CN110210994A - 一种对电力系统快速判稳模型进行有效性验证的方法及系统 - Google Patents
一种对电力系统快速判稳模型进行有效性验证的方法及系统 Download PDFInfo
- Publication number
- CN110210994A CN110210994A CN201910434538.6A CN201910434538A CN110210994A CN 110210994 A CN110210994 A CN 110210994A CN 201910434538 A CN201910434538 A CN 201910434538A CN 110210994 A CN110210994 A CN 110210994A
- Authority
- CN
- China
- Prior art keywords
- input data
- stability index
- matrix
- characteristic
- time interval
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000010200 validation analysis Methods 0.000 title claims abstract description 21
- 238000012795 verification Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000013016 learning Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种对电力系统快速判稳模型进行有效性验证的方法及系统，其中方法包括：按预定的时间间隔采集区域电网中所有发电机组的有功功率作为测试的输入数据，将稳定指标作为测试的输出数据；对所述输入数据进行归一化处理并对归一化处理后的所述输入数据进行主成分分析，求出所述输入数据的特征值及对应的特征向量；将所述特征向量生成矩阵；将包括所述特征量的矩阵及所述稳定指标进行非均匀离散傅里叶变换；生成所述特征量与所述稳定指标之间的幅频特性曲线。
Description
技术领域
本发明涉及电力系统暂态稳定性综合应用技术领域，更具体地，涉及一种对电力系统快速判稳模型进行有效性验证的方法及系统。
背景技术
随着特高压技术的发展，中国已经建成了超大规模的交直流混联电网。电力系统的特征正面临着极大的变化，需要对稳定性分析和控制技术进行改进，以满足新的要求。在中国，动态安全评估(DSA)已广泛应用于省级以上的调度系统，显着提升了调度员对电力系统运行状态的感知和掌握能力。DSA将每5到15分钟进行一次全面的安全性分析，其中包括1000多个预定义故障的暂态稳定性仿真，这需要极大的计算。然而，计算速度是DSA的主要性能指标之一，因为如果没有及时性，分析结果将变得毫无意义。由于计算量和速度相互矛盾，需要提出一些快速判断技术，能够以较小的计算成本计算稳定性指标，以及只选择真正危险的故障进行仿真。基于在线数据和仿真结果，已有深度学习模型运用于暂态稳定性临界切除时间的快速判断。通过对国家电网公司(SGCC)在线数据和不同的关键故障的仿真，验证了该方法的有效性，且满足在线分析系统的速度和精度要求，特别适用于小样本集。但是，仅依靠个例的精度并不能说明深度模型完全适应电网稳定性分析问题，没有充分的有效性的证明，快速判稳模型也很难投入实际应用。
最近，深度神经网络在训练过程种呈现的频率特性被观察到，并已证明该现象在各种深度神经网络中具有普遍性。电力系统暂态稳定问题中设计的输入输出之间的映射关系是否呈现出低频占优的特性，直接关系到深度模型在该问题中的有效性。
因此，需要一种技术，以实现对电力系统快速判稳模型进行有效性验证的技术
发明内容
本发明技术方案提供一种对电力系统快速判稳模型进行有效性验证的方法及系统，以解决如何对电力系统快速判稳模型进行有效性进行验证的问题。
为了解决上述问题，本发明提供了一种对电力系统快速判稳模型进行有效性验证的方法，所述方法包括：
按预定的时间间隔采集区域电网中所有发电机组的有功功率作为测试的输入数据，将稳定指标作为测试的输出数据；
对所述输入数据进行归一化处理并对归一化处理后的所述输入数据进行主成分分析，求出所述输入数据的特征值及对应的特征向量；将所述特征向量生成矩阵；
将包括所述特征量的矩阵及所述稳定指标进行非均匀离散傅里叶变换；
生成所述特征量与所述稳定指标之间的幅频特性曲线。
优选地，所述将所述特征向量生成矩阵，还包括：
将所述特征向量按对应的特征值大小从上到下按行排列成矩阵。
优选地，还包括：根据所述特征量与所述稳定指标之间的幅频特性曲线，判断是否满足低频占优特性。
