CN112067893A - 一种基于动态时间规整的风电机组谐波评估方法及系统 - Google Patents
一种基于动态时间规整的风电机组谐波评估方法及系统 Download PDFInfo
- Publication number
- CN112067893A CN112067893A CN202010846393.3A CN202010846393A CN112067893A CN 112067893 A CN112067893 A CN 112067893A CN 202010846393 A CN202010846393 A CN 202010846393A CN 112067893 A CN112067893 A CN 112067893A
- Authority
- CN
- China
- Prior art keywords
- harmonic
- time
- wind turbine
- turbine generator
- detection data
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于动态时间规整的风电机组谐波评估方法及系统,包括:对采集的检测数据采用离散傅里叶变换进行矩形加窗,得到各阶次谐波分量;将所述各阶次谐波分量按照时间序列存储,形成时域波形;基于选取的时间窗截取各阶次谐波的时域波形,利用动态时间规整方法计算相邻时间窗的最小累计距离;通过所述最小累计距离评估风电机组中谐波的变化。本发明利用动态时间规整方法计算相邻时间窗的最小累计距离,通过最小累计距离反映风电机组谐波检测数据的变化趋势,从而评估谐波各分量的趋势变化情况,提升了风电机组并网检测评估的全面性和准确性。
Description
技术领域
本发明涉及新能源发电,具体涉及一种基于动态时间规整的风电机组谐波评估方法及系统。
背景技术
电力系统中的谐波是由于铁磁饱和设备、电子开关设备和电弧设备等非线性设备的存在而造成。对于风电机组来说,谐波电流的真正来源是风电机组中采用的电力电子元件。当前主流变速恒频风电机组均通过电力电子变流装置并网发电,电力电子开关器件的快速开断会向电网注入大量谐波电流,对电网产生谐波污染。因此,风电机组的谐波测量和评估已成为并网检测的重要测试单元。现有技术标准已对风电机组谐波测试和评估作出了详细规定,主要从功率变化角度测量评估机组产生的谐波程度,以此降低机组出力对谐波测量的影响,但发明人发现该评估方法忽略了谐波本身的周期性变化规律,降低了评估方法的准确性,同时由于并网检测数据与机组后续并网运行数据不同步,数据特征提取信息不足,难以在机组并网运行中得到持续应用。
发明内容
为了解决现有技术中所存在的上述不足,本发明提供了一种基于动态时间规整的风电机组谐波评估方法,包括:
对采集的检测数据采用离散傅里叶变换进行矩形加窗,得到各阶次谐波分量;
将所述各阶次谐波分量按照时间序列存储,形成时域波形;
基于选取的时间窗截取各阶次谐波的时域波形,利用动态时间规整方法计算相邻时间窗的最小累计距离;
通过所述相邻时间窗的最小累计距离评估风电机组中谐波的变化。
优选的,所述对采集的检测数据采用离散傅里叶变换进行矩形加窗,得到各阶次谐波分量,包括:
对采集的检测数据按设定的时间窗进行划分;
采用离散傅里叶变换对各时间窗内的检测数据进行矩形加权得到各阶次谐波分量。
优选的,所述检测数据的采集,包括:
在设定的每个额定功率区间内,采集满足需求的多组瞬时电流数据,其中每组瞬时电流数据为设定时间间隔的时间序列。
优选的,所述采用离散傅里叶变换对各时间窗内的检测数据进行矩形加权得到各阶次谐波分量,包括:
采用离散傅里叶变换对每组瞬时电流数据进行矩形加窗,得到各时间窗的谐波分量。
优选的,所述时间窗的选取,包括:
根据实际谐波测试时间情况和时域波形选择不同的时间尺度作为时间窗。
优选的,所述通过所述相邻时间窗的最小累计距离评估风电机组中谐波的变化之后,还包括:
当检测数据对应风电机组的所有并网检测结果满足设置条件时,将检测数据作为机组后续运行监测数据的参考基准。
基于同一发明构思,本发明还提供了一种基于动态时间规整的风电机组谐波评估系统,包括:
获取谐波模块,用于对采集的检测数据采用离散傅里叶变换进行矩形加窗,得到各阶次谐波分量;
存储模块,用于将所述各阶次谐波分量按照时间序列存储,形成时域波形;
计算模块,用于基于选取的时间窗截取各阶次谐波的时域波形,利用动态时间规整方法计算相邻时间窗的最小累计距离;
评估模块,用于通过所述相邻时间窗的最小累计距离评估风电机组中谐波的变化。
优选的,所述获取谐波模块,具体用于:
对采集的检测数据按设定的时间窗进行划分;
采用离散傅里叶变换对各时间窗内的检测数据进行矩形加权得到各阶次谐波分量。
优选的,所述时间窗的选取,包括:
根据实际谐波测试时间情况和时域波形选择不同的时间尺度作为时间窗。
优选的,所述系统还包括参考模块,用于执行完评估模块之后,当检测数据对应风电机组的所有并网检测结果满足设置条件时,将检测数据作为机组后续运行监测数据的参考基准。
