CN111682532A - 一种励磁系统无补偿相频特性在线建模方法及存储介质 - Google Patents
一种励磁系统无补偿相频特性在线建模方法及存储介质 Download PDFInfo
- Publication number
- CN111682532A CN111682532A CN202010534835.0A CN202010534835A CN111682532A CN 111682532 A CN111682532 A CN 111682532A CN 202010534835 A CN202010534835 A CN 202010534835A CN 111682532 A CN111682532 A CN 111682532A
- Authority
- CN
- China
- Prior art keywords
- generator
- characteristic
- excitation system
- frequency characteristic
- uncompensated phase
- 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
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
- H02J3/002—Flicker reduction, e.g. compensation of flicker introduced by non-linear load
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P9/00—Arrangements for controlling electric generators for the purpose of obtaining a desired output
- H02P9/14—Arrangements for controlling electric generators for the purpose of obtaining a desired output by variation of field
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Nonlinear Science (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种励磁系统无补偿相频特性在线建模方法及存储介质,其中,方法包括:提取当前发电机的运行工况特征输入量;将所述运行工况特征输入量代入预先建立的回归模型以确定当前工况下的励磁系统无补偿相频特性,所述回归模型通过励磁系统无补偿相频特性与发电机运行工况特征输入量之间的关系建立。本发明方法通过预先建立的励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型实现励磁系统无补偿相频特性的在线建模,本发明方法简单高效,具有较强的运行工况泛化能力,适用于部分无补偿相频特性无法通过实测获取的励磁系统以及PSS参数在线整定和校验。
Description
技术领域
本发明涉及发电机控制技术领域,特别是一种励磁系统无补偿相频特性在线建模方法及存储介质。
背景技术
电力系统稳定器(Power System Stabilizer,PSS)作为发电机励磁系统的一种附加控制,其作用是为了抑制电力系统低频振荡、提高系统阻尼、改善电力系统稳定性。其原理是在励磁电压调节器中,引入领先于轴速度的附加信号,产生一个正阻尼转矩,去克服原励磁电压调节器中产生的负阻尼转矩作用。
PSS参数的取值决定了PSS的阻尼特性,进而决定了其低频振荡抑制能力。规程规范要求各发电厂并网前及励磁系统改造后均需要开展PSS参数整定工作,使PSS阻尼特性满足标准要求。目前,工程上普遍采用现场试验的方法进行PSS参数整定,其做法是通过实测励磁系统无补偿相频特性,并以此作为输入构建基于最佳相位补偿目标的优化模型,求解最优PSS参数。因此,该方法的关键在于获取励磁系统无补偿相频特性。
现有技术存在部分励磁设备无补偿相频特性无法实测、试验方法无法用于PSS参数在线整定以及电力系统高维复杂非线性导致解析计算难度大等问题。
发明内容
有鉴于现有技术的上述缺陷,本发明的目的就是提供一种励磁系统无补偿相频特性在线建模方法及存储介质,提出一种简单高效的励磁系统无补偿相频特性预测方法,用于部分无补偿相频特性无法通过实测获取的励磁系统以及PSS参数在线整定和校验。
本发明的目的之一是通过这样的技术方案实现的,一种励磁系统无补偿相频特性在线建模方法,所述方法包括:
基于广域测量系统(WAMS)实时运行数据,提取表征发电机当前运行工况的输入特征量;
将所述输入特征量代入预先建立的回归模型以确定当前的励磁系统无补偿相频特性,所述回归模型通过励磁系统无补偿相频特性与表征发电机运行工况的特征输入量之间的关系建立。
可选的,建立励磁系统无补偿相频特性与表征发电机运行工况的特征输入量之间的回归模型,还包括:
根据发电机的所述实时运行数据辨识发电机模型参数;
通过所述发电机模型辨识参数进行仿真确定发电机的励磁无补偿相频特性。
可选的,所述根据发电机的所述实时运行数据辨识发电机模型参数,包括:
基于发电机的所述实时运行数据建立发电机模型参数辨识的损失函数模型;
根据所述损失函数模型构建发电机模型参数辨识模型。
可选的,建立励磁系统无补偿相频特性与表征发电机运行工况的特征输入量之间的回归模型,还包括:
根据仿真确定的不同运行方式下的发电机机端运行数据构建特征量输入样本;
根据不同运行方式下的所述发电机机端运行数据计算对应的励磁系统无补偿相频特性,以获得目标输出样本;
基于所述特征量输入样本和所述目标输出样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型。
可选的,基于所述特征量输入样本和所述目标输出样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型,包括:
采用支持向量机回归(SVR)算法,根据所述特征量输入样本和所述目标输出样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型。
可选的,基于所述特征量输入样本和所述目标输出样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型,还包括:
按照预设比例将所述特征量输入样本和所述目标输出样本分为训练集和测试集;
根据所述训练集通过所述SVR模型进行训练;
对训练获得的SVR模型通过所述测试集进行测试,以获得励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型。
可选的,获得励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型之后,所述方法还包括:
通过预设的基于粒子迁徙和变异的粒子群算法确定所述回归模型的优化参数。
可选的,提取当前发电机的运行工况特征输入量之后,还包括:
对所述运行工况特征输入量进行归一化处理。
本发明的目的之二是通过这样的技术方案实现的,一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如前述的励磁系统无补偿相频特性预测方法的步骤。
由于采用了上述技术方案,本发明具有如下的优点:本发明方法通过预先建立的励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型对所述发电机运行工况特征数据进行预测,本发明方法简单高效,适用于部分无补偿相频特性无法通过实测获取的励磁系统以及PSS参数在线整定和校验。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。
附图说明
本发明的附图说明如下:
图1为本发明第一实施例流程图;
图2为本发明第二实施例流程图;
图3为本发明第二实施例总流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例一
本发明第一实施例提出一种励磁系统无补偿相频特性预测方法,如图1所示,所述方法包括:
S10、基于广域测量系统(WAMS)实时运行数据,提取表征发电机当前运行工况的输入特征量;
S20、将所述输入特征量代入预先建立的回归模型以确定当前的励磁系统无补偿相频特性,所述回归模型通过励磁系统无补偿相频特性与表征发电机运行工况的特征输入量之间的关系建立。
本发明方法通过预先建立的励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型对所述发电机运行工况特征数据进行预测,本发明方法简单高效,适用于部分无补偿相频特性无法通过实测获取的励磁系统以及PSS参数在线整定和校验。
可选的,建立励磁系统无补偿相频特性与发电机运行工况特征参数之间的回归模型,包括:
根据发电机的所述实时运行数据辨识发电机模型参数;
通过所述发电机模型参数进行仿真确定发电机的励磁无补偿相频特性。
可选的,所述根据所述发电机的运行数据确定发电机辨识参数,包括:
基于发电机的所述实时运行数据建立发电机模型参数辨识的损失函数模型;
根据所述损失函数模型构建发电机模型参数辨识模型。
具体的说,在本实施例中,可以通过WAMS系统在线获取待研究发电机的机端电压、电流、有功功率、无功功率、功角等运行数据推导建立发电机参数辨识的损失函数方程,然后再基于损失函数最小构造参数辨识的发电机模型参数辨识模型。
可选的,所述通过励磁系统无补偿相频特性与发电机运行工况特征输入量之间建立回归模型,还包括:
根据仿真确定的不同运行方式下的发电机机端运行数据构建特征量输入样本;
根据不同运行方式下的所述发电机机端运行数据计算对应的励磁系统无补偿相频特性,以获得目标输出样本;
基于所述特征量输入样本和所述目标输出样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型。
具体的说,在前述实施例的基础上,在本发明一个可选的实施方式中,在获得前述发电机模型参数辨识模型之后,本实施例中,进一步,通过发电机模型参数辨识模型对发电机机端运行数据进行计算以获得发电机辨识参数,具体的,可以通过采用遗传算法进行求解,以辨识发电机模型参数,然后根据获得的发电机模型参数进行利用PSASP小干扰稳定仿真建立特征量输入样本,并根据不同运行方式下的所述发电机机端运行数据计算对应的励磁系统无补偿相频特性以获得目标输出样本,最后根据特征量输入样本和所述目标输出样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型。
可选的,基于所述特征量输入样本和所述目标输出样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型,包括:
采用支持向量机回归(SVR)算法,根据所述特征量输入样本和所述目标输出样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型。
可选的,基于所述特征量输入样本和所述目标输出样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型,还包括:
按照预设比例将所述特征量输入样本和所述目标输出样本分为训练集和测试集;
根据所述训练集通过所述SVR模型进行训练;
对训练获得的SVR模型通过所述测试集进行测试,以获得励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型。
可选的,获得励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型之后,所述方法还包括:
通过预设的基于粒子迁徙和变异的粒子群算法确定所述回归模型的优化参数。
可选的,提取当前发电机的运行工况特征输入量之后,还包括:
对所述运行工况特征输入量进行归一化处理。
具体的说,在本发明另一种可选的实施方式中,根据所述励磁无补偿相频特性样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型,包括:
采用支持向量机回归(support vector regression,SVR)算法,基于特征量输入样本和目标输出样本,建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归关系。根据特征量输入样本和目标输出样本分为训练集和测试集,在本实施例中进行比例划分,例如可以是训练样本与测试样本的比例为7:3,然后对分组后的样本进行归一化预处理,接着使用SVR模型对其进行训练及测试,通过预设的优化算法确定最佳的支持向量机回归模型参数,例如优化算法可以是基于粒子迁徙和变异的粒子群优化算法,由此来获得励磁系统无补偿相频特性与发电机运行工况参数之间的回归模型。
在获得励磁系统无补偿相频特性与发电机运行工况参数之间的回归模型之后,本发明的预计方法包括:从WAMS系统中在线实时提取待研究发电机的特征量输入数据,进行预处理后,代入训练和测试通过的支持向量机模型中即可实现励磁系统无补偿相频特性的在线预测。
综上,本发明方法无需开展现场试验实测,具有建模简单、精度高、运行方式泛化能力强的优点,可用于满足PSS参数的在线及智能化整定的应用需求,提高了PSS参数整定工作的效率,同时也避免了现场实测给机组带来的不安全扰动风险。
实施例二
本发明第二实施例提出一种励磁系统无补偿相频特性预测方法的实施案例,如图2、3所示,本发明方法包括如下步骤:
S00、建立励磁系统无补偿相频特性与表征发电机运行工况的特征输入量之间的回归模型;
S001、基于发电机的所述实时运行数据建立发电机模型参数辨识的损失函数模型;
具体的,在本实施例中,首先基于WAMS实时运行数据辨识,辨识方法如下:
I、a、q轴同步电抗Xq的辨识
首先根据从WAMS系统(Wide Area Measurement System,广域监测)采集得到的发电机机端电压、机端电流(包括幅值和相角)及功角按下式计算发电机机端电压和机端电流的q轴和d轴分量:
式中,Vtd、Vtq分别为发电机机端电压的d轴和q轴分量;Itd、Itq分别为发电机机端电流的d轴和q轴分量;Vt、分别为发电机机端电压幅值和相角;It、分别为发电机机端电流幅值和相角;δ为发电机功角;之差为发电机功率因数角。
则:
定义损失函数:
式中,下标i为扰动情形下的PMU运行数据样本编号,N为样本数量。
S002、根据所述损失函数模型构建发电机模型参数辨识模型;
基于前述损失函数,Xq的辨识问题可转化为求满足损失函数Ls1最小的Xq问题,由此可以建立a、q轴同步电抗Xq的辨识模型,可采用最小二乘法进行求解。
将待整定的发电机及其所接入的系统等值为如图2所示的单机无穷大系统,基于PMU实时运行数据辨识发电机与无穷大系统等值联系电抗xs,辨识方法如下:
II、类似的、b、d轴同步电抗Xd的辨识,包括;
根据发电机基本方程可得:
式中,Eq为发电机內电势,正比与发电机励磁电流Ifd,Xad为比例系数。
由式(4)可得:
XadIfd-XdItd-Vtq=0 (5)
定义损失函数:
同理,通过求损失函数Ls2最小值的优化模型获得对应的b、d轴同步电抗Xd的辨识模型,即可得到Xd的辨识值。
III、c、d轴次暂态电抗Xd‘的辨识
由同步发电机的基本方程可得:
式中,E'q、E”q分别为发电机q轴暂态和超暂态电动势;X'd、X”d分别为发电机暂态和超暂态电抗;T’d0、T”d0分别为发电机定子开路d轴绕组的暂态和超暂态时间常数;Ufd为发电机励磁电压;K为比例系数,为常数。以Itq、Ufd作为输入,Vtq作为输出变量,X'd、X”d、T'd0、T”d0、K为待辨识参数。
具体的说,在本实施例中,定义损失函数:
式中,Vtq_sim(t)可基于优化算法改变X'd、X”d、T'd0、T”d0、K的步长通过式(7)的模型求解微分方程组得到;Vtq_pmu(t)可通过采集发电机的机端电压幅值和相角、功角计算得到。同理,X'd等参数的辨识问题就转化为求损失函数Ls3最小值的优化问题,由此同理可以根据构建的发电机模型参数辨识模型进行参数辨识。
S003、根据发电机的所述实时运行数据辨识发电机模型参数;
S004、通过所述发电机模型辨识参数进行仿真确定发电机的励磁无补偿相频特性;
具体的说,在本实施例中,根据前述辨识获得的发电机模型参数,基于电力系统综合仿真程序(PSASP)的小干扰稳定计算模块,选择线性化频域响应计算,输入信号对应励磁模型中的Vs,即PSS输出信号,输出信号选择对应发电机模型下的Vt或Eq′,计算完成后选择线性化频域响应输出即可得到待研究发电机的励磁系统无补偿相频特性Eq′/Vs。
S005、根据仿真确定的不同运行方式下的发电机机端运行数据构建特征量输入样本;
S006、根据不同运行方式下的所述发电机机端运行数据计算对应的励磁系统无补偿相频特性,以获得目标输出样本;
基于PSASP构建多种运行方式,记录各运行方式下待研究发电机的机端电压幅值和相位、有功功率、无功功率及并网点电压幅值和相位,并仿真计算得到相应励磁系统无补偿相频特性。其中待研究发电机的机端电压幅值和相位、有功功率、无功功率及并网点电压幅值和相位作为特征输入量样本,相应励磁系统无补偿相频特性作为目标输出样本,由此确定发电机在不同运行方式下的励磁无补偿相频特性样本。
S007、基于所述特征量输入样本和所述目标输出样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型。
S0071、按照预设比例将所述特征量输入样本和所述目标输出样本分为训练集和测试集;
根据前述仿真生成n个励磁无补偿相频特性样本,本实施例中可以按照7:3的比例分成训练样本集和测试样本集。
S0072、根据所述训练集通过所述SVR模型进行训练;
对于获得的训练样本集和测试样本集,进行归一化预处理后,使用支持向量机回归模型对其进行训练及测试。
S0073、对训练获得的SVR模型通过所述测试集进行测试,以获得励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型。
可选的,获得励磁系统无补偿相频特性与发电机运行工况参数之间的回归模型之后,所述方法还包括:
S0074、通过预设的基于粒子迁徙和变异的粒子群算法确定所述回归模型的优化参数。
具体的说,在本实施例中,可以采用基于粒子迁徙和变异的粒子群优化算法确定最佳的支持向量机回归模型参数,以提高预测精度和泛化能力,从而构建不同运行工况下的励磁系统无补偿相频特性的支持向量回归机模型。
在确定不同运行工况下的励磁系统无补偿相频特性的支持向量回归机模型之后,本发明方法还包括:
S10、基于广域测量系统(WAMS)实时运行数据,提取表征发电机当前运行工况的输入特征量,并对输入特征量数据进行预处理;
S20、将所述输入特征量代入预先建立的回归模型以确定当前的励磁系统无补偿相频特性,由此实现励磁系统无补偿相频特性的在线预测,其中本实施例中,预处理可以是对所述运行工况特征参数进行归一化处理。
综上,本发明方法无需开展现场试验实测,具有建模简单、精度高、运行方式泛化能力强的优点,可用于满足PSS参数的在线及智能化整定的应用需求,提高了PSS参数整定工作的效率,同时也避免了现场实测给机组带来的不安全扰动风险。
实施例三
本发明第三实施例提出一种励磁系统无补偿相频特性估计装置,所述装置包括:
采集单元,用于基于广域测量系统(WAMS)实时运行数据,提取表征发电机当前运行工况的输入特征量;
数据处理单元,用于将所述输入特征量代入预先建立的回归模型以确定当前的励磁系统无补偿相频特性,所述回归模型通过励磁系统无补偿相频特性与表征发电机运行工况的特征输入量之间的关系建立。
实施例四
本发明第四实施例提出一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现第一或第二实施例的方法的步骤。
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保护范围之内。
Claims (9)
1.一种励磁系统无补偿相频特性在线建模方法,其特征在于,所述方法包括:
基于广域测量系统(WAMS)实时运行数据,提取表征发电机当前运行工况的输入特征量;
将所述输入特征量代入预先建立的回归模型以确定当前的励磁系统无补偿相频特性,所述回归模型通过励磁系统无补偿相频特性与表征发电机运行工况的特征输入量之间的关系建立。
2.如权利要求1所述的励磁系统无补偿相频特性在线建模方法,其特征在于,建立励磁系统无补偿相频特性与表征发电机运行工况的特征输入量之间的回归模型,还包括:
根据发电机的所述实时运行数据辨识发电机模型参数;
通过所述发电机模型参数进行仿真确定发电机的励磁无补偿相频特性。
3.如权利要求2所述的励磁系统无补偿相频特性预测方法,其特征在于,所述根据发电机的所述实时运行数据辨识发电机模型参数,包括:
基于发电机的所述实时运行数据建立发电机模型参数辨识的损失函数模型;
根据所述损失函数模型构建发电机模型参数辨识模型。
4.如权利要求3所述的励磁系统无补偿相频特性在线建模方法,其特征在于,建立励磁系统无补偿相频特性与表征发电机运行工况的特征输入量之间的回归模型,还包括:
根据仿真确定的不同运行方式下的发电机机端运行数据构建特征量输入样本;
根据不同运行方式下的所述发电机机端运行数据计算对应的励磁系统无补偿相频特性,以获得目标输出样本;
基于所述特征量输入样本和所述目标输出样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型。
5.如权利要求4所述的励磁系统无补偿相频特性预测方法,其特征在于,基于所述特征量输入样本和所述目标输出样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型,包括:
采用支持向量机回归(SVR)算法,根据所述特征量输入样本和所述目标输出样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型。
6.如权利要求5所述的励磁系统无补偿相频特性预测方法,其特征在于,基于所述特征量输入样本和所述目标输出样本建立励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型,还包括:
按照预设比例将所述特征量输入样本和所述目标输出样本分为训练集和测试集;
根据所述训练集通过所述SVR模型进行训练;
对训练获得的SVR模型通过所述测试集进行测试,以获得励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型。
7.如权利要求6所述的励磁系统无补偿相频特性预测方法,其特征在于,获得励磁系统无补偿相频特性与发电机运行工况特征输入量之间的回归模型之后,所述方法还包括:
通过预设的基于粒子迁徙和变异的粒子群算法确定所述回归模型的优化参数。
8.如权利要求1-7任一项所述的励磁系统无补偿相频特性在线建模方法,其特征在于,提取当前发电机的运行工况特征输入量之后,还包括:
对所述运行工况特征输入量进行归一化处理。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至8中任一项所述的励磁系统无补偿相频特性在线建模方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010534835.0A CN111682532A (zh) | 2020-06-12 | 2020-06-12 | 一种励磁系统无补偿相频特性在线建模方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010534835.0A CN111682532A (zh) | 2020-06-12 | 2020-06-12 | 一种励磁系统无补偿相频特性在线建模方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111682532A true CN111682532A (zh) | 2020-09-18 |
Family
ID=72454797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010534835.0A Pending CN111682532A (zh) | 2020-06-12 | 2020-06-12 | 一种励磁系统无补偿相频特性在线建模方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111682532A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997065A (zh) * | 2022-06-22 | 2022-09-02 | 沈阳工学院 | 基于改进随机配置网络的同步发电机励磁电流预测方法 |
CN114997065B (zh) * | 2022-06-22 | 2024-07-26 | 沈阳工学院 | 基于改进随机配置网络的同步发电机励磁电流预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1852952A1 (en) * | 2005-02-22 | 2007-11-07 | Kyushu Institute of Technology | System stability control method and system for electric power system |
CN103956754A (zh) * | 2014-03-31 | 2014-07-30 | 国家电网公司 | 基于实时显示的一键式电力系统稳定器参数整定方法 |
CN104333005A (zh) * | 2014-08-18 | 2015-02-04 | 西南交通大学 | 基于支持向量回归的电力系统扰动后频率动态预测方法 |
CN105158598A (zh) * | 2015-08-15 | 2015-12-16 | 国家电网公司 | 一种适用于电力设备的故障预测方法 |
CN106452238A (zh) * | 2016-10-10 | 2017-02-22 | 国家电网公司 | 一种西门子pss3b模型参数整定方法 |
CN110417013A (zh) * | 2019-08-07 | 2019-11-05 | 国网重庆市电力公司电力科学研究院 | 电力系统稳定器参数整定方法及可读存储介质 |
-
2020
- 2020-06-12 CN CN202010534835.0A patent/CN111682532A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1852952A1 (en) * | 2005-02-22 | 2007-11-07 | Kyushu Institute of Technology | System stability control method and system for electric power system |
CN103956754A (zh) * | 2014-03-31 | 2014-07-30 | 国家电网公司 | 基于实时显示的一键式电力系统稳定器参数整定方法 |
CN104333005A (zh) * | 2014-08-18 | 2015-02-04 | 西南交通大学 | 基于支持向量回归的电力系统扰动后频率动态预测方法 |
CN105158598A (zh) * | 2015-08-15 | 2015-12-16 | 国家电网公司 | 一种适用于电力设备的故障预测方法 |
CN106452238A (zh) * | 2016-10-10 | 2017-02-22 | 国家电网公司 | 一种西门子pss3b模型参数整定方法 |
CN110417013A (zh) * | 2019-08-07 | 2019-11-05 | 国网重庆市电力公司电力科学研究院 | 电力系统稳定器参数整定方法及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
朱良合 等: "基于现场实验数据的PSS参数智能优化方法", 《电力系统及其自动化学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997065A (zh) * | 2022-06-22 | 2022-09-02 | 沈阳工学院 | 基于改进随机配置网络的同步发电机励磁电流预测方法 |
CN114997065B (zh) * | 2022-06-22 | 2024-07-26 | 沈阳工学院 | 基于改进随机配置网络的同步发电机励磁电流预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106026822B (zh) | 伺服电机驱动系统的惯量在线辨识方法及系统 | |
CN109713685B (zh) | 一种适用于vsc接入引发次同步振荡的在线定位方法 | |
CN109194225B (zh) | 一种双馈电机参数在线辨识方法 | |
CN108155643B (zh) | 一种基于滑模观测器的单相电网电压参数的鲁棒估计方法 | |
CN108121215A (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
CN117313293B (zh) | 一种直驱风电场小信号等值建模方法、系统、终端及介质 | |
CN113011055B (zh) | 一种基于有限元技术的电机高温故障模拟方法及系统 | |
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 | |
WO2023124893A1 (zh) | 基于神经网络的转矩估测方法、装置、设备及存储介质 | |
CN111585285A (zh) | 基于电压监测系统的负荷建模方法及装置 | |
CN111682532A (zh) | 一种励磁系统无补偿相频特性在线建模方法及存储介质 | |
CN115549093A (zh) | 一种新能源电力系统在线建模与振荡分析的方法及系统 | |
CN113721461A (zh) | 一种基于多试验场景的新能源机组参数辨识方法及系统 | |
CN116418260A (zh) | 永磁同步电机的转矩估测方法、装置、设备及存储介质 | |
CN110048404B (zh) | 电力系统低频振荡抑制器在线优化方法、装置与存储介质 | |
CN113627041A (zh) | 基于多源数据融合的时变动态负荷在线建模方法及装置 | |
CN109217336B (zh) | 基于分区建模的同步发电机阻尼系数在线辨识方法 | |
Overlin et al. | A hybrid algorithm for parameter estimation (HAPE) for diesel generator sets | |
CN117559518B (zh) | 风力发电系统等效模型构建方法及装置 | |
CN111082454B (zh) | 一种用于获取电力系统的振荡风险量化指标的方法及系统 | |
Khan et al. | Identification of Permanent Magnet Synchronous Motor Parameters | |
CN110782107A (zh) | 一种评估电网暂态稳定性的方法及系统 | |
CN113190982B (zh) | 一种确定变流器控制设备的关键中间变量的方法及系统 | |
CN109989875B (zh) | 一种水轮机调节系统参数辨识方法 | |
CN116914777B (zh) | 一种风电系统小信号稳定性分析方法、装置、系统及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200918 |