CN110969214A - 一种基于支持向量机综合模型的暂态安全域在线构建方法 - Google Patents
一种基于支持向量机综合模型的暂态安全域在线构建方法 Download PDFInfo
- Publication number
- CN110969214A CN110969214A CN201911310713.7A CN201911310713A CN110969214A CN 110969214 A CN110969214 A CN 110969214A CN 201911310713 A CN201911310713 A CN 201911310713A CN 110969214 A CN110969214 A CN 110969214A
- Authority
- CN
- China
- Prior art keywords
- power
- generator
- critical
- critical point
- time
- 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
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 36
- 230000001052 transient effect Effects 0.000 title claims abstract description 34
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 239000002131 composite material Substances 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000002679 ablation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013097 stability assessment Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000368 destabilizing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Images
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于支持向量机综合模型的暂态安全域在线构建方法，包括：(1)建立多分类支持向量机综合模型，以所有发电机的6个特征量为输入，识别主导失稳发电机；(2)探究了临界切除时间与功率临界点的映射关系；(3)利用临界切除时间与功率临界点的映射关系快速求取了功率临界点，并通过相轨迹方法构建了暂态安全域；本发明在现有暂态安全域基础上引入了支持向量机和复合神经网络等机器学习方法，实现了主导失稳发电机及其功率临界点的快速求取，同时兼顾了算法的精度。
Description
技术领域
本发明属于电力系统稳定性领域，具体涉及一种基于支持向量机综合模型的暂态安全域在线构建方法。
背景技术
在电力系统大规模互联和市场化环境下，电力系统的安全性和稳定性面临严峻挑战。暂态失稳被认为是电力系统中最严重的不稳定性形式，具有严重社会经济影响。随着区域电网的互联，现代电力系统的规模和复杂性使得在线稳定评估和控制的需求更加迫切。传统的暂态稳定评估方法主要分为时域仿真和能量函数两大类。它们由于各自的缺点，很难应用于在线实时控制。在线实时暂态稳定评估已成为许多学者的研究热点。随着广域量测系统的安装和使用逐渐扩大，基于机器学习和相量量测单元数据的暂态稳定性评估也迅速发展。许多学者逐渐关注这一领域并取得了丰硕的成果。
现有的机器方法均是利用量测到的信息对系统某一状态下稳定性进行分析。从本质上说，均属于逐点判断的范畴。虽然可以得到系统稳定性结论，所得到的结果也只是稳定与否的二元定性指标，缺乏对系统稳定性全局的指示和定量刻画。
在这个方面，暂态安全域方法具有明显优势。电力系统暂态安全域是定义在事故前注入功率空间上的集合，当系统运行点处于该集合内部时，对于既定事故后均可保证系统的暂态稳定。暂态安全域方法不仅可以用于快速判别系统当前运行点的暂态稳定性，还可以计算运行点到安全域边界的距离，从而获知系统中的发电/负荷在不同调整方式下的安全裕度。暂态安全域可以有效为系统运行人员提供更为丰富的安全裕度信息和辅助决策参考，在考虑新能源接入等不确定性场景下的概率安全分析应用中具有良好的应用前景。然而传统的暂态安全域需要大量主导失稳发电机和临界点信息，仿真时间太长制约了在线应用。
发明内容
本发明要解决的技术问题为：基于广域量测系统数据和多分类支持向量机综合模型，提供一种能够在线构建暂态安全域的快速方法，解决主导失稳发电机识别和功率临界点搜索时间太长的问题，为电网运行人员提供系统暂态稳定性的裕度信息和全局指示。
为了实现上述发明目的，本发明采取的技术方案具体为：一种基于支持向量机综合模型的暂态安全域在线构建方法，包括以下步骤：
