automated meta parameter search for invariant based anomaly detectors in log analytics | |
| CN107545253B (zh) | 一种电力系统低频振荡监测方法 | |
| CN112131907A (zh) | 一种训练分类模型的方法及装置 | |
| Deckert | Batch weighted ensemble for mining data streams with concept drift | |
| JP2017021790A (ja) | 隠れマルコフモデルの混合を使用する検証および異常検出のためのシステムおよび方法 | |
| US20220107858A1 (en) | Methods and systems for multi-resource outage detection for a system of networked computing devices and root cause identification | |
| Zhou et al. | Novel probabilistic neural network models combined with dissolved gas analysis for fault diagnosis of oil-immersed power transformers | |
| US20210200819A1 (en) | Determining associations between services and computing assets based on alias term identification | |
| CN108989083B (zh) | 云环境下基于混合策略的故障检测性能优化方法 | |
| Anaissi et al. | A personalized federated learning algorithm for one-class support vector machine: An application in anomaly detection | |
| Agrawal et al. | Adaptive anomaly detection in cloud using robust and scalable principal component analysis | |
| Wu et al. | Intrusion detection based on dynamic gemini population DE-K-mediods clustering on hadoop platform |
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 |