与现有技术相比,本发明的有益效果为:
本发明提供的技术方案,对采集的检测数据采用离散傅里叶变换进行矩形加窗,得到各阶次谐波分量;将所述各阶次谐波分量按照时间序列存储,形成时域波形;基于选取的时间窗截取各阶次谐波的时域波形,利用动态时间规整方法计算相邻时间窗的最小累计距离;通过所述相邻时间窗的最小累计距离评估风电机组中谐波的变化,从而反映谐波各分量的变化情况,提升了风电机组并网检测评估的全面性和准确性。
附图说明
图1为本发明中一种基于动态时间规整的风电机组谐波评估方法流程图;
图2为本发明实施例中提供的现有风电机组谐波评估方法的流程图;
图3为本发明实施例中一种基于动态时间规整的风电机组谐波评估方法的具体流程图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1:如图1所示,本发明提供的基于动态时间规整的风电机组谐波评估方法,包括:
S1对采集的检测数据采用离散傅里叶变换进行矩形加窗,得到各阶次谐波分量;
S2将所述各阶次谐波分量按照时间序列存储,形成时域波形;
S3基于选取的时间窗截取各阶次谐波的时域波形,利用动态时间规整方法计算相邻时间窗的最小累计距离;
S4通过所述相邻时间窗的最小累计距离评估风电机组中谐波的变化。
本发明利用动态时间规整方法计算相邻时间窗的最小累计距离,然后通过最小累计距离反映风电机组谐波检测数据的变化趋势,提升了风电机组并网检测评估的全面性和准确性。
通过图2和图3所示,本发明提供的基于动态时间规整的风电机组谐波评估方法,是在原有测试评估流程的基础上,增加了动态时间规整分析环节,即在原有风电机组谐波测试中增加了后续数据分析处理环节,不用调整前端采集硬件设备,因此实际可操作性较强。如图3所示,本发明提供的基于动态时间规整的风电机组谐波评估方法,包括数据采集、谐波计算以及动态时间规整分析与谐波特征提取,本实施例对上述三个环节进行具体介绍:
(1)数据采集
在设定的每个额定功率区间内,采集满足需求的多组瞬时电流数据,其中每组瞬时电流数据为设定时间间隔的时间序列。
本实施例中输出功率从0到额定功率的100%,以10%的额定功率为区间,在每个10%额定功率区间,至少采集9组10min时间序列的瞬时电流数据。
本实施例中数据量是基于国家标准GB/T 20320-2013要求采集的最少数据量。但不限于该要求,在测试现场环境条件和采集设备条件空间允许的情况下,数据量可以适当增加。
本实施考虑到谐波周期性变化规律,可以在动态时间规整分析环节,分析不同时间尺度的谐波变化规律。
(2)谐波计算
采用离散傅里叶变换对每组瞬时电流数据进行矩形加窗,得到各时间窗的谐波分量。
本实施例中按照50Hz电力系统10周期时间窗(即0.2s)划分,采用离散傅里叶变换对每个10min数据列进行矩形加窗,得到各个10周期时间窗的谐波分量;
在现有的评估方法中,先计算每个谐波分量的10min平均值和对应平均有功功率,然后用每个10%额定功率区间内每个谐波分量的最大10min平均值表示测试时间段产生谐波情况。
(3)动态时间规整分析与谐波特征提取
区别于环节(2)主要是从功率维度分析各次谐波产生情况,本环节利用动态时间规整方法从连续时间维度分析风电机组电流谐波特征,判断谐波变化趋势。为了提高工程实际可操作性,减少现有采集设备和分析算法的改动,输入数据与环节(2)一样,也是按照10周期时间窗采用离散傅里叶变换对每个10min数据列进行矩形加窗;将得到的各阶次谐波分量按照时间序列存储,形成时域波形,不再按照环节(2)中根据平均功率划分;最后利用动态时间规整技术提取各阶次谐波趋势变化特征。
本发明中采用的动态时间规整(Dynamic Time Warping)算法是一种适用于时间序列相似度度量的方法,它与传统的欧几里得法不同,传统欧几里得法需要两个序列点与点之间是一一对应的来计算两个序列之间的距离,而DTW克服了这一限制,两个不同步的序列也能计算出它们之间的相似度。也就是说两个不同步的时间序列通过“点与点”的搜索匹配,从另一个序列中找到与之匹配的对应点,进而计算对应点间的距离。
基本的DTW算法过程如下,假设两个时间序列X和Y的长度分别为N和M:
X=(x1,x2,x3,...,xN) (1)
Y=(y1,y2,y3,...,yM) (2)
其中xi和yj表示在序列X和Y中的第i点和第j点的元素值。
为了对两个时间序列进行匹配,首先要建立一个N×M的距离矩阵,用D表示,其中矩阵D中的元素是序列中两个点xi和yj之间的距离,用d(xi,yj)来表示,然后用欧几里得公式来计算点与点之间的距离:
d(xi,yj)=(xi-yj)2 (3)
距离矩阵建立完之后,序列之间的最小累积距离的路径需要进行计算,最小距离规整路径可以表示为:
其中ωk表示矩阵D中的元素,同时也表示规整路径W上的第k个元素。
W=(ω1,ω2,ω3,…ωk,…ωK),ωk=(nk,mk) (5)
其中nk=1,2,3,...N;mk=1,2,3,...,M;k=1,2,3,...,K;max(N,M)≤K≤N+M
规整路径的搜索需要遵循以下三个基本条件:
□边界条件:ω1=(1,1)和ωK=(N,M)作为规整路径的起点和终点,必须是匹配序列的第一个点和最后一个点。
□单调性条件:规整路径上的第k个点ωk=(nk,mk)和第k-1个点ωk-1=(nk-1,mk-1)需要满足条件(nk-nk-1)≥0,(mk-mk-1)≥0,这个条件保证了搜索方向的单调性。
□连续性条件:规整路径上的第k个点ωk=(nk,mk),满足(nk-nk-1)≤1,(mk-mk-1)≤1,因此连续性条件为:ωk-ωk-1∈{(1,1),(1,0),(0,0)}。
这三个条件防止了在进行匹配过程中出现“跳点”和“回溯”的问题,保证了序列上的每个点都能匹配到相应的点,从而对长度不一致的数据序列达到“压缩”和“扩张”的目的。
从动态时间规整(Dynamic Time Warping)算法原理可以看出,其本质是计算两组曲线最优对齐情况下的欧式距离。因为每次实际谐波测试时间不一样,所以可以根据实际谐波测试时间情况和时域波形图,可以按1s、1min、10min、1小时、1天、1周、1个月、1个季度等时间尺度截取各阶次谐波的时域波形,用动态时间规整方法计算最小累计距离,量化呈现各时间段的时域波形相似程度,从而判断谐波变化趋势和异常情况。
本实施例引入动态时间规整技术,利用动态时间规整方法处理非同步时间序列的优势,在风电机组并网测试环节实现谐波变化趋势的量化评估。
一般地,当数据积累足够多时,可以确定一段波形作为正常状态下的基准波形,通过计算与基准波形的最小累计距离,判断谐波异常情况。但在并网检测环节,由于历史数据的不足,无法确定基准波形,选用相邻时间窗波形计算最小规整累计距离,通过累计距离的大小反映谐波的变化趋势,也可作为评估风电机组谐波情况的重要指标之一。另外,当机组所有并网检测结果满足标准条件时,可以将检测环节的谐波检测数据继续加以利用,作为机组后续运行监测数据的参考基准,增大了检测数据的可用范围。
该技术方案利用动态时间规整方法提取了风电机组谐波检测数据更多的信息特征,实现了从评估谐波各分量大小拓展到分析趋势变化情况,使风电机组并网检测评估的更全面、更准确。
需要说明的是,本实施例中的监测数据与检测数据不同,检测数据是指机组并网检测环节的数据,而监测数据是指机组正常并网运行后的在线监测数据(如风电场给机组安装了在线谐波监测装置),可以将检测环节的测试结果与在线监测数据进行比较作为衡量机组是否正常运行的指标之一。
另外根据现有风电机组并网标准来看,并网检测结果主要包括机组闪变、谐波、有功升速率限制、有功功率设定值控制、无功功率设定值控制、最大感性/容性无功功率、高低穿检测结果等。
本实施例中动态时间规整分析与谐波特征提取环节具体包括:先得到各阶次谐波的时间序列;其次确定时间尺度;然后计算相邻时间窗波形的最小规整累计距离,每两相邻波形对应一个距离值;最后通过距离值大小的变化趋势,定性判断风电机组谐波情况。在正常情况下,距离值应该平稳在0附近的某个范围;如果距离值开始增大,表明谐波变化波动较大,可能出现异常。
本实施在原有风电机组谐波测量评估技术基础上,通过增加动态时间规整方法,提取能克服谐波周期性变化特点的特征参数,该参数能反映谐波变化趋势特征,提高谐波测试和评估结果的准确性;同时,若检测结果为正常数据,可利用该段时间的检测数据用作谐波监测预警中的基准序列,为后续风电机组并网运行的状态监测提供趋势参考,拓展了检测数据的可用范围。
实施例2:基于同一发明构思,本发明实施例还提供了一种基于动态时间规整的风电机组谐波评估系统,包括:
获取谐波模块,用于对采集的检测数据采用离散傅里叶变换进行矩形加窗,得到各阶次谐波分量;
存储模块,用于将所述各阶次谐波分量按照时间序列存储,形成时域波形;
计算模块,用于基于选取的时间窗截取各阶次谐波的时域波形,利用动态时间规整方法计算相邻时间窗的最小累计距离;
评估模块,用于通过所述相邻时间窗的最小累计距离评估风电机组中谐波的变化。
实施例中,所述获取谐波模块,具体用于:
对采集的检测数据按设定的时间窗进行划分;
采用离散傅里叶变换对各时间窗内的检测数据进行矩形加权得到各阶次谐波分量。
实施例中,所述时间窗的选取,包括:
根据实际谐波测试时间情况和时域波形选择不同的时间尺度作为时间窗。
实施例中,所述系统还包括参考模块,用于执行完评估模块之后,当检测数据对应风电机组的所有并网检测结果满足设置条件时,将检测数据作为机组后续运行监测数据的参考基准。
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。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种基于动态时间规整的风电机组谐波评估方法,其特征在于,包括:
对采集的检测数据采用离散傅里叶变换进行矩形加窗,得到各阶次谐波分量;
