CN109038564A - 一种基于改进粒子群算法的次同步振荡抑制系统及方法 - Google Patents
一种基于改进粒子群算法的次同步振荡抑制系统及方法 Download PDFInfo
- Publication number
- CN109038564A CN109038564A CN201810934067.0A CN201810934067A CN109038564A CN 109038564 A CN109038564 A CN 109038564A CN 201810934067 A CN201810934067 A CN 201810934067A CN 109038564 A CN109038564 A CN 109038564A
- Authority
- CN
- China
- Prior art keywords
- sub
- synchronous oscillation
- particle
- svg
- bus
- 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
Links
- 230000010355 oscillation Effects 0.000 title claims abstract description 170
- 239000002245 particle Substances 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 230000005764 inhibitory process Effects 0.000 claims abstract description 13
- 230000001629 suppression Effects 0.000 claims abstract description 11
- 238000004146 energy storage Methods 0.000 claims description 59
- 230000005540 biological transmission Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000002401 inhibitory effect Effects 0.000 claims description 6
- 230000008929 regeneration Effects 0.000 claims description 6
- 238000011069 regeneration method Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 2
- 230000006872 improvement Effects 0.000 abstract description 5
- 238000011084 recovery Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- H02J3/386—
-
- 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]
-
- 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
- H02J3/002—Flicker reduction, e.g. compensation of flicker introduced by non-linear load
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Abstract
本发明提供一种基于改进粒子群算法的次同步振荡抑制系统及方法,涉及次同步振荡抑制技术领域。本发明是由态势感知模块将所需信息传入分配调度运算模块,由分配调度运算模块中的次同步振荡抑制方案生成单元经过改进粒子群算法得出最优控制参数,并将该参数传入次同步振荡抑制执行模块。本发明改善了粒子群算法容易陷入局部最优和易早熟的问题,提高了计算收敛速度,能够快速对次同步振荡进行恢复控制。
Description
技术领域
本发明属于次同步振荡抑制技术领域,特别涉及一种基于改进粒子群算法的次同步振荡抑制系统及方法。
背景技术
电力系统次同步振荡属于系统振荡失稳,它是由电力系统中一种特殊的机电耦合引起的由于其振荡频率在工频以下,故称为次同步振荡。随着新能源和高压直流输电发展,越来越多的电力电子设备开始接入电力系统,与传统机电耦合谐振不同,这些电力电子设备不存在机械结构,但由于这些电力电子设备工作不连续的特性导致电力系统拓扑结构频繁变化,进而产生一种新的次同步振荡类型,即次同步控制相互作用。近年来国家大力规划建设风场基地,是这种新的次同步振荡类型发生的可能性大大增加。因此,对于风电场并网产生次同步振荡的机理分析和抑制研究都需要进行深入研究,以提高电力系统的安全性和稳定性。
目前对于风电场抑制次同振荡的手段主要有风机转子电流附加阻尼控制和利用电SVG对次同步振荡进行控制。附加阻尼控制是在风机转子基频电流上附加反向次同步电流,使次同步电流在风机出口相互抵消,达到一直次同步振荡的目的;利用SVG进行次同步振荡抑制时,SVG工作在电流模式,对风机出口的次同步电流进行补偿电流。在风机转子换流器和SVG的控制参数选择上,往往根据经验选择,智能优化算法在此类问题上能够体现出很强的寻优能力。
粒子群算法属于进化算法的一种,这种算法有实现容易、精度高、收敛快等优点,并且在函数优化、神经网络训练、工程领域应用、模糊系统控制、随机优化问题求解和最优控制问提求解等方面具有广泛的应用。不过粒子群算法也存在一些缺点,主要是:缺乏速度的动态调节,容易陷入局部最优,导致收敛精度低和不易收敛;不能有效解决离散及组合优化问题;不能有效求解一些非直角坐标系描述问题,如有关能量场或场内粒子运动规律的求解问题。
发明内容
针对上述现有技术的不足本发明提供一种基于改进粒子群算法的次同步振荡抑制系统及方法,改善了粒子群算法容易陷入局部最优和易早熟的问题,提高了计算收敛速度,能够快速对次同步振荡进行恢复控制。
为解决上述技术问题,本发明是采取以下技术方案来实现的:
一方面,本发明提供一种基于改进粒子群算法的次同步振荡抑制系统,包括态势感知模块、分配调度运算模块、次同步振荡抑制执行模块;
所述态势感知模块,包括母线次同步振荡信息采集单元、母线次同步振荡信息传输单元、系统参数采集单元和系统参数传输单元;
所述分配调度运算模块,包括次同步振荡抑制方案生成单元和方案输出单元;所述次同步振荡抑制方案生成单元,用于建立次同步振荡抑制系统的数学模型,根据母线次同步振荡信息采集单元和系统参数采集单元采集到的状态信息对系统设定边界条件并进行初始化设置,而后采用剥离再生粒子群算法计算次同步振荡抑制系统数学模型,得到最优控制参数;所述方案输出单元,用于将最优控制参数传输至所述次同步振荡抑制执行模块;
所述次同步振荡抑制执行模块,包括风机单元、SVG单元、和储能单元;所述风机单元包括:风机RSC和RSC控制器,其中RSC控制器用于调节RSC比例积分系数,控制RSC的输出电压;所述SVG单元包括:SVG和SVG控制器,其中SVG控制器用于调节SVG比例积分系数,控制SVG的输出电流;所述储能单元包括:储能装置和储能控制器,其中储能控制器用于调节储能装置比例积分系数,控制储能装置的输出功率;
所述母线次同步振荡信息采集单元的输入端与系统母线相连接,母线次同步振荡信息采集单元的输出端与母线次同步振荡信息传输单元的输入端相连接,所述分配调度运算模块的输入端与母线次同步振荡信息传输单元的输出端相连接,所述分配调度运算模块的输出端分别与次同步振荡抑制执行模块中的RSC控制器、SVG控制器、和储能控制器的输入端相连接;
所述母线次同步振荡信息采集单元,用于采集母线当前次同步振荡信息,判断当前系统是否发生次同步振荡,若发生次同步振荡,则将当前次同步振荡信息通过母线次同步振荡信息传输单元发送到分配调度运算模块,所述当前母线次同步振荡信息包括:母线功率信息、母线电压信息和母线电流信息;
所述母线次同步振荡信息传输单元,用于将母线次同步振荡信息采集单元采集信息传输至分配调度运算模块;
所述系统参数采集单元,用于采集次同步振荡执行模块中风机RSC、SVG和储能的状态信息,包括:风机容量SDFIG、SVG电容电压水平vp.u.和储能荷电状态SOC;
所述系统参数传输单元,用于将系统参数采集单元采集到的状态信息传输至分配调度运算模块。
另一方面,本发明还提供一种基于改进粒子群算法的次同步振荡抑制方法,通过一种基于改进粒子群算法的次同步振荡抑制系统实现,包括以下步骤:
步骤1:通过母线次同步振荡信息采集单元采集母线上的当前次同步振荡信息,对波形进行频域分析,判断是否发生次同步振荡并找出相应的振荡频率;若未发生次同步振荡则重复步骤1;若发生次同步振荡,则通过母线次同步振荡信息传输单元将所采集的当前次同步振荡信息传输至分配调度运算模块,然后执行步骤2;
步骤2:系统发生次同步振荡时,启动系统参数采集单元采集次同步振荡抑制执行模块状态信息,包括:风机容量SDFIG、SVG电容电压水平vp.u.和储能荷电状态SOC,通过系统参数传输单元传输至分配调度运算模块;
步骤3:分配调度运算模块中的次同步振荡抑制方案生成单元根据母线次同步振荡传输单元和系统参数传输单元传入的数据设定优化控制的初始数据和边界条件,以比例积分系数之比在相对范围内最小,并考虑SVG电压水平,储能装置荷电状态,即执行模块的任务容量大小为基准,建立次同步振荡抑制系统数学模型如下所示:
F为次同步振荡抑制方案目标函数,其中:
β1为风机参与抑制过程的状态变量,β1=0表示风机脱网,不参与抑制过程,β1=1表示风机在网,参与抑制过程;β2表示SVG参与控制次同步振荡的程度,β2越大,表示SVG的参与程度越高,β2=1代表最高参与程度,代表参与抑制,但是工作容量小于它的额定容量,β2=0完全不参与;β3表示储能参与控制次同步振荡的程度,β3越大,表示储能的参与程度越高,β3=1代表最高参与程度,β3=eSOC-1代表参与抑制,但是工作容量小于它的额定容量,β3=0完全不参与;DFIG代表双馈风机,ON代表接入母线,OFF代表脱离母线,Kp.RSC和KI.RSC分别为风机RSC的比例系数和积分系数;KP.SVG和KI.SVG分别为SVG的比例系数和积分系数;KP.ES和KI.ES分别为储能装置的比例系数和积分系数;λ1、λ2和λ3分别为风机RSC、SVG和储能装置积分系数的越界工作惩罚系数,vset和SOCset分别为SVG端电压和储能荷电状态的设定值,用于计算参与程度;
步骤4:采用剥离再生粒子群算法计算次同步振荡抑制系统数学模型,找出最优控制参数G(k)=[G1(k),G2(k),...,Gx(k),...,Gd(k)];
步骤4.1:设定算法参数:域外粒子数n、最大迭代次数kmax、终止校验步长kstop、剥离步长kstep、粒子维数d、当前迭代次数k、邻域空间个数l、邻域空间半径ε、剥离再生次数j、邻域空间粒子数nr、邻域空间粒子上限nset和停止误差δstop;
步骤4.2:数据初始化:粒子位置ai=[ai,1,ai,2,...,ai,x,...,ai,d],其中ai,x=ai,x.min+rand(·)·(ai,x.max-ai,x.min),ai,x为第i个粒子的第x维参数大小,rand(·)为[0,1]之间均匀分布的伪随机数,ai,x.min为第i个粒子的x维参数下限,ai,x.max为i个粒子的x维参数上限,i=1、2、...、n,粒子移动速度vi=[vi,1,vi,2,...,vi,x,...,vi,d],第i个粒子的第x维速度大小为vi,x=0.01×rand(·),其中1≤x≤d;
步骤4.3:全粒子搜索:
根据公式vp(k+1)=vp(k)+c1r1(Pp(k)-ap(k))+c2r2(G(k)-ap(k))、ap(k+1)=ap(k)+vp(k+1)和目标函数minF进行域外搜索;
其中:vp(k)和ap(k)分别为当前迭代次数k下第p个粒子的粒子移动速度和粒子位置,Pp(k)=[P1(k),P2(k),...,Px(k),...,Pd(k)]p为当前迭代次数k下第p个粒子的个体最优,Px(k)为第x维个体最优,G(k)=[G1(k),G2(k),...,Gx(k),...,Gd(k)]为当前迭代次数k下粒子的全局最优,Gx(k)为第x维全局最优,c1和c2是加速度常数,设定c1=c2,取值范围是[0,2]之间均匀分布的伪随机数,r1和r2为[0,1]之间均匀分布的伪随机数;
