CN111009909B - 电力系统低频振荡模式识别方法 - Google Patents
电力系统低频振荡模式识别方法 Download PDFInfo
- Publication number
- CN111009909B CN111009909B CN202010002708.6A CN202010002708A CN111009909B CN 111009909 B CN111009909 B CN 111009909B CN 202010002708 A CN202010002708 A CN 202010002708A CN 111009909 B CN111009909 B CN 111009909B
- Authority
- CN
- China
- Prior art keywords
- value
- possible solution
- frequency oscillation
- low
- solution
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种电力系统低频振荡模式识别方法,包括获取低频振荡源信号;设置采蜜蜂的参数、种群规模、个数数量、最大迭代次数和蜜源的试验限制次数;设定初始最佳解值并计算得到初始最小绝对误差值;更新可能解;得到最终辨识的低频振荡模式参数。本发明提出了一种应用于电力系统信号中低频振荡模式识别的人工蜂群算法(ABC)的分析方法,本发明方法能够分析并得到电力系统低频振荡模型的参数,而且可靠性高、实时性好、速度速且简单易行。
Description
技术领域
本发明属于电气自动化领域,具体涉及一种电力系统低频振荡模式识别方法。
背景技术
随着经济技术的发展和人们生活水平的提高,电能已经成为了人们生产和生活中必不可少的二次能源,给人们的生产和生活带来了无尽的便利。因此,保证自身的稳定可靠运行,就成为了电力系统最重要的任务之一。
同时,随着环境问题的日益突出,各种新能源发电设施不断接入电网。当前新能源的不断接入并网,能源互联网的建设,有利于提高发输电的运行经济性和可靠性,但随着电力的不断发展,间歇性能源的不断投入,电力系统中更可能引发低频振荡现象。比如大规模光伏并网后,系统阻尼可能会进一步恶化,低频振荡极易发生。低频振荡的发生严重威胁新能源并网系统稳定运行,对新能源的进一步推广应用也造成了不良影响,如果无法很好的对低频振荡进行抑制,电力系统的稳定性将遭到破坏。因此,电力系统对低频振荡模式参数进行辨识,对抑制低频振荡有着重要的意义。
但是,电力系统当前的辨识方法,都存在辨识速率慢,迭代复杂等问题,严重制约了辨识的结果和应用。
发明内容
本发明的目的在于提供一种可靠性高、实时性好、速度速且简单易行的电力系统低频振荡模式识别方法。
本发明提供的这种电力系统低频振荡模式识别方法,包括如下步骤:
S1.获取低频振荡源信号;
S2.设置采蜜蜂的参数;
S3.设定种群规模和个数数量;
S4.设置最大迭代次数和蜜源的试验限制次数;
S5.设定初始最佳解值,并计算得到初始最小绝对误差值;
S6.更新可能解;
S7.得到最终辨识的低频振荡模式参数。
步骤S1所述的低频振荡源信号的表示式为S(t)=A*exp(k*t)*cos(2πft+φ),其中A为信号幅值,k为不等于0的常数,f为频率,φ为相位。
步骤S2所述的设置采蜜蜂的参数,具体为采蜜蜂的参数包括幅值A、频率f、相位φ和衰减系数α。
步骤S4所述的设置最大迭代次数和蜜源的试验限制次数,具体为设置最大迭代次数MaxIt,试验限制次数L=round(0.6×N×SN),round()为四舍五入操作,N为个体数量,SN为采蜜蜂的数量。
步骤S5所述的设定初始最佳解值,并计算得到初始最小绝对误差值,具体为设定初始最佳解值Yc为无穷大,对初始可能解X0i={x01,x02...x0D}进行满足约束条件的随机分布设置,根据拟合结果与实际结果的绝对误差为目标函数值,并相互比较,得到最终初始最小绝对误差值Y0.best。
所述的绝对误差的计算公式为AE=|Yc-S(t)|;其中Yc为初始最佳解值,S(t)为低频振荡源信号。
步骤S6所述的更新可能解,具体为采用如下步骤更新可能解:
A.采蜜蜂更新可能解;
新生成的解值X’i={x’i1,x’i2...x’iD}与原解值Xi={xi1,xi2...xiD}进行比较,并保留适应度更高的解值;
B.采蜜蜂将可能解信息分享给观察蜂,每只观察蜂采用设定策略按照概率选择可能解,并求解对应的解值;
C.若观察蜂群和采集蜂群在搜索完整个可能解空间时,存在可能解的适应值在达到设定的试验限制次数之内没有增大,则舍弃该可能解,同时该蜜源所对应的采蜜蜂转变为侦查蜂,搜索新的可能解,将新生成的可能解解值与旧的解值进行比较,并记录迄今为止最好的蜜源。
步骤A所述的更新可能解,具体为采用如下公式更新可能解:
x’id=xid+φid(xid-xkd)
