CN111274701A - 一种采用区间监测数据降维回归的谐波源仿射建模方法 - Google Patents
一种采用区间监测数据降维回归的谐波源仿射建模方法 Download PDFInfo
- Publication number
- CN111274701A CN111274701A CN202010065457.6A CN202010065457A CN111274701A CN 111274701 A CN111274701 A CN 111274701A CN 202010065457 A CN202010065457 A CN 202010065457A CN 111274701 A CN111274701 A CN 111274701A
- Authority
- CN
- China
- Prior art keywords
- affine
- harmonic
- interval
- expression
- source
- 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
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
- G06F18/213—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/40—Arrangements for reducing harmonics
Abstract
本发明涉及一种采用区间监测数据降维回归的谐波源仿射建模方法,包括以下步骤:步骤S1:获取谐波电压区间样本集;步骤S2:根据得到的谐波电压区间样本集,进行区间中点主成分分析得到谐波电压主成分的仿射表达式;步骤S3:基于得到的谐波电压主成分的仿射表达式,分别对谐波源模型变量的仿射中心及噪声源部分进行最小二次拟合,辩识参数;步骤S4:组合仿射中心与噪声源参数,得到不确定谐波源仿射模型。本发明能够抑制区间算术加法与减法运算的扩张,解决超宽度问题,实现更精确的不确定谐波源建模,运用于谐波潮流计算时,其计算效率稿和收敛速度快。
Description
技术领域
本发明涉及谐波潮流领域,具体涉及一种采用区间监测数据降维回归的谐波源仿射建模方法。
背景技术
近年来,可再生能源和电力电子变流技术的快速发展促进了新能源开发规模的不断增大。分布式新能源发电的接入在改进电网运行模式的同时,也给电网谐波问题的研究带来了新的挑战。一方面,注入较大的间谐波,使得系统的谐波波动增强;另一方面分布式新能源呈现的随机性和波动性与非线性设备的伏安特性交互影响,使得谐波分析更为复杂。谐波潮流是分析谐波传播特性、设计治理方案的重要技术支撑手段之一,其中建立谐波源模型是基础工作之一。
分布式电源接入带来的较强随机性和波动性放大了电网中的不确定因素,传统的确定性谐波源建模不适用于研判谐波负荷的不确定行为,因此,已渐渐无法满足工程分析需求。
目前对于不确定性问题的处理一般采用随机理论、模糊集理论和区间分析3种方法。采用随机理论或模糊集理论求解问题时,需要知道不确定性参数的概率密度函数或隶属函数,而实际问题中这些函数往往难以确定,常通过人为设定或近似处理,导致计算结果出现较大偏差。区间分析求解不确定性问题可减少人为因素的影响,提高分析结果的可靠性,但是运用区间算术得到的运算结果的区间宽度会大于实际区间的宽度,存在超宽度问题;在长计算链中,这种超宽度问题会造成“误差爆炸”,大大降低计算结果的精度。
发明内容
有鉴于此,本发明的目的在于提供一种采用区间监测数据降维回归的谐波源仿射建模方法,能够抑制区间算术加法与减法运算的扩张,解决超宽度问题,实现更精确的不确定谐波源建模,模型运用于谐波潮流计算时,其计算效率高和收敛速度快,能够更快的得到谐波潮流,进一步提高电力系统稳态电力系统分析效率。
为实现上述目的,本发明采用如下技术方案:
一种采用区间监测数据降维回归的谐波源仿射建模方法,包括以下步骤:
步骤S1:获取谐波电压区间样本集;
步骤S2:根据得到的谐波电压区间样本集,进行区间中点主成分分析得到谐波电压主成分的仿射表达式;
步骤S3:基于得到的谐波电压主成分的仿射表达式,分别对谐波源模型变量的仿射中心及噪声源部分进行最小二次拟合,辩识参数;
步骤S4:组合仿射中心与噪声源参数,得到不确定谐波源仿射模型。
进一步的,所述步骤S2具体为:
步骤S21:谐波源线性耦合模型的仿射描述形式如下:
步骤S22:基于区间数与仿射数相互转换可得:
区间基波电流表达式为:
其仿射表达形式为:
区间谐波电流表达式为:
其仿射表达形式为
区间谐波电压表达为
步骤S23:根据区间中点主成分分析,获取谐波电压区间主成分的仿射表达。
进一步的,所述步骤S23具体为:
步骤S231:谐波电压区间样本集形式如下:
步骤S232:对区间中点实施主成分分析,得区间中点的协方差矩阵为
其中
步骤S235:通过区间中点样本主成分得到第i个谐波样本的第k个区间样本主成分的上限和下限,如下:
其中
最后得到谐波电压主成分的仿射表达式为:
进一步的,所述步骤S3具体为:
步骤S31:基于得到的谐波电压主成分的仿射表达式,式(1)谐波源线性耦合仿射模型各个变量的仿射表达式如下:
自变量:
步骤S32:分别对谐波源模型变量的仿射中心及噪声元部分进行最小二乘拟合,得到回归方程如下:
式(1)谐波源线性耦合仿射模型可写为如下形式:
最终得谐波源耦合仿射模型为
其中
本发明与现有技术相比具有以下有益效果:
1、本发明能够抑制区间算术加法与减法运算的扩张,解决超宽度问题,实现更精确的不确定谐波源建模;
2、本发明规避了主观因素对建模计算造成的影响,所建立模型具有较低的保守性与较高的完备性,模型运用于谐波潮流计算时,其计算效率高和收敛速度快,进一步提高电力系统稳态电力系统分析效率。。
附图说明
图1是本发明方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种采用区间监测数据降维回归的谐波源仿射建模方法,包括以下步骤:
步骤S1:获取谐波电压区间样本集;
步骤S2:根据得到的谐波电压区间样本集,进行区间中点主成分分析得到谐波电压主成分的仿射表达式;
步骤S3:基于得到的谐波电压主成分的仿射表达式,分别对谐波源模型变量的仿射中心及噪声源部分进行最小二次拟合,辩识参数;
步骤S4:组合仿射中心与噪声源参数,得到不确定谐波源仿射模型。
在本实施例中,建立基于区间主成分分析的谐波仿射变量表达式,具体为:
谐波源线性耦合模型的仿射描述形式如下:
基于区间数与仿射数相互转换可得:区间基波电流表达式为其仿射表达形式为 和为常规确定性基波电流变化区间的中点和半径,εI1为基波电流的不确定性噪声元,εI1∈[-1,1]。区间谐波电流表达式为其仿射表达形式为 和为常规确定性谐波电流变化区间的中点和半径,εIh为谐波电流的不确定性噪声元,εIh∈[-1,1]。
根据区间中点主成分分析(C-PCA)的具体过程,获取谐波电压区间主成分的仿射表达:
(1)谐波电压区间样本集形式如下:
对区间中点实施主成分分析。得区间中点的协方差矩阵为
其中
(2)通过区间中点样本主成分得到第i个谐波样本的第k个区间样本主成分的上限和下限,如下:
其中
最后得到谐波电压主成分的仿射表达式为:
在本实施例中,谐波源仿射模型参数的识别,具体为:
式(1)所示的谐波源线性耦合仿射模型各个变量的仿射表达式如下:
(1)自变量:
分别对谐波源模型变量的仿射中心及噪声元部分进行最小二乘拟合,得到回归方程如下:
式(1)谐波源线性耦合仿射模型可写为如下形式:
最终得谐波源耦合仿射模型为
其中
根据上述方法建立的不确定谐波源仿射模型,可以更优地实现电网的不确定性谐波潮流计算。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (4)
1.一种采用区间监测数据降维回归的谐波源仿射建模方法,其特征在于,包括以下步骤:
步骤S1:获取谐波电压区间样本集;
步骤S2:根据得到的谐波电压区间样本集,进行区间中点主成分分析得到谐波电压主成分的仿射表达式;
步骤S3:基于得到的谐波电压主成分的仿射表达式,分别对谐波源模型变量的仿射中心及噪声源部分进行最小二次拟合,辩识参数;
步骤S4:组合仿射中心与噪声源参数,得到不确定谐波源仿射模型。
2.根据权利要求1所述的一种采用区间监测数据降维回归的谐波源仿射建模方法,其特征在于,所述步骤S2具体为:
步骤S21:谐波源线性耦合模型的仿射描述形式如下:
步骤S22:基于区间数与仿射数相互转换可得:
区间基波电流表达式为:
其仿射表达形式为:
区间谐波电流表达式为:
其仿射表达形式为
区间谐波电压表达为
步骤S23:根据区间中点主成分分析,获取谐波电压区间主成分的仿射表达。
3.根据权利要求2所述的一种采用区间监测数据降维回归的谐波源仿射建模方法,其特征在于,所述步骤S23具体为:
步骤S231:谐波电压区间样本集形式如下:
步骤S232:对区间中点实施主成分分析,得区间中点的协方差矩阵为
其中
步骤S235:通过区间中点样本主成分得到第i个谐波样本的第k个区间样本主成分的上限和下限,如下:
其中
最后得到谐波电压主成分的仿射表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010065457.6A CN111274701B (zh) | 2020-01-20 | 2020-01-20 | 一种采用区间监测数据降维回归的谐波源仿射建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010065457.6A CN111274701B (zh) | 2020-01-20 | 2020-01-20 | 一种采用区间监测数据降维回归的谐波源仿射建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111274701A true CN111274701A (zh) | 2020-06-12 |
CN111274701B CN111274701B (zh) | 2022-06-07 |
Family
ID=71002227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010065457.6A Active CN111274701B (zh) | 2020-01-20 | 2020-01-20 | 一种采用区间监测数据降维回归的谐波源仿射建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111274701B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110896218A (zh) * | 2019-11-08 | 2020-03-20 | 山东大学 | 一种用于建立集合性居民负荷的谐波建模方法及系统 |
CN112241597A (zh) * | 2020-10-27 | 2021-01-19 | 深圳供电局有限公司 | 一种电力系统中谐波源的识别方法、设备及存储介质 |
CN113051826A (zh) * | 2021-03-29 | 2021-06-29 | 福州大学 | 基于高斯过程回归的谐波源通用不确定性建模方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838959A (zh) * | 2013-12-18 | 2014-06-04 | 国网上海市电力公司 | 偏最小二乘回归应用于配电网谐波源定位与检测中的方法 |
CN105868918A (zh) * | 2015-12-23 | 2016-08-17 | 国网福建省电力有限公司 | 一种谐波电流类监测样本的相似度指标计算方法 |
CN106485089A (zh) * | 2016-10-21 | 2017-03-08 | 福州大学 | 谐波用户典型工况的区间参数获取方法 |
CN106953331A (zh) * | 2017-05-12 | 2017-07-14 | 天津大学 | 一种考虑不确定性和三相不平衡的电力系统谐波潮流算法 |
CN107147142A (zh) * | 2017-05-12 | 2017-09-08 | 天津大学 | 一种计及不确定性的分布式电源作为谐波源的建模方法 |
CN107657116A (zh) * | 2017-09-26 | 2018-02-02 | 福州大学 | 一种风电场功率曲线仿射建模的方法 |
CN110163304A (zh) * | 2019-06-14 | 2019-08-23 | 福州大学 | 一种采用线性关系聚类的谐波源耦合参数辨识方法 |
CN110350533A (zh) * | 2019-07-12 | 2019-10-18 | 福州大学 | 一种计及新能源发电控制策略的改进仿射谐波潮流方法 |
-
2020
- 2020-01-20 CN CN202010065457.6A patent/CN111274701B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838959A (zh) * | 2013-12-18 | 2014-06-04 | 国网上海市电力公司 | 偏最小二乘回归应用于配电网谐波源定位与检测中的方法 |
CN105868918A (zh) * | 2015-12-23 | 2016-08-17 | 国网福建省电力有限公司 | 一种谐波电流类监测样本的相似度指标计算方法 |
CN106485089A (zh) * | 2016-10-21 | 2017-03-08 | 福州大学 | 谐波用户典型工况的区间参数获取方法 |
CN106953331A (zh) * | 2017-05-12 | 2017-07-14 | 天津大学 | 一种考虑不确定性和三相不平衡的电力系统谐波潮流算法 |
CN107147142A (zh) * | 2017-05-12 | 2017-09-08 | 天津大学 | 一种计及不确定性的分布式电源作为谐波源的建模方法 |
CN107657116A (zh) * | 2017-09-26 | 2018-02-02 | 福州大学 | 一种风电场功率曲线仿射建模的方法 |
CN110163304A (zh) * | 2019-06-14 | 2019-08-23 | 福州大学 | 一种采用线性关系聚类的谐波源耦合参数辨识方法 |
CN110350533A (zh) * | 2019-07-12 | 2019-10-18 | 福州大学 | 一种计及新能源发电控制策略的改进仿射谐波潮流方法 |
Non-Patent Citations (6)
Title |
---|
GAO S ET AL.: "Measurement-based compartmental modeling of harmonic sources in traction power-supply system", 《IEEE》 * |
HAOBO XU ET AL.: "Data-driven compartmental modeling method for harmonic analysis-A study of the electric arc furnace", 《ENERGIES》 * |
ZHENGGUO SHAO ET AL.: "Parameter identification of norton equivalent model from harmonic monitoring data", 《IEEE》 * |
王守相 等: "多DG不确定性建模及其对配电网谐波潮流的影响", 《电力系统自动化》 * |
王守相 等: "配电系统三相不确定谐波潮流的复仿射计算方法", 《电力系统自动化》 * |
王树洪 等: "考虑DG运行不确定性的复仿射Ybus高斯迭代区间潮流算法", 《电力自动化设备》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110896218A (zh) * | 2019-11-08 | 2020-03-20 | 山东大学 | 一种用于建立集合性居民负荷的谐波建模方法及系统 |
CN110896218B (zh) * | 2019-11-08 | 2021-09-03 | 山东大学 | 一种用于建立集合性居民负荷的谐波建模方法及系统 |
CN112241597A (zh) * | 2020-10-27 | 2021-01-19 | 深圳供电局有限公司 | 一种电力系统中谐波源的识别方法、设备及存储介质 |
CN112241597B (zh) * | 2020-10-27 | 2024-02-23 | 深圳供电局有限公司 | 一种电力系统中谐波源的识别方法、设备及存储介质 |
CN113051826A (zh) * | 2021-03-29 | 2021-06-29 | 福州大学 | 基于高斯过程回归的谐波源通用不确定性建模方法 |
CN113051826B (zh) * | 2021-03-29 | 2022-08-09 | 福州大学 | 基于高斯过程回归的谐波源通用不确定性建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111274701B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111274701B (zh) | 一种采用区间监测数据降维回归的谐波源仿射建模方法 | |
Wang et al. | A Hybrid Neural Network and ARIMA Model for Energy Consumption Forcasting. | |
CN109272156B (zh) | 一种超短期风电功率概率预测方法 | |
CN109462257B (zh) | 一种计及多元随机变量电网电压稳定的灵敏度辨识方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
Liu et al. | Advance short-term wind energy quality assessment based on instantaneous standard deviation and variogram of wind speed by a hybrid method | |
CN108416691A (zh) | 一种能源替代环保潜力计算方法 | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
Gao et al. | Wind speed forecast for wind farms based on ARMA-ARCH model | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
CN114004139A (zh) | 一种光伏发电功率预测方法 | |
CN110212592B (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 | |
CN111242353A (zh) | 风电功率组合预测建模和预测方法 | |
CN112289391A (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN114880948A (zh) | 一种基于随机森林优化算法的谐波预测建模方法和系统 | |
CN114626207B (zh) | 构建面向工业负荷谐波发射水平的通用概率模型的方法 | |
CN115600722A (zh) | 企业电碳因子长期预测方法 | |
CN112633631B (zh) | 多电源系统互补性的评价方法 | |
CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
Liu et al. | A modified PSO algorithm for parameters identification of the double-dispersion Cole Model | |
CN112670997A (zh) | 考虑光伏不确定性的电热能源系统时序概率潮流计算方法 | |
CN110633917A (zh) | 基于电力大数据的新能源政策实施效果综合评价方法 | |
CN114896871B (zh) | 一种基于最小互信息的光伏出力分解方法 | |
Zhao et al. | An interpretable ultra-short-term wind power prediction model based on the feature matrix reconstruction through regression trees |
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 |