根据公式aq=o+rand(·)·Δaq进行域内搜索;
其中:aq=[aq,1,aq,2,...,aq,x,...,aq,d]为第q个粒子的空间坐标,o=[o1,o2,...,ox,...,od]为球形邻域空间圆心,Δaq=[Δaq,1,Δaq,2,...,Δaq,x,...,Δaq,d]为第q个粒子的方向增量,rand(·)为[0,1]之间均匀分布的伪随机数:
p,q∈[1,n]且p≠q;
步骤4.4:判断k与kstep的大小,若k≤kstep,则转至步骤4.3,若k>kstep,则转至步骤4.5;
步骤4.5:将域外粒子按适应度优劣进行排列,并对域外粒子当前最优进行邻域校验g(k)=[g1(k),g2(k),...,gx(k),...,gd(k)]:
||g(k)-or||2≤ε
其中or=[or,1,or,2,...,or,x,...,or,d]为第r个球形邻域空间σr的圆心,即建立新邻域时的域外当前最优粒子的位置,若域外粒子当前最优g(k)=[g1(k),g2(k),...,gx(k),...,gd(k)]在邻域σr外,1≤r≤l或者l=0,则转至步骤4.6,若域外粒子当前最优g(k)=[g1(k),g2(k),...,gx(k),...,gd(k)]在邻域σr内,1≤r≤l,则转至步骤4.7;
步骤4.6:域外粒子当前最优g(k)=[g1(k),g2(k),...,gx(k),...,gd(k)]在邻域σr外,1≤r≤l或者l=0,则建立新的球形邻域空间σl;具体步骤如下:
步骤4.6.1:邻域个数l自加1,以域外粒子当前最优g(k)=[g1(k),g2(k),...,gx(k),...,gd(k)]设定球形邻域空间σl,其中a=[a1,a2,...,ax,...,ad]为粒子空间坐标,ol=g(k)=[ol,1,ol,2,...,ol,x,...,ol,d]:
||a-ol||2≤ε
按照步骤4.5排列出来的顺序依次进行校验,直至出现落在球形邻域空间σl外的粒子为止,并记录邻域内的粒子个数nl;
步骤4.6.2:按照如下公式进行粒子整定:
邻域粒子增量:Δn=nl;
步骤4.6.3:转至步骤4.8;
步骤4.7:域外粒子当前最优g(k)=[g1(k),g2(k),...,gx(k),...,gd(k)]在邻域σr内的邻域粒子增量,1≤r≤l;具体步骤如下:
步骤4.7.1:按照步骤4.5排列出来的顺序从域外当前最优粒子开始依次进行校验,直至出现落在球形邻域空间σr外的粒子为止,并记录邻域空间粒子个数nr;
步骤4.7.2:按照如下公式进行粒子整定:
邻域粒子增量:Δn=nr;
步骤4.7.3:转至步骤4.8;
步骤4.8:域外粒子数整定:n=n--Δn+j;
步骤4.9:剥离再生次数j自加1;
步骤4.10:比较域内粒子最优得到全局最优G(k)=[G1(k),G2(k),...,Gx(k),...,Gd(k)];
步骤4.11:判定停止条件,若满足:k>kmax或|G(k)-G(k-kstop)|≤δstop中的任意一条,则转至步骤5,否则转至步骤步骤4.12;其中,|G(k)-G(k-kstop)|≤δstop在k>kstop时启用判断;
步骤4.12:搜索次数k自加1,执行步骤4.3。
步骤5:输出最优控制参数G(k)=[G1(k),G2(k),...,Gx(k),...,Gd(k)];
步骤6:方案输出单元将次同步振荡抑制方案生成单元生成的最优控制参数传输至次同步振荡抑制执行模块中的RSC控制器、SVG控制器和储能控制器,各控制器根据最优控制参数调节风机RSC、SVG和储能的比例积分控制参数。
采用上述技术方案所产生的有益效果在于:本发明提供的一种基于改进粒子群算法的次同步振荡抑制系统及方法,在原有粒子群算法上引入剥离再生过程,能够同时兼顾全局搜索和局部搜索,在整个搜索过程中,全局搜索能力基本维持不变,能够防止陷入局部最优和发生早熟现象,局部搜索作用于多个邻域空间内,改善了粒子群算法容易陷入局部最优和易早熟的问题,提高了计算收敛速度,能够快速对次同步振荡进行恢复控制。
附图说明
图1为本发明实施例提供的双馈风机入网系统图;
其中:1、双馈风机,2、无穷大功率系统;
图2为本发明实施例提供的基于改进粒子群算法的次同步振荡抑制系统结构框图;
图3为本发明实施例提供的基于改进粒子群算法的次同步振荡抑制方法流程图;
图4为本发明实施例提供的剥离再生粒子群算法流程图。
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。
本实施例如下所述:
本实施例中,采用如图1所示的等效风机模型,该模型有双馈风机1、SVG和储能装置,风机出口与储能装置并联,出口电压为690V,经过升压变压器和远距离输电线路接入无穷大功率系统2。
一种基于改进粒子群算法的次同步振荡抑制系统,如图2所示,包括态势感知模块、分配调度运算模块和次同步振荡抑制执行模块。
态势感知模块,包括母线次同步振荡信息采集单元、母线次同步振荡信息传输单元、系统参数采集单元和系统参数传输单元;
分配调度运算模块,包括次同步振荡抑制方案生成单元和方案输出单元;所述次同步振荡抑制方案生成单元,用于建立次同步振荡抑制系统的数学模型,根据母线次同步振荡信息采集单元和系统参数采集单元采集到的状态信息对系统设定边界条件并进行初始化设置,而后采用剥离再生粒子群算法计算次同步振荡抑制系统数学模型,得到最优控制参数;所述方案输出单元,用于将最优控制参数传输至所述次同步振荡抑制执行模块;
次同步振荡抑制执行模块,包括风机单元、SVG单元、和储能单元;所述风机单元包括:风机RSC和RSC控制器,其中RSC控制器用于调节RSC比例积分系数,控制RSC的输出电压;所述SVG单元包括:SVG和SVG控制器,其中SVG控制器用于调节SVG比例积分系数,控制SVG的输出电流;所述储能单元包括:储能装置和储能控制器,其中储能控制器用于调节储能装置比例积分系数,控制储能装置的输出功率。
