CN110850164B - 考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法 - Google Patents
考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法 Download PDFInfo
- Publication number
- CN110850164B CN110850164B CN201911021503.6A CN201911021503A CN110850164B CN 110850164 B CN110850164 B CN 110850164B CN 201911021503 A CN201911021503 A CN 201911021503A CN 110850164 B CN110850164 B CN 110850164B
- Authority
- CN
- China
- Prior art keywords
- harmonic
- pcc
- impedance
- point
- harmonic voltage
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明提出了一种考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法。首先利用相似性测度原理筛选出背景谐波电压波动较小的数据段,再建立公共连接点谐波电压和谐波电流数据组散点图,采用OPTICS算法进行聚类排列,通过有序队列和可达距离选择合适的聚类参数,使采样数据能按系统阻抗值划分成不同簇,最后对不同簇的数据采用偏最小二乘法进行多谐波源责任划分。仿真分析验证了提出方法能够较好的减小背景谐波电压波动和系统阻抗变化给谐波责任划分带来的影响,适用范围更广。
Description
技术领域
本发明属电力谐波分析技术领域,特别是涉及一种考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法。
背景技术
随着高渗透率分布式电源接入和电动汽车的普及,整流器、逆变器等大量电力电子装置的使用使得电力系统谐波污染问题日益严重。准确评估系统和各用户的谐波责任是治理谐波问题的前提。传统的谐波责任划分方法大多是在背景谐波电压波动较小以及系统阻抗恒定的情况下进行估算的。在实际运行的系统中,背景谐波电压通常存在波动现象,如光伏电源易受光照强度影响,其谐波发射水平和波动程度在一天中都处于变化状态。在责任划分中,通常将除关注用户外的区域计入系统侧,因此,电力系统运行方式改变、投切电容器组或无功补偿方式的变化等都可能导致系统阻抗发生变化,而考虑系统阻抗改变的责任划分相关研究却较少。
国内外对谐波责任划分已经进行了大量研究,其关键是准确估算谐波阻抗,主要有波动量法、线性回归法、独立随机矢量协方差特性法、盲源分离法等估算方法。波动量法通过谐波电压波动量和谐波电流波动量的比值来求解谐波阻抗,这种方法在系统谐波电压波动时误差较大,且该法仅适用于单用户谐波责任划分。独立随机矢量协方差特性法根据公共连接点处谐波电流与系统背景谐波只有弱的联系,利用随机矢量协方差特性抵消偏差量方程中背景谐波变动项,解得系统侧谐波阻抗;盲源分离法从谐波电压和谐波电流信息中分离系统侧和用户侧贡献电流信息以求系统阻抗,但要求源信号具有非高斯性;上面两种方法仅能区分系统侧和用户侧谐波责任,不能进行多谐波源责任划分。
目前多谐波源责任划分主要利用线性回归法,通过各谐波源在关注节点的贡献电压和该节点谐波电压与谐波电流的采样信息回归谐波阻抗,但在背景电压波动时必须进行数据筛选。
考虑阻抗变化的谐波责任划分研究较少,现有研究通常认为系统谐波阻抗变化是阶段性改变的。有研究提出一种根据斜率辨识谐波阻抗变化的方法,但当谐波阻抗变化同时伴随背景谐波电压波动时,谐波电压和谐波电流的斜率不再恒定,该种方法不适用。另有研究提出利用小波变换模极大值法检测出系统谐波阻抗发生改变的时间点,以此对测量数据进行分段处理,但当系统存在较大背景谐波电压波动时可能会干扰突变点的检测,从而影响数据段的划分。
鉴于此,本发明提出了考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法,利用相似性测度和OPTICS(Ordering Points to Identify the ClusteringStructure)算法筛选出背景谐波电压波动较小和系统阻抗恒定的数据段,应用范围更广。
发明内容
为了解决上述问题,本发明提出一种考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法,包括以下步骤:
A、基于相似性测度筛选背景谐波电压波动较小的数据段;
B、基于OPTICS算法聚类出系统阻抗恒定的数据簇;
C、采用偏最小二乘法进行多谐波责任划分。
进一步,步骤A包括:
对谐波电压X和谐波电流Y时间序列采用相似性测度中皮尔逊相关系数进行筛选