式中φid为区间[-1,1]上的随机数,xid为初始可能解,x’id为新的可能解,k≠i,k是除i外的其他可能解。
步骤B所述的设定策略,具体为轮盘赌策略。
步骤B所述的概率,具体为采用如下算式计算概率Pi:
式中fit为适应函数,fiti为可能解Xi的适应值,SN为观察蜂与采蜜蜂的数量。
步骤C所述的搜索新的可能解,具体为采用如下公式搜索新的可能解xid:
xid=xd min+r(xd max-xd min)
式中r为[-1,1]上的随机数,xd min为第d个可能解值的下界,xd max为第d个可能解值的上界。
步骤S7所述的得到最终辨识的低频振荡模式参数,具体为采用如下步骤得到最终辨识的低频振荡模式参数:
(1)记录当前迭代次数中,使得目标函数值最佳的各个参数值;
(2)判断当前迭代次数是否达到设定的最大迭代次数:
若当前迭代次数小于或等于最大迭代次数,则将步骤(1)中得到的目标函数值与之前得到的最佳目标函数值进行比较:若步骤(1)中得到的目标函数值的绝对误差优于之前得到的最佳目标函数值的最佳误差,则将步骤(1)得到的目标函数值设定为最佳目标函数值;若步骤(1)中得到的目标函数值的绝对误差差于之前得到的最佳目标函数值的最佳误差,则不做操作;同时,重复步骤S6、步骤(1)和步骤(2),直至当前迭代次数大于最大迭代次数;
若当前迭代次数大于最大迭代次数,则得到绝对误差最优时的目标函数值所对应的参数;同时,计算信噪比并进行判断:若信噪比大于设定的阈值,则将最大迭代次数增加第一设定值,并重复步骤S6、步骤(1)和步骤(2)直至信噪比低于设定的阈值;最后根据对应的参数辨识出低频振荡模型的参数。
本发明提供的这种电力系统低频振荡模式识别方法,提出了一种应用于电力系统信号中低频振荡模式识别的人工蜂群算法(ABC)的分析方法,本发明方法能够分析并得到电力系统低频振荡模型的参数,而且可靠性高、实时性好、速度速且简单易行。
附图说明
图1为本发明方法的方法流程示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种电力系统低频振荡模式识别方法,包括如下步骤:
S1.获取低频振荡源信号,表示为S(t)=A*exp(k*t)*cos(2πft+φ),其中A为信号幅值,k为不等于0的常数,f为频率,φ为相位;
S2.设置采蜜蜂的参数,具体包括幅值A、频率f、相位φ和衰减系数α;
S3.设定种群规模和个数数量Di;
S4.设置最大迭代次数和蜜源的试验限制次数;具体为设置最大迭代次数MaxIt,试验限制次数L=round(0.6×N×SN),round()为四舍五入操作,N为个体数量,SN为采蜜蜂的数量;
S5.设定初始最佳解值,并计算得到初始最小绝对误差值;具体为设定初始最佳解值Yc为无穷大,对初始可能解X0i={x01,x02...x0D}进行满足约束条件的随机分布设置,根据拟合结果与实际结果的绝对误差为目标函数值,并相互比较,得到最终初始最小绝对误差值Y0.best;
在具体实施时,绝对误差的计算公式为AE=|Yc-S(t)|;其中Yc为初始最佳解值,S(t)为低频振荡源信号;
S6.更新可能解;具体为采用如下步骤更新可能解:
A.采蜜蜂更新可能解;具体为采用如下公式更新可能解:
x’id=xid+φid(xid-xkd)
式中φid为区间[-1,1]上的随机数,xid为初始可能解,x’id为新的可能解,k≠i,k是除i外的其他可能解;
新生成的解值X’i={x’i1,x’i2...x’iD}与原解值Xi={xi1,xi2…xiD}进行比较,并保留适应度更高的解值;
B.采蜜蜂将可能解信息分享给观察蜂,每只观察蜂采用设定策略按照概率选择可能解,并求解对应的解值;具体为采用如下算式计算概率Pi:
式中fit为适应函数,fiti为可能解Xi的适应值,SN为观察蜂与采蜜蜂的数量;
C.若观察蜂群和采集蜂群在搜索完整个可能解空间时,存在可能解的适应值在达到设定的试验限制次数之内没有增大,则舍弃该可能解,同时该蜜源所对应的采蜜蜂转变为侦查蜂,搜索新的可能解,将新生成的可能解解值与旧的解值进行比较,并记录迄今为止最好的蜜源;具体为采用如下公式搜索新的可能解xid:
xid=xd min+r(xd max-xd min)
式中r为[-1,1]上的随机数,xd min为第d个可能解值的下界,xd max为第d个可能解值的上界;
S7.得到最终辨识的低频振荡模式参数;具体为采用如下步骤得到最终辨识的低频振荡模式参数:
(1)记录当前迭代次数中,使得目标函数值最佳的各个参数值;
(2)判断当前迭代次数是否达到设定的最大迭代次数:
若当前迭代次数小于或等于最大迭代次数,则将步骤(1)中得到的目标函数值与之前得到的最佳目标函数值进行比较:若步骤(1)中得到的目标函数值的绝对误差优于之前得到的最佳目标函数值的最佳误差,则将步骤(1)得到的目标函数值设定为最佳目标函数值;若步骤(1)中得到的目标函数值的绝对误差差于之前得到的最佳目标函数值的最佳误差,则不做操作;同时,重复步骤S6、步骤(1)和步骤(2),直至当前迭代次数大于最大迭代次数;
若当前迭代次数大于最大迭代次数,则得到绝对误差最优时的目标函数值所对应的参数;同时,计算信噪比并进行判断:若信噪比大于设定的阈值(比如20%),则将最大迭代次数增加第一设定值(比如10次),并重复步骤S6、步骤(1)和步骤(2)直至信噪比低于设定的阈值;最后根据对应的参数辨识出低频振荡模型的参数。
在得到低频振荡模型参数之后,能够根据得到的频率辨识出低频振荡所属模式,并且根据这些辨识到的参数,可以为后续低频振荡的抑制,设计低频振荡抑制器等提供参数支持。
比如,一种包括所述的电力系统低频振荡模式识别方法的低频振荡抑制器的设计方法,包括如下步骤:
S1~S7为上述的电力系统低频振荡模式识别方法的步骤;
S8.以步骤S7得到最终辨识的低频振荡模式参数为目标,对低频振荡抑制器进行设计,并将设计好的低频振荡抑制器接入电网,从而实现对电网的低频振荡的抑制。
以下以一个实施例,对本发明进行说明:
获取电力系统低频振荡信号,该信号包括两个振荡模式,模式1、模式2,其频率分别为0.75Hz、2Hz,阻尼比分别为-0.0665、-0.05,幅值分别为2.5、6,具体参数如表1所示。设定种群规模为100,采蜜蜂的数量为50,最大迭代次数为200次。经过本发明方法以后,得到各参数的最优估计值,并与原始信号进行了拟合。
表1电力系统低频振荡模式的原始参数示意表
模式 | 频率/Hz | 衰减系数 | 幅值/pu | 阻尼比 | 相位/rad |
模式1 | 2 | -0.1 | 6 | -0.0500 | -0.0580 |
模式2 | 0.75 | -0.05 | 2.5 | -0.0665 | -0.0380 |
表2应用本发明的低频振荡模式识别分析方法得到的参数表
序号 | 频率/Hz | 衰减系数 | 振幅/pu | 阻尼比 | 相位/rad |
模式1 | 2.0023 | -0.1031 | 6.011 | -0.0506 | -0.0512 |
模式2 | 0.7515 | -0.0514 | 2.5015 | -0.0672 | -0.0374 |
由表2可得出,由本发明方法得出的参数与原始参数非常接近,故本发明方法可以有效的辨识低频振荡模式的各个参数。
Claims (5)
1.一种电力系统低频振荡模式识别方法,包括如下步骤:
S1.获取低频振荡源信号;
S2.设置采蜜蜂的参数;
S3.设定种群规模和个数数量;
S4.设置最大迭代次数和蜜源的试验限制次数;
S5.设定初始最佳解值,并计算得到初始最小绝对误差值;
S6.更新可能解;具体为采用如下步骤更新可能解:
A.采蜜蜂更新可能解;
新生成的解值X′i={x′i1,x′i2...x′iD}与原解值Xi={xi1,xi2...xiD}进行比较,并保留适应度更高的解值;具体为采用如下公式更新可能解:
x′id=xid+φid(xid-xkd)
式中φid为区间[-1,1]上的随机数,xid为初始可能解,x′id为新的可能解,k≠i,k是除i外的其他可能解;
B.采蜜蜂将可能解信息分享给观察蜂,每只观察蜂采用设定策略按照概率选择可能解,并求解对应的解值;具体为采用如下算式计算概率Pi:
式中fit为适应函数,fiti为可能解Xi的适应值,SN为观察蜂与采蜜蜂的数量;
C.若观察蜂群和采集蜂群在搜索完整个可能解空间时,存在可能解的适应值在达到设定的试验限制次数之内没有增大,则舍弃该可能解,同时该蜜源所对应的采蜜蜂转变为侦查蜂,搜索新的可能解,将新生成的可能解解值与旧的解值进行比较,并记录迄今为止最好的蜜源;具体为采用如下公式搜索新的可能解xid:
xid=xd min+r(xd max-xd min)
式中r为[-1,1]上的随机数,xd min为第d个可能解值的下界,xd max为第d个可能解值的上界;
S7.得到最终辨识的低频振荡模式参数;具体为采用如下步骤得到最终辨识的低频振荡模式参数:
(1)记录当前迭代次数中,使得目标函数值最佳的各个参数值;
(2)判断当前迭代次数是否达到设定的最大迭代次数:
若当前迭代次数小于或等于最大迭代次数,则将步骤(1)中得到的目标函数值与之前得到的最佳目标函数值进行比较:若步骤(1)中得到的目标函数值的绝对误差优于之前得到的最佳目标函数值的最佳误差,则将步骤(1)得到的目标函数值设定为最佳目标函数值;若步骤(1)中得到的目标函数值的绝对误差差于之前得到的最佳目标函数值的最佳误差,则不做操作;同时,重复步骤S6、步骤(1)和步骤(2),直至当前迭代次数大于最大迭代次数;
若当前迭代次数大于最大迭代次数,则得到绝对误差最优时的目标函数值所对应的参数;同时,计算信噪比并进行判断:若信噪比大于设定的阈值,则将最大迭代次数增加第一设定值,并重复步骤S6、步骤(1)和步骤(2)直至信噪比低于设定的阈值;最后根据对应的参数辨识出低频振荡模型的参数。
2.根据权利要求1所述的电力系统低频振荡模式识别方法,其特征在于步骤S1所述的低频振荡源信号的表示式为S(t)=A*exp(k*t)*cos(2πft+φ),其中A为信号幅值,k为不等于0的常数,f为频率,φ为相位。
3.根据权利要求1或2所述的电力系统低频振荡模式识别方法,其特征在于步骤S4所述的设置最大迭代次数和蜜源的试验限制次数,具体为设置最大迭代次数MaxIt,试验限制次数L=round(0.6×N×SN),round()为四舍五入操作,N为个体数量,SN为采蜜蜂的数量。
4.根据权利要求3所述的电力系统低频振荡模式识别方法,其特征在于步骤S5所述的设定初始最佳解值,并计算得到初始最小绝对误差值,具体为设定初始最佳解值Yc为无穷大,对初始可能解X0i={x01,x02...x0D}进行满足约束条件的随机分布设置,根据拟合结果与实际结果的绝对误差为目标函数值,并相互比较,得到最终初始最小绝对误差值Y0.best。
5.根据权利要求4所述的电力系统低频振荡模式识别方法,其特征在于所述的绝对误差的计算公式为AE=|Yc-S(t)|;其中Yc为初始最佳解值,S(t)为低频振荡源信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010002708.6A CN111009909B (zh) | 2020-01-02 | 2020-01-02 | 电力系统低频振荡模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010002708.6A CN111009909B (zh) | 2020-01-02 | 2020-01-02 | 电力系统低频振荡模式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111009909A CN111009909A (zh) | 2020-04-14 |
CN111009909B true CN111009909B (zh) | 2022-02-01 |
Family
ID=70120414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010002708.6A Active CN111009909B (zh) | 2020-01-02 | 2020-01-02 | 电力系统低频振荡模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111009909B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102820662A (zh) * | 2012-08-17 | 2012-12-12 | 华北电力大学 | 含分布式电源的电力系统多目标无功优化方法 |
CN103119821A (zh) * | 2010-09-30 | 2013-05-22 | Abb研究有限公司 | 多端hvdc系统的协调控制 |
US8774949B2 (en) * | 2011-10-04 | 2014-07-08 | Institute Of Nuclear Energy Research Atomic Energy Council, Executive Yuan | Hybrid intelligent control method and system for power generating apparatuses |
CN107065575A (zh) * | 2017-06-09 | 2017-08-18 | 武汉理工大学 | 基于人工蜂群算法的无人艇航向控制模型的参数辨识方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104333020B (zh) * | 2014-10-17 | 2016-08-17 | 广西电网有限责任公司 | 一种电力系统实时低频振荡分析及最优校正控制方法 |
-
2020
- 2020-01-02 CN CN202010002708.6A patent/CN111009909B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103119821A (zh) * | 2010-09-30 | 2013-05-22 | Abb研究有限公司 | 多端hvdc系统的协调控制 |
US8774949B2 (en) * | 2011-10-04 | 2014-07-08 | Institute Of Nuclear Energy Research Atomic Energy Council, Executive Yuan | Hybrid intelligent control method and system for power generating apparatuses |