所述母线次同步振荡信息采集单元的输入端与系统母线相连接,母线次同步振荡信息采集单元的输出端与母线次同步振荡信息传输单元的输入端相连接,所述分配调度运算模块的输入端与母线次同步振荡信息传输单元的输出端相连接,所述分配调度运算模块的输出端分别与次同步振荡抑制执行模块中的RSC控制器、SVG控制器、和储能控制器的输入端相连接;
本实施例中,母线次同步振荡信息采集单元和系统参数采集单元由电网状态信息采集器组成,电网信息采集器的型号为DCZL23-CL156N,用于采集母线次同步振荡信息和执行模块各执行单元的状态信息。母线次同步振荡信息用于判断系统是否发生次同步振荡,若发生次同步振荡,则将当前次同步振荡信息通过母线次同步振荡信息传输单元发送到分配调度运算模块;
本实施例中,母线次同步振荡信息采集单元型号为CSS-200/1,母线次同步振荡信息包括:母线功率信息、母线电压信息和母线电流信息。系统参数采集单元型号为VS1000AT2和ESFBM-1612,分别用于获取SVG电压水平和储能装置荷电水平,次同步振荡抑制执行模块各执行单元的状态信息用于设定边界条件并进行初始化设置,执行单元状态信息包括:风机容量SDFIG、SVG电容电压水平vp.u.和储能荷电状态SOC。
本实施例中,次同步振荡信息传输单元和系统参数传输单元的传输装置型号为RD980,用于将母线次同步振荡信息采集单元和系统参数采集单元采集到信息传输至分配调度运算模块中的次同步振荡抑制方案生成单元。
方案输出单元的传输装置型号为RD980,用于将最优控制参数传输至所述次同步振荡抑制执行模块,包括:风机单元、SVG单元、和储能单元。
一种基于改进粒子群算法的次同步振荡抑制方法,通过一种基于改进粒子群算法的次同步振荡抑制系统实现,如图3所示,包括以下步骤:
步骤1:通过母线次同步振荡信息采集单元采集母线上的当前次同步振荡信息,对波形进行频域分析,判断是否发生次同步振荡并找出相应的振荡频率;若未发生次同步振荡则重复步骤1;若发生次同步振荡,则通过母线次同步振荡信息传输单元将所采集的当前次同步振荡信息传输至分配调度运算模块,然后执行步骤2;
步骤2:系统发生次同步振荡时,启动系统参数采集单元采集次同步振荡抑制执行模块状态信息,包括:风机容量SDFIG、SVG电容电压水平vp.u.和储能荷电状态SOC,通过系统参数传输单元传输至分配调度运算模块;
步骤3:分配调度运算模块中的次同步振荡抑制方案生成单元根据母线次同步振荡传输单元和系统参数传输单元传入的数据设定优化控制的初始数据和边界条件,以比例积分系数之比在相对范围内最小,并考虑SVG电压水平,储能装置荷电状态,即执行模块的任务容量大小为基准,建立次同步振荡抑制系统数学模型如下所示:
F为次同步振荡抑制方案目标函数,其中:
β1为风机参与抑制过程的状态变量,β1=0表示风机脱网,不参与抑制过程,β1=1表示风机在网,参与抑制过程;β2表示SVG参与控制次同步振荡的程度,β2越大,表示SVG的参与程度越高,β2=1代表最高参与程度,代表参与抑制,但是工作容量小于它的额定容量,β2=0完全不参与;β3表示储能参与控制次同步振荡的程度,β3越大,表示储能的参与程度越高,β3=1代表最高参与程度,β3=eSOC-1代表参与抑制,但是工作容量小于它的额定容量,β3=0完全不参与;DFIG代表双馈风机,ON代表接入母线,OFF代表脱离母线,KP.RSC和KI.RSC分别为风机RSC的比例系数和积分系数;KP.SVG和KI.sVG分别为SVG的比例系数和积分系数;KP.ES和KI.ES分别为储能装置的比例系数和积分系数;λ1、λ2和λ3分别为风机RSC、SVG和储能装置积分系数的越界工作惩罚系数,vset和SOCset分别为SVG端电压和储能荷电状态的设定值,用于计算参与程度;
根据母线功率信息、母线电压信息和母线电流信息计算次同步功率大小,若次同步功率大于风机容量SDFIG,则设定β1=0;若次同步功率小于风机容量SDFIG,则设定β1=1。本实施方式中风机容量设定为SDFIG=2MW。
本实施例中,设置比例积分系数的值域为[0.01,50],双馈风机参与次同步振荡抑制,SVG电压水平为685V,储能装置核电水平SOC=0.9;设定vset=0.95,SOCset=0.75,则:vp.u.=685/690=0.993,β1=1,β2=0.993,β3=0.951;设定:越界时,惩罚系数λ1=λ2=λ3=2。
步骤4:采用剥离再生粒子群算法计算次同步振荡抑制系统数学模型,找出最优控制参数G(k)=[G1(k),G2(k),...,Gx(k),...,Gd(k)],如图4所示;
步骤4.1:设定算法参数:域外粒子数n、最大迭代次数kmax、终止校验步长kstop、剥离步长kstep、粒子维数d、当前迭代次数k、邻域空间个数l、邻域空间半径ε、剥离再生次数j、邻域空间粒子数nr、邻域空间粒子上限nset和停止误差δstop;
步骤4.2:参数初始化:n=100,kmax=300,kstep=15,kstop=15,d=6,ε=1,nset=10,k=l=j=nr=0:
粒子位置ai=[ai,1,ai,2,...,ai,x,...,ai,d]=[Ki,P.RSC,Ki,I.RSC,Ki,P.SVG,Ki,I.SVG,Ki,P.ES,Ki,I.ES],其中ai,1=ai,1.min+rand(·)·(ai,1.max-ai,1.min),i=1、2、...、n,rand(·)为[0,1]之间均匀分布的伪随机数,ai,1.min为第i个粒子的1维参数下限,ai,1.max为i个粒子的1维参数上限,同理可得其余位置参数的初始化数据。粒子移动速度vi=[vi,1,vi,2,vi,3,vi,4,vi,5,vi,6],第x维速度大小为vi,x=0.01×rand(·),其中1≤x≤6。
步骤4.3:全粒子搜索:
根据公式vp(k+1)=vp(k)+c1r1(Pp(k)-ap(k))+c2r2(G(k)-ap(k))、ap(k+1)=ap(k)+vp(k+1)和目标函数minF进行域外搜索,得到域外粒子当前最优g(k+1)=[g1(k+1),g2(k+1),...,gx(k+1),...,gd(k+1)];