r是一个介于-1和1之间的值,通过滑动窗口检测公共连接点PCC处的谐波电压Upcc和谐波电流Ipcc时间序列,若系统侧主导波动时r趋向于1,若用户侧主导波动时r趋向于-1,筛选出r趋向于1和趋向于-1的数据段,即可计算出较精确的系统和用户侧阻抗值。
进一步,步骤B包括:
(1)获得PCC点谐波电压|Upcc|与谐波电流|Ipcc|散点图,建立有序队列O,即核心点及该核心点的直接密度可达点和结果队列R,即存储样本输出及处理次序,所有数据D标记为未处理;
(3)如果O为空,则回到步骤(2),否则从O中取出第一个样本点,即可达距离最小的样本点进行拓展,并将取出的样本点保存至R中,判断该拓展点m是否为核心对象,如果是,进入步骤(4),否则回到步骤(3);
(4)找到m所有的直接密度可达点cm(j),判断cm(j)是否已经存在于R,是则不处理,否则判断O中是否已经存在cm(j),如果是,进入步骤(5),否则跳到步骤(6);
(5)若此时新的可达距离rdn+1(i)小于旧的可达距离rdn(i),则用rdn+1(i)代替rdn(i),O重新排序,回到步骤(3);
(6)插入该点,并对O重新排序,回到步骤(3);
(7)以R的输出顺序为横坐标,可达距离为纵坐标,生成有序队列图,根据有序队列图判断合适的对象半径参数ε,输出有序队列图低谷数据,形成最终聚类结果。
进一步,核心距离和可达距离的定义如下:
对于p∈D,p的核心距离为使p成为核心点的最小邻域半径;对于p,q∈D,q关于p的可达距离定义为p的核心距离和p与q之间欧几里得距离之间的最大值。
进一步,步骤C包括:
以h次谐波责任评估为例,假设系统中存在N个谐波用户,分别向系统中注入的谐波矢量电流为Ii,i=1,2,…,N,同时关注节点PCC点上存在背景谐波源,即系统侧谐波源,其谐波矢量电压为Us,则系统侧和N个用户在关注节点上共同作用产生的谐波电压为
Upcc=Z1I1+Z2I2+…+ZNIN+Us
其中Zi(i=1,2,…,N)为谐波用户和关注节点之间的等效谐波阻抗,对相似性测度筛选和OPTICS聚类后的数据组Upcc和注入谐波电流Ii通过偏最小二乘法回归法求解谐波阻抗;根据偏最小二乘法计算出Zi和Us,则各谐波用户在关注节点上谐波电压责任为
系统侧谐波电压责任为
进一步,偏最小二乘法的回归算法的步骤如下:
如果根据交叉有效性,确定共抽取r个成分t1,…,tr可以得到一个满意的预测模型,则求F0在t1,…,tr上的最小二乘回归方程为
yj=aj1x1+…+ajmxm,(j=1,2,…,p)
附图表说明
图1是本发明方法中的戴维南等效电路图;
图2是本发明方法中的谐波电压与谐波电流的仿真散点图;
图3(a)和3(b)分别是K-means聚类图与谱聚类图;
图4(a)和4(b)是DBSCAN聚类图;
图5是本发明方法中的OPTICS有序队列图;
图6是本发明方法中的电力系统多谐波责任划分的等效模型;
图7是本发明方法中的多谐波源等效电路;
图8是本发明提出的考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法流程图;
图9是本发明具体实施方式中的等效电路图;
图10(a)和10(b)是本发明具体实施方式中PCC处5次谐波电压和谐波电流图;
图11是本发明具体实施方式中所得散点图;
图12(a)-12(d)是K-means、谱聚类和和DBSCAN聚类结果对比图;
图13(a)和13(b)是本发明具体实施方式中使用的OPTICS聚类结果图。
具体实施方式
下面结合附图表,对本发明作详细说明。
以下公开详细的推理分析方法和示范分析例。然而,此处公开的具体推理及分析过程细节仅仅是出于描述示范分析例的目的。
然而,应该理解,本发明不局限于公开的具体示范实施例,而是覆盖落入本公开范围内的所有修改、等同物和替换物。在对全部附图的描述中,相同的附图标记表示相同的元件。
本发明提出了考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法,首先对公共连接点(Point of Common Connection,PCC)处谐波电压与谐波电流的时间序列进行相似性测度,筛选出背景谐波电压较稳定数据段,再对筛选后的数据利用OPTICS算法进行聚类排列,通过有序队列和可达距离选择合适的聚类参数,使采样数据能按系统阻抗大小划分成不同簇,最后对不同簇的数据分别计算等效阻抗和谐波责任,本发明提出的方法同时适用于单用户和多用户谐波责任划分。
本发明的考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法包括以下步骤:
A、基于相似性测度筛选背景谐波电压波动较小的数据段;
B、基于OPTICS算法聚类出系统阻抗恒定的数据簇;
C、采用偏最小二乘法进行多谐波责任划分。
通过本发明的一种考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法,能够在背景谐波电压波动和系统阻抗变化条件下较精准的估算系统阻抗和各谐波源责任。
