CN111597766A - 基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法及系统 - Google Patents
基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法及系统 Download PDFInfo
- Publication number
- CN111597766A CN111597766A CN202010101981.4A CN202010101981A CN111597766A CN 111597766 A CN111597766 A CN 111597766A CN 202010101981 A CN202010101981 A CN 202010101981A CN 111597766 A CN111597766 A CN 111597766A
- Authority
- CN
- China
- Prior art keywords
- voltage
- time
- equation
- prediction
- value
- 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.)
- Pending
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 134
- 238000004088 simulation Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000002245 particle Substances 0.000 title claims abstract description 47
- 230000007774 longterm Effects 0.000 title claims abstract description 19
- 238000004540 process dynamic Methods 0.000 title claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 109
- 238000006243 chemical reaction Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 41
- 238000009826 distribution Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000005094 computer simulation Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 5
- 238000012731 temporal analysis Methods 0.000 abstract description 5
- 238000000700 time series analysis Methods 0.000 abstract description 5
- 238000009472 formulation Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000012952 Resampling Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000001052 transient effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 206010033307 Overweight Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法及系统，包括：获取关注节点的WAMS电压曲线，并获取M项曲线拟合函数；根据M项曲线拟合函数，利用贝叶斯跟踪系统进行估算，构建贝叶斯估计方程的状态转换方程和量测方程；计算预测时间段内每个预测时刻的电压模拟实际量测值，并根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值。本发明将电力系统仿真的节点电压看作时间序列曲线，采用粒子滤波算法，全过程动态仿真后期的“疑似失真的时间段”观测量变化趋势进行时间序列分析方法上的预测或估计，为区域性电网月度检修计划的制订提供帮助。
Description
技术领域
本发明涉及电力系统技术领域，并且更具体地，涉及一种基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法及系统。
背景技术
电网检修风险及评估的难度。区域性电网月度检修计划制定较为复杂，常规的基本制定方法可归纳为：首先，根据电网中电气元件各自独立的检修必要性，初始化形成一个至少N种的运行方式集合(N至少等于30，如按照逐日进行计划评估，则需要1天1种运行方式，而如果逐日的负荷变化因素，则划分负荷变化的峰值、平均负荷值及低估值，即至少90典型运行方式)；其次，根据N种运行方式集合进行潮流计算分析及暂态稳定仿真分析，如发现因局部地区停运元件过多等原因造成潮流计算不满足《电力系统安全稳定导则》所规定的潮流校核标准或暂态稳定标准，则需要进行某1个或某几个元件停运时期的调整，从而使得原有的N中运行方式从新组合。因此整体上，可能因初始化运行方式过度不合理而引起评估校核计算工作的组合爆炸问题，更有可能遇到暂态仿真失真等仿真计算难以识别风险而引起的无法停运的情况。整体上，“区域性电网月度检修计划制定”问题属于一个多约束条件、多维度寻优问题。而该种寻优问题的特殊性在于其单一解的适应度计算时间——评估时间受到全网电力系统分析计算的时间影响较大。
中长期仿真全过程是研究和分析这种非线性超大规模电力系统动态特性机理事故特征及其安全稳定措施的重要技术手段。尤其是对弱联系系统及容易形成孤网的系统进行仿真判断。然而在部分的、实际的小型区域电网中，如果没有能够对各类负荷感应电动机的精确建模与统计，则中长期仿真因未能计及感应电动机中长期响应而引起偏差，进而局限了中长期仿真方法在电网仿真中的应用。暂态仿真是现有电力系统工业计算中的常用手段，惯例上在30秒(电力系统安全稳定计算规范中要求至少40秒)内的电网暂态特性仿真时较为准确的，而区域性电网月度检修计划制定中，往往所出现的弱联网系统拓扑结构时间跨度能够数以“天”，某些电网在施工因素的影响下，可能会达到5天以上。因此，在区域性电网月度检修计划制定问题上，全过程动态仿真法仿真更加准确，但耗时较长，而暂态仿真法相对耗时较短，但在某些弱联系电网及容易形成孤网的计划检修评估上，往往仿真精度难以达到令人接受的程度，即超过30秒钟的仿真已经具有较强的失真)。
以上两种问题属于相当突出的矛盾。因此，如何识别弱联系电网达到需要进行全过程动态仿真的必要性成为了提高计算效率的重要环节之一。
发明内容
本发明提出一种基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法，以解决如何对弱联系电网进行动态仿真预测的问题。
为了解决上述问题，根据本发明的一个方面，提供了一种基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法，所述方法包括：
获取弱联系电网在预设周期内预设时间段的运行方式的关注节点的 WAMS电压曲线，并根据所述WAMS电压曲线中的电压数据进行M项式曲线拟合，获取M项曲线拟合函数；其中，所述WAMS电压曲线中一个采样时刻对应一个电压实测值；
根据所述M项曲线拟合函数，利用贝叶斯跟踪系统进行估算，构建贝叶斯估计方程的状态转换方程和量测方程；
计算预测时间段内每个预测时刻的电压模拟实际量测值，并根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值。
优选地，其中根据所述WAMS电压曲线中的电压数据进行M项式曲线拟合，获取M项曲线拟合函数，包括：
其中，式(1)为M次多项式拟合结果，式(2)为采用最小二乘法的系数求取的目标函数；ti为第i个采样时刻，N为预设采样时刻的总个数。
优选地，其中所述根据所述M项曲线拟合函数，利用贝叶斯跟踪系统进行估算，构建贝叶斯估计方程的状态转换方程和量测方程，包括：
Vnote,pre,n＝f(Vnote,pre,n-1)+vn-1 (3)
Vnote,act,n＝h(Vnote,pre,n)+mn (4)
其中，公式(3)为状态转换方程；公式(4)为量测方程；Vnote,pre,n-1为关注节点在第n-1个时刻的电压预估值；v为过程噪声；f取中长期仿真预设时间段的时间序列建立；Vnote,act,n为关注节点在第n个时刻的实际量测值，取预设周期内每个第n个时刻的电压实测值的均值作为第n个时刻的实际量测值；m为量测噪声；h的确定如式(5)和(6)所示：
Vnote,act,n＝Vnote,pre,n+α+mn (6)
其中，N_daypre为预测时刻，Vwams,i根据hM(ti,w)确定，Vzcq,i根据预测当时的中长期仿真曲线确定。
优选地，其中所述计算预测时间段内每个预测时刻的电压模拟实际量测值，包括：
根据预设周期内预设时间段的每个采样时刻的实际量测值建立拟合方程，以确定预测时间段内每个预测时刻的电压模拟实际量测值。
优选地，其中所述根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值，包括：
步骤1，根据预测周期内起始采样时刻的WAMS电压实测值，利用高斯分布确定第一预设个数的该采样时刻的电压预估值，并将所述第一预设个数的该采样时刻的电压预估值带入所述状态转换方程，以确定第一预设个数的下一采样时刻的电压预估值；
步骤2，将所述第一预设个数的下一采样时刻的电压预估值带入所述量测方程，确定第一预设个数的下一采样时刻的电压预测值；
步骤3，分别计算该采样时刻的电压模拟实际量测值和每个该采样时刻的电压预测值的概率密度，并选取最大的概率密度对应的电压预测值为当前采样时刻的电压预测值；
步骤4，根据概率密度对电压预测值进行降序排列，将第二预设个数的低概率密度对应的电压预测值更新为排序第一的概率密度对应的电压预测值，将更新后的电压预测值作为下一采样时刻的电压预估值；
步骤5，返回步骤2，进行迭代，以确定预测时间段内每个采样时刻的电压预测值。
根据本发明的另一个方面，提供了一种基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测系统，所述系统包括：
数据获取模块，用于获取弱联系电网在预设周期内预设时间段的运行方式的关注节点的WAMS电压曲线，并根据所述WAMS电压曲线中的电压数据进行M项式曲线拟合，获取M项曲线拟合函数；其中，所述WAMS电压曲线中一个采样时刻对应一个电压实测值；
方程构建模块，用于根据所述M项曲线拟合函数，利用贝叶斯跟踪系统进行估算，构建贝叶斯估计方程的状态转换方程和量测方程；
电压预测模块，用于计算预测时间段内每个预测时刻的电压模拟实际量测值，并根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值。
优选地，其中所述数据获取模块，根据所述WAMS电压曲线中的电压数据进行M项式曲线拟合，获取M项曲线拟合函数，包括：
其中，式(1)为M次多项式拟合结果，式(2)为采用最小二乘法的系数求取的目标函数；ti为第i个采样时刻，N为预设采样时刻的总个数。
优选地，其中所述方程构建模块，根据所述M项曲线拟合函数，利用贝叶斯跟踪系统进行估算，构建贝叶斯估计方程的状态转换方程和量测方程，包括：
Vnote,pre,n＝f(Vnote,pre,n-1)+vn-1 (3)
Vnote,act,n＝h(Vnote,pre,n)+mn (4)
其中，公式(3)为状态转换方程；公式(4)为量测方程；Vnote,pre,n-1为关注节点在第n-1个时刻的电压预估值；v为过程噪声；f取中长期仿真预设时间段的时间序列建立；Vnote,act,n为关注节点在第n个时刻的实际量测值，取预设周期内每个第n个时刻的电压实测值的均值作为第n个时刻的实际量测值；m为量测噪声；h的确定如式(5)和(6)所示：
Vnote,act,n＝Vnote,pre,n+α+mn (6)
其中，N_daypre为预测时刻，Vwams,i根据hM(ti,w)确定，Vzcq,i根据预测当时的中长期仿真曲线确定。
优选地，其中所述电压预测模块，计算预测时间段内每个预测时刻的电压模拟实际量测值，包括：
根据预设周期内预设时间段的每个采样时刻的实际量测值建立拟合方程，以确定预测时间段内每个预测时刻的电压模拟实际量测值。
优选地，其中所述电压预测模块，根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值，包括：
步骤1，根据预测周期内起始采样时刻的WAMS电压实测值，利用高斯分布确定第一预设个数的该采样时刻的电压预估值，并将所述第一预设个数的该采样时刻的电压预估值带入所述状态转换方程，以确定第一预设个数的下一采样时刻的电压预估值；
步骤2，将所述第一预设个数的下一采样时刻的电压预估值带入所述量测方程，确定第一预设个数的下一采样时刻的电压预测值；
步骤3，分别计算该采样时刻的电压模拟实际量测值和每个该采样时刻的电压预测值的概率密度，并选取最大的概率密度对应的电压预测值为当前采样时刻的电压预测值；
步骤4，根据概率密度对电压预测值进行降序排列，将第二预设个数的低概率密度对应的电压预测值更新为排序第一的概率密度对应的电压预测值，将更新后的电压预测值作为下一采样时刻的电压预估值；
步骤5，返回步骤2，进行迭代，以确定预测时间段内每个采样时刻的电压预测值。
本发明提供了一种基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法及系统，包括：获取弱联系电网的关注节点的WAMS电压曲线，并根据所述WAMS电压曲线中的电压数据进行M项式曲线拟合，获取M项曲线拟合函数；根据所述M项曲线拟合函数，利用贝叶斯跟踪系统进行估算，构建贝叶斯估计方程的状态转换方程和量测方程；以及计算预测时间段内每个预测时刻的电压模拟实际量测值，并根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值。本发明聚焦于因检修造成的，单一线路连接的小区域的弱联系电网，往往存在外部支援通道，但动态稳定水平极度恶化的问题，将电力系统仿真的观测量(节点电压)看作时间序列曲线，采用时间序列分析方法中的粒子滤波算法，并全过程动态仿真后期的“疑似失真的时间段”观测量变化趋势进行时间序列分析方法上的预测或估计，为区域性电网月度检修计划的制订提供帮助。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法100的流程图；
图2为根据本发明实施方式的粒子滤波算法概率密度估计的流程图；以及
图3为根据本发明实施方式的基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测系统300的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法100的流程图。如图1所示，本发明实施方式提供的基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法及系统，聚焦于因检修造成的单一线路连接的小区域的弱联系电网，往往存在外部支援通道，但动态稳定水平极度恶化的问题，将电力系统仿真的观测量(节点电压)看作时间序列曲线，采用时间序列分析方法中的粒子滤波算法，并全过程动态仿真后期的“疑似失真的时间段”观测量变化趋势进行时间序列分析方法上的预测或估计。本发明实施方式提供的基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法100从步骤101处开始，在步骤101获取弱联系电网在预设周期内预设时间段的运行方式的关注节点的 WAMS电压曲线，并根据所述WAMS电压曲线中的电压数据进行M项式曲线拟合，获取M项曲线拟合函数；其中，所述WAMS电压曲线中一个采样时刻对应一个电压实测值。
优选地，其中根据所述WAMS电压曲线中的电压数据进行M项式曲线拟合，获取M项曲线拟合函数，包括：
其中，式(1)为M次多项式拟合结果，式(2)为采用最小二乘法的系数求取的目标函数；ti为第i个采样时刻，N为预设采样时刻的总个数。
本发明实施方式将电力系统仿真的观测节点的电压看做时间序列曲线，采用时间序列分析方法中的粒子滤波算法，并全过程动态仿真后期的“疑似失真的时间段”观测量变化趋势进行时间序列分析方法上的预测或估计。例如，将中长期100分钟的仿真曲线可被看作是一种真实值曲线，将广域测量系统WAMS实测曲线作为量测曲线；并采用粒子滤波算法对下一时间段的100分钟的曲线进行趋势预测。对于观测量，因弱联系电网中冲击负荷较多，无跳闸故障下，电压曲线是重要的电网稳定性观测量之一，具体到本申请中，对于弱联网系统无故障情况下的稳定性观测量选取一个给定的节点电压量作为观测值。
在本发明的实施方式中，采集给定弱联系电网中给定时间段的运行方式的典型节点电压曲线，进行样本收集；并进行M项式曲线拟合。例如，设某节点电压经受日规律性负荷冲击冲击的时间约在每天的22点整开始至23点40分结束。基于WAMS量测，可以获取每天22点时刻至23点40 分时刻共100分钟内，以分钟为采样点的100个电压值，进行曲线拟合，得出多曲线拟合公式。其中，设WAMS监测日共N_preday天，每天给定时刻点电压值用yN_preday,i表示，对于给定时刻i(i为规则化后22点时刻至23点 40时刻的任意一分钟时刻，i＝1,2,…100)的WAMS实测电压均值为：
则构造的训练数据集合为：
T＝[(t1，y1)，(t2，y2)，(t3，y3)，…(t100，y100)]。
拟合方法为：设M次多项式拟合结果公式(1)所示，采用最小二乘法的系数求取目标函数如式(2)所示：
在步骤102，根据所述M项曲线拟合函数，利用贝叶斯跟踪系统进行估算，构建贝叶斯估计方程的状态转换方程和量测方程。
优选地，其中所述根据所述M项曲线拟合函数，利用贝叶斯跟踪系统进行估算，构建贝叶斯估计方程的状态转换方程和量测方程，包括：
Vnote,pre,n＝f(Vnote,pre,n-1)+vn-1 (3)
Vnote,act,n＝h(Vnote,pre,n)+mn (4)
其中，公式(3)为状态转换方程；公式(4)为量测方程；Vnote,pre,n-1为关注节点在第n-1个时刻的电压预估值；v为过程噪声；f取中长期仿真预设时间段的时间序列建立；Vnote,act,n为关注节点在第n个时刻的实际量测值，取预设周期内每个第n个时刻的电压实测值的均值作为第n个时刻的实际量测值；m为量测噪声；h的确定如式(5)和(6)所示：
Vnote,act,n＝Vnote,pre,n+α+mn (6)
其中，N_daypre为预测时刻，Vwams,i根据hM(ti,w)确定，Vzcq,i根据预测当时的中长期仿真曲线确定。
在本发明的实施方式中，某节点电压经受日规律性负荷冲击冲击后的轨迹，可以使用贝叶斯跟踪系统估算，如下所示：
Vnote,pre,n＝f(Vnote,pre,n-1)+vn-1 (3)
Vnote,act,n＝h(Vnote,pre,n)+mn (4)
其中，方程(3)和(4)分别为状态转换模型和量测模型。
在公式(3)中，Vnote,pre,n-1为关注节点的电压在第n-1个时刻的电压预估值。v为过程噪声，可以采用白噪声。f取中长期仿真100分钟的时间序列，采用如步骤101的方法建立，所不同的是被拟合的时间序列为采用《中长期仿真程序》所进行。例如，仿真12月10日，22点时刻至23点40时刻的仿真曲线，获得按分钟采样的电压值时间序列。
在本发明的实施方式中，中长期仿真程序因不存在实际的非可预知性扰动因素，因此，可以作为纯净环境下的状态转移模型中的真值点，共仿真100分钟，每1分钟取一个电压点，视为真值采样点Vnote,n，即n＝100。则公式(1)中f可以直接落实为采用前100分钟的中长期仿真曲线的多项式拟合结果建立。
在公式(4)中，Vnote,act,n为关注节点的电压在第n个时刻的量测值，该值取对应时刻的yi值。m为量测噪声，可以采用白噪声。因WAMS曲线的采样精度较高，(可以达到50HZ)。因此，每1个采样点左右存在数千个点作为后续重采样的采样备选点。
h的确定如式(5)和(6)确定，即：
其中，N_daypre为整数，为预测当时22点时刻至23点40时刻的100 个点(每分钟一个)。Vwams,i根据步骤101中所得hM(ti,w)确定，Vzcq,i根据预测当时的中长期仿真曲线确定。
需要说明的是：由于存在噪声，基于Vnote,pre,n-1和Vnote,act,n-1的Vnote,pre,n估计是一个随机估计问题，它表示为p(Vnote,pre,n/Vnote,act,n)。即，是一个当前量测值对当前状态真值的一个似然值。这一分布称为后验分布，可以通过(4)中测量噪声、mn和测量模型(4)三者的统计来确定。当n＝0时，该似然概率表示为：
p(Vnote,pre,0|Vnote,act,0)＝p(Vnote,pre,0) (7)
在步骤103，计算预测时间段内每个预测时刻的电压模拟实际量测值，并根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值。
优选地，其中所述计算预测时间段内每个预测时刻的电压模拟实际量测值，包括：
根据预设周期内预设时间段的每个采样时刻的实际量测值建立拟合方程，以确定预测时间段内每个预测时刻的电压模拟实际量测值。
优选地，其中所述根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值，包括：
步骤1，根据预测周期内起始采样时刻的WAMS电压实测值，利用高斯分布确定第一预设个数的该采样时刻的电压预估值，并将所述第一预设个数的该采样时刻的电压预估值带入所述状态转换方程，以确定第一预设个数的下一采样时刻的电压预估值；
步骤2，将所述第一预设个数的下一采样时刻的电压预估值带入所述量测方程，确定第一预设个数的下一采样时刻的电压预测值；
步骤3，分别计算该采样时刻的电压模拟实际量测值和每个该采样时刻的电压预测值的概率密度，并选取最大的概率密度对应的电压预测值为当前采样时刻的电压预测值；
步骤4，根据概率密度对电压预测值进行降序排列，将第二预设个数的低概率密度对应的电压预测值更新为排序第一的概率密度对应的电压预测值，将更新后的电压预测值作为下一采样时刻的电压预估值；
步骤5，返回步骤2，进行迭代，以确定预测时间段内每个采样时刻的电压预测值。
在本发明的实施方式中，首先，根据预设周期内预设时间段的每个采样时刻的实际量测值建立拟合方程，以确定预测时间段内每个预测时刻的电压模拟实际量测值。例如，根据12月1日至9日内22点至23点40分钟内每个采样时刻(分钟)的实际量测值来建立拟合方程，以确定12月10 日的22点至23点40分钟内每个预测时刻(分钟)的电压模拟实际量测值，。
然后，根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值，包括：
步骤1，给定预测当天的22点整时刻的节点电压WAMS量测值作为方程(3)的第0步数值，利用高斯分布确定第一预设个数的该采样时刻的电压预估值Vnote,pre,n-1，并将所述第一预设个数的该采样时刻的电压预估值带入所述状态转换方程，以确定第一预设个数的下一采样时刻的电压预估值 Vnote,pre,n。
步骤2，将所述第一预设个数的下一采样时刻的电压预估值带入所述量测方程(4)，确定第一预设个数的下一采样时刻的电压预测值。
步骤3，分别计算该采样时刻的电压模拟实际量测值和每个该采样时刻的电压预测值的概率密度，并选取最大的概率密度对应的电压预测值为当前采样时刻的电压预测值。
步骤4，根据概率密度对电压预测值进行降序排列，将第二预设个数的低概率密度对应的电压预测值更新为排序第一的概率密度对应的电压预测值，将更新后的电压预测值作为下一采样时刻的电压预估值。
步骤5，返回步骤2，进行迭代，以确定预测时间段内每个采样时刻的电压预测值。
图2为根据本发明实施方式的粒子滤波算法概率密度估计的流程图。传统的方法中，为了解决粒子滤波的退化现象(贫化现象)，对粒子和相应权值表示的重要密度函数重新进行采样，复制权值大的粒子，替换权值小的粒子，设置最大样本点数为thN＝N。
当有效样本点数^eff thN<N时，权值较小的采样点被淘汰，在保持样本点总数为N的前提下，从权值较高的采样点中衍生出多个子采样点，替换掉淘汰的权值较小采样点。产生n个随机数μ∈[0,1]，然后利用概率区间搜索算法寻找满足下述条件的整数m：
将区间[0,1]分成n个小区间，然后对随机数落在第m个区间的样本 {m}进行复制。
然而，会出现一种情况，由于真值突变、状态方程建立的偏差，进而导致当代粒子中似然概率均较小，贝叶斯追中估计的前提假设为不存在真值突变情况，由此导致的风险是，只要当前代出现真值突变，则，整个预测存在追踪失败的风险，
采取策略如下：
If(MAX(p_paticles())<0.01)所有的粒子点的似然概率值均小于某一个阈值0.01时，
{1、连续保留本代方程，进入LCLC当前后多代预测。；
2、两个方向的处理：
方向1：追加重新布置粒子“种群数量”及“采样范围”，进行重采样；反复重新采样，终止条件为：或者重新采样次数达到给定的最大值；或者循环重新采样达到给定的多余N个粒子样本似然值大于0.5以上。
方向2：扩散采样策略：“采样范围”；}。
在粒子滤波过程(Particle Filtering，PF)中，后验概率密度函数 (pdf)由随机样本表示，相关权重(称为重要性权重)计算如下：
其中δ(·)为Dirac-Delta函数，
为时间n时刻、第i个样本的重要权重，i为后验概率密度函数中第i个样本的标号。这些随机样本称为粒子。使用重要性抽样原则计算粒子的重要性权重。其中，第i个粒子的重要性权重定义如下：
其中，“∝”表示两个量成正比,例如a∝F,表示a(加速度)与F (力)成正比.如果符号的口朝左,表示成反比；此处，
重要性权重计算是后验概率和重要性概率在该点的比值。PDF的重要性是非高斯PDF 的高斯近似。pdf的重要性可以分析如下：
式(9)中的分子可以分析如下：
传统上，是在序列重要性采样(SIS，sequential importance sampling) 算法中引入了重采样步骤来克服权简并。重采样步骤的基本原理是复制权重较高的粒子，并消除权重较低的粒子，使每个粒子的权重相同。根据这一原则，公式(8)可以写成如下：
这种方法叫做sir。由于重采样步骤的计算代价很高，因此当高密度区域粒子的数量小于有效粒子数neff时，就可以执行此步骤。在重采样步骤中，高权重粒子被复制，低权重粒子被丢弃。大多数粒子是在经过一些重采样步骤后，由高权重粒子产生的。这种现象被称为样本贫化。样品贫化是由于颗粒物缺乏多样性造成的，这导致了估算的巨大变化。
图3为根据本发明实施方式的基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测系统300的结构示意图。如图3所示，本发明实施方式提供的基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测系统 300，包括：数据获取模块301、方程构建模块302和电压预测模块303。
优选地，所述数据获取模块301，用于获取弱联系电网在预设周期内预设时间段的运行方式的关注节点的WAMS电压曲线，并根据所述WAMS电压曲线中的电压数据进行M项式曲线拟合，获取M项曲线拟合函数；其中，所述WAMS电压曲线中一个采样时刻对应一个电压实测值。
优选地，其中所述数据获取模块301，根据所述WAMS电压曲线中的电压数据进行M项式曲线拟合，获取M项曲线拟合函数，包括：
其中，式(1)为M次多项式拟合结果，式(2)为采用最小二乘法的系数求取的目标函数；ti为第i个采样时刻，N为预设采样时刻的总个数。
优选地，所述方程构建模块302，用于根据所述M项曲线拟合函数，利用贝叶斯跟踪系统进行估算，构建贝叶斯估计方程的状态转换方程和量测方程。
优选地，其中所述方程构建模块302，根据所述M项曲线拟合函数，利用贝叶斯跟踪系统进行估算，构建贝叶斯估计方程的状态转换方程和量测方程，包括：
Vnote,pre,n＝f(Vnote,pre,n-1)+vn-1 (3)
Vnote,act,n＝h(Vnote,pre,n)+mn (4)
其中，公式(3)为状态转换方程；公式(4)为量测方程；Vnote,pre,n-1为关注节点在第n-1个时刻的电压预估值；v为过程噪声；f取中长期仿真预设时间段的时间序列建立；Vnote,act,n为关注节点在第n个时刻的实际量测值，取预设周期内每个第n个时刻的电压实测值的均值作为第n个时刻的实际量测值；m为量测噪声；h的确定如式(5)和(6)所示：
Vnote,act,n＝Vnote,pre,n+α+mn (6)
其中，N_daypre为预测时刻，Vwams,i根据hM(ti,w)确定，Vzcq,i根据预测当时的中长期仿真曲线确定。
优选地，所述电压预测模块303，用于计算预测时间段内每个预测时刻的电压模拟实际量测值，并根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值。
优选地，其中所述电压预测模块303，计算预测时间段内每个预测时刻的电压模拟实际量测值，包括：
根据预设周期内预设时间段的每个采样时刻的实际量测值建立拟合方程，以确定预测时间段内每个预测时刻的电压模拟实际量测值。
优选地，其中所述电压预测模块303，根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值，包括：
步骤1，根据预测周期内起始采样时刻的WAMS电压实测值，利用高斯分布确定第一预设个数的该采样时刻的电压预估值，并将所述第一预设个数的该采样时刻的电压预估值带入所述状态转换方程，以确定第一预设个数的下一采样时刻的电压预估值；
步骤2，将所述第一预设个数的下一采样时刻的电压预估值带入所述量测方程，确定第一预设个数的下一采样时刻的电压预测值；
步骤3，分别计算该采样时刻的电压模拟实际量测值和每个该采样时刻的电压预测值的概率密度，并选取最大的概率密度对应的电压预测值为当前采样时刻的电压预测值；
步骤4，根据概率密度对电压预测值进行降序排列，将第二预设个数的低概率密度对应的电压预测值更新为排序第一的概率密度对应的电压预测值，将更新后的电压预测值作为下一采样时刻的电压预估值；
步骤5，返回步骤2，进行迭代，以确定预测时间段内每个采样时刻的电压预测值。
本发明的实施例的基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测系统300与本发明的另一个实施例的基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法100相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该 [装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法，其特征在于，所述方法包括：
获取弱联系电网在预设周期内预设时间段的运行方式的关注节点的WAMS电压曲线，并根据所述WAMS电压曲线中的电压数据进行M项式曲线拟合，获取M项曲线拟合函数；其中，所述WAMS电压曲线中一个采样时刻对应一个电压实测值；
根据所述M项曲线拟合函数，利用贝叶斯跟踪系统进行估算，构建贝叶斯估计方程的状态转换方程和量测方程；
计算预测时间段内每个预测时刻的电压模拟实际量测值，并根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值。
2.根据权利要求1所述的方法，其特征在于，根据所述WAMS电压曲线中的电压数据进行M项式曲线拟合，获取M项曲线拟合函数，包括：
其中，式(1)为M次多项式拟合结果，式(2)为采用最小二乘法的系数求取的目标函数；ti为第i个采样时刻，N为预设采样时刻的总个数。
3.根据权利要求1所述的方法，其特征在于，所述根据所述M项曲线拟合函数，利用贝叶斯跟踪系统进行估算，构建贝叶斯估计方程的状态转换方程和量测方程，包括：
Vnote,pre,n＝f(Vnote,pre,n-1)+vn-1 (3)
Vnote,act,n＝h(Vnote,pre,n)+mn (4)
其中，公式(3)为状态转换方程；公式(4)为量测方程；Vnote,pre,n-1为关注节点在第n-1个时刻的电压预估值；v为过程噪声；f取中长期仿真预设时间段的时间序列建立；Vnote,act,n为关注节点在第n个时刻的实际量测值，取预设周期内每个第n个时刻的电压实测值的均值作为第n个时刻的实际量测值；m为量测噪声；h的确定如式(5)和(6)所示：
Vnote,act,n＝Vnote,pre,n+α+mn (6)
其中，N_daypre为预测时刻，Vwams,i根据hM(ti,w)确定，Vzcq,i根据预测当时的中长期仿真曲线确定。
4.根据权利要求1所述的方法，其特征在于，所述计算预测时间段内每个预测时刻的电压模拟实际量测值，包括：
根据预设周期内预设时间段的每个采样时刻的实际量测值建立拟合方程，以确定预测时间段内每个预测时刻的电压模拟实际量测值。
5.根据权利要求3所述的方法，其特征在于，所述根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值，包括：
步骤1，根据预测周期内起始采样时刻的WAMS电压实测值，利用高斯分布确定第一预设个数的该采样时刻的电压预估值，并将所述第一预设个数的该采样时刻的电压预估值带入所述状态转换方程，以确定第一预设个数的下一采样时刻的电压预估值；
步骤2，将所述第一预设个数的下一采样时刻的电压预估值带入所述量测方程，确定第一预设个数的下一采样时刻的电压预测值；
步骤3，分别计算该采样时刻的电压模拟实际量测值和每个该采样时刻的电压预测值的概率密度，并选取最大的概率密度对应的电压预测值为当前采样时刻的电压预测值；
步骤4，根据概率密度对电压预测值进行降序排列，将第二预设个数的低概率密度对应的电压预测值更新为排序第一的概率密度对应的电压预测值，将更新后的电压预测值作为下一采样时刻的电压预估值；
步骤5，返回步骤2，进行迭代，以确定预测时间段内每个采样时刻的电压预测值。
6.一种基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测系统，其特征在于，所述系统包括：
数据获取模块，用于获取弱联系电网在预设周期内预设时间段的运行方式的关注节点的WAMS电压曲线，并根据所述WAMS电压曲线中的电压数据进行M项式曲线拟合，获取M项曲线拟合函数；其中，所述WAMS电压曲线中一个采样时刻对应一个电压实测值；
方程构建模块，用于根据所述M项曲线拟合函数，利用贝叶斯跟踪系统进行估算，构建贝叶斯估计方程的状态转换方程和量测方程；
电压预测模块，用于计算预测时间段内每个预测时刻的电压模拟实际量测值，并根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值。
7.根据权利要求6所述的方法，其特征在于，所述数据获取模块，根据所述WAMS电压曲线中的电压数据进行M项式曲线拟合，获取M项曲线拟合函数，包括：
其中，式(1)为M次多项式拟合结果，式(2)为采用最小二乘法的系数求取的目标函数；ti为第i个采样时刻，N为预设采样时刻的总个数。
8.根据权利要求6所述的方法，其特征在于，所述方程构建模块，根据所述M项曲线拟合函数，利用贝叶斯跟踪系统进行估算，构建贝叶斯估计方程的状态转换方程和量测方程，包括：
Vnote,pre,n＝f(Vnote,pre,n-1)+vn-1 (3)
Vnote,act,n＝h(Vnote,pre,n)+mn (4)
其中，公式(3)为状态转换方程；公式(4)为量测方程；Vnote,pre,n-1为关注节点在第n-1个时刻的电压预估值；v为过程噪声；f取中长期仿真预设时间段的时间序列建立；Vnote,act,n为关注节点在第n个时刻的实际量测值，取预设周期内每个第n个时刻的电压实测值的均值作为第n个时刻的实际量测值；m为量测噪声；h的确定如式(5)和(6)所示：
Vnote,act,n＝Vnote,pre,n+α+mn (6)
其中，N_daypre为预测时刻，Vwams,i根据hM(ti,w)确定，Vzcq,i根据预测当时的中长期仿真曲线确定。
9.根据权利要求6所述的方法，其特征在于，所述电压预测模块，计算预测时间段内每个预测时刻的电压模拟实际量测值，包括：
根据预设周期内预设时间段的每个采样时刻的实际量测值建立拟合方程，以确定预测时间段内每个预测时刻的电压模拟实际量测值。
10.根据权利要求8所述的方法，其特征在于，所述电压预测模块，根据每个预测时刻的电压模拟实际量测值、状态转换方程和量测方程进行迭代运算，以获取每个预测时刻的电压预测值，包括：
步骤1，根据预测周期内起始采样时刻的WAMS电压实测值，利用高斯分布确定第一预设个数的该采样时刻的电压预估值，并将所述第一预设个数的该采样时刻的电压预估值带入所述状态转换方程，以确定第一预设个数的下一采样时刻的电压预估值；
步骤2，将所述第一预设个数的下一采样时刻的电压预估值带入所述量测方程，确定第一预设个数的下一采样时刻的电压预测值；
步骤3，分别计算该采样时刻的电压模拟实际量测值和每个该采样时刻的电压预测值的概率密度，并选取最大的概率密度对应的电压预测值为当前采样时刻的电压预测值；
步骤4，根据概率密度对电压预测值进行降序排列，将第二预设个数的低概率密度对应的电压预测值更新为排序第一的概率密度对应的电压预测值，将更新后的电压预测值作为下一采样时刻的电压预估值；
步骤5，返回步骤2，进行迭代，以确定预测时间段内每个采样时刻的电压预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010101981.4A CN111597766A (zh) | 2020-02-19 | 2020-02-19 | 基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010101981.4A CN111597766A (zh) | 2020-02-19 | 2020-02-19 | 基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111597766A true CN111597766A (zh) | 2020-08-28 |
Family
ID=72187090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010101981.4A Pending CN111597766A (zh) | 2020-02-19 | 2020-02-19 | 基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111597766A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112507597A (zh) * | 2020-11-02 | 2021-03-16 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多簇粒子滤波的多端柔性直流输电系统状态评估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103995948A (zh) * | 2013-07-19 | 2014-08-20 | 南方电网科学研究院有限责任公司 | 一种基于多项式模型的振荡中心电压预测方法 |
| CN106682763A (zh) * | 2016-11-25 | 2017-05-17 | 云南电网有限责任公司昆明供电局 | 一种用于大量样本数据的电力负荷优化预测方法 |
| CN107765347A (zh) * | 2017-06-29 | 2018-03-06 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
| CN109217304A (zh) * | 2018-10-17 | 2019-01-15 | 贵州电网有限责任公司 | 基于wams系统量测量的线路参数辨识方法 |
| CN109669132A (zh) * | 2019-01-21 | 2019-04-23 | 西北工业大学 | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 |
-
2020
- 2020-02-19 CN CN202010101981.4A patent/CN111597766A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103995948A (zh) * | 2013-07-19 | 2014-08-20 | 南方电网科学研究院有限责任公司 | 一种基于多项式模型的振荡中心电压预测方法 |
| CN106682763A (zh) * | 2016-11-25 | 2017-05-17 | 云南电网有限责任公司昆明供电局 | 一种用于大量样本数据的电力负荷优化预测方法 |
| CN107765347A (zh) * | 2017-06-29 | 2018-03-06 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
| CN109217304A (zh) * | 2018-10-17 | 2019-01-15 | 贵州电网有限责任公司 | 基于wams系统量测量的线路参数辨识方法 |
| CN109669132A (zh) * | 2019-01-21 | 2019-04-23 | 西北工业大学 | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘智平，毕开波著: "《惯性导航与组合导航基础》", 30 June 2013, 北京：国防工业出版社, pages: 212 - 213 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112507597A (zh) * | 2020-11-02 | 2021-03-16 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多簇粒子滤波的多端柔性直流输电系统状态评估方法 |
| CN112507597B (zh) * | 2020-11-02 | 2021-10-22 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多簇粒子滤波的多端柔性直流输电系统状态评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108155648A (zh) | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 | |
| CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
| CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
| CN109754013B (zh) | 一种基于无迹卡尔曼滤波的电力系统混合量测融合方法 | |
| CN113283155B (zh) | 一种近地表气温估算方法、系统、存储介质及设备 | |
| CN108647838B (zh) | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 | |
| CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
| CN110414086B (zh) | 一种基于灵敏度的综合应力加速因子计算方法 | |
| CN110807508B (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
| CN111221811A (zh) | 一种基于集抄系统的低压配电网络线路参数估计方法 | |
| CN111597766A (zh) | 基于粒子滤波采样的全过程动态仿真长期孤网稳定性预测方法及系统 | |
| CN112765787B (zh) | 动态环境下考虑性能指标聚类的退化建模与寿命预测方法 | |
| CN107179758B (zh) | 一种动态信号参数辨识方法及系统 | |
| CN110581554B (zh) | 基于影响增量的电网N-k故障分析与筛选方法及装置 | |
| CN109447512B (zh) | 基于均匀设计的大电网可靠性评估方法 | |
| CN108959721B (zh) | 一种风车荷载作用下的大跨度桥梁构件可靠度计算方法 | |
| CN113177717B (zh) | 一种基于影响增量灵敏度的输电系统韧性快速评估方法 | |
| CN115330085A (zh) | 基于深度神经网络且无未来信息泄露的风速预测方法 | |
| CN112100832B (zh) | 一种锂电池非线性退化模型的构建及工作方法 | |
| Kong et al. | Advanced load modelling techniques for state estimation on distribution networks with multiple distributed generators | |
| CN103258144B (zh) | 基于故障录波器数据的在线静态负荷建模方法 | |
| CN111612289A (zh) | 基于新能源多场景风险特征导向的电力系统风险评估方法 | |
| CN117077546B (zh) | 基于数据驱动的电力系统负荷建模方法及其系统 | |
| CN109670243A (zh) | 一种基于勒贝格空间模型的寿命预测方法 | |
| CN116626506B (zh) | 一种变电站蓄电池状态特性预测方法及系统 |
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 |