其中:vp(k)和ap(k)分别为当前迭代次数k下第p个粒子的粒子移动速度和粒子位置,Pp(k)=[Pp,1(k),Pp,2(k),Pp,3(k),Pp,4(k),Pp,5(k),Pp,6(k)]为当前迭代次数k下第p个粒子的个体最优,Pp,x(k)为第p个粒子个体最优的第x维参数,其中1≤x≤6,G(k)=[G1(k),G2(k),G3(k),G4(k),G5(k),G6(k)]为当前迭代次数k下粒子的全局最优,c1和c2是加速度常数,设定c1=c2,取值范围是[0,2]之间均匀分布的伪随机数,r1和r2为[0,1]之间均匀分布的伪随机数;
根据公式aq=o+rand(·)·Δaq进行域内搜索;
其中:aq=[aq,1,aq,2,aq,3,aq,4,aq,5,aq,6]为第q个粒子空间坐标,o=[o1,o2,o3,o4,o5,o6]为邻域圆心,Δaq=[Δaq,1,Δaq,2,Δaq,3,Δaq,4,Δaq,5,Δaq,6]为第q个粒子方向增量,rand(·)为[0,1]之间均匀分布的伪随机数;
p,q∈[1,100]且p≠q
步骤4.4:判断k与kstep的大小,若k<kstep,则转至步骤4.3;若k>kstep,则转至步骤4.5;
步骤4.5:将域外粒子按适应度优劣进行排列,适应度小的排在前面,并对域外粒子当前最优g(k)=[g1(k),g2(k),g3(k),g4(k),g5(k),g6(k)]进行领域校验:
||g(k)-or||2≤ε
其中or=[or,1,or,2,...,or,x,...,or,d]为第r个邻域σr的圆心,即建立新邻域时的域外当前最优粒子的位置,若域外粒子当前最优g(k)=[g1(k),g2(k),g3(k),g4(k),g5(k),g6(k)]在邻域σr外,1≤r≤l或者l=0,则转至步骤4.6,若域外粒子当前最优g(k)=[g1(k),g2(k),g3(k),g4(k),g5(k),g6(k)]在领域σr内,1≤r≤l,则转至步骤4.7;
步骤4.6:域外粒子当前最优g(k)=[g1(k),g2(k),g3(k),g4(k),g5(k),g6(k)]在邻域σr外,1≤r≤l或者l=0,则建立新的球形邻域空间σl;具体步骤如下:
步骤4.6.1:邻域个数l自加1,以域外粒子当前最优g(k)=[g1(k),g2(k),g3(k),g4(k),g5(k),g6(k)]为圆心设定球形邻域空间σl,其中a=[a1,a2,a3,a4,a5,a6]为粒子空间坐标,ol=g(k)=[ol,1,ol,2,ol,3,ol,4,ol,5,ol,6]:
||a-ol||2≤ε
按照步骤4.5排列出来的顺序依次进行校验,直至出现落在球形邻域空间σl外的粒子为止,并记录第l个邻域空间的粒子个数nl;
步骤4.6.2:按照如下公式进行粒子整定:
邻域粒子增量:Δn=nl;
步骤4.6.3:转至步骤4.8;
步骤4.7:域外粒子当前最优g(k)=[g1(k),g2(k),g3(k),g4(k),g5(k),g6(k)]在邻域σr内的邻域粒子增量,1≤r≤l;具体步骤如下:
步骤4.7.1:按照步骤4.5排列出来的顺序从域外当前最优粒子开始依次进行校验,直至出现落在球形邻域空间σr外的粒子为止,并记录邻域空间粒子个数nr;
步骤4.7.2:按照如下公式进行粒子整定:
邻域粒子增量:Δn=nr;
步骤4.7.3:转至步骤4.8;
步骤4.8:域外粒子数整定:n=n--Δn+j
步骤4.9:剥离再生次数j自加1;
步骤4.10:比较域内粒子最优得到全局最优Gi=[G1,G2,G2,G4,G5,G6]i
步骤4.11:判定停止条件,若满足:k>kmax或|G(k)-G(k-kstop)|≤δstop中的任意一条,则转至步骤5,否则转至步骤步骤4.12;其中,|G(k)-G(k-kstop)|≤δstop在k>kstop时启用判断;
步骤4.12:搜索次数k自加1,执行步骤4.3。
步骤5:输出最优控制参数G(k)=[G1(k),G2(k),...,Gx(k),...,Gd(k)];
步骤6:方案输出单元将次同步振荡抑制方案生成单元生成的最优控制参数传输至次同步振荡抑制执行模块中的RSC控制器、SVG控制器和储能控制器,各控制器根据最优控制参数调节风机RSC、SVG和储能的比例积分控制参数。
综上所述,本发明为一种基于改进粒子群算法的次同步振荡抑制系统及方法,改善了粒子群算法容易陷入局部最优和易早熟的问题,提高了计算收敛速度,能够快速对次同步振荡进行恢复控制。
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:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部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权利要求所限定的范围。
Claims (3)
1.一种基于改进粒子群算法的次同步振荡抑制系统,其特征在于,包括态势感知模块、分配调度运算模块、次同步振荡抑制执行模块;
所述态势感知模块,包括母线次同步振荡信息采集单元、母线次同步振荡信息传输单元、系统参数采集单元和系统参数传输单元;
所述分配调度运算模块,包括次同步振荡抑制方案生成单元和方案输出单元;所述次同步振荡抑制方案生成单元,用于建立次同步振荡抑制系统的数学模型,根据母线次同步振荡信息采集单元和系统参数采集单元采集到的状态信息对系统设定边界条件并进行初始化设置,而后采用剥离再生粒子群算法计算次同步振荡抑制系统数学模型,得到最优控制参数;所述方案输出单元,用于将最优控制参数传输至所述次同步振荡抑制执行模块;
所述次同步振荡抑制执行模块,包括风机单元、SVG单元、和储能单元;所述风机单元包括:风机RSC和RSC控制器,其中RSC控制器用于调节RSC比例积分系数,控制RSC的输出电压;所述SVG单元包括:SVG和SVG控制器,其中SVG控制器用于调节SVG比例积分系数,控制SVG的输出电流;所述储能单元包括:储能装置和储能控制器,其中储能控制器用于调节储能装置比例积分系数,控制储能装置的输出功率;
所述母线次同步振荡信息采集单元的输入端与系统母线相连接,母线次同步振荡信息采集单元的输出端与母线次同步振荡信息传输单元的输入端相连接,所述分配调度运算模块的输入端与母线次同步振荡信息传输单元的输出端相连接,所述分配调度运算模块的输出端分别与次同步振荡抑制执行模块中的RSC控制器、SVG控制器、和储能控制器的输入端相连接;
所述母线次同步振荡信息采集单元,用于采集母线当前次同步振荡信息,判断当前系统是否发生次同步振荡,若发生次同步振荡,则将当前次同步振荡信息通过母线次同步振荡信息传输单元发送到分配调度运算模块,所述当前母线次同步振荡信息包括:母线功率信息、母线电压信息和母线电流信息;
所述母线次同步振荡信息传输单元,用于将母线次同步振荡信息采集单元采集信息传输至分配调度运算模块;
所述系统参数采集单元,用于采集次同步振荡执行模块中风机RSC、SVG和储能的状态信息,包括:风机容量SDFIC、SVG电容电压水平vp.u.和储能荷电状态SOC;
所述系统参数传输单元,用于将系统参数采集单元采集到的状态信息传输至分配调度运算模块。
2.一种基于改进粒子群算法的次同步振荡抑制方法,通过权利要求1所述的一种基于改进粒子群算法的次同步振荡抑制系统实现,其特征在于:包括以下步骤:
步骤1:通过母线次同步振荡信息采集单元采集母线上的当前次同步振荡信息,对波形进行频域分析,判断是否发生次同步振荡并找出相应的振荡频率;若未发生次同步振荡则重复步骤1;若发生次同步振荡,则通过母线次同步振荡信息传输单元将所采集的当前次同步振荡信息传输至分配调度运算模块,然后执行步骤2;
步骤2:系统发生次同步振荡时,启动系统参数采集单元采集次同步振荡抑制执行模块状态信息,包括:风机容量SDFIG、SVG电容电压水平vp.u.和储能荷电状态SOC,通过系统参数传输单元传输至分配调度运算模块;
步骤3:分配调度运算模块中的次同步振荡抑制方案生成单元根据母线次同步振荡传输单元和系统参数传输单元传入的数据设定优化控制的初始数据和边界条件,以比例积分系数之比在相对范围内最小,并考虑SVG电压水平,储能装置荷电状态,即执行模块的任务容量大小为基准,建立次同步振荡抑制系统数学模型如下所示:
F为次同步振荡抑制方案目标函数,其中:
β1为风机参与抑制过程的状态变量,β1=0表示风机脱网,不参与抑制过程,β1=1表示风机在网,参与抑制过程;β2表示SVG参与控制次同步振荡的程度,β2越大,表示SVG的参与程度越高,β2=1代表最高参与程度,代表参与抑制,但是工作容量小于它的额定容量,β2=0完全不参与;β3表示储能参与控制次同步振荡的程度,β3越大,表示储能的参与程度越高,β3=1代表最高参与程度,β3=eSOC-1代表参与抑制,但是工作容量小于它的额定容量,β3=0完全不参与;DFIG代表双馈风机,ON代表接入母线,OFF代表脱离母线,KP.RSC和KI.RSC分别为风机RSC的比例系数和积分系数;KP.SVG和KI.SVG分别为SVG的比例系数和积分系数;KP.ES和KI.ES分别为储能装置的比例系数和积分系数;λ1、λ2和λ3分别为风机RSC、SVG和储能装置积分系数的越界工作惩罚系数,vset和SOCset分别为SVG端电压和储能荷电状态的设定值,用于计算参与程度;
步骤4:采用剥离再生粒子群算法计算次同步振荡抑制系统数学模型,找出最优控制参数G(k)=[G1(k),G2(k),...,Gx(k),...,Gd(k)];
步骤5:输出最优控制参数G(k)=[G1(k),G2(k),...,Gx(k),...,Gd(k)];
步骤6:方案输出单元将次同步振荡抑制方案生成单元生成的最优控制参数传输至次同步振荡抑制执行模块中的RSC控制器、SVG控制器和储能控制器,各控制器根据最优控制参数调节风机RSC、SVG和储能的比例积分控制参数。
3.根据权利要求2所述的一种基于改进粒子群算法的次同步振荡抑制方法,其特征在于:步骤4包括如下步骤:
步骤4.1:设定算法参数:域外粒子数n、最大迭代次数kmax、终止校验步长kstop、剥离步长kstep、粒子维数d、当前迭代次数k、邻域空间个数l、邻域空间半径ε、剥离再生次数j、邻域空间粒子数nr、邻域空间粒子上限nset和停止误差δstop;
步骤4.2:数据初始化:粒子位置ai=[ai,1,ai,2,...,ai,x,...,ai,d],其中ai,x=ai,x.min+rand(·)·(ai,x.max-ai,x.min),ai,x为第i个粒子的第x维参数大小,rand(·)为[0,1]之间均匀分布的伪随机数,ai,x.min为第i个粒子的x维参数下限,ai,x.max为i个粒子的x维参数上限,i=1、2、...、n,粒子移动速度vi=[vi,1,vi,2,...,vi,x,...,vi,d],第i个粒子的第x维速度大小为vi,x=0.01×rand(·),其中1≤x≤d;
步骤4.3:全粒子搜索:
根据公式vp(k+1)=vp(k)+c1r1(Pp(k)-ap(k))+c2r2(G(k)-ap(k))、ap(k+1)=ap(k)+vp(k+1)和目标函数minF进行域外搜索;
其中:vp(k)和ap(k)分别为当前迭代次数k下第p个粒子的粒子移动速度和粒子位置,Pp(k)=[P1(k),P2(k),...,Px(k),...,Pd(k)]p为当前迭代次数k下第p个粒子的个体最优,Px(k)为第x维个体最优,G(k)=[G1(k),G2(k),...,Gx(k),...,Gd(k)]为当前迭代次数k下粒子的全局最优,Gx(k)为第x维全局最优,c1和c2是加速度常数,设定c1=c2,取值范围是[0,2]之间均匀分布的伪随机数,r1和r2为[0,1]之间均匀分布的伪随机数;
根据公式aq=o+rand(·)·Δaq进行域内搜索;
其中:aq=[aq,1,aq,2,...,aq,x,...,aq,d]为第q个粒子的空间坐标,o=[o1,o2,...,ox,...,σr]为球形邻域空间圆心,Δaq=[Δaq,1,Δaq,2,...,Δaq,x,...,Δaq,d]为第q个粒子的方向增量,rand(·)为[0,1]之间均匀分布的伪随机数:
p,q∈[1,n]且p≠q;
步骤4.4:判断k与kstep的大小,若k≤kstep,则转至步骤4.3,若k>kstep,则转至步骤4.5;
步骤4.5:将域外粒子按适应度优劣进行排列,并对域外粒子当前最优进行邻域校验g(k)=[g1(k),g2(k),...,gx(k),...,gd(k)]:
||g(k)-or||2≤ε
其中or=[or,1,or,2,...,or,x,...,or,d]为第r个球形邻域空间σr的圆心,即建立新邻域时的域外当前最优粒子的位置,若域外粒子当前最优g(k)=[g1(k),g2(k),...,gx(k),...,gd(k)]在邻域σr外,1≤r≤l或者l=0,则转至步骤4.6,若域外粒子当前最优g(k)=[g1(k),g2(k),...,gx(k),...,gd(k)]在邻域σr内,1≤r≤l,则转至步骤4.7;
步骤4.6:域外粒子当前最优g(k)=[g1(k),g2(k),...,gx(k),...,gd(k)]在邻域σr外,1≤r≤l或者l=0,则建立新的球形邻域空间σl;具体步骤如下:
步骤4.6.1:邻域个数l自加1,以域外粒子当前最优g(k)=[g1(k),g2(k),...,gx(k),...,gd(k)]设定球形邻域空间σl,其中a=[a1,a2,...,ax,...,ad]为粒子空间坐标,ol=g(k)=[ol,1,ol,2,...,ol,x,...,ol,d]:
||a-ol||2≤ε
按照步骤4.5排列出来的顺序依次进行校验,直至出现落在球形邻域空间σl外的粒子为止,并记录邻域内的粒子个数nl;
步骤4.6.2:按照如下公式进行粒子整定:
邻域粒子增量:Δn=nl;
步骤4.6.3:转至步骤4.8;
步骤4.7:域外粒子当前最优g(k)=[g1(k),g2(k),...,gx(k),...,gd(k)]在邻域σr内的邻域粒子增量,1≤r≤l;具体步骤如下:
步骤4.7.1:按照步骤4.5排列出来的顺序从域外当前最优粒子开始依次进行校验,直至出现落在球形邻域空间σr外的粒子为止,并记录邻域空间粒子个数nr;
步骤4.7.2:按照如下公式进行粒子整定:
邻域粒子增量:Δn=nr;
步骤4.7.3:转至步骤4.8;
步骤4.8:域外粒子数整定:n=n-Δn+j;
步骤4.9:剥离再生次数j自加1;
步骤4.10:比较域内粒子最优得到全局最优G(k)=[G1(k),G2(k),...,Gx(k),...,Gd(k)];
步骤4.11:判定停止条件,若满足:k>kmax或|G(k)-G(k-kstop)|≤δstop中的任意一条,则转至步骤5,否则转至步骤步骤4.12;其中,|G(k)-G(k-kstop)|≤δstop在k>kstop时启用判断;
步骤4.12:搜索次数k自加1,执行步骤4.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810934067.0A CN109038564B (zh) | 2018-08-16 | 2018-08-16 | 一种基于改进粒子群算法的次同步振荡抑制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810934067.0A CN109038564B (zh) | 2018-08-16 | 2018-08-16 | 一种基于改进粒子群算法的次同步振荡抑制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109038564A true CN109038564A (zh) | 2018-12-18 |
CN109038564B CN109038564B (zh) | 2021-05-11 |
Family
ID=64630547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810934067.0A Active CN109038564B (zh) | 2018-08-16 | 2018-08-16 | 一种基于改进粒子群算法的次同步振荡抑制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109038564B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111541253A (zh) * | 2020-04-24 | 2020-08-14 | 国网吉林省电力有限公司吉林供电公司 | 一种电力系统次同步振荡阻尼的辨识方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208808A (zh) * | 2013-03-07 | 2013-07-17 | 武汉大学 | 一种电力系统次同步振荡模态辨识方法 |
US20140074534A1 (en) * | 2012-09-12 | 2014-03-13 | International Business Machines Corporation | Smart Reminder Management |
CN104408589A (zh) * | 2014-10-24 | 2015-03-11 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
CN105046004A (zh) * | 2015-07-24 | 2015-11-11 | 天津大学 | 基于改进粒子群算法的永磁球形电动机逆运动学求解方法 |
CN105893694A (zh) * | 2016-04-21 | 2016-08-24 | 北京航空航天大学 | 一种基于重采样粒子群优化算法的复杂系统设计方法 |
CN107658889A (zh) * | 2017-10-12 | 2018-02-02 | 上海应用技术大学 | 一种基于改进的粒子群算法的低压无功补偿计算方法 |
CN107947196A (zh) * | 2017-11-16 | 2018-04-20 | 国网四川省电力公司 | 一种基于改进粒子群算法的超低频振荡抑制方法 |
-
2018
- 2018-08-16 CN CN201810934067.0A patent/CN109038564B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140074534A1 (en) * | 2012-09-12 | 2014-03-13 | International Business Machines Corporation | Smart Reminder Management |
CN103208808A (zh) * | 2013-03-07 | 2013-07-17 | 武汉大学 | 一种电力系统次同步振荡模态辨识方法 |
CN104408589A (zh) * | 2014-10-24 | 2015-03-11 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
CN105046004A (zh) * | 2015-07-24 | 2015-11-11 | 天津大学 | 基于改进粒子群算法的永磁球形电动机逆运动学求解方法 |
CN105893694A (zh) * | 2016-04-21 | 2016-08-24 | 北京航空航天大学 | 一种基于重采样粒子群优化算法的复杂系统设计方法 |
CN107658889A (zh) * | 2017-10-12 | 2018-02-02 | 上海应用技术大学 | 一种基于改进的粒子群算法的低压无功补偿计算方法 |
CN107947196A (zh) * | 2017-11-16 | 2018-04-20 | 国网四川省电力公司 | 一种基于改进粒子群算法的超低频振荡抑制方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111541253A (zh) * | 2020-04-24 | 2020-08-14 | 国网吉林省电力有限公司吉林供电公司 | 一种电力系统次同步振荡阻尼的辨识方法 |
CN111541253B (zh) * | 2020-04-24 | 2023-04-18 | 国网吉林省电力有限公司吉林供电公司 | 一种电力系统次同步振荡阻尼的辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109038564B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Panda et al. | Optimal power flow solution of wind integrated power system using modified bacteria foraging algorithm | |
Hu et al. | A new clustering approach for scenario reduction in multi-stochastic variable programming | |
CN103138256B (zh) | 一种新能源电力消纳全景分析系统及方法 | |
Mitra et al. | Wide area control for improving stability of a power system with plug-in electric vehicles | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
Liu et al. | Skeleton-network reconfiguration based on topological characteristics of scale-free networks and discrete particle swarm optimization | |
Karaki et al. | Probabilistic performance assessment of wind energy conversion systems | |
Jadhav et al. | Brain storm optimization algorithm based economic dispatch considering wind power | |
CN106786977B (zh) | 一种电动汽车充电站的充电调度方法 | |
CN107977744A (zh) | 一种基于传统Benders分解法的电力系统日前鲁棒调度方法 | |
CN107968409A (zh) | 一种考虑不平衡功率分配的概率潮流计算方法及系统 | |
CN104769802A (zh) | 用于计算机辅助控制电网中的功率的方法 | |
CN109004687A (zh) | 风电场参与电网调频的智能惯量响应控制方法及系统 | |
CN106130066A (zh) | 一种用于独立微电网系统的多目标鲁棒频率控制方法 | |
CN105305485A (zh) | 一种消纳大规模间歇性能源的安全约束经济调度方法 | |
CN109038564A (zh) | 一种基于改进粒子群算法的次同步振荡抑制系统及方法 | |
Ali et al. | Optimal allocation of wind-based distributed generators in power distribution systems using probabilistic approach | |
CN107579545A (zh) | 基于改进径向移动算法的含风电场电力系统经济调度方法 | |
CN102437643B (zh) | 确定多断面各输电断面可用输电能力的方法 | |
Mohamed et al. | Optimal parameters of interline power flow controller using particle swarm optimization | |
CN115133540A (zh) | 一种配电网无模型的实时电压控制方法 | |
CN115021336A (zh) | 一种面向高比例新能源电力系统惯量不足场景的优化方法 | |
CN115102228A (zh) | 一种含飞轮储能的风电场多目标协调频率优化方法和装置 | |
CN107947179A (zh) | 一种考虑风电调度策略的多点线性化随机潮流计算方法 | |
Singh et al. | Economic load dispatch using MRPSO with generator ramp rate limits constraint |
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 |