在一个具体实施方式中,本发明基于考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法步骤A中,基于相似性测度筛选背景谐波电压波动较小的数据段包括:
在衡量背景谐波电压波动情况时,可以将系统侧和用户侧等效为如图1所示的戴维宁等效电路。图1中Upcc和Ipcc分别代表PCC处谐波电压和谐波电流,Us和Uc分别代表系统侧和用户侧等效谐波电压源,Zs和Zc分别代表系统侧和用户侧等效谐波阻抗。
在图1所示的等效模型中,系统侧和用户侧等效谐波源可以分为以下四种波动情况:
(1)均不波动,由于两侧谐波源均不波动,导致Upcc和Ipcc为恒为定值,无法通过线性回归类或波动量法等方法计算出等效阻抗值;
(2)仅用户侧波动,由图1可得关系式
Upcc=ZsIpcc+Us
Us和Zs为常量时,Upcc和Ipcc呈现出正相关关系,可以计算出系统阻抗和背景谐波电压的值;
(3)仅系统侧波动,由图1可得关系式
Upcc=-ZcIpcc+Uc
Uc和Zc为常量时,Upcc和Ipcc呈现出负相关关系,可以计算出用户阻抗和用户等效谐波源的值;
(4)均波动,Uc和Us均为变量时,Upcc和Ipcc相关性较低,无法精确计算出谐波阻抗和谐波源电压大小。
故通过对Upcc和Ipcc的时间序列进行滑动窗相似性测度,筛选出谐波电压和谐波电流高度相关的时间序列,即可提高谐波阻抗和谐波发射水平估算的准确程度。
时间序列的相似性测度方法主要包含距离类相似性测度(欧式距离、马氏距离和明汉距离等)、角度相似性函数和皮尔逊相关系数。由于理想状态下Upcc和Ipcc呈线性关系,且皮尔逊相关系数能区分正相关性(上面的波动情况(2)和波动情况(4))、负相关性(上面的波动情况(3)和波动情况(4)),其中负相关性数据段可用于单用户模型中求解用户侧谐波阻抗,因此该法最符合要求。
时间序列X和Y之间的皮尔逊相关系数为
r是一个介于-1和1之间的值,通过滑动窗口检测Upcc和Ipcc时间序列,若系统侧主导波动时r趋向于1,若用户侧主导波动时r趋向于-1,筛选出r趋向于1和趋向于-1的数据段,即可计算出较精确的系统和用户侧阻抗值。
在一个具体实施方式中,本发明考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法步骤B中,基于OPTICS算法聚类出系统阻抗恒定的数据簇包括:
在实际系统中,系统阻抗可能因系统运行方式的变化、无功补偿的变化或者新设备输入等情况发生变化,因此在计算谐波责任时,应首先判断其阻抗值是否改变,如果改变,应当分段处理数据。
在仿真中测量PCC处谐波电压和谐波电流时间序列,经皮尔逊相关系数筛选用户主导波动段后,以|Ipcc|为横坐标,|Upcc|为纵坐标构成的散点图往往呈长条状,其斜率值与系统阻抗有关,图2为仿真环境下获得的散点图,图中黑色(三角状)散点为筛选后的数据点,呈四个长条状,分别对应四种阻抗值。
普通聚类方法大多依据点与点之间的距离划分不同的簇,对于这种长条状的散点图往往不能正确聚类,如K-means聚类结果如图3(a)所示和谱聚类的聚类结果如图3(b)所示。
与普通聚类方法不同,密度聚类将簇定义为密度相连点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。密度聚类的思想更符合人类的思维,可以解决数据分布特殊(如非凸、互相包络与长条形等)的情况下的聚类。
DBSCAN和OPTICS是基于密度的聚类算法。根据密度把点分为核心点、边界点和噪音点,给定对象半径ε内的邻域称为该对象的ε邻域,核心点是指在半径ε内含有超过最小数目(MinPts)的点,这些点都是在簇内;边界点是指在半径ε内点的数量小于MinPts,但落在某个核心点的邻域内;噪音点是指任何不是核心点或边界点的点,密度聚类能自动判定簇的个数。但DBSCAN对输入参数对象半径ε的值非常敏感,如当ε=0.1时聚类结果如图4(a)所示,当ε=1时聚类结果如图4(b)所示,一旦参数选择的不合适,将难以得到合适的聚类结果。
OPTICS聚类是DBSCAN聚类的改进方法,OPTICS并不直接生成聚类结果,而是先为聚类分析生成一个有序排列,再对这个有序排列进行后续处理以得到聚类结果。这个有序排列代表了各样本点基于密度的聚类结构,数据越接近,越有可能被分在同一聚类的样本,在排列中的位置就越靠近。以样本点结果队列为横轴,以可达距离为纵轴画坐标图,得到有序队列图,如图5所示。
样本的聚类结果体现为图中的低谷区域,图5中ei(i=1,2,3,…)分别代表由高到低的峰值,其中有3个峰值较明显,其对应的4个低谷区域对应散点图中4簇数据,当参数ε取小于e3大于e4的值时,提取低谷数据,得到4簇聚类结果。当以更大的参数作为阈值时,如当e2<ε<e1和e3<ε<e2,数据分别被聚类为2簇和3簇,而以更小的参数作为阈值时(ε<e4),数据会划分为更多的簇。从而改进了DBSCAN聚类算法对参数敏感的缺点。
OPTICS算法进行谐波阻抗聚类步骤如下:
(1)获得PCC点谐波电压|Upcc|与谐波电流|Ipcc|散点图,建立有序队列O(核心点及该核心点的直接密度可达点)和结果队列R(存储样本输出及处理次序),所有数据D标记为未处理;
(3)如果O为空,则回到步骤(2),否则从O中取出第一个样本点(即可达距离最小的样本点)进行拓展,并将取出的样本点保存至R中,判断该拓展点m是否为核心对象,如果是,进入步骤(4),否则回到步骤(3);
(4)找到m所有的直接密度可达点cm(j),判断cm(j)是否已经存在于R,是则不处理,否则判断O中是否已经存在cm(j),如果是,进入步骤(5),否则跳到步骤(6);
(5)若此时新的可达距离rdn+1(i)小于旧的可达距离rdn(i),则用rdn+1(i)代替rdn(i),O重新排序,回到步骤(3);
(6)插入该点,并对O重新排序,回到步骤(3);
(7)以R的输出顺序为横坐标,可达距离为纵坐标,生成有序队列图,根据有序队列图判断合适的对象半径参数ε,输出有序队列图低谷数据,形成最终聚类结果。
其中核心距离和可达距离的定义如下:
对于p∈D,p的核心距离为使p成为核心点的最小邻域半径;对于p,q∈D,q关于p的可达距离定义为p的核心距离和p与q之间欧几里得距离之间的最大值。
在一个具体实施方式中,本发明考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法步骤C中,采用偏最小二乘法进行多谐波责任划分包括:
以h次谐波责任评估为例,电力系统多谐波责任划分模型通常可以等效为图6所示的模型。假设系统中存在N个谐波用户,分别向系统中注入的谐波矢量电流为Ii(i=1,2,…,N),同时关注节点(又为公共连接点,)上存在背景谐波源(系统侧谐波源),其谐波矢量电压为Us,则系统侧和N个用户在关注节点上共同作用产生的谐波电压为
Upcc=Z1I1+Z2I2+…+ZNIN+Us
其中Zi(i=1,2,…,N)为谐波用户和关注节点X之间的等效谐波阻抗,系统侧和N个用户侧在该节点的产生的谐波电压与总谐波电压关系如图7所示。
依据本发明提出的根据时间序列相似性测度筛选和OPTICS聚类后,对各簇数据谐波电压Upcc和注入谐波电流Ii通过偏最小二乘法回归法求解谐波阻抗。
偏最小二乘法的回归算法的步骤如下:
如果根据交叉有效性,确定共抽取r个成分t1,…,tr可以得到一个满意的预测模型,则求F0在t1,…,tr上的最小二乘回归方程为
yj=aj1x1+…+ajmxm,(j=1,2,…,p)
根据偏最小二乘法计算出Zi和Us,则各谐波用户在关注节点上谐波电压责任为
系统侧谐波电压责任为
本发明提出的考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法流程图如图8所示。
以下通过一个具体实施方式来说明本发明的技术效果。在MATLAB软件平台上搭建如图9所示的等效电路模型,以5次谐波为例,系统侧和用户侧的等效电阻、等效电感和谐波电压源参数设置如表1所示,其中背景电压中的波动段大小不等,每0.02s测量一次谐波电压和谐波电流值,仿真共16s,共有800个采样点。
表1
测量PCC点的谐波电压和电流值,采样幅值分别如图10(a)和图10(b)所示。以|Ipcc|为横坐标,|Upcc|为纵坐标,获得散点图如图11中灰色(点状)散点图所示,经皮尔逊相关系数筛选后散点图如图11中黑色(三角状)散点图所示。由图11可以看到散点图呈三个长条形分布,分别对应三个阻抗值,首先用K-means、谱聚类和DBSCAN聚类对散点图进行聚类分析,K-means和谱聚类结果如图12(a)、12(b)所示,图12(c)和图12(d)分别代表ε=0.2和ε=1时DBSCAN聚类结果。
由图12(a)-12(d)可以看出,K-means和谱聚类在阻抗变化不大时很难准确聚类,DBSCAN对初始参数过于敏感,不易得到理想的结果。用本发明提出的OPTICS算法进行聚类分析,以结果队列的输出顺序为横坐标,可达距离为纵坐标,生成有序队列图如图13(a)所示,当参数取e2<ε<e1时,如ε=0.05,数据可以按密度聚类成3簇,聚类结果如图13(b)所示。
由图13(a)和13(b)可知,本发明方法能准确的将不同系统阻抗对应的数据组分开,由OPTICS聚类获得三簇数据后,计算各时段系统侧和三个用户侧谐波责任均值,估算结果和误差分析如表2所示,由表2可得,本发明方法能较为准确的计算系统侧和各用户侧谐波责任。
表2
本发明提出的一种考虑背景谐波电压波动和系统谐波阻抗变化的谐波责任划分方法,同时适用于单用户和多用户责任划分。经仿真对比可得,在背景谐波电压波动时,所提出相似性测度筛选数据段的方法相对于传统责任划分方法能更精确的估算谐波阻抗和谐波责任;在系统阻抗变化时,所提出的OPTICS算法在筛选谐波阻抗恒定数据段时效果明显优于其他聚类算法,因此,本发明所提出的方法能减小背景谐波电压波动和系统阻抗变化带来的影响,适用范围更广。
需要说明的是,上述实施方式仅为本发明较佳的实施方式,不能将其理解为对本发明保护范围的限制,在未脱离本发明构思的前提下,对本发明所做的任何微小变化与修饰均属于本发明的保护范围。