CN102820662A (zh) * | 2012-08-17 | 2012-12-12 | 华北电力大学 | 含分布式电源的电力系统多目标无功优化方法 |
CN107065575A (zh) * | 2017-06-09 | 2017-08-18 | 武汉理工大学 | 基于人工蜂群算法的无人艇航向控制模型的参数辨识方法 |
Non-Patent Citations (3)
Title |
---|
An adaptive artificial bee colony algorithm for global optimization;Alkin Y;《Applied Mathematics and Computation 》;20151231;第1004-1023页 * |
基于改进人工蜂群算法的多机系统PSS参数协调优化研究;殷凯乐;《中国优秀硕士学位论文全文数据库》;20170415;第C42-221页 * |
自适应随机优化策略的改进人工蜂群算法;刘鑫;《小型微型计算机系统》;20180228;第235-239页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111009909A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Improved global maximum power point tracking for photovoltaic system via cuckoo search under partial shaded conditions | |
CN111048117B (zh) | 一种基于目标适应子空间学习的跨库语音情感识别方法 | |
CN109255514B (zh) | 一种智能配电网分区独立供电能力评估方法 | |
CN110851566A (zh) | 一种改进的可微分网络结构搜索的方法 | |
CN107274015A (zh) | 一种预测风速的方法及系统 | |
CN112330487B (zh) | 一种光伏发电短期功率预测方法 | |
CN111009909B (zh) | 电力系统低频振荡模式识别方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN116932776A (zh) | 一种基于知识图谱的大模型知识更新方法和装置 | |
CN109300058B (zh) | 一种梯级水电站群优化调度两阶段直接搜索降维方法 | |
CN113761777B (zh) | 一种基于hp-ovmd的超短期光伏功率预测方法 | |
Tan et al. | A fast and stable forecasting model to forecast power load | |
CN112016684B (zh) | 一种深度并行柔性发射网络的电力终端指纹识别方法 | |
CN115169221A (zh) | 一种核管道疲劳寿命智能预测方法 | |
Jiang et al. | Radar Target Recognition of Individuals Based on XGBoost | |
CN113609758B (zh) | 一种新建风电场的功率预测方法 | |
CN112766733B (zh) | 利用改进的K-means算法加速优化调度算法收敛的方法及系统 | |
Tulay et al. | Boost PFC PI control by using heuristic optimization method | |
Dong et al. | An integrated ultra short term power forecasting method for regional wind–pv–hydro | |
CN116307056A (zh) | 一种基于人工智能的分布式光伏发电功率预测方法 | |
CN117424289A (zh) | 一种分布式光伏出力场景生成方法、装置、设备及介质 | |
Qin et al. | Day-Ahead Wind Power Forecasting Based on Wind Load Data Using Hybrid Optimization Algorithm. Sustainability 2021, 13, 1164 | |
CN114036990B (zh) | 一种低压台区拓扑信号模糊增强方法 | |
CN111417129B (zh) | 多频多模网络的配置方法及设备 | |
CN115166370A (zh) | 一种基于逆变器的电网阻抗分析方法及系统 |
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 |