(1)通过广域量测系统实时测量获得量测数据，并计算惯性中心坐标系下，故障初期各发电机的功角δ、角速度ω、加速度a、加速功率ΔP、与同步转速的角速度差
相对动能Ek。由广域量测系统获取原始数据后，将所需数据进行计算，为了更好地表征系统的特性，将各物理量转化为惯性中心坐标系下的数值。以功角δ为例，计算公式如下所示：
其中，δCOI为系统惯性中心转子角，Mi为发电机i的惯性时间常数，
m为发电机数量。
(2)构造多分类支持向量机的训练样本和测试样本，确定各支持向量机的参数。利用多分类支持向量机综合模型识别主导失稳发电机。
对仿真系统中的线路分别在线路首端和末端设置三相短路故障，改变发电机出力构造不同发电机主导的失稳样本，将生成的样本随机分成训练集和测试集。采用径向基函数作为各支持向量机的核函数，训练和测试时首先将输入值进行归一化处理。分别对每个SVM利用网格化方法遍历进行参数寻优，每个SVM的参数C和γ均从2-10-210变化，步长为20.2，选取训练效果最好的一组C和γ。为了提高主导失稳发电机的辨识准确率，首先分别采用各特征量作为SVM的输入量，进行主导失稳发电机辨识。然后对各SVM的辨识结果进行综合分析，将各SVM辨识次数最多的发电机作为最终的辨识结果，如式(2)所示：
Ci＝max{Ni}i＝1,2,…,n (2)
式中，Ci为失稳发电机综合识别结果，Ni为单个SVM失稳发电机识别结果为Gi的次数，Gi为发电机的序号。
(3)利用复合神经网络预测故障的临界切除时间，求取临界切除时间和功率临界点之间的变化关系。将复合神经网络的输入输出看成一种映射关系，假设该映射关系为f，故障的临界切除时间可以按式(3)表示：
yCCT＝f(x) (3)
式中，x是复合神经网络输入的量测信息，yCCT是故障临界切除时间的预测值。
故障临界切除时间和功率临界点的变化关系如式(4)所示：
式中，K是功率临界点和临界切除时间的关系系数，Δf是故障临界切除时间的变化量，Δp是功率临界点的变化量。
(4)按照功率临界点与临界切除时间的映射关系搜索功率临界点，并在功率临界点处使用相轨迹方法计算各发电机的相轨迹灵敏度系数，构建暂态稳定安全域。当临界切除时间等于故障切除时间时主导失稳发电机的功率即为其功率临界点，由于主导失稳发电机的功率临界点和临界切除时间在一定范围内呈反比，可以利用该关系求取功率临界点。相应的计算公式如式(5)所示：
Pc＝Po+K(Tcr-yCCT) (5)
式中，Pc是功率临界点，Po是当前运行点功率，Tcr是故障切除时间，yCCT是临界切除时间的预测值。
有益效果：
1、本发明解决了暂态安全域中主导失稳发电机和功率临界点的求取过度依赖于时域仿真，耗时太长在线应用效果差的问题。本发明只需获取系统的量测信息，不需要复杂的理论分析。所采用的多分类支持向量机模型提高了算法的精度，综合了不同量测信息的辨识结果，更加准确地反映了发电机失稳情况。
2、本发明提出的方案将机器学习方法引入暂态安全域的构建，兼顾了快速性与准确性的要求，可以为电力系统运行人员提供丰富的全局性和量化信息，有效推动了暂态安全域在线应用。
3、本发明可以提供丰富的稳定裕度信息，给电网运行人员更加明确的指示；进一步提升了复杂情况下电力系统暂态稳定判别准确性，并为后续暂态失稳预防和校正提供了新的研究思路。
附图说明
图1是本发明提供的SVM综合模型示意图；
图2是本发明提供的新英格兰10机39节点系统接线图；
图3是本发明提供的功率临界点搜索示意图。
具体实施方式
下面结合附图对本发明作出详细说明：
一种基于支持向量机综合模型的暂态安全域在线构建方法，包括以下步骤：
步骤一、通过广域量测系统实时测量获得量测数据，并计算惯性中心坐标系下，故障初期各发电机的功角δ、角速度ω、加速度a、加速功率ΔP、与同步转速的角速度差
相对动能Ek。由广域量测系统获取原始数据后，将所需数据进行计算，为了更好地表征系统的特性，将各物理量转化为惯性中心坐标系下的数值。以功角δ为例，计算公式如下所示：
其中，δCOI为系统惯性中心转子角，Mi为发电机i的惯性时间常数，
m为发电机数量。
步骤二、构造多分类支持向量机的训练样本和测试样本，确定各支持向量机的参数。利用多分类支持向量机综合模型识别主导失稳发电机。
采用新英格兰10机39节点系统作为仿真算例，如图2所示。对仿真系统中的线路分别在线路首端和末端设置三相短路故障，改变发电机出力构造不同发电机主导的失稳样本，将生成的样本随机分成训练集和测试集。采用径向基函数作为各支持向量机的核函数，训练和测试时首先将输入值进行归一化处理。分别对每个SVM利用网格化方法遍历进行参数寻优，每个SVM的参数C和γ均从2-10-210变化，步长为20.2，选取训练效果最好的一组C和γ。相应的SVM综合模型如图1所示，为了提高主导失稳发电机的辨识准确率，首先分别采用各特征量作为SVM的输入量，进行主导失稳发电机辨识。然后对各SVM的辨识结果进行综合分析，将各SVM辨识次数最多的发电机作为最终的辨识结果，如式(2)所示：
Ci＝max{Ni}i＝1,2,…,n (2)
式中，Ci为失稳发电机综合识别结果，Ni为单个SVM失稳发电机识别结果为Gi的次数，Gi为发电机的序号。
算法辨识结果如表1所示：
表1不同特征量辨识结果
步骤三、利用复合神经网络预测故障的临界切除时间，求取临界切除时间和功率临界点之间的变化关系。将复合神经网络的输入输出看成一种映射关系，设该映射关系为f，故障的临界切除时间可以按式(3)表示：
yCCT＝f(x) (3)
式中，x是复合神经网络输入的量测信息，yCCT是故障临界切除时间的预测值。
故障临界切除时间和功率临界点的变化关系如式(4)所示：
式中，K是功率临界点和临界切除时间的关系系数，Δf是故障临界切除时间的变化量，Δp是功率临界点的变化量。
步骤四、按照功率临界点与临界切除时间的映射关系搜索功率临界点，并在功率临界点处使用相轨迹方法计算各发电机的相轨迹灵敏度系数，构建暂态稳定安全域。当临界切除时间等于故障切除时间时主导失稳发电机的功率即为其功率临界点，由于主导失稳发电机的功率临界点和临界切除时间在一定范围内呈反比，可以利用该关系求取功率临界点。相应的计算公式如式(5)所示：
Pc＝Po+K(Tcr-yCCT) (5)
式中，Pc是功率临界点，Po是当前运行点功率，Tcr是故障切除时间，yCCT是临界切除时间的预测值。
尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。
Claims (5)
1.一种基于支持向量机综合模型的暂态安全域在线构建方法，其特征在于，包括以下步骤：
步骤1、通过广域量测系统实时测量获得量测数据，并计算惯性中心坐标系下，故障初期各发电机的功角δ、角速度ω、加速度a、加速功率ΔP、与同步转速的角速度差
相对动能Ek；-
步骤2、构造多分类支持向量机(SVM)的训练样本和测试样本，确定各支持向量机的参数，利用多分类支持向量机综合模型识别主导失稳发电机；
步骤3、利用复合神经网络预测故障的临界切除时间，求取临界切除时间和功率临界点之间的变化关系；
步骤4、按照功率临界点与临界切除时间的映射关系搜索功率临界点，并在功率临界点处使用相轨迹方法计算各发电机的相轨迹灵敏度系数，构建暂态稳定安全域。
2.根据权利要求1所述的一种基于支持向量机综合模型的暂态安全域在线构建方法，其特征在于，步骤1中，具体的数据获取与计算方法如下：
由广域量测系统获取原始数据，将所需数据进行计算，为了更好地表征系统的特性，将各物理量转化为惯性中心坐标系下的数值；以功角δ为例，计算公式如下所示：
其中，δCOI为系统惯性中心转子角，Mi为发电机i的惯性时间常数，
m为发电机数量。
3.根据权利要求1所述的一种基于支持向量机综合模型的暂态安全域在线构建方法，其特征在于，步骤2中，具体样本构造和参数确定方法如下：
2.1对仿真系统中的线路分别在线路首端和末端设置三相短路故障，改变发电机出力构造不同发电机主导的失稳样本，将生成的样本随机分成训练集和测试集；
2.2采用径向基函数作为各支持向量机的核函数，训练和测试时首先将输入值进行归一化处理；
2.3分别对每个SVM利用网格化方法遍历进行参数寻优，每个SVM的参数C和γ均从2-10-210变化，步长为20.2，选取训练效果最好的一组C和γ；
分别采用各特征量作为SVM的输入量，进行主导失稳发电机辨识。然后对各SVM的辨识结果进行综合分析，将各SVM辨识次数最多的发电机作为最终的辨识结果，如式(2)所示：
Ci＝max{Ni} i＝1,2,…,n (2)
式中，Ci为失稳发电机综合识别结果，Ni为单个SVM失稳发电机识别结果为Gi的次数，Gi为发电机的序号。
4.根据权利要求1所述的一种基于支持向量机综合模型的暂态安全域在线构建方法，其特征在于，步骤3中，临界切除时间和功率临界点之间的变化关系求取方法如下：
将复合神经网络的输入输出看成一种映射关系，假设该映射关系为f，故障的临界切除时间可以按式(3)表示：
yCCT＝f(x) (3)
式中，x是复合神经网络输入的量测信息，yCCT是故障临界切除时间的预测值。
故障临界切除时间和功率临界点的变化关系如式(4)所示：
式中，K是功率临界点和临界切除时间的关系系数，Δf是故障临界切除时间的变化量，Δp是功率临界点的变化量。
5.根据权利要求1所述的一种基于支持向量机综合模型的暂态安全域在线构建方法，其特征在于，步骤4中，功率临界点计算方法如下：
当临界切除时间等于故障切除时间时主导失稳发电机的功率即为其功率临界点，由于主导失稳发电机的功率临界点和临界切除时间在一定范围内呈反比，可以利用该关系求取功率临界点；相应的计算公式如式(5)所示：
Pc＝Po+K(Tcr-yCCT) (5)
式中，Pc是功率临界点，Po是当前运行点功率，Tcr是故障切除时间，yCCT是临界切除时间的预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911310713.7A CN110969214B (zh) | 2019-12-18 | 2019-12-18 | 一种基于支持向量机综合模型的暂态安全域在线构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911310713.7A CN110969214B (zh) | 2019-12-18 | 2019-12-18 | 一种基于支持向量机综合模型的暂态安全域在线构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110969214A true CN110969214A (zh) | 2020-04-07 |
| CN110969214B CN110969214B (zh) | 2023-06-23 |
Family
ID=70034963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911310713.7A Active CN110969214B (zh) | 2019-12-18 | 2019-12-18 | 一种基于支持向量机综合模型的暂态安全域在线构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110969214B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113067352A (zh) * | 2021-03-31 | 2021-07-02 | 东南大学 | 一种基于eeac和elm的电网临界切除时间预测方法 |
| CN113381401A (zh) * | 2021-05-31 | 2021-09-10 | 国网宁夏电力有限公司电力科学研究院 | 基于归一化能量并行计算临界切除时间的方法及系统 |
| CN117937468A (zh) * | 2024-01-25 | 2024-04-26 | 天津大学 | 基于扩展相轨迹理论的电网动态安全域构建方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030200010A1 (en) * | 2002-04-22 | 2003-10-23 | Hsiao-Dong Chiang | Method and system for on-line dynamical screening of electric power system |
| CN102664405A (zh) * | 2012-04-28 | 2012-09-12 | 清华大学 | 暂态安全域最短半径估计方法 |
| US20130159710A1 (en) * | 2011-12-20 | 2013-06-20 | Apple Inc. | System and method for key management for issuer security domain using global platform specifications |
| CN108876163A (zh) * | 2018-06-27 | 2018-11-23 | 国电南瑞科技股份有限公司 | 综合因果分析与机器学习的暂态功角稳定快速评估方法 |
-
2019
- 2019-12-18 CN CN201911310713.7A patent/CN110969214B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030200010A1 (en) * | 2002-04-22 | 2003-10-23 | Hsiao-Dong Chiang | Method and system for on-line dynamical screening of electric power system |
| US20130159710A1 (en) * | 2011-12-20 | 2013-06-20 | Apple Inc. | System and method for key management for issuer security domain using global platform specifications |
| CN102664405A (zh) * | 2012-04-28 | 2012-09-12 | 清华大学 | 暂态安全域最短半径估计方法 |
| CN108876163A (zh) * | 2018-06-27 | 2018-11-23 | 国电南瑞科技股份有限公司 | 综合因果分析与机器学习的暂态功角稳定快速评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| YU,YINXIN,ET AL: "Power system security cost optimization based on practical dynamic security region", PROCEEDINGS OF THE CSEE, vol. 24, no. 6, pages 13 - 18 * |
| 汪芳宗,何仰赞,陈德树: "基于人工神经网络的电力系统暂态安全域估计", 电力系统自动化, no. 04, pages 18 - 23 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113067352A (zh) * | 2021-03-31 | 2021-07-02 | 东南大学 | 一种基于eeac和elm的电网临界切除时间预测方法 |
| CN113067352B (zh) * | 2021-03-31 | 2022-07-05 | 东南大学 | 一种基于eeac和elm的电网临界切除时间预测方法 |
| CN113381401A (zh) * | 2021-05-31 | 2021-09-10 | 国网宁夏电力有限公司电力科学研究院 | 基于归一化能量并行计算临界切除时间的方法及系统 |
| CN113381401B (zh) * | 2021-05-31 | 2022-06-07 | 国网宁夏电力有限公司电力科学研究院 | 基于归一化能量并行计算临界切除时间的方法及系统 |
| CN117937468A (zh) * | 2024-01-25 | 2024-04-26 | 天津大学 | 基于扩展相轨迹理论的电网动态安全域构建方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110969214B (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110969214A (zh) | 一种基于支持向量机综合模型的暂态安全域在线构建方法 | |
| Kamwa et al. | Automatic segmentation of large power systems into fuzzy coherent areas for dynamic vulnerability assessment | |
| CN111478314B (zh) | 一种电力系统暂态稳定评估方法 | |
| CN110119570B (zh) | 一种实测数据驱动的风电场模型参数校核方法 | |
| CN108092319A (zh) | 一种短期风电功率预测的不确定性分析方法及装置 | |
| CN111046532B (zh) | 一种基于肘形判据的同调机群聚类识别方法 | |
| CN108053128A (zh) | 一种基于elm和tf的电网暂态稳定快速评估方法 | |
| CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型系统及方法 | |
| CN104578053A (zh) | 基于受扰电压轨迹簇特征的电力系统暂态稳定性预测方法 | |
| CN111900731A (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
| CN112017070A (zh) | 一种基于数据增强评估电力系统暂态稳定的方法及系统 | |
| CN112415326B (zh) | 一种基于模糊聚类算法的配电网故障区段辨识方法 | |
| CN103033716A (zh) | 一种电网综合负荷模型中各负荷成分所占比例的计算方法 | |
| CN111797545B (zh) | 一种基于实测数据的风电机组偏航折减系数计算方法 | |
| CN110705831A (zh) | 电力系统故障后功角失稳模式预判模型构建方法及其应用 | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
| CN113237619B (zh) | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 | |
| CN108574290B (zh) | 受迫振荡的振荡源定位方法、装置、终端及可读存储介质 | |
| He et al. | Power system frequency situation prediction method based on transfer learning | |
| CN109799454A (zh) | 基于粒子群优化的发电机主绝缘剩余击穿场强预测方法 | |
| CN117748481A (zh) | 基于实时动态分区的电力系统惯量在线评估方法及装置 | |
| CN117060440A (zh) | 一种电力系统分区频率稳定判别方法 | |
| CN105375475A (zh) | 一种基于实时动态等值的电力系统快速暂态稳定仿真方法 | |
| CN109376990B (zh) | 一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统 |
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 |