Claims (3)
1.一种考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法,包括以下步骤:
A、基于相似性测度筛选背景谐波电压波动较小的数据段,包括:
对谐波电压X和谐波电流Y时间序列采用相似性测度中皮尔逊相关系数进行筛选
r是一个介于-1和1之间的值,通过滑动窗口检测公共连接点PCC处的谐波电压Upcc和谐波电流Ipcc时间序列,若系统侧主导波动时r趋向于1,若用户侧主导波动时r趋向于-1,筛选出r趋向于1和趋向于-1的数据段,即可计算出较精确的系统和用户侧阻抗值;
B、基于OPTICS算法聚类出系统阻抗恒定的数据簇,包括:
(1)获得PCC点谐波电压|Upcc|与谐波电流|Ipcc|散点图,建立有序队列O,即核心点及该核心点的直接密度可达点和结果队列R,即存储样本输出及处理次序,所有数据D标记为未处理;
(3)如果O为空,则回到步骤(2),否则从O中取出第一个样本点,即可达距离最小的样本点进行拓展,并将取出的样本点保存至R中,判断该拓展点m是否为核心对象,如果是,进入步骤(4),否则回到步骤(3);
(4)找到m所有的直接密度可达点cm(j),判断cm(j)是否已经存在于R,是则不处理,否则判断O中是否已经存在cm(j),如果是,进入步骤(5),否则跳到步骤(6);
(5)若此时新的可达距离rdn+1(i)小于旧的可达距离rdn(i),则用rdn+1(i)代替rdn(i),O重新排序,回到步骤(3);
(6)插入该点,并对O重新排序,回到步骤(3);
(7)以R的输出顺序为横坐标,可达距离为纵坐标,生成有序队列图,根据有序队列图判断合适的对象半径参数ε,输出有序队列图低谷数据,形成最终聚类结果;
C、采用偏最小二乘法进行多谐波责任划分。
2.根据权利要求1所述的一种考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法,其特征在于:所述核心距离和可达距离的定义如下:
对于p∈D,p的核心距离为使p成为核心点的最小邻域半径;对于p,q∈D,q关于p的可达距离定义为p的核心距离和p与q之间欧几里得距离之间的最大值。
3.根据权利要求2所述的一种考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法,其特征在于,所述步骤C包括:
以h次谐波责任评估为例,假设系统中存在N个谐波用户,分别向系统中注入的谐波矢量电流为Ii,i=1,2,…,N,同时关注节点PCC点上存在背景谐波源,即系统侧谐波源,其谐波矢量电压为Us,则系统侧和N个用户在关注节点上共同作用产生的谐波电压为
Upcc=Z1I1+Z2I2+…+ZNIN+Us
其中Zi,为谐波用户和关注节点之间的等效谐波阻抗,i=1,2,…,N,对相似性测度筛选和OPTICS聚类后的数据组Upcc和注入谐波电流Ii通过偏最小二乘法回归法求解谐波阻抗;根据偏最小二乘法计算出Zi和Us,则各谐波用户在关注节点上谐波电压责任为
系统侧谐波电压责任为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911021503.6A CN110850164B (zh) | 2019-10-25 | 2019-10-25 | 考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911021503.6A CN110850164B (zh) | 2019-10-25 | 2019-10-25 | 考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110850164A CN110850164A (zh) | 2020-02-28 |
CN110850164B true CN110850164B (zh) | 2021-03-02 |
Family
ID=69597721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911021503.6A Active CN110850164B (zh) | 2019-10-25 | 2019-10-25 | 考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110850164B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693773B (zh) * | 2020-04-29 | 2023-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于互近似熵数据筛选的谐波源责任划分方法 |
CN111898499A (zh) * | 2020-07-17 | 2020-11-06 | 东南大学 | 基于互近似熵与聚类的多谐波源谐波责任划分方法 |