优选地，还包括：所述预定的时间间隔为5分钟。
优选地，还包括：所述预定的时间间隔为15分钟。
基于本发明的另一方面，提供一种对电力系统快速判稳模型进行有效性验证的系统，所述系统包括：
采集单元，用于按预订的时间间隔采集区域电网中所有发电机组的有功功率作为测试的输入数据，将稳定指标作为测试的输出数据；
生成单元，用于对所述输入数据进行归一化处理并对归一化处理后的所述输入数据进行主成分分析，求出所述输入数据的特征值及对应的特征向量；将所述特征向量生成矩阵；
变换单元，用于将包括所述特征量的矩阵及所述稳定指标进行非均匀离散傅里叶变换；
验证单元，用于生成所述特征量与所述稳定指标之间的幅频特性曲线。
优选地，所述将所述特征向量生成矩阵，还包括：
将所述特征向量按对应的特征值大小从上到下按行排列成矩阵。
优选地，还包括判断单元：用于根据所述特征量与所述稳定指标之间的幅频特性曲线，判断是否满足低频占优特性。
优选地，还包括：所述预定的时间间隔为5分钟。
优选地，还包括：所述预定的时间间隔为15分钟。
本发明技术方案提供一种对电力系统快速判稳模型进行有效性验证的方法及系统，其中方法包括：按预定的时间间隔采集区域电网中所有发电机组的有功功率作为测试的输入数据，将稳定指标作为测试的输出数据；对输入数据进行归一化处理并对归一化处理后的输入数据进行主成分分析，求出输入数据的特征值及对应的特征向量；将特征向量生成矩阵；将包括特征量的矩阵及稳定指标进行非均匀离散傅里叶变换；生成特征量与稳定指标之间的幅频特性曲线。本发明技术方案是基于频率原理而提出的，运用于电力系统快速判稳模型有效性的验证。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明优选实施方式的一种对电力系统快速判稳模型进行有效性验证的方法流程图；
图2为根据本发明优选实施方式的频谱示意图；以及
图3为根据本发明优选实施方式的一种对电力系统快速判稳模型进行有效性验证的系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式一种对电力系统快速判稳模型进行有效性验证的方法流程图。深度学习模型现已应用于图像识别、自然语言理解和棋类等领域。但由于缺乏对复杂机器学习模型的理解，导致模型应用过程中偏差多次出现。目前机器学习的应用，大多数时候仍然是“黑盒子”，也就是可以拿来用，但是具体原理并不十分清楚，即缺乏足够的“可解释性”。而电力系统的稳定性问题事关重大，一旦发生失稳事故，电力系统乃至国民经济将会遭到重大损失。因为没有充分的有效性证明，基于深度学习网络的判稳模型很难被一线调度部门采纳并投入应用。频率分析提供了一个新的视角来发现深度学习模型的一些特性，并在一些问题应用深度学习呈现的不同的性能时，可以给出合理的解释。本申请根据深度学习模型在训练过程中的频率特性，提出了一种验证方法，对已有的电力系统快速判稳模型进行了有效性的检验，利用国家电网公司的在线数据证明了判稳模型的有效性。如图1所示，一种对电力系统快速判稳模型进行有效性验证的方法，方法包括：
优选地，在步骤101：按预定的时间间隔采集区域电网中所有发电机组的有功功率作为测试的输入数据，将稳定指标作为测试的输出数据。优选地，还包括：预定的时间间隔为5分钟。优选地，还包括：预定的时间间隔为15分钟。
本申请将通过DSA系统的操作完成。在线数据按预定的时间间隔，例如每5分钟生成一次，也可以隔10分钟、15分钟或20分钟生成一次。包括表中列出的潮流数据和稳定性分析结果如表1所示。
表1特性单位
在申请中使用发电机有功功率作为模型训练和测试的输入。
优选地，在步骤102：对输入数据进行归一化处理并对归一化处理后的输入数据进行主成分分析，求出输入数据的特征值及对应的特征向量；将特征向量生成矩阵。优选地，将特征向量生成矩阵，还包括：将特征向量按对应的特征值大小从上到下按行排列成矩阵。
本申请对输入数据进行数据归一化及PCA分析。设有m条n维数据(一条数据包含区域电网内所有发电机组该时刻的有功功率，n＝发电机数量)。
1)将原始数据按列组成n行m列矩阵X；
2)将X的每一行(代表一个属性字段)进行零均值化，即减去这一行的均值；
3)求出协方差矩阵；
4)求出协方差矩阵的特征值及对应的特征向量；
5)将特征向量按对应特征值大小从上到下按行排列成矩阵，取k行组成矩阵P；
6)Y＝PX即为降维到k维后的数据。
优选地，在步骤103：将包括特征量的矩阵及稳定指标进行非均匀离散傅里叶变换。本申请由上述步骤处理所得的输入量转为1维数组，对应输出量为临界切除时间(CCT)，对其进行非均匀离散傅里叶变换，从输入输出之间的幅频特性中观察所选取的输入输出是否满足低频占优的特性。
