CN109861244A - 一种电力系统稳定器pss2b参数优化方法 - Google Patents
一种电力系统稳定器pss2b参数优化方法 Download PDFInfo
- Publication number
- CN109861244A CN109861244A CN201811514884.7A CN201811514884A CN109861244A CN 109861244 A CN109861244 A CN 109861244A CN 201811514884 A CN201811514884 A CN 201811514884A CN 109861244 A CN109861244 A CN 109861244A
- Authority
- CN
- China
- Prior art keywords
- wolf
- grey wolf
- algorithm
- power system
- grey
- 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.)
- Withdrawn
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开的一种电力系统稳定器PSS2B参数优化方法,包括构建云南电网的仿真模型,并根据仿真模型获得电力系统稳定器PSS2B的简化模型;初始化灰狼种群;引入动态权重策略获得第二灰狼算法;利用SDM‑Prony对仿真模型输出的振荡曲线获得机电模态信息,并构建优化目标函数;利用优化目标函数获得灰狼个体的适应度值,并根据适应度值和第二灰狼算法获得下一代灰狼种群,完成一次迭代;判断下一代灰狼种群是否满足终止条件;若不满足,则继续迭代。本申请中,该方法无需考虑系统阶数的影响,能够处理较大的电力系统,通过辨识算法辨识低频模态信息,能快速确定优化参数,使稳定器PSS2B的适用性更强,可以适应大电力系统。
Description
技术领域
本申请涉及电力系统稳定与控制技术领域,尤其涉及一种电力系统稳定器PSS2B参数优化方法。
背景技术
南方电网主网架结构呈现一种“大容量远距离输电、强直弱交、多回直流集中馈入、交直流并联运行”的特征,使得南方电网存在复杂的安全稳定问题。异步联网后,云南电网作为网架结构较为薄弱、负荷水平较低的多直流送端电网,其频率稳定性、功角稳定性和小扰动稳定性都有变化。通过引入附加励磁控制(PSS),被认为是抑制低频振荡的有效措施。因此,正确分析低频振荡特性对于PSS参数优化以及改善电力系统动态稳定性具有重要意义。
现有的PSS参数优化整定的方法是基于粒子群优化算法的电力系统稳定器PPS参数整定方法。但基于粒子群的PSS参数优化整定方法基于的是小干扰稳定分析,该方法受系统规模影响较大,在系统阶数较大时,会丢失很多有用模态信息,不能适用于大电力系统的分析。为了适应于大电力系统,提出了一种电力系统稳定器PSS2B参数优化方法。
发明内容
本申请提供了一种电力系统稳定器PSS2B参数优化方法,以解决现有PSS参数优化不适应于大电力系统的技术问题。
为了解决上述问题,本申请提供以下的技术方案:
一种电力系统稳定器PSS2B参数优化方法,包括S01:构建云南电网的仿真模型,并根据所述仿真模型对选用的电力系统稳定器PSS2B进行简化处理获得简化模型;S02:初始化灰狼种群,并确定初始灰狼种群中的3个最优灰狼个体;S03:引入动态权重策略改进第一灰狼算法获得第二灰狼算法;S04:利用SDM-Prony对仿真模型输出的振荡曲线进行辨识获得机电模态信息,并根据机电模态信息构建电力系统的优化目标函数;S05:利用优化目标函数获得灰狼个体的适应度值,并根据适应度值和第二灰狼算法获得下一代灰狼种群,完成一次迭代;S06:判断下一代灰狼种群是否满足终止条件;若满足,则结束;若不满足,则继续迭代。
可选地,根据仿真模型对选用的电力系统稳定器PSS2B进行简化处理获得简化模型,包括:(1)忽略陷波器环节与转速通道环节;(2)简化隔直环节。
可选地,引入动态权重策略改进第一灰狼算法获得第二灰狼算法,包括第一灰狼算法的学习因子改进。
可选地,第一灰狼算法的学习因子改进包括:(1)改进ω狼对α狼的学习因子;(2)改进ω狼对β狼的学习因子;(3)改进ω狼对δ狼的学习因子;(4)改进ω狼更新自身最终位置的方式。
可选地,利用SDM-Prony对所述仿真模型输出的振荡曲线进行辨识获得机电模态信息,并根据所述机电模态信息构建电力系统的优化目标函数,包括:
利用SDM-Prony算法对所述仿真模型振荡曲线进行辨识获得机电模态信息,其中,机电模态信息包括低频振荡模态的振荡频率与衰减因子;
模式特征根的定义可知,衰减因子为特征根的实部,振荡频率乘以2pi为特征根的虚部,特征根可表示为:
λi=ξi±jωi;
根据机电模态信息的衰减因子、振荡频率和阻尼比公式构建电力系统的优化目标函数,其中,所述目标函数为
有益效果:本申请提供了一种电力系统稳定器PSS2B参数优化方法,该方法包括:S01:构建云南电网的仿真模型,并根据所述仿真模型对选用的电力系统稳定器PSS2B进行简化处理获得简化模型;S02:初始化灰狼种群,并确定初始灰狼种群中的3个最优灰狼个体;S03:引入动态权重策略改进第一灰狼算法获得第二灰狼算法;S04:利用SDM-Prony对所述仿真模型输出的振荡曲线进行辨识获得机电模态信息,并根据所述机电模态信息构建电力系统的优化目标函数;S05:利用所述优化目标函数获得灰狼个体的适应度值,并根据所述适应度值和所述第二灰狼算法获得下一代灰狼种群,完成一次迭代;S06:判断所述下一代灰狼种群是否满足终止条件;若满足,则结束;若不满足,则继续迭代。本申请提出的一种电力系统稳定器PSS2B参数优化方法,依据云南电网实际情况,提出了一种简化的PSS2B模型用于抑制低频振荡;再利用SDM-Prony算法对仿真模型辨识模态信息获得准确的模态信息;最后根据模态信息确定PSS2B优化参数。本申请中,该方法无需考虑系统阶数的影响,能够处理较大的电力系统,通过辨识算法辨识低频模态信息,能快速确定优化参数,使稳定器PSS2B的适用性更强,可以适应大电力系统。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为申请提供的一种电力系统稳定器PSS2B参数优化方法的流程图;
图2为申请提供的一种云南电网实际PSS2B数学模型;
图3为申请提供的一种云南电网实际PSS2B简化模型;
图4为申请提供的云南电网类似4机2区域系统的结构示意图;
图5为申请提供的方式2下G3有功功率曲线加入不同PSS2B的效果对比示意图;
图6为申请提供的方式2下G2有功功率曲线加入不同PSS2B的效果对比示意图;
图7为申请提供的方式2下G2与G1相对功角曲线加入不同PSS2B的效果对比示意图;
图8为申请提供的方式2下G3与G1相对功角曲线加入不同PSS2B的效果对比示意图;
图9为申请提供的方式2下G4与G1相对功角曲线加入不同PSS2B的效果对比示意图;
图10为申请提供的方式2下G3与G2相对功角曲线加入不同PSS2B的效果对比图;
图11为申请提供的方式3下G1有功功率曲线加入不同PSS2B的效果对比示意图;
图12为申请提供的方式3下G2有功功率曲线加入不同PSS2B的效果对比示意图;
图13为申请提供的方式3下G2与G1相对功角曲线加入不同PSS2B的效果对比图;
图14为申请提供的方式3下G3与G1相对功角曲线加入不同PSS2B的效果对比图。
具体实施方式
参见图1,为本申请提供的一种电力系统稳定器PSS2B参数优化方法的流程示意图。该方法包括S01:构建云南电网的仿真模型,并根据仿真模型对选用的电力系统稳定器PSS2B进行简化处理获得简化模型。
PSS2B采用转速(ω)与电功率(P)双输入信号合成加速功率信号作为输入,能够在抑制低频振荡的同时解决由于水电机组快速出力变化引起无功功率反调过大的问题。云南电网所采用的电力系统稳定器PSS2B模型参见图2,图2为本申请提供的一种云南电网实际PSS2B数学模型。为了简化计算,可将云南电网实际PSS2B数学模型进行简化处理获得简化模型,具体简化模型参见图3,图3为本申请提供的一种云南电网实际PSS2B简化模型。具体的简化过程包括:(1)忽略陷波器环节与转速通道环节;(2)简化隔直环节。忽略陷波器环节与转速通道环节的具体过程如下:由于本申请未考虑调速器影响,即机械功率变化为0,忽略陷波器环节与转速通道环节。简化隔直环节如下:由于云南电网大部分隔直环节时间常数在3-5之间,在此范围内的交接频率为0.03-0.04Hz,远小于本申请研究低频振荡的范围,因此忽略图2中的虚线框中部分,得到简化模型。
S02:初始化灰狼种群,并确定初始灰狼种群中的3个最优灰狼个体。
灰狼的位置由参数的范围决定,即中所要优化的补偿环节时间常数的范围。根据参数的范围初始化灰狼种群,并确定初始灰狼种群中的3个最优灰狼个体。
