CN111046327B - 适用于低频振荡与次同步振荡辨识的Prony分析方法 - Google Patents
适用于低频振荡与次同步振荡辨识的Prony分析方法 Download PDFInfo
- Publication number
- CN111046327B CN111046327B CN201911307121.XA CN201911307121A CN111046327B CN 111046327 B CN111046327 B CN 111046327B CN 201911307121 A CN201911307121 A CN 201911307121A CN 111046327 B CN111046327 B CN 111046327B
- Authority
- CN
- China
- Prior art keywords
- matrix
- prony
- sample
- equation
- oscillation
- 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
- 230000010355 oscillation Effects 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 238000010187 selection method Methods 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供一种适用于低频振荡与次同步振荡辨识的Prony分析方法,包括:基于实测数据,构建出扩展阶的样本矩阵;采用基于奇异值分解的方法来确定样本矩阵的有效秩,即Prony算法的计算阶数;求解特征多项式,根据求得的特征根构建新的矩阵方程;采用基于BP神经网络的方法进行迭代求解前述构造的矩阵方程;基于前述求解得到的特征根与矩阵方程的解计算Prony参数:幅值、衰减因子、频率、初相。利用本发明提出的适用于低频振荡与次同步振荡辨识的Prony分析方法,可克服传统算法中计算阶数选取方法的不足,实现了准确定阶,并采用了基于BP神经网络的方法进行迭代求解,改善了过去算法在复矩阵计算中的不足,提高Prony算法的复矩阵方程求解速度。
Description
技术领域
本发明涉及电力系统低频振荡和次同步振荡的监测与分析领域,具体而言涉及一种适用于低频振荡与次同步振荡辨识的Prony分析方法。
背景技术
近年来,随着我国跨大区联网进程的加快,特高压输电网络的推进,长距离送电功率的增加,以及远距离交流输电系统中使用串联电容补偿来增大电网的输电能力,这些举措都可能引发电力系统的低频振荡或者次同步振荡。目前,这两种振荡问题已是破坏电力系统安全稳定运行的重要因素之一。非线性时变是大规模复杂电力系统的一种重要特征,对电网中的低频振荡的诱发机理进行探究并且可以在含有噪声的条件下对其进行迅速高效的辨识,是大区域电网能够安全运行以及有效控制的关键因素之一。如今,基于相量测量单元(PMU)的电力系统广域测量系统(WAMS)在全球大型互联电网的分析与及时监测中被普遍使用着,PMU作为WAMS主站的数据源,同时也为多种分析算法直接从测量数据中辨识低频振荡模式参数提供了可能。电力系统次同步振荡对整个发电机组和电网的稳定运行有很大危害,当次同步振荡频率与发电机组扭振的固有频率符合特殊的互补条件时可导致发电机组转子轴系扭振快速增大甚至引发机组轴系毁坏事件。对实时系统中的次同步振荡进行及时在线预警并实施有效的抑制措施,对保证整个电网的安全稳定、正常运行都是十分必要的。
利用有效的算法对实测信号进行分析,可确定系统振荡的各个模态及相应参数,从而研究系统振荡的相关问题。从电网中采集到有效的电气量信息,通过合适的辨识算法分析得到系统的振荡频率等参数,是目前在线监测及预警的主要手段。其中Prony算法是低频振荡和次同步振荡模态参数辨识中较为常用的辨识方法,该算法通过计算可以直接从信号中提取出振荡的各个模态。但是该算法对噪声非常敏感,容易受到噪声干扰,动态过程的非平稳性难以体现;算法的复矩阵方程组求解困难,存在计算量大的问题,导致灵敏度较大;且传统定阶方法的需要人为选取阈值,阈值的上下浮动对准确定阶会带来误差。因此有必要对Prony算法作改进,使算法在运用时能够更加高效、便捷。
发明内容
鉴于现有的低频振荡与次同步振荡辨识中采用的Prony算法计算阶数确定的困难以及计算量大的缺陷,本发明的目的在于提供一种适用于低频振荡与次同步振荡辨识的Prony分析方法,首先采用基于奇异值分解的方法自动定阶,确定计算阶数求得特征值后采用BP神经网络求解矩阵方程,实现准确定阶和快速求解,从而提高辨识准确度和效率。
本发明的上述目的通过独立权利要求的技术特征实现,从属权利要求以另选或有利的方式发展独立权利要求的技术特征。
为实现上述目的,本发明的第一方面提出一种适用于低频振荡与次同步振荡辨识的Prony分析方法,包括:
步骤1、基于实测数据,构建出扩展阶的样本矩阵;
步骤2、采用基于奇异值分解的方法来确定样本矩阵的有效秩,即Prony算法的计算阶数;
步骤3、求解特征多项式,根据求得的特征根构建新的矩阵方程;
步骤4、采用基于BP神经网络的方法进行迭代求解前述构造的矩阵方程;
步骤5、基于前述求解得到的特征根与矩阵方程的解计算Prony参数:幅值、衰减因子、频率、初相。
本发明以上方案提出的适用于低频振荡与次同步振荡辨识的Prony分析方法,对Prony算法进行改进,在求解特征值之前确定计算阶数,并使用BP神经网络替代传统Prony算法的广义逆求解过程。
由以上本发明的技术方案可知,与现有技术相比,本发明的显著优点在于:
1、设计了一种根据奇异值的特点对Prony算法进行定阶的方法,该方法可以避免归一化比值和归一化奇异值法中的阈值选取,实现自动准确定阶;
2、利用BP神经网络对Prony算法的复矩阵进行求解,利用神经网络训练权值避免高维复矩阵的求逆计算,提高了计算速度。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是说明根据本发明某些实施方式的适用于低频振荡与次同步振荡辨识的Prony分析方法的流程示意图。
图2是说明根据本发明某些实施方式的距离示意图的一个实例图。
图3是说明根据本发明某些实施方式的神经网络结构图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
根据本发明的实施例,一种适用于低频振荡与次同步振荡辨识的Prony分析方法,包括:
步骤1、基于实测数据,构建出扩展阶的样本矩阵;
步骤2、采用基于奇异值分解的方法来确定样本矩阵的有效秩,即Prony算法的计算阶数;
步骤3、求解特征多项式,根据求得的特征根构建新的矩阵方程;
步骤4、采用基于BP神经网络的方法进行迭代求解前述构造的矩阵方程;
步骤5、基于前述求解得到的特征根与矩阵方程的解计算Prony参数:幅值、衰减因子、频率、初相。
下面结合图1所示的流程图以及本发明的一些优选或者可选的例子,更加具体地描述本发明的某些实例的实施和/或效果。
【数据预处理】
结合附图1,在前述步骤1中,根据样本函数,将实测数据转换为样本矩阵。
样本函数定义如下:
式中,N为采样个数;y(n)为实际采样值。
【算法阶数的选取】
结合附图1,在前述步骤2,基于奇异值分解的方法具体步骤如下:
求得奇异值后,以奇异值的顺序和数值作为横、纵坐标画在坐标系上(如图2),根据首尾两点(1,σ1)和(pe,σpe)计算直线方程f(x,y)=0。
根据解析几何的点到直线距离公式,依次计算剩余的点到直线f(x,y)=0的距离l2、l3、l4、…lpe-1。
选取三个最大距离lk-1、lk、lk+1,可知σk-1、σk、σk+1为拐点区域的奇异值,再求σk-1/σk和σk/σk+1的值,如果σk-1/σk>>σk/σk+1,则P=k-1;如果结果σk-1/σk<<σk/σk+1,则P=k。
实际应用中,为了准确辨识,可选取五个及以内距离最大奇异值相比较。
在确定有效秩P后,即可继续进行Prony算法的参数估计。
【新矩阵方程的构造】
结合附图1,当通过特征多项式求得特征根时,在步骤3中将按下述方式构造成新的矩阵方程。
构建的矩阵方程形式如下:
可简化写作:
本步骤中,从特征多项式的求解,可以采用现有技术中公知的技术和手段实现。
【神经网络求解矩阵方程】
结合附图3所示的BP神经网络的示例,在构造好的矩阵方程的基础上,采用BP神经网络对该复矩阵进行求解。
最后,通过误差的反向传播,来调整权值,如此循环直至得到最优结果。
结合附图3所示,下面更加具体地描述求解过程:
将复矩阵Z、B分成实部与虚部之和,则得到矩阵方程组:
式中,各变量含义如前所述。
选定权值矩阵的初始值W0,并分解成实部和虚部,在本实施例中直接取零。
按式(2)所示,将在初始权值矩阵的情况下求得输出,与期望输出比较,得到实部与虚部的两组误差列向量。
对误差列向量求平方和,并形成如下的代价函数
将代价函数对权值矩阵中每个元素求偏导:
权值调整规则:
判断代价函数是否在预设的精度阈值范围之内:若在,此时权值矩阵即为所求的Prony参量bi;若不在,则将最新权值矩阵代入式(5)和式(6)中继续计算。
最终求得的参量bi与前述步骤求得的特征根可求得Prony参数,即:幅值、衰减因子、频率、初相。
应当理解,前述Prony参数的求取,可利用现有技术中方式和手段进行,在本例中不再赘述。
本发明前述一个或多个实施例的实现,是根据基于奇异值绘制的距离示意图中的几何关系来选取奇异值,以此实现样本矩阵有效秩的确定,能够实现自动准确定阶。同时,本发明以BP神经网络求解复矩阵方程,能够避免求解复矩阵广义逆的过程,提升了计算速度。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (1)
1.一种适用于低频振荡与次同步振荡辨识的Prony分析方法,其特征在于,包括:
步骤1、基于实测数据,构建出扩展阶的样本矩阵;
步骤2、采用基于奇异值分解的方法来确定样本矩阵的有效秩,即Prony算法的计算阶数;
步骤3、求解特征多项式,根据求得的特征根构建新的矩阵方程;
步骤4、采用基于BP神经网络的方法进行迭代求解矩阵方程;
步骤5、基于步骤3求得的特征根与步骤4获得的矩阵方程的解计算Prony参数:幅值、衰减因子、频率、初相;
其中,前述步骤1中,通过计算样本函数来构建样本矩阵,样本函数定义如下:
其中,i=1,2,3…N/2;j=1,2,3…N/2
式中,N为采样个数;y(n)为实际采样值;
前述步骤2中,通过对比基于奇异值所绘制的距离示意图中的几何关系来选取奇异值,并比较选取的奇异值大小来实现样本矩阵的有效秩的确定,具体处理包括:
以奇异值的顺序和数值作为横、纵坐标画在坐标系上,根据首尾两点(1,σ1)和(pe,σpe)计算直线方程f(x,y)=0;
根据解析几何的点到直线距离公式,依次计算剩余的点到直线f(x,y)=0的距离l2、l3、l4、…lpe-1;
选取三个最大距离lk-1、lk、lk+1,可知σk-1、σk、σk+1为拐点区域的奇异值,再求σk-1/σk和σk/σk+1的值,如果σk-1/σk>>σk/σk+1,则确定有效秩P=k-1;如果结果σk-1/σk<<σk/σk+1,则P=k;
前述步骤3中,构建的矩阵方程形式如下:
对上式转换简化为:
前述步骤4中,BP神经网络迭代求解复矩阵方程的步骤包括:1)设复矩阵Z的行向量为神经网络的样本,待求复矩阵B设定为权值矩阵,矩阵设定为期望信号;2)将该复矩阵方程分解成实部虚部两个方程组来分别进行训练,实数部分进行训练后所比较的期望信号为矩阵,虚数部分进行训练的后所比较的期望信号为0矩阵;3)通过误差的反向传播,来调整权值,如此循环直至得到最优结果,其具体实现过程包括:
将复矩阵Z、B分成实部与虚部之和,则得到矩阵方程组:
选定权值矩阵的初始值W0,并分解成实部和虚部,直接取零;
按上述公式(2),将在初始权值矩阵的情况下求得输出,与期望输出比较,得到实部与虚部的两组误差列向量;
对误差列向量求平方和,并形成如下的代价函数
将代价函数对权值矩阵中每个元素求偏导:
权值调整规则:
判断代价函数是否在预设的精度阈值范围之内:若在,此时权值矩阵即为所求的Prony参量bi;若不在,则将最新权值矩阵代入式(5)和式(6)中继续计算,直到代价函数达到预设的精度阈值范围之内;
最终结合求得的参量bi与特征根,计算Prony参数,即:幅值、衰减因子、频率、初相。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911307121.XA CN111046327B (zh) | 2019-12-18 | 2019-12-18 | 适用于低频振荡与次同步振荡辨识的Prony分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911307121.XA CN111046327B (zh) | 2019-12-18 | 2019-12-18 | 适用于低频振荡与次同步振荡辨识的Prony分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046327A CN111046327A (zh) | 2020-04-21 |
CN111046327B true CN111046327B (zh) | 2021-10-19 |
Family
ID=70237469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911307121.XA Active CN111046327B (zh) | 2019-12-18 | 2019-12-18 | 适用于低频振荡与次同步振荡辨识的Prony分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046327B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523231B (zh) * | 2020-04-22 | 2022-04-19 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于EEMD和Prony方法的次同步振荡分析方法 |
CN112183368B (zh) * | 2020-09-29 | 2024-02-02 | 国网四川省电力公司经济技术研究院 | 基于lstm的电力系统低频振荡模态特征的快速辨识方法 |
CN112200038B (zh) * | 2020-09-29 | 2023-12-05 | 国网四川省电力公司经济技术研究院 | 一种基于cnn的电力系统振荡类型的快速辨识方法 |
CN112329535B (zh) * | 2020-09-29 | 2023-03-24 | 国网四川省电力公司经济技术研究院 | 基于cnn的电力系统低频振荡模态特征的快速辨识方法 |
CN113156200B (zh) * | 2020-12-14 | 2023-01-13 | 北京信息科技大学 | 一种电网低频振荡实时监测装置 |
CN112698087B (zh) * | 2020-12-15 | 2021-11-12 | 河海大学 | 基于宽频量测的电力系统宽频振荡在线监测方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6954707B2 (en) * | 2003-02-18 | 2005-10-11 | Tektronix, Inc. | Multiple sinusoidal burst frequency measurements |
CN105529726A (zh) * | 2016-02-04 | 2016-04-27 | 华北电力科学研究院有限责任公司 | 发电机电力系统稳定器参数整定方法 |
CN105740209A (zh) * | 2016-01-28 | 2016-07-06 | 大连海事大学 | 一种Givens迭代的Prony低频振荡分析方法 |
CN106300345A (zh) * | 2016-09-19 | 2017-01-04 | 国电南瑞科技股份有限公司 | 基于改进Prony算法的低频振荡参数辨识方法 |
CN110414412A (zh) * | 2019-07-25 | 2019-11-05 | 长沙理工大学 | 基于大数据分析的广域电网多重扰动精确识别方法和装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103311939B (zh) * | 2013-06-14 | 2014-12-31 | 华北电力大学(保定) | 基于wams的电力系统低频振荡协调阻尼控制方法 |
CN103630742B (zh) * | 2013-12-16 | 2015-09-30 | 国家电网公司 | 一种动态信号参数的获取方法 |
CN106845010B (zh) * | 2017-02-16 | 2020-06-23 | 西南交通大学 | 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法 |
CN107807278A (zh) * | 2017-12-06 | 2018-03-16 | 河海大学 | 基于h∞扩展卡尔曼滤波的低频振荡信号参数辨识方法 |
CN108875158B (zh) * | 2018-05-31 | 2022-12-06 | 浙江工业大学 | 一种基于多项式函数拟合和bp神经网络的电池放电时间预测方法 |
CN110046408B (zh) * | 2019-03-29 | 2023-05-09 | 南京理工大学 | 基于bp神经网络微分与区间分析的区间不确定性优化方法 |
CN110048416B (zh) * | 2019-05-07 | 2021-03-02 | 湖南工学院 | S-g滤波和自适应mp算法的低频振荡模态辨识方法 |
-
2019
- 2019-12-18 CN CN201911307121.XA patent/CN111046327B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6954707B2 (en) * | 2003-02-18 | 2005-10-11 | Tektronix, Inc. | Multiple sinusoidal burst frequency measurements |
CN105740209A (zh) * | 2016-01-28 | 2016-07-06 | 大连海事大学 | 一种Givens迭代的Prony低频振荡分析方法 |
CN105529726A (zh) * | 2016-02-04 | 2016-04-27 | 华北电力科学研究院有限责任公司 | 发电机电力系统稳定器参数整定方法 |
CN106300345A (zh) * | 2016-09-19 | 2017-01-04 | 国电南瑞科技股份有限公司 | 基于改进Prony算法的低频振荡参数辨识方法 |
CN110414412A (zh) * | 2019-07-25 | 2019-11-05 | 长沙理工大学 | 基于大数据分析的广域电网多重扰动精确识别方法和装置 |
Non-Patent Citations (5)
Title |
---|
SVC抑制电力系统低频振荡的研究;曾治强;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190415(第04期);C042-1050 * |
利用SVC附加控制抑制电网低频振荡的研究;缪晓刚;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20161215(第12期);正文第16-17页第2.4.3节 * |
基于改进VMD-HT的电力系统低频振荡模态辨识;刘宏波;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190115(第01期);C042-2118 * |
基于神经网络自适应滤波的低频振荡Prony分析;杨芳 等;《中国水能及电气化》;20120415(第4期);32-37 * |
多机电力系统强迫功率振荡稳态响应特性分析;余一平 等;《电力系统自动化》;20091125;第33卷(第22期);5-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN111046327A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046327B (zh) | 适用于低频振荡与次同步振荡辨识的Prony分析方法 | |
CN107590317B (zh) | 一种计及模型参数不确定性的发电机动态估计方法 | |
CN106845010B (zh) | 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法 | |
GB2547816B (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
CN109787250B (zh) | 一种基于多元经验模态分解的电力系统低频振荡模式辨识方法 | |
CN110414412B (zh) | 基于大数据分析的广域电网多重扰动精确识别方法和装置 | |
CN102779238A (zh) | 一种基于自适应卡尔曼滤波的无刷直流电机系统辨识方法 | |
CN106501602B (zh) | 一种基于滑窗频谱分离的基波参数测量方法 | |
Feil et al. | Comparison of Monte Carlo and quasi Monte Carlo sampling methods in high dimensional model representation | |
CN117272055B (zh) | 一种基于滤波增强自编码器的电能表异常检测方法及装置 | |
Keppler et al. | Computation of the short-term flicker severity index | |
CN116699724B (zh) | 一种时间域激发极化数据质量评价方法、体系及系统 | |
Pan et al. | Multi-sensor signal fusion method for rolling bearing based on the standard relative mean–variance value and random weighting algorithm | |
CN102842906A (zh) | 一种综合负荷模型中电动机功率比例的计算方法 | |
CN117131360A (zh) | 一种基于波形数据的宽频振荡监测方法及系统 | |
CN110098610B (zh) | 故障扰动下电力系统振荡主导模式的实时辨识方法及系统 | |
CN110320400B (zh) | 准同步采样和改进能量算子的电压闪变包络参数提取方法 | |
CN108132399B (zh) | 一种提高数字化变电站电能质量分析精度的简化插值方法 | |
CN115728590A (zh) | 一种输电线路双端故障测距方法及使用所述方法的装置 | |
CN112129989B (zh) | 一种基于自适应聚类的电压暂降分段刻画方法 | |
CN104881077A (zh) | 一种光伏系统中最大功率点跟踪控制方法 | |
CN115183884A (zh) | 电热协同系统的红外测温补偿方法及装置 | |
CN113553538A (zh) | 一种递推修正混合线性状态估计方法 | |
CN113591801A (zh) | 一种电力信号参数估计方法和装置 | |
CN112098782A (zh) | 一种基于神经网络的moa绝缘状态检测方法及系统 |
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 |