优选地，在步骤104：生成特征量与稳定指标之间的幅频特性曲线。
优选地，还包括：根据特征量与稳定指标之间的幅频特性曲线，判断是否满足低频占优特性。
本申请深度学习模型在训练过程中体现的频率特性，即频率原理(f-principle)，概括为：深度学习倾向于优先使用低频来拟合目标函数。
通常的频域分析是从时域特性曲线变换过来的，其中时域特性曲线一般描述的是物理量随时间的变化规律，而对电力系统快速判稳模型的输入与输出样本值来说，输入值为区域电网中所有发电机组的有功功率，是一个多维的输入变量，而输出值选取了三相短路临界切除时间(CCT,critical clearing time),为一维变量。这种数据类型无法直接采用傅里叶变换进行向频域的投影，因此需要分别对输入输出数据进行处理以达到变换的要求。最终依靠输出量在输入量上变化的幅频特性曲线，验证深度学习模型的有效性。
本申请以东北电网在线数据为例，特征量(输入量)：2018年11月东北在线数据中所有发电机的有功功率；稳定指标(输出量)：东北.科沙一线的临界切除时间(CCT)结果。经上述步骤得到频谱图如图2所示，其横轴为频率轴，纵轴为按式(1)进行傅里叶变换得到的幅值。可以看到，幅值随频率的增大而逐渐振荡衰减，说明东北机组有功与东北.科沙一线CCT之间属于明显的低频特征占优的关系，适宜采用深度学习技术进行快速判稳或特征提取。
本申请实施方式主要步骤包括：1)收集电网数据及稳定指标；2)针对输入量进行主成分分析(principal component analysis,PCA)，找到方差最大的变化方向；3)逐个计算样本在该方向上的投影作为主方向变化量，对主方向变化量与稳定指标进行傅里叶变化，如式(1)所示；4)绘制频谱图。
本申请提出一种基于频率原理(F-Principle)的面向电网稳定问题的深度学习模型有效性验证方法。该方法经过对输入量的PCA分析、样本投影、傅里叶变换等步骤，可以获取输入量与电网稳定指标之间关系的频谱图，用于判定所收集样本是否符合频率原理，即可以事先预测采用深度学习技术进行特征提取和快速判稳的有效性，提高了训练的针对性和工作效率。
图3为根据本发明优选实施方式的一种对电力系统快速判稳模型进行有效性验证的系统结构图。如图3所示，一种对电力系统快速判稳模型进行有效性验证的系统，系统包括：
采集单元301，用于按预订的时间间隔采集区域电网中所有发电机组的有功功率作为测试的输入数据，将稳定指标作为测试的输出数据。优选地，系统还包括：预定的时间间隔为5分钟。优选地，系统还包括：预定的时间间隔为15分钟。
生成单元302，用于对输入数据进行归一化处理并对归一化处理后的输入数据进行主成分分析，求出输入数据的特征值及对应的特征向量；将特征向量生成矩阵。优选地，将特征向量生成矩阵，还包括：将特征向量按对应的特征值大小从上到下按行排列成矩阵。
变换单元303，用于将包括特征量的矩阵及稳定指标进行非均匀离散傅里叶变换。
验证单元304，用于生成特征量与稳定指标之间的幅频特性曲线。
优选地，系统还包括判断单元：用于根据特征量与稳定指标之间的幅频特性曲线，判断是否满足低频占优特性。
本发明优选实施方式的一种对电力系统快速判稳模型进行有效性验证的系统300与本发明优选实施方式的一种对电力系统快速判稳模型进行有效性验证的方法100相对应，在此不再进行赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
Claims (10)
1.一种对电力系统快速判稳模型进行有效性验证的方法，所述方法包括：
按预定的时间间隔采集区域电网中所有发电机组的有功功率作为测试的输入数据，将稳定指标作为测试的输出数据；
对所述输入数据进行归一化处理并对归一化处理后的所述输入数据进行主成分分析，求出所述输入数据的特征值及对应的特征向量；将所述特征向量生成矩阵；
将包括所述特征量的矩阵及所述稳定指标进行非均匀离散傅里叶变换；
生成所述特征量与所述稳定指标之间的幅频特性曲线。
2.根据权利要求1所述的方法，所述将所述特征向量生成矩阵，还包括：
将所述特征向量按对应的特征值大小从上到下按行排列成矩阵。
3.根据权利要求1所述的方法，还包括：根据所述特征量与所述稳定指标之间的幅频特性曲线，判断是否满足低频占优特性。
4.根据权利要求1所述的方法，还包括：所述预定的时间间隔为5分钟。
5.根据权利要求1所述的方法，还包括：所述预定的时间间隔为15分钟。
6.一种对电力系统快速判稳模型进行有效性验证的系统，所述系统包括：
采集单元，用于按预订的时间间隔采集区域电网中所有发电机组的有功功率作为测试的输入数据，将稳定指标作为测试的输出数据；
生成单元，用于对所述输入数据进行归一化处理并对归一化处理后的所述输入数据进行主成分分析，求出所述输入数据的特征值及对应的特征向量；将所述特征向量生成矩阵；
变换单元，用于将包括所述特征量的矩阵及所述稳定指标进行非均匀离散傅里叶变换；
验证单元，用于生成所述特征量与所述稳定指标之间的幅频特性曲线。
7.根据权利要求6所述的系统，所述将所述特征向量生成矩阵，还包括：
将所述特征向量按对应的特征值大小从上到下按行排列成矩阵。
8.根据权利要求6所述的系统，还包括判断单元：用于根据所述特征量与所述稳定指标之间的幅频特性曲线，判断是否满足低频占优特性。
9.根据权利要求6所述的系统，还包括：所述预定的时间间隔为5分钟。
10.根据权利要求6所述的方法，还包括：所述预定的时间间隔为15分钟。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910434538.6A CN110210994A (zh) | 2019-05-23 | 2019-05-23 | 一种对电力系统快速判稳模型进行有效性验证的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910434538.6A CN110210994A (zh) | 2019-05-23 | 2019-05-23 | 一种对电力系统快速判稳模型进行有效性验证的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110210994A true CN110210994A (zh) | 2019-09-06 |
Family
ID=67788481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910434538.6A Pending CN110210994A (zh) | 2019-05-23 | 2019-05-23 | 一种对电力系统快速判稳模型进行有效性验证的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110210994A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120209575A1 (en) * | 2011-02-11 | 2012-08-16 | Ford Global Technologies, Llc | Method and System for Model Validation for Dynamic Systems Using Bayesian Principal Component Analysis |
| CN108964046A (zh) * | 2018-08-03 | 2018-12-07 | 东北电力大学 | 一种基于短时受扰轨迹的电力系统暂态稳定性评估方法 |
| CN108983635A (zh) * | 2018-06-19 | 2018-12-11 | 兰州交通大学 | 一种crh5型动车组投入多车网电气耦合系统稳定性分析方法 |
| CN109787236A (zh) * | 2019-01-28 | 2019-05-21 | 云南电网有限责任公司 | 一种基于深度学习的电力系统频率态势预测方法 |
-
2019
- 2019-05-23 CN CN201910434538.6A patent/CN110210994A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120209575A1 (en) * | 2011-02-11 | 2012-08-16 | Ford Global Technologies, Llc | Method and System for Model Validation for Dynamic Systems Using Bayesian Principal Component Analysis |
| CN108983635A (zh) * | 2018-06-19 | 2018-12-11 | 兰州交通大学 | 一种crh5型动车组投入多车网电气耦合系统稳定性分析方法 |
| CN108964046A (zh) * | 2018-08-03 | 2018-12-07 | 东北电力大学 | 一种基于短时受扰轨迹的电力系统暂态稳定性评估方法 |
| CN109787236A (zh) * | 2019-01-28 | 2019-05-21 | 云南电网有限责任公司 | 一种基于深度学习的电力系统频率态势预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨跃等: "基于神经网络预测校核的暂态稳定预防控制", 《电网技术》, vol. 42, no. 12, 5 December 2018 (2018-12-05), pages 4076 - 4082 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khazraj et al. | A performance comparison between extended Kalman Filter and unscented Kalman Filter in power system dynamic state estimation | |
| Michel et al. | Power system transient stability using individual machine energy functions | |
| Kim et al. | Fast and reliable estimation of composite load model parameters using analytical similarity of parameter sensitivity | |
| CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
| Gibbard et al. | Recent applications of linear analysis techniques | |
| CN106096810B (zh) | 基于配电网运行数据与地理拓扑信息的规划方法及系统 | |
| CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
| Chompoobutrgool et al. | Identification of power system dominant inter-area oscillation paths | |
| CN103064019A (zh) | 基于灰色关联模糊聚类的高压断路器故障诊断方法 | |
| Zhang et al. | Measurement-based power system dynamic model reductions | |
| Hou et al. | Cluster computing-based trajectory sensitivity analysis application to the WECC system | |
| CN104052058A (zh) | 一种基于马尔可夫链蒙特卡罗法的系统谐波概率评估方法 | |
| CN104882884A (zh) | 基于马尔可夫链-蒙特卡罗法的系统谐波概率评估方法 | |
| CN106300338A (zh) | 基于轨迹灵敏度的受端电网动态频率安全量化评估方法 | |
| CN103793556A (zh) | 综合出线负荷的变电站负荷建模方法 | |
| CN110210994A (zh) | 一种对电力系统快速判稳模型进行有效性验证的方法及系统 | |
| Yang et al. | A new wide area damping controller design method considering signal transmission delay to damp interarea oscillations in power system | |
| CN108920810A (zh) | 基于大数据架构的电力仿真方法 | |
| CN106291284A (zh) | 交流线路金具起晕电压模拟试验用高度修正系数确定方法 | |
| Grillo et al. | Indices for fast contingency ranking in large electric power systems | |
| CN112234609B (zh) | 基于电力系统随机动力学模型的非线性励磁控制方法 | |
| CN113794198A (zh) | 抑制宽频振荡的方法、装置、终端及存储介质 | |
| CN103279641A (zh) | 对除发电机外复杂电力系统进行多模态动态等值的方法 | |
| Kumar et al. | Intra-Area Mode: Measurement-Based and Model-Based Assessment in Indian Power System | |
| CN109217336B (zh) | 基于分区建模的同步发电机阻尼系数在线辨识方法 |
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 |