将所述各阶次谐波分量按照时间序列存储,形成时域波形;
基于选取的时间窗截取各阶次谐波的时域波形,利用动态时间规整方法计算相邻时间窗的最小累计距离;
通过所述相邻时间窗的最小累计距离评估风电机组中谐波的变化。
2.如权利要求1所述的方法,其特征在于,所述对采集的检测数据采用离散傅里叶变换进行矩形加窗,得到各阶次谐波分量,包括:
对采集的检测数据按设定的时间窗进行划分;
采用离散傅里叶变换对各时间窗内的检测数据进行矩形加权得到各阶次谐波分量。
3.如权利要求2所述的方法,其特征在于,所述检测数据的采集,包括:
在设定的每个额定功率区间内,采集满足需求的多组瞬时电流数据,其中每组瞬时电流数据为设定时间间隔的时间序列。
4.如权利要求3所述的方法,其特征在于,所述采用离散傅里叶变换对各时间窗内的检测数据进行矩形加权得到各阶次谐波分量,包括:
采用离散傅里叶变换对每组瞬时电流数据进行矩形加窗,得到各时间窗的谐波分量。
5.如权利要求1所述的方法,其特征在于,所述时间窗的选取,包括:
根据实际谐波测试时间情况和时域波形选择不同的时间尺度作为时间窗。
6.如权利要求1所述的方法,其特征在于,所述通过所述相邻时间窗的最小累计距离评估风电机组中谐波的变化之后,还包括:
当检测数据对应风电机组的所有并网检测结果满足设置条件时,将检测数据作为机组后续运行监测数据的参考基准。
7.一种基于动态时间规整的风电机组谐波评估系统,其特征在于,包括:
获取谐波模块,用于对采集的检测数据采用离散傅里叶变换进行矩形加窗,得到各阶次谐波分量;
存储模块,用于将所述各阶次谐波分量按照时间序列存储,形成时域波形;
计算模块,用于基于选取的时间窗截取各阶次谐波的时域波形,利用动态时间规整方法计算相邻时间窗的最小累计距离;
评估模块,用于通过所述相邻时间窗的最小累计距离评估风电机组中谐波的变化。
8.如权利要求7所述的系统,其特征在于,所述获取谐波模块,具体用于:
对采集的检测数据按设定的时间窗进行划分;
采用离散傅里叶变换对各时间窗内的检测数据进行矩形加权得到各阶次谐波分量。
9.如权利要求7所述的系统,其特征在于,所述时间窗的选取,包括:
根据实际谐波测试时间情况和时域波形选择不同的时间尺度作为时间窗。
10.如权利要求7所述的系统,其特征在于,所述系统还包括参考模块,用于执行完评估模块之后,当检测数据对应风电机组的所有并网检测结果满足设置条件时,将检测数据作为机组后续运行监测数据的参考基准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010846393.3A CN112067893A (zh) | 2020-08-20 | 2020-08-20 | 一种基于动态时间规整的风电机组谐波评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010846393.3A CN112067893A (zh) | 2020-08-20 | 2020-08-20 | 一种基于动态时间规整的风电机组谐波评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112067893A true CN112067893A (zh) | 2020-12-11 |
Family
ID=73662519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010846393.3A Pending CN112067893A (zh) | 2020-08-20 | 2020-08-20 | 一种基于动态时间规整的风电机组谐波评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112067893A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114935688A (zh) * | 2022-07-25 | 2022-08-23 | 山东大学 | 基于功率分段的电弧炉供电系统谐波评估方法与系统 |
CN116756597A (zh) * | 2023-08-16 | 2023-09-15 | 山东泰开电力电子有限公司 | 基于人工智能的风电机组谐波数据实时监测方法 |
-
2020
- 2020-08-20 CN CN202010846393.3A patent/CN112067893A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114935688A (zh) * | 2022-07-25 | 2022-08-23 | 山东大学 | 基于功率分段的电弧炉供电系统谐波评估方法与系统 |
CN114935688B (zh) * | 2022-07-25 | 2022-10-14 | 山东大学 | 基于功率分段的电弧炉供电系统谐波评估方法与系统 |
CN116756597A (zh) * | 2023-08-16 | 2023-09-15 | 山东泰开电力电子有限公司 | 基于人工智能的风电机组谐波数据实时监测方法 |
CN116756597B (zh) * | 2023-08-16 | 2023-11-14 | 山东泰开电力电子有限公司 | 基于人工智能的风电机组谐波数据实时监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gaouda et al. | Application of multiresolution signal decomposition for monitoring short-duration variations in distribution systems | |
Biswal et al. | Measurement and classification of simultaneous power signal patterns with an S-transform variant and fuzzy decision tree | |
CN109375060B (zh) | 一种配电网故障波形相似度计算方法 | |
CN104714075B (zh) | 一种电网电压闪变包络参数提取方法 | |
CN109001664A (zh) | 一种暂态录波型故障指示器波形比对测试方法 | |
Iksan et al. | Appliances identification method of non-intrusive load monitoring based on load signature of VI trajectory | |
CN112067893A (zh) | 一种基于动态时间规整的风电机组谐波评估方法及系统 | |
Liu et al. | Adaptive spectral trend based optimized EWT for monitoring the parameters of multiple power quality disturbances | |
CN108169540A (zh) | 一种风力发电机组电压闪变的测量方法 | |
Vanfretti et al. | Spectral estimation of low-frequency oscillations in the Nordic grid using ambient synchrophasor data under the presence of forced oscillations | |
CN107844670A (zh) | 一种谐波统计所需样本数量的计算方法 | |
CN105717360A (zh) | 一种低压单相谐波阻抗测量方法及装置 | |
Zhu et al. | Injection amplitude guidance for impedance measurement in power systems | |
CN109116109B (zh) | 一种间谐波在线监测方法和装置 | |
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 | |
Lu et al. | Morphological transform for detection of power quality disturbances | |
CN117289022A (zh) | 一种基于傅里叶算法的电网谐波检测方法及系统 | |
CN115086361B (zh) | 动车组监测数据的分析系统、方法、电子设备及存储介质 | |
CN113884770B (zh) | 一种用于测试逆变器阻抗的方法及系统 | |
CN116070107A (zh) | 基于二元游程序列的负荷电流波形和激励特性分析方法 | |
Thomas et al. | Machine learning based detection and classification of power system events | |
Deng et al. | A fractional hilbert transform order optimization algorithm based DE for bearing health monitoring | |
CN109782064A (zh) | 一种风电场输出阻抗频率特性测试分析方法 | |
Plamanescu et al. | Monitoring LV Prosumers Operation Using Hilbert-Huang Method | |
CN111505420B (zh) | 一种线路避雷器状态的在线监测与诊断方法及系统 |
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 |