CN109446614A - 一种静止无功补偿模型参数的辨识方法及装置 - Google Patents
一种静止无功补偿模型参数的辨识方法及装置 Download PDFInfo
- Publication number
- CN109446614A CN109446614A CN201811209868.7A CN201811209868A CN109446614A CN 109446614 A CN109446614 A CN 109446614A CN 201811209868 A CN201811209868 A CN 201811209868A CN 109446614 A CN109446614 A CN 109446614A
- Authority
- CN
- China
- Prior art keywords
- parameter
- value
- model
- var compensator
- identified
- 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
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种静止无功补偿模型参数的辨识方法,包括:建立静止无功补偿器模型的数学模型,以确定待辨识的参数;根据局部敏感度分析方法,以静止无功补偿器输出的无功功率为观测量,计算待辨识的参数的局部敏感度;根据鸡群算法,以静止无功补偿器的实际输出的无功功率和待辨识模型输出的无功功率的差值为目标函数,辨识静止无功补偿器的模型参数;将所述多次辨识结果剔除与所述均值偏差超过50%的辨识结果,将剩余辨识结果重新求取均值,所得数值为待辨识的参数的最终结果,解决了对静止无功补偿模型参数的辨识方法的需求问题。
Description
技术领域
本申请涉及电力系统建模领域,具体涉及一种静止无功补偿模型参数的辨识方法,同时涉及一种静止无功补偿模型参数的辨识装置。
背景技术
柔性交流输电技术FACTS的出现为提升电网可靠性和经济性提供了新的技术手段。静止无功补偿器(SVC)作为FACTS家族的重要成员,在改善电力系统电压质量及提高系统运行稳定性方面得到广泛应用,对电力系统仿真计算和稳定控制有着重要作用。准确的SVC模型参数对电力系统仿真分析的正确性尤为重要。
目前,对SVC已有大量研究,但研究重点主要在其模型探究方面,在参数辨识方面的研究几乎没有,研究有效的SVC模型参数辨识方法,具有重要的理论实践价值。因此,为实现对静止无功补偿器模型参数的准确辨识,需要一种静止无功补偿器模型参数辨识方法。
发明内容
本申请提供一种静止无功补偿模型参数的辨识方法,解决了对静止无功补偿模型参数的辨识方法的需求问题。
本申请提供一种静止无功补偿模型参数的辨识方法,包括:
建立静止无功补偿器模型的数学模型,以确定待辨识的参数;
根据局部敏感度分析方法,以静止无功补偿器输出的无功功率为观测量,计算待辨识的参数的局部敏感度;
根据鸡群算法,以静止无功补偿器的实际输出的无功功率和待辨识模型输出的无功功率的差值为目标函数,辨识静止无功补偿器的模型参数,并计算多次辨识结果的均值;
将所述多次辨识结果剔除与所述均值偏差超过50%的辨识结果,将剩余辨识结果重新求取均值,所得数值为待辨识的参数的最终结果。
优选的,所述建立静止无功补偿器模型的数学模型,包括:
静止无功补偿器数学模型的状态空间表达式为,
式中,Vmes为SVC装设点电压,Vref为参考电压,Vsl为修正电压,Vc为校正电压,T1为超前时间常数,T2为滞后时间常数,Ki为积分常数,Kp为比例增益,Tp为比例增益时间常数,BR为SVC的等效电纳,Bsvc为实际输出电纳,Tb为晶闸管延时时间常数,Ksl为电流调差率,Qsvc为SVC发出无功功率。模型参数均采用标幺值,根据静止无功补偿器状态空间表达式,可以确定待辨识参数为θ=[T1,T2,Ki,Kp,Tp,Tb,Ksl,Ts],辨识所需数据为SVC装设点电压Vmes和SVC发出无功功率Qsvc。
优选的,所述根据局部敏感度分析方法,以静止无功补偿器输出的无功功率为观测量,计算待辨识的参数的局部敏感度的步骤之前,还包括:
搭建含有静止无功补偿器的仿真系统,对仿真系统施加不同强度的阶跃扰动,以获得静止无功补偿器输出的无功功率。
优选的,所述计算待辨识的参数的局部敏感度,包括:
计算不同强度的阶跃扰动下待辨别参数的局部敏感度。
优选的,还包括:
获取不同强度的阶跃扰动下待辨别参数的局部敏感度的均值;
设置划分重要参数的次要参数的阈值;
根据所述均值的大小将参数划分重要参数和次要参数;
优先辨识重要参数据,然后辨识次要参数。
优选的,所述局部灵敏度,以及局部灵敏度的均值的计算方法为,
将一个待辨识参数θi的数值增大Δθi=10%θi,仿真得到静止无功补偿器输出无功功率y;然后,将待辨识参数θi的数值减小Δθi=10%θi,仿真得到静止无功补偿器输出无功功率y’;
进一步,根据中间差分法计算参数相对敏感度公式为:
其中,Sk为参数相对敏感度,k为采样点。
进一步,局部敏感度的均值计算公式如下:
其中:K为总采样点数,均值d同参数敏感度正相关,d越大,敏感度越高。
优选的,所述根据鸡群算法,以静止无功补偿器的实际输出的无功功率和待辨识模型输出的无功功率的差值为目标函数,辨识静止无功补偿器的模型参数,并计算多次辨识结果的平均值,包括:
设置鸡群算法的基本参数,种群规模N=30,公鸡、母鸡和小鸡比例系数分别为0.15,0.75,0.5,更新代数G=10,最大迭代次数M=50及参数搜索范围为理论值的[-100%,+100%],生成初始化种群,利用下式计算个体目标函数值,
xi,j(0)=xmin,j+(xmax,j-xmin,j)*Rand()
其中:xmin,j和xmax,j为第j个个体的下界和上界,Rand()为均匀分布;
判断是否需要重构鸡群的等级体系,若需重构鸡群的等级,则对鸡群关系进行更新,否则采用以下公式对公鸡、母鸡、小鸡位置进行更新,并计算新的目标函数值,
其中:Randn(0,σ2)为均值为0,标准差为σ2的高斯分布,ε为很小的常数,f为x对应的适应度值,k为除去i以外的任意公鸡个体,
其中:Rand表示[0,1]之间的随机数,B1和B2为学习因子,r1是第i只母鸡所在群中的公鸡索引值,r2是鸡群中随机选取的公鸡和母鸡的任意个体索引值,且r1≠r2,
其中:h为第i只小鸡对应的母鸡,FL为服从[0,2]均匀分布的随机数。
优选的,还包括:
采用鸡群算法对模型参数进行多次辨识,辨识的目标是将仿真模型输出无功功率Q与实测无功功率Q*形成的目标函数取得最优值,即目标函数取得最小值。
本申请同时提供一种静止无功补偿模型参数的辨识装置,其特征在于,包括:
待辨识的参数据确定单元,用于建立静止无功补偿器模型的数学模型,以确定待辨识的参数;
局部敏感度计算单元,用于根据局部敏感度分析方法,以静止无功补偿器输出的无功功率为观测量,计算待辨识的参数的局部敏感度;
均值计算单元,用于根据鸡群算法,以静止无功补偿器的实际输出的无功功率和待辨识模型输出的无功功率的差值为目标函数,辨识静止无功补偿器的模型参数,并计算多次辨识结果的均值;
结果获得单元,用于将所述多次辨识结果剔除与所述均值偏差超过50%的辨识结果,将剩余辨识结果重新求取均值,所得数值为待辨识的参数的最终结果。
本申请提供的一种静止无功补偿模型参数的辨识方法,通过采用多次辨识的方法,辨识精度高,解决了对静止无功补偿模型参数的辨识方法的需求问题。
附图说明
图1是本申请实施例提供的一种静止无功补偿模型参数的辨识方法流程图;
图2是本申请实施例涉及的含静止无功补偿器的两机模型;
图3是本申请实施例涉及的静止无功补偿器数学模型;
图4是本申请实施例提供的一种静止无功补偿模型参数的辨识装置示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
请参看图1,图1是本申请实施例提供的一种静止无功补偿模型参数的辨识方法,下面结合图1对本申请提供的方法进行详细说明。
步骤S101,建立静止无功补偿器模型的数学模型,以确定待辨识的参数。
在本申请实施例中,利用Matlab 2014a软件平台搭建如图2所示的含静止无功补偿器的两机模型的仿真系统,其中静止无功补偿器(SVC)的待辨识参数为典型值。在本申请的实施例中,若出现SVC均指静止无功补偿器。
根据静止无功补偿器的运行特性,建立如图3所示的数学模型,其空间表达式如下:
式中,Vmes为SVC装设点电压,Vref为参考电压,Vsl为修正电压,Vc为校正电压,T1为超前时间常数,T2为滞后时间常数,Ki为积分常数,Kp为比例增益,Tp为比例增益时间常数,BR为SVC的等效电纳,Bsvc为实际输出电纳,Tb为晶闸管延时时间常数,Ksl为电流调差率,Qsvc为SVC发出无功功率。模型参数均采用标幺值,根据静止无功补偿器状态空间表达式,可以确定待辨识参数为θ=[T1,T2,Ki,Kp,Tp,Tb,Ksl,Ts],辨识所需数据为SVC装设点电压Vmes和SVC发出无功功率Qsvc。
步骤S102,根据局部敏感度分析方法,以静止无功补偿器输出的无功功率为观测量,计算待辨识的参数的局部敏感度。
对搭建的含有静止无功补偿器的仿真系统,施加不同强度的阶跃扰动,以获得静止无功补偿器输出的无功功率。计算不同强度的阶跃扰动下待辨别参数的局部敏感度。然后,获取不同强度的阶跃扰动下待辨别参数的局部敏感度的均值;设置划分重要参数的次要参数的阈值;根据所述均值的大小将参数划分重要参数和次要参数;优先辨识重要参数据,然后辨识次要参数。
具体的,以静止无功补偿器的输出无功功率Qsvc为观测量,计算不同强度阶跃扰动下待辨识参数的局部敏感度,为比较各参数敏感度的大小,计算各参数的敏感度的均值。不同强度阶跃扰动下的各参数的敏感度均值见表1。
表1 不同强度阶跃扰动下各参数敏感度均值
从表1数据可以看出,Ksl的平均敏感度最大,对系统输出影响最大,最容易辨识,T1、T2、Tb及Ki,次之,以上参数为重要参数;Kp、Tp及Ts平均灵敏度相对较小,难以辨识,为次要参数。优先辨识重要参数,次要参数可以设置为典型值,在得到重要参数的基础上,辨识次要参数,其中,在较大扰动情况下,辨识Ksl和Tb,在较小扰动情况下,辨识参数T1、T2及Ki。
步骤S103,根据鸡群算法,以静止无功补偿器的实际输出的无功功率和待辨识模型输出的无功功率的差值为目标函数,辨识静止无功补偿器的模型参数,并计算多次辨识结果的均值。
采用鸡群算法对模型参数进行多次辨识,在本申请实施例中计算50次,也就是进行50次迭代。辨识的目标是将仿真模型输出无功功率Q与实测无功功率Q*形成的目标函数取得最优值,即目标函数取得最小值。
采用鸡群算法辨识SVC模型参数主要过程为:
1、设置鸡群算法的基本参数,种群规模N=30,公鸡、母鸡和小鸡比例系数分别为0.15,0.75,0.5,更新代数G=10,最大迭代次数M=50及参数搜索范围为理论值的[-100%,+100%],生成初始化种群,利用下式计算个体目标函数值,
xi,j(0)=xmin,j+(xmax,j-xmin,j)*Rand()
其中:xmin,j和xmax,j为第j个个体的下界和上界,Rand()为均匀分布;
2、判断是否需要重构鸡群的等级体系,若需重构鸡群的等级,则对鸡群关系进行更新,否则采用以下公式对公鸡、母鸡、小鸡位置进行更新,并计算新的目标函数值,
其中:Randn(0,σ2)为均值为0,标准差为σ2的高斯分布,ε为很小的常数,f为x对应的适应度值,k为除去i以外的任意公鸡个体,
其中:Rand表示[0,1]之间的随机数,B1和B2为学习因子,r1是第i只母鸡所在群中的公鸡索引值,r2是鸡群中随机选取的公鸡和母鸡的任意个体索引值,且r1≠r2,
其中:h为第i只小鸡对应的母鸡,FL为服从[0,2]均匀分布的随机数。
3、判断迭代寻优是否满足理论最优值。若满足则输出重要参数辨识结果,否则跳转到2,如果达到最大迭代次数,判断辨识结果是否满足条件,是,则输出结果,否,则根据辨识结果修正算法基本参数,重新调用模型进行计算。
步骤S104,将所述多次辨识结果剔除与所述均值偏差超过50%的辨识结果,将剩余辨识结果重新求取均值,所得数值为待辨识的参数的最终结果。
根据步骤S103的多次辨识结果,计算其均值,剔除与均值偏差超过50%的辨识结果,并将剩余结果重新求取均值,所得数值即为待辨识参数的最终结果。静止无功补偿器模型参数的辨识结果见表2。
表2 SVC模型参数辨识结果
由辨识结果可知,使用本发明设计的静止无功补偿器模型参数辨识方法所得辨识结果,与典型值辨识结果误差相当小,且本发明提供的方法采用多次辨识,避免了单次辨识可能导致的误差较大问题,辨识精度较高,计算结果鲁棒性较好,从而验证了本分明提供的方法在静止无功补偿器参数辨识方面的有效性和准确性。
与本申请提供的一种静止无功补偿模型参数的辨识方法对应的,本申请同时提供一种静止无功补偿模型参数的辨识装置400,如图4所示包括:
待辨识的参数据确定单元410,用于建立静止无功补偿器模型的数学模型,以确定待辨识的参数;
局部敏感度计算单元420,用于根据局部敏感度分析方法,以静止无功补偿器输出的无功功率为观测量,计算待辨识的参数的局部敏感度;
均值计算单元430,用于根据鸡群算法,以静止无功补偿器的实际输出的无功功率和待辨识模型输出的无功功率的差值为目标函数,辨识静止无功补偿器的模型参数,并计算多次辨识结果的均值;
结果获得单元440,用于将所述多次辨识结果剔除与所述均值偏差超过50%的辨识结果,将剩余辨识结果重新求取均值,所得数值为待辨识的参数的最终结果。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,而这些未脱离本发明精神和范围的任何修改或者等同替换,其均在申请待批的本发明的权利要求保护范围之内。
Claims (9)
1.一种静止无功补偿模型参数的辨识方法,其特征在于,包括:
建立静止无功补偿器模型的数学模型,以确定待辨识的参数;
根据局部敏感度分析方法,以静止无功补偿器输出的无功功率为观测量,计算待辨识的参数的局部敏感度;
根据鸡群算法,以静止无功补偿器的实际输出的无功功率和待辨识模型输出的无功功率的差值为目标函数,辨识静止无功补偿器的模型参数,并计算多次辨识结果的均值;
将所述多次辨识结果剔除与所述均值偏差超过50%的辨识结果,将剩余辨识结果重新求取均值,所得数值为待辨识的参数的最终结果。
2.根据权利要求1所述的方法,其特征在于,所述建立静止无功补偿器模型的数学模型,包括:
静止无功补偿器数学模型的状态空间表达式为,
式中,Vmes为SVC装设点电压,Vref为参考电压,Vsl为修正电压,Vc为校正电压,T1为超前时间常数,T2为滞后时间常数,Ki为积分常数,Kp为比例增益,Tp为比例增益时间常数,BR为SVC的等效电纳,Bsvc为实际输出电纳,Tb为晶闸管延时时间常数,Ksl为电流调差率,Qsvc为SVC发出无功功率。模型参数均采用标幺值,根据静止无功补偿器状态空间表达式,可以确定待辨识参数为θ=[T1,T2,Ki,Kp,Tp,Tb,Ksl,Ts],辨识所需数据为SVC装设点电压Vmes和SVC发出无功功率Qsvc。
3.根据权利要求1所述的方法,其特征在于,所述根据局部敏感度分析方法,以静止无功补偿器输出的无功功率为观测量,计算待辨识的参数的局部敏感度的步骤之前,还包括:
搭建含有静止无功补偿器的仿真系统,对仿真系统施加不同强度的阶跃扰动,以获得静止无功补偿器输出的无功功率。
4.根据权利要求1所述的方法,其特征在于,所述计算待辨识的参数的局部敏感度,包括:
计算不同强度的阶跃扰动下待辨别参数的局部敏感度。
5.根据权利要求4所述的方法,其特征在于,还包括:
获取不同强度的阶跃扰动下待辨别参数的局部敏感度的均值;
设置划分重要参数的次要参数的阈值;
根据所述均值的大小将参数划分重要参数和次要参数;
优先辨识重要参数据,然后辨识次要参数。
6.根据权利要求4或5所述的方法,其特征在于,所述局部灵敏度,以及局部灵敏度的均值的计算方法为,
将一个待辨识参数θi的数值增大Δθi=10%θi,仿真得到静止无功补偿器输出无功功率y;然后,将待辨识参数θi的数值减小Δθi=10%θi,仿真得到静止无功补偿器输出无功功率y’;
进一步,根据中间差分法计算参数相对敏感度公式为:
其中,Sk为参数相对敏感度,k为采样点。
进一步,局部敏感度的均值计算公式如下:
其中:K为总采样点数,均值d同参数敏感度正相关,d越大,敏感度越高。
7.根据权利要求1所述的方法,其特征在于,所述根据鸡群算法,以静止无功补偿器的实际输出的无功功率和待辨识模型输出的无功功率的差值为目标函数,辨识静止无功补偿器的模型参数,并计算多次辨识结果的平均值,包括:
设置鸡群算法的基本参数,种群规模N=30,公鸡、母鸡和小鸡比例系数分别为0.15,0.75,0.5,更新代数G=10,最大迭代次数M=50及参数搜索范围为理论值的[-100%,+100%],生成初始化种群,利用下式计算个体目标函数值,
xi,j(0)=xmin,j+(xmax,j-xmin,j)*Rand()
其中:xmin,j和xmax,j为第j个个体的下界和上界,Rand()为均匀分布;
判断是否需要重构鸡群的等级体系,若需重构鸡群的等级,则对鸡群关系进行更新,否则采用以下公式对公鸡、母鸡、小鸡位置进行更新,并计算新的目标函数值,
其中:Randn(0,σ2)为均值为0,标准差为σ2的高斯分布,ε为很小的常数,f为x对应的适应度值,k为除去i以外的任意公鸡个体,
其中:Rand表示[0,1]之间的随机数,B1和B2为学习因子,r1是第i只母鸡所在群中的公鸡索引值,r2是鸡群中随机选取的公鸡和母鸡的任意个体索引值,且r1≠r2,
其中:h为第i只小鸡对应的母鸡,FL为服从[0,2]均匀分布的随机数。
8.根据权利要求7所述的方法,其特征在于,还包括:
采用鸡群算法对模型参数进行多次辨识,辨识的目标是将仿真模型输出无功功率Q与实测无功功率Q*形成的目标函数取得最优值,即目标函数取得最小值。
9.一种静止无功补偿模型参数的辨识装置,其特征在于,包括:
待辨识的参数据确定单元,用于建立静止无功补偿器模型的数学模型,以确定待辨识的参数;
局部敏感度计算单元,用于根据局部敏感度分析方法,以静止无功补偿器输出的无功功率为观测量,计算待辨识的参数的局部敏感度;