S03:引入动态权重策略改进第一灰狼算法获得第二灰狼算法。
由于灰狼算法的α狼不一定是全局最优位置,在后期迭代过程中,随着ω狼不断的向这三头狼靠近,易陷入局部最优。本申请引入比例权重,通过调节权重,不断地动态调节算法的全局搜索能力和局部搜索能力并提高寻优精度。引入动态权重策略改进第一灰狼算法获得第二灰狼算法包括第一灰狼算法的学习因子改进。在灰狼算法中,ω狼集中了α狼、β狼和δ狼的指导来更新自身位置,w1对应于ω狼对α狼的学习因子,w2对应于ω狼对β狼的学习因子,w3对应于ω狼对δ狼的学习因子。第一灰狼算法的学习因子改进包括(1)改进ω狼对α狼的学习因子;(2)改进ω狼对β狼的学习因子;(3)改进ω狼对δ狼的学习因子;(4)改进ω狼更新自身最终位置的方式。本申请提出的权重比例计算公式为
ω狼更新自身位置最终公式如下
S04:利用SDM-Prony对仿真模型输出的振荡曲线进行辨识获得机电模态信息,并根据机电模态信息构建电力系统的优化目标函数。
利用SDM-Prony算法对仿真模型的振荡曲线进行主导振荡模式辨识获得机电模态信息。机电模态信息包括低频振荡模态的振荡频率与衰减因子。
机电模式特征根的定义可知,衰减因子为特征根的实部,振荡频率乘以2pi为特征根的虚部,特征根可表示为:
λi=ξi±jωi;
根据机电模态信息的衰减因子、振荡频率和阻尼比公式构建电力系统的优化目标函数。加装PSS2B后,整个闭环系统状态矩阵特征根在复平面的位置决定了系统在稳态运行点的稳定情况。随着迭代的不断进行,机电模式特征根不断往左复半平面移动,并尽可能远离虚轴,使得机电模式阻尼比优化到规定要求。目标函数为ζ0为阀值,按照阻尼比要求,设置为0.2。ζi,j为第i个运行方式下第j个机电模式的阻尼比,此处只考虑优化过程中阻尼比低于0.2的机电模式,m为机电模式的数目,n为运行方式的个数。
S05:利用优化目标函数获得灰狼个体的适应度值,并根据适应度值和第二灰狼算法获得下一代灰狼种群,完成一次迭代。
根据获得灰狼个体的适应度值,并根据适应度值和获得下一代灰狼种群。
S06:判断下一代灰狼种群是否满足终止条件;若满足,则结束;若不满足,则继续迭代。
终止条件为最大迭代次数。判断下一代灰狼种群是否达到最大迭代次数,若没有达到最大迭代次数,则继续S05;若得到最大迭代次数,则结束。
该方法包括:S01:构建云南电网的仿真模型,并根据仿真模型对选用的电力系统稳定器PSS2B进行简化处理获得简化模型;S02:初始化灰狼种群,并确定初始灰狼种群中的3个最优灰狼个体;S03:引入动态权重策略改进第一灰狼算法获得第二灰狼算法;S04:利用SDM-Prony对仿真模型输出的振荡曲线进行辨识获得机电模态信息,并根据机电模态信息构建电力系统的优化目标函数;S05:利用优化目标函数获得灰狼个体的适应度值,并根据适应度值和第二灰狼算法获得下一代灰狼种群;S06:判断所述下一代灰狼种群是否满足终止条件;若满足,则结束;若不满足,则继续S05。本申请提出的一种电力系统稳定器PSS2B参数优化方法,依据云南电网实际情况,提出了一种简化的PSS2B模型用于抑制低频振荡;再利用SDM-Prony算法对仿真模型辨识模态信息获得准确的模态信息;最后根据模态信息确定PSS2B优化参数。本申请中,该方法无需考虑系统阶数的影响,能够处理较大的电力系统,通过辨识算法辨识低频模态信息,能快速确定优化参数,使稳定器PSS2B的适用性更强,可以适应大电力系统。
为了提高优化PSS参数在多运行方式下抑制低频振荡的有效性与鲁棒性,基于方式1进行多机PSS参数协调优化,基于方式2和方式3进行动态时域仿真校验。随着GWO算法在迭代后期易陷入局部最优,引入动态权重策略,通过调节权重,不断地动态调节算法的全局搜索能力和局部搜索能力并提高寻优精度,使得优化出的PSS2B参数能够适应多种运行方式,为了进一步对比验证本申请所优化PSS2B参数的优越性,引入一种常规PSS2B作为对比,表明本申请所述方法优化的PSS2B更能有效地抑制低频振荡,提高系统对振荡的阻尼。
下面结合仿真对本申请实例提供的基于GWO算法和SDM-Prony的电力系统稳定器PSS2B参数优化整定方法的应用效果作详细说明。
通过仿真来验证电力系统稳定器优化参数的鲁棒性。
情况一:方式1选取一种较为严重的运行状态:区域1向区域2输送有功功率,重负荷方式运行(简称重负荷)。
情况二:方式2为断开3-4之间一条联络线运行,同时系统在1.1s时发生3相接地短路故障,1.2s时切除故障。