CN112230056B (zh) * | 2020-09-07 | 2022-04-26 | 国网河南省电力公司电力科学研究院 | 一种基于OFMMK-Means聚类和复合分位数回归多谐波源贡献计算方法 |
CN112763797B (zh) * | 2020-12-23 | 2022-03-15 | 南方电网科学研究院有限责任公司 | 背景谐波电压电流频谱校正方法及装置 |
CN112784792B (zh) * | 2021-01-29 | 2023-02-07 | 海南电网有限责任公司电力科学研究院 | 基于Pearson相关系数与OPTICS的电压暂降同源识别方法 |
CN113484690A (zh) * | 2021-07-27 | 2021-10-08 | 杭州得诚电力科技股份有限公司 | 供电系统的谐波源定位方法、装置、设备以及存储介质 |
CN113688538B (zh) * | 2021-09-27 | 2023-10-27 | 福州大学 | 采用预测修正法辨识设备参数的谐波责任全景量化方法 |
CN115015643B (zh) * | 2022-06-16 | 2024-06-28 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 系统侧谐波阻抗检测方法 |
CN115204757A (zh) * | 2022-09-15 | 2022-10-18 | 四川大学 | 一种谐波污染分区方法 |
CN116467556B (zh) * | 2023-03-28 | 2023-12-15 | 四川大学 | 考虑背景谐波电压波动和阻抗变化的谐波阻抗计算方法 |
CN116663431B (zh) * | 2023-07-28 | 2023-11-14 | 山东大学 | 基于分段仿射的风电场阻抗确定方法、系统、设备及介质 |
CN117630487B (zh) * | 2023-10-25 | 2024-06-07 | 国网甘肃省电力公司电力科学研究院 | 基于lof筛选-启发式分割算法的系统谐波阻抗估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10289318A (ja) * | 1997-04-17 | 1998-10-27 | Mitsubishi Chem Corp | 画像処理方法 |
CN102323494A (zh) * | 2011-05-24 | 2012-01-18 | 山东电力研究院 | 一种多谐波源辨识方法 |
CN102749521A (zh) * | 2012-07-18 | 2012-10-24 | 华北电力大学(保定) | 一种电力系统谐波阻抗计算方法 |
CN103424620A (zh) * | 2013-08-08 | 2013-12-04 | 华南理工大学 | 一种基于时间序列相关度的10kV配网谐波源辨识方法 |
CN105676069A (zh) * | 2016-02-18 | 2016-06-15 | 云南电网有限责任公司电力科学研究院 | 一种基于ap聚类数据筛选的谐波责任划分方法 |
-
2019
- 2019-10-25 CN CN201911021503.6A patent/CN110850164B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10289318A (ja) * | 1997-04-17 | 1998-10-27 | Mitsubishi Chem Corp | 画像処理方法 |
CN102323494A (zh) * | 2011-05-24 | 2012-01-18 | 山东电力研究院 | 一种多谐波源辨识方法 |
CN102749521A (zh) * | 2012-07-18 | 2012-10-24 | 华北电力大学(保定) | 一种电力系统谐波阻抗计算方法 |
CN103424620A (zh) * | 2013-08-08 | 2013-12-04 | 华南理工大学 | 一种基于时间序列相关度的10kV配网谐波源辨识方法 |
CN105676069A (zh) * | 2016-02-18 | 2016-06-15 | 云南电网有限责任公司电力科学研究院 | 一种基于ap聚类数据筛选的谐波责任划分方法 |
Non-Patent Citations (2)
Title |
---|
王瑜 等;考虑背景谐波电压变化的多谐波源谐波责任划分;《电力系统自动化》;20150925;第39卷(第18期);第55-59页 * |
考虑背景谐波电压变化的多谐波源谐波责任划分.王瑜 等.《电力系统自动化》.2015,第39卷(第18期), * |
Also Published As
Publication number | Publication date |
---|---|