均值计算单元,用于根据鸡群算法,以静止无功补偿器的实际输出的无功功率和待辨识模型输出的无功功率的差值为目标函数,辨识静止无功补偿器的模型参数,并计算多次辨识结果的均值;
结果获得单元,用于将所述多次辨识结果剔除与所述均值偏差超过50%的辨识结果,将剩余辨识结果重新求取均值,所得数值为待辨识的参数的最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811209868.7A CN109446614B (zh) | 2018-10-17 | 2018-10-17 | 一种静止无功补偿模型参数的辨识方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811209868.7A CN109446614B (zh) | 2018-10-17 | 2018-10-17 | 一种静止无功补偿模型参数的辨识方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109446614A true CN109446614A (zh) | 2019-03-08 |
CN109446614B CN109446614B (zh) | 2023-06-30 |
Family
ID=65546611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811209868.7A Active CN109446614B (zh) | 2018-10-17 | 2018-10-17 | 一种静止无功补偿模型参数的辨识方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446614B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110571825A (zh) * | 2019-09-06 | 2019-12-13 | 中国电力科学研究院有限公司 | 一种静止同步补偿器模型参数辨识方法及系统 |
CN110826176A (zh) * | 2019-09-27 | 2020-02-21 | 中国电力科学研究院有限公司 | 静止无功补偿器的机电暂态模型参数的校核方法及系统 |
CN112531725A (zh) * | 2020-11-10 | 2021-03-19 | 中国电力科学研究院有限公司 | 一种对静止无功发生器的参数进行识别的方法及系统 |
CN115308534A (zh) * | 2022-09-16 | 2022-11-08 | 西南石油大学 | 一种t接输电线路故障支路诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125686A1 (en) * | 2009-11-24 | 2011-05-26 | Al-Duwaish Hussain N | Method for identifying Hammerstein models |
CN108649562A (zh) * | 2018-05-04 | 2018-10-12 | 华北水利水电大学 | 一种基于苍狼算法的电力系统负荷建模参数辨识方法 |
-
2018
- 2018-10-17 CN CN201811209868.7A patent/CN109446614B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125686A1 (en) * | 2009-11-24 | 2011-05-26 | Al-Duwaish Hussain N | Method for identifying Hammerstein models |
CN108649562A (zh) * | 2018-05-04 | 2018-10-12 | 华北水利水电大学 | 一种基于苍狼算法的电力系统负荷建模参数辨识方法 |
Non-Patent Citations (3)
Title |
---|
张春雷: "基于改进鸡群算法的静止无功补偿器模型参数辨识方法研究", 《中国硕士学位论文全文数据库》 * |
聂永辉 等: "基于改进鸡群算法的静止无功补偿器模型参数辨识方法", 《电网技术》 * |
钟晶亮;甘飞;邓彤天;: "基于敏感度分析的汽轮机及调节系统参数辨识", 汽轮机技术 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110571825A (zh) * | 2019-09-06 | 2019-12-13 | 中国电力科学研究院有限公司 | 一种静止同步补偿器模型参数辨识方法及系统 |
CN110826176A (zh) * | 2019-09-27 | 2020-02-21 | 中国电力科学研究院有限公司 | 静止无功补偿器的机电暂态模型参数的校核方法及系统 |
CN110826176B (zh) * | 2019-09-27 | 2024-04-02 | 中国电力科学研究院有限公司 | 静止无功补偿器的机电暂态模型参数的校核方法及系统 |
CN112531725A (zh) * | 2020-11-10 | 2021-03-19 | 中国电力科学研究院有限公司 | 一种对静止无功发生器的参数进行识别的方法及系统 |
CN112531725B (zh) * | 2020-11-10 | 2022-09-30 | 中国电力科学研究院有限公司 | 一种对静止无功发生器的参数进行识别的方法及系统 |
CN115308534A (zh) * | 2022-09-16 | 2022-11-08 | 西南石油大学 | 一种t接输电线路故障支路诊断方法 |
CN115308534B (zh) * | 2022-09-16 | 2023-07-21 | 西南石油大学 | 一种t接输电线路故障支路诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109446614B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446614A (zh) | 一种静止无功补偿模型参数的辨识方法及装置 | |
CN103514259B (zh) | 一种基于数值关联性模型的异常数据探测及修正方法 | |
CN108804784A (zh) | 一种基于贝叶斯高斯混合模型的即时学习软测量建模方法 | |
CN105260786B (zh) | 一种电力推进系统仿真可信度评估模型综合优化方法 | |
JP2019513265A (ja) | 自動多閾値特徴フィルタリング方法及び装置 | |
CN106485227A (zh) | 一种基于视频面部表情的客户满意度分析方法 | |
CN114488988A (zh) | 用于生产线平衡率调控的工业物联网及控制方法 | |
CN107590565A (zh) | 一种构建建筑能耗预测模型的方法及装置 | |
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 | |
CN104184144B (zh) | 一种用于多电压等级电网模型的抗差状态估计方法 | |
CN104915537B (zh) | 基于神经网络的行为预测方法 | |
CN111382862B (zh) | 一种电力系统异常数据辨识方法 | |
CN104112062A (zh) | 基于插值方法的风资源分布的获取方法 | |
Xie et al. | Fuzzy multi-attribute decision making methods based on improved set pair analysis | |
CN108460462A (zh) | 一种基于区间参数优化的区间神经网络学习方法 | |
CN107634516A (zh) | 一种基于灰色‑马尔可夫链的配网状态估计方法 | |
CN116992779A (zh) | 基于数字孪生模型的光伏储能系统仿真方法及系统 | |
CN111047406A (zh) | 一种电信套餐推荐方法、装置、存储介质和设备 | |
CN108319776A (zh) | 基于群广义区间直觉模糊软集的仿真参数选择决策方法 | |
CN105956605B (zh) | 基于并行k-means聚类的三维结构相似性聚类方法 | |
CN105654053B (zh) | 基于改进约束ekf算法的动态振荡信号参数辨识方法 | |
CN109698505B (zh) | 大电网静态电压稳定在线防控的调控量化映射计算方法 | |
CN106599541B (zh) | 一种动态电力负荷模型的结构和参数在线辨识方法 | |
CN109961160A (zh) | 一种基于潮流参数的电网未来运行趋势预估方法及系统 | |
CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 |
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 |