情况三:方式3为轻负荷方式运行(简称轻负荷),考虑到云南电网异步联网条件下经常发生直流闭锁故障导致有功功率过剩,进而引起系统频率上升,这时切机能够很好地稳定频率变化。因此本申请基于方式3设置切机动作,将发电机G1切除50%,起始时间为1s,结束时间为1.5s。
图4为申请提供的云南电网类似4机2区域系统的结构示意图;图5为申请提供的方式2下G3有功功率曲线加入不同PSS2B的效果对比示意图;图6为申请提供的方式2下G2有功功率曲线加入不同PSS2B的效果对比示意图;图7为申请提供的方式2下G2与G1相对功角曲线加入不同PSS2B的效果对比示意图;图8为申请提供的方式2下G3与G1相对功角曲线加入不同PSS2B的效果对比示意图;图9为申请提供的方式2下G4与G1相对功角曲线加入不同PSS2B的效果对比示意图;图10为申请提供的方式2下G3与G2相对功角曲线加入不同PSS2B的效果对比图;图11为申请提供的方式3下G1有功功率曲线加入不同PSS2B的效果对比示意图;图12为申请提供的方式3下G2有功功率曲线加入不同PSS2B的效果对比示意图;图13为申请提供的方式3下G2与G1相对功角曲线加入不同PSS2B的效果对比图;图14为申请提供的方式3下G3与G1相对功角曲线加入不同PSS2B的效果对比图。参见图5~14可知,无PSS为不加电力系统稳定器得到的振荡曲线,常规PSS2B为加入常规PSS2B稳定器得到的曲线,优化PSS2B为使用本申请优化PSS2B参数得到的曲线。
参见图5~6可知,不加PSS时,G3与G2的电磁功率曲线发散,功率在不停地上下振荡,影响区域间功率传输。
参见图7~10可知,δ21、δ31、δ41、δ32曲线同样处于发散状态,振荡明显且长时间不消失,表明系统在方式2下失稳。加入常规PSS2B后,振荡的幅值和时间得到了明显抑制,G2和G3的输出功率普遍在5s左右达到了稳态。由δ21、δ31、δ41、δ32曲线可知,功角振荡在9s恢复了稳定,机组之间的转子角振荡同样得到了很好地平息。加入本申请优化PSS2B后,较之加入常规PSS2B,G3和G2功率振荡幅值进一步减小,同时振荡在3s左右过渡到稳态。功角振荡幅度、次数以及时间得到进一步抑制,在4s左右振荡停止,系统在方式2下恢复了稳定。表明本申请优化PSS2B参数抑制效果更佳,提高了阻尼转矩,增强了系统动态稳定性。
参见图11~14可知,不加PSS时,基于方式3设置切机动作后,G1和G2输出功率、δ21、δ31曲线振荡明显,表征系统在方式3下阻尼不足,系统失稳。加入常规PSS2B后,功率振荡的幅值得到了一定抑制,但是在9s左右振荡才能平息,振荡时间较长。功角振荡幅度减小,但振荡在10s左右才能停止,且在第2s时振荡幅值反而增加,表明常规的PSS2B对抑制方式3下的低频振荡整体效果不佳。较之常规PSS2B,加入本申请优化PSS2B后,抑制G1和G2功率振荡效果明显,7s左右振荡平息,功角振荡也在7~8s恢复了稳定,表明本申请优化的PSS2B能够明显增加系统在方式3下的阻尼,增强了小干扰稳定性。
由图中效果可知,基于方式1确定的优化参数在方式2和方式3下也能较好地抑制低频振荡,由于方式1为重负荷运行状态,说明本申请优化出的PSS2B参数具有一定的稳定裕度和适用性,起到了加入PSS2B提高系统阻尼转矩的作用,系统的稳定性明显增强。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种电力系统稳定器PSS2B参数优化方法,其特征在于,包括:
构建云南电网的仿真模型,并根据所述仿真模型对选用的电力系统稳定器PSS2B进行简化处理获得简化模型;
初始化灰狼种群,并确定初始灰狼种群中的3个最优灰狼个体;
引入动态权重策略改进第一灰狼算法获得第二灰狼算法;
利用SDM-Prony对所述仿真模型输出的振荡曲线进行辨识获得机电模态信息,并根据所述机电模态信息构建电力系统的优化目标函数;
利用所述优化目标函数获得灰狼个体的适应度值,并根据所述适应度值和所述第二灰狼算法获得下一代灰狼种群,完成一次迭代;
判断所述下一代灰狼种群是否满足终止条件;
若满足,则结束;
若不满足,则继续迭代。
2.根据权利要求1所述的方法,其特征在于,所述根据所述仿真模型对选用的电力系统稳定器PSS2B进行简化处理获得简化模型,包括:(1)忽略陷波器环节与转速通道环节;(2)简化隔直环节。
3.根据权利要求1所述的方法,其特征在于,所述引入动态权重策略改进第一灰狼算法获得第二灰狼算法,包括第一灰狼算法的学习因子改进。
4.根据权利要求3所述的方法,其特征在于,所述第一灰狼算法的学习因子改进包括:(1)改进ω狼对α狼的学习因子;(2)改进ω狼对β狼的学习因子;(3)改进ω狼对δ狼的学习因子;(4)改进ω狼更新自身最终位置的方式。
5.根据权利要求1所述的方法,其特征在于,所述利用SDM-Prony对所述仿真模型输出的振荡曲线进行辨识获得机电模态信息,并根据所述机电模态信息构建电力系统的优化目标函数,包括:
利用SDM-Prony算法对所述仿真模型振荡曲线进行辨识获得机电模态信息,其中,机电模态信息包括低频振荡模态的振荡频率与衰减因子;
模式特征根的定义可知,衰减因子为特征根的实部,振荡频率乘以2pi为特征根的虚部,特征根可表示为:
λi=ξi±jωi;
根据机电模态信息的衰减因子、振荡频率和阻尼比公式构建电力系统的优化目标函数,其中,所述目标函数为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811514884.7A CN109861244A (zh) | 2018-12-12 | 2018-12-12 | 一种电力系统稳定器pss2b参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811514884.7A CN109861244A (zh) | 2018-12-12 | 2018-12-12 | 一种电力系统稳定器pss2b参数优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109861244A true CN109861244A (zh) | 2019-06-07 |
Family
ID=66891128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811514884.7A Withdrawn CN109861244A (zh) | 2018-12-12 | 2018-12-12 | 一种电力系统稳定器pss2b参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109861244A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990888A (zh) * | 2021-05-07 | 2021-06-18 | 北京瑞莱智慧科技有限公司 | 一种工艺参数的调节策略决策模型的确定方法及装置 |
CN116165898A (zh) * | 2023-03-03 | 2023-05-26 | 盛东如东海上风力发电有限责任公司 | 一种基于灰狼算法的鲁棒电力系统稳定器设计配置方法及系统 |
CN116203845A (zh) * | 2023-03-03 | 2023-06-02 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于灰狼算法的风机频率响应控制器配置方法及系统 |
-
2018
- 2018-12-12 CN CN201811514884.7A patent/CN109861244A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990888A (zh) * | 2021-05-07 | 2021-06-18 | 北京瑞莱智慧科技有限公司 | 一种工艺参数的调节策略决策模型的确定方法及装置 |
CN112990888B (zh) * | 2021-05-07 | 2021-08-06 | 北京瑞莱智慧科技有限公司 | 一种工艺参数的调节策略决策模型的确定方法及装置 |
CN116165898A (zh) * | 2023-03-03 | 2023-05-26 | 盛东如东海上风力发电有限责任公司 | 一种基于灰狼算法的鲁棒电力系统稳定器设计配置方法及系统 |
CN116203845A (zh) * | 2023-03-03 | 2023-06-02 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于灰狼算法的风机频率响应控制器配置方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109861244A (zh) | 一种电力系统稳定器pss2b参数优化方法 | |
CN109256801B (zh) | 虚拟同步发电机虚拟惯量和虚拟阻尼系数自适应控制方法 | |
Magdy et al. | A novel coordination scheme of virtual inertia control and digital protection for microgrid dynamic security considering high renewable energy penetration | |
CN103138267B (zh) | 一种基于相对动能的电力系统暂态稳定实时紧急控制方法 | |
CN101242103B (zh) | 电力系统稳定器参数的智能优化方法 | |
CN105226723A (zh) | 一种双馈风电机组基于风功率跟踪自适应调节的虚拟惯性控制方法 | |
Liu et al. | Effect analysis of generator governor system and its frequency mode on inter-area oscillations in power systems | |
CN110262223B (zh) | 一种基于分数阶pid调速系统的水轮机综合性模型建模方法 | |
CN106910142A (zh) | 一种含风电有功‑频率耦合作用的电力系统频率特性计算方法 | |
CN106059422B (zh) | 一种用于双馈风电场次同步振荡抑制的模糊控制方法 | |
CN110492803A (zh) | 基于mdpso的永磁直驱风力发电机参数辨识方法 | |
CN110454328A (zh) | 一种无风速传感器下的风力发电系统功率追踪方法 | |
CN109038643A (zh) | 多机系统调速器pid参数优化方法、装置、设备及介质 | |
CN109787531A (zh) | 一种开关磁阻轮毂电机预测控制方法 | |
Ekelund | Speed control of wind turbines in the stall region | |
CN102841965B (zh) | 受端电网安全域最优潮流模型的建模方法 | |
Derafshian et al. | Optimal design of power system stabilizer for power systems including doubly fed induction generator wind turbines | |
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 | |
Hashemi et al. | Design of dual-dimensional controller based on multi-objective gravitational search optimization algorithm for amelioration of impact of oscillation in power generated by large-scale wind farms | |
Mi et al. | The frequency-voltage stability control for isolated wind-diesel hybrid power system | |
CN103683329A (zh) | 基于全网网损最小的并网机组励磁调差系数的优化方法 | |
CN109921472B (zh) | 基于粒子群优化算法的电力系统等效惯量评估方法 | |
CN109755968A (zh) | 一种双馈风电机组的神经网络保性能虚拟同步控制方法 | |
CN111146811B (zh) | 虚拟同步发电机二次调频鲁棒控制方法 | |
Ravichandran et al. | Coordinated controller design of grid connected DFIG based wind turbine using response surface methodology and NSGA II |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190607 |