CN110850164A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110850164B (zh) | 考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法 | |
Diallo et al. | The impact of total and partial inclusion or exclusion of active and inactive time invariant covariates in growth mixture models. | |
JP6027132B2 (ja) | 質量分析法とスコア正規化による微生物の特定方法 | |
CN109934269B (zh) | 一种电磁信号的开集识别方法和装置 | |
CN107742113B (zh) | 一种基于目标数量后验的sar图像集群目标检测方法 | |
CN109919241A (zh) | 基于概率模型和深度学习的高光谱未知类别目标检测方法 | |
Liao et al. | Recognition of partial discharge patterns | |
CN110673208A (zh) | 一种机器学习框架下高维特征约束的初至拾取方法及系统 | |
Zhang et al. | The combined application of principal component analysis and decision tree in nuclear pulse shape discrimination | |
Ma et al. | An intelligent classification framework for complex PQDs using optimized KS-transform and multiple fusion CNN | |
Yu et al. | Filtering and refinement: A two-stage approach for efficient and effective anomaly detection | |
CN114266457A (zh) | 一种配电线路异损诱因检测的方法 | |
CN114048819A (zh) | 基于注意力机制和卷积神经网络的配电网拓扑辨识方法 | |
Yilmaz et al. | Exploratory study on clustering methods to identify electricity use patterns in building sector | |
CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
Hagh et al. | Improving bad data detection in state estimation of power systems | |
CN108197646A (zh) | 一种用于分布式光纤传感系统的目标分类识别方法 | |
Tantum et al. | Frequency domain electromagnetic induction sensor data feature extraction and processing for improved landmine detection | |
CN111132020B (zh) | 一种基于机器学习的rssi室内环境感知与检测方法 | |
CN114047399A (zh) | 一种光伏直流电弧故障识别方法及装置 | |
Garousi et al. | Detection and classification of power quality disturbances using parallel neural networks based on discrete wavelet transform. | |
Fahrudin et al. | Classification of Toddler Nutritional Status Based on Antrophometric Index and Feature Discrimination using Support Vector Machine Hyperparameter Tuning | |
Atamuradov et al. | Evaluation of Features with Changing Effectiveness for Prognostics | |
Douzal-Chouakria et al. | A random-periods model for the comparison of a metrics efficiency to classify cell-cycle expressed genes | |
CN116661522B (zh) | 一种基于数据处理的温变试验箱温度智能调控方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |