CN112241597B - 一种电力系统中谐波源的识别方法、设备及存储介质 - Google Patents
一种电力系统中谐波源的识别方法、设备及存储介质 Download PDFInfo
- Publication number
- CN112241597B CN112241597B CN202011160345.5A CN202011160345A CN112241597B CN 112241597 B CN112241597 B CN 112241597B CN 202011160345 A CN202011160345 A CN 202011160345A CN 112241597 B CN112241597 B CN 112241597B
- Authority
- CN
- China
- Prior art keywords
- source
- influence
- noise
- affine
- target user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 15
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 71
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000036569 Carp sprivivirus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电力系统中谐波源的识别方法、设备及存储介质,包括步骤S1,获取电网线路的历史数据,并根据所述电网线路的历史数据确定所有目标用户端的影响源区间,以及根据所述影响源区间确定各所述目标用户端的仿射区间;步骤S2,检测电网线路中的扰动事件,获取所述扰动事件对应的噪音源数据,并根据所述目标用户端的仿射区间定位所述噪音源的噪音仿射区间;以及根据所述噪音仿射区间和预设的偏执系数进行区间运算定位影响源;步骤S3,计算影响源的影响值,并根据所述影响值判断所述影响源是否为谐波源。本发明避免所有目标用户端进行分类,定性分析的现象发生,也综合考虑了电网物理网络特性,提高了检测谐波源的准确有效性。
Description
技术领域
本发明涉及电力系统自动化技术领域,特别是涉及一种电力系统中谐波源的识别方法、设备及存储介质。
背景技术
随着生产水平和科学技术的快速发展,带有发电特性的负荷和具有强波动性与冲击性的负荷不断增长,加之高渗透率分布式电源DG(Distributed Generation)使单源辐射状配电网潮流方向转变为非单向流动;其强波动性、冲击性负荷使原本确定的潮流分布呈现随机性,加之大量的电力电子器件的使用,使得电网出现新的电能质量“污染”,且对电能计量准确性、用户用电量和满意程度的影响日趋严重。
为了解决这一问题,目前采用的方式有基于负荷实测数据与负荷指标,通过S变换、神经网络等方法对用户用电负荷进行分类,并进行定性分析,但是由于这种方法未考虑电网物理网络特性,其技术过程不具备可解释性,也就是对扰动分析的准确有效性较低,无法准确地定位到谐波源。
目前在进行扰动识别时,需要从整体出发,以配电网连接关系为基础进行扰动识别检测;而且电力系统中的扰动是指由于系统运行条件的突然改变而引起的电压、电流、频率、功率等的波动。扰动特征可以选择均值,方差,有效值,斜度,峭度,峰值因数,波形因数等。电力系统扰动源的主要表现形式有:电压凹陷、电压膨胀、瞬间电压降落等。并且谐波源也可以认为是一种特殊形式的扰动源,因此在进行扰动源定位时,可以将谐波源作为扰动源一起进行定位。
发明内容
本发明的目的在于,提出一种电力系统中谐波源的识别方法、设备及存储介质,解决现有方法无法准确定位谐波源的技术问题。
本发明的一方面,提供一种电力系统中谐波源的识别方法,包括以下步骤:
步骤S1,获取电网线路的历史数据,并根据所述电网线路的历史数据确定所有目标用户端的影响源区间,以及根据所述影响源区间确定各所述目标用户端的仿射区间;
步骤S2,检测电网线路中的扰动事件,获取所述扰动事件对应的噪音源数据,并根据所述目标用户端的仿射区间定位所述噪音源的噪音仿射区间;以及根据所述噪音仿射区间和预设的偏执系数进行区间运算定位影响源;
步骤S3,计算影响源的影响值,并根据所述影响值判断所述影响源是否为谐波源。
优选的,所述步骤S1包括:获取目标用户端的电网线路数据及电网线路中的所有节点数据,根据所述电网线路的历史数据检测各个目标用户端之间的关联数据,并根据所述关联数据确定所有目标用户端的影响源区间。
优选的,所述步骤S2包括:根据以下公式定位目标用户端的噪音仿射区间:
其中,为噪音仿射区间;εi为噪音源;xi为偏执系数;x为目标用户端的仿射形式;x0为中点。
优选的,所述步骤S2还包括:当同样的噪音源存在多个时,根据以下公式定位影响源:
其中,为噪音的仿射区间;εi为噪音源;xi和yi为偏执系数;/>和/>为噪音仿射区间;x0和y0为中点。
优选的,所述步骤S3包括:根据以下公式计算影响源的影响值
其中,为影响源S的仿射形式,即/>u为影响参数。
优选的,所述步骤S3包括:检测所述影响源的影响值是否存在大于预设阈值;若任一所述影响源的影响值大于预设阈值,则将该影响源作为谐波源。
本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:步骤S1,获取电网线路的历史数据,并根据所述电网线路的历史数据确定所有目标用户端的影响源区间,以及根据所述影响源区间确定各所述目标用户端的仿射区间;
步骤S2,检测电网线路中的扰动事件,获取所述扰动事件对应的噪音源数据,并根据所述目标用户端的仿射区间定位所述噪音源的噪音仿射区间;以及根据所述噪音仿射区间和预设的偏执系数进行区间运算定位影响源;
步骤S3,计算影响源的影响值,并根据所述影响值判断所述影响源是否为谐波源。
另一方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如下的步骤:步骤S1,获取电网线路的历史数据,并根据所述电网线路的历史数据确定所有目标用户端的影响源区间,以及根据所述影响源区间确定各所述目标用户端的仿射区间;
步骤S2,检测电网线路中的扰动事件,获取所述扰动事件对应的噪音源数据,并根据所述目标用户端的仿射区间定位所述噪音源的噪音仿射区间;以及根据所述噪音仿射区间和预设的偏执系数进行区间运算定位影响源;
步骤S3,计算影响源的影响值,并根据所述影响值判断所述影响源是否为谐波源。
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的电力系统中谐波源的识别方法、设备及存储介质,通过获取历史数据构建所有目标用户端的影响源区间,并构建对应的仿射区间,当检测到扰动事件时,根据噪音源对应的噪音仿射区间和预设的偏执系数进行区间运算,以确定影响源,并计算各个影响源的影响值,根据影响值确定影响源中的谐波源,从而避免了现有技术中需要对所有目标用户端进行分类,定性分析的现象发生,也综合考虑了电网物理网络特性,提高了检测谐波源的准确有效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例中一种电力系统中谐波源的识别方法的主流程示意图。
图2为本发明实施例中电网拓扑示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明提供的一种电力系统中谐波源的识别方法的一个实施例的示意图。在该实施例中,所述方法包括以下步骤:
步骤S1,获取电网线路的历史数据,并根据所述电网线路的历史数据确定所有目标用户端的影响源区间,以及根据所述影响源区间确定各所述目标用户端的仿射区间;可以理解的,由于电力系统中目标用户端高度耦合,无法准确地进行扰动识别,可以采用图论方式来构建各个目标用户端与系统的关系,以创建具有各个目标用户端和系统的电网线路,也就是根据目标用户端的关键信息与相应的顶点及边相关联。
具体实施例中,如图2所示,G(V,E)代表一个系统,其中V为顶点,E为连接顶点的边。节点可以包括分布式电源发电机组、变压器、SVC、重要用户关键用电设备,将配电网母线、支线作为连接顶点的边。在根据所有的节点构建完具有所有目标用户端的电网线路后,可以根据电网线路中的历史数据来检测各个目标用户端之间的关联性,并根据检测的关联性来构建所有目标用户端的影响源区间。例如,Ai表示目标用户影响源i的区间,Ai=[Ai-,Ai+],其中Ai-表示下界,Ai+表示上界。
根据图论构建多重用户端的仿射区间,也就是进行仿射加减乘除运算,来得到具体的仿射区间。加减乘除运算公式如下:
-加法:
-减法:
-乘法:
-除法:
而且仿射区间的运算可以根据仿射形式的运算进行确定,一个不确定量x用一个仿射形式表示,/>噪音源噪音源εi的值可以设置落在[-1,1]范围内,对应的xi是实数,决定了噪音源噪音源εi的大小和符号,每一个εi表示对量x的总的不确定性起一定作用的一个独立的错误或误差源,如输入数据的不确定性,公式的截断误差,运算中的四舍五入误差等。若同样的噪声源εi出现在两个多更多个仿射形式中(如/>和/>),则意味着x和y的不确定性之间具有某种联系和相依赖性。而且两个仿射形式/>和/>的乘积可以产生一个关于噪声源εi的二项多项式,/>
步骤S2,检测电网线路中的扰动事件,获取所述扰动事件对应的噪音源数据,并根据所述目标用户端的仿射区间定位所述噪音源的噪音仿射区间;以及根据所述噪音仿射区间和预设的偏执系数进行区间运算定位影响源;可以理解的,当在电网线路中检测到扰动事件时,并在确定各个目标用户端中哪个是扰动事件对应的噪音源后,可以各个目标用户端对应的仿射区间确定噪音源的仿射区间。即若目标用户端为噪音源,则目标重要用户端的仿射区间为噪音源的仿射区间,即噪音仿射区间。
具体实施例中,根据以下公式定位目标用户端的噪音仿射区间:
其中,为噪音仿射区间;εi为噪音源;xi为偏执系数;x为目标用户端的仿射形式;x0为中点。
再具体的,当同样的噪音源存在多个时,根据以下公式定位影响源:
其中,为噪音的仿射区间;εi为噪音源;xi和yi为偏执系数;/>和/>为噪音仿射区间;x0和y0为中点。
可以理解的,在根据噪音源的仿射区间和预设的偏执系数进行区间运算时,可以采用仿射数学对目标用户端进行计算,以确定是否为影响源。其仿射数学的计算公式可以是:
其中,x0为中点。噪音源εi的值可以设置落在[-1,1]范围内。xi为偏执系数,
并且对于扰动事件中的任意两个扰动量x和y可以进行以下运算:
加减法:
乘法
即在计算得到仿射形式后,可以根据此计算结果检测区间范围变化,可以对每个目标用户端进行相同的计算,并根据计算结果来确定影响源。
步骤S3,计算影响源的影响值,并根据所述影响值判断所述影响源是否为谐波源。可以理解的,若存在多个影响源,则基于预设的影响值计算公式计算各所述影响源对应的影响值,并根据各所述影响值确定各所述影响源中的谐波源。
具体的实施例中,根据以下公式计算影响源的影响值
其中,为影响源S的仿射形式,即/>u为影响参数。可以理解的,可获得每个影响源的影响值,并在计算得到各个影响值后,可以依次将各个影响值和用户提前设置的预设阈值进行比较,当存在有大于预设阈值的目标影响值时,可以将目标影响值对应的影响源作为谐波源。
相应地,本发明的又一方面还提供一种计算机设备,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种调电力系统中谐波源的识别方法。
本领域技术人员可以理解的是,上述计算机设备的结构,仅仅是与本申请方案相关的部分结构,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比上述情况中更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下的步骤:步骤S1,获取电网线路的历史数据,并根据所述电网线路的历史数据确定所有目标用户端的影响源区间,以及根据所述影响源区间确定各所述目标用户端的仿射区间;
步骤S2,检测电网线路中的扰动事件,获取所述扰动事件对应的噪音源数据,并根据所述目标用户端的仿射区间定位所述噪音源的噪音仿射区间;以及根据所述噪音仿射区间和预设的偏执系数进行区间运算定位影响源;
步骤S3,计算影响源的影响值,并根据所述影响值判断所述影响源是否为谐波源。
相应地,本发明的又一方面还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如下的步骤;
步骤S1,获取电网线路的历史数据,并根据所述电网线路的历史数据确定所有目标用户端的影响源区间,以及根据所述影响源区间确定各所述目标用户端的仿射区间;
步骤S2,检测电网线路中的扰动事件,获取所述扰动事件对应的噪音源数据,并根据所述目标用户端的仿射区间定位所述噪音源的噪音仿射区间;以及根据所述噪音仿射区间和预设的偏执系数进行区间运算定位影响源;
步骤S3,计算影响源的影响值,并根据所述影响值判断所述影响源是否为谐波源。
可以理解的是,上述计算机设备以及计算机可读存储介质中涉及的各步骤的更多细节可以参考前述对于电力系统中谐波源的识别方法的限定,在此不再赘述。
其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的电力系统中谐波源的识别方法、设备及存储介质,通过获取历史数据构建所有目标用户端的影响源区间,并构建对应的仿射区间,当检测到扰动事件时,根据噪音源对应的噪音仿射区间和预设的偏执系数进行区间运算,以确定影响源,并计算各个影响源的影响值,根据影响值确定影响源中的谐波源,从而避免了现有技术中需要对所有目标用户端进行分类,定性分析的现象发生,也综合考虑了电网物理网络特性,提高了检测谐波源的准确有效性。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (5)
1.一种电力系统中谐波源的识别方法,其特征在于,包括以下步骤:
步骤S1,获取电网线路的历史数据,并根据所述电网线路的历史数据确定所有目标用户端的影响源区间,以及根据所述影响源区间确定各所述目标用户端的仿射区间;
步骤S2,检测电网线路中的扰动事件,获取所述扰动事件对应的噪音源数据,并根据所述目标用户端的仿射区间定位所述噪音源的噪音仿射区间;以及根据所述噪音仿射区间和预设的偏执系数进行区间运算定位影响源;
步骤S3,计算影响源的影响值,并根据所述影响值判断所述影响源是否为谐波源;
其中,所述步骤S1包括:
获取目标用户端的电网线路数据及电网线路中的所有节点数据,根据所述电网线路的历史数据检测各个目标用户端之间的关联数据,并根据所述关联数据确定所有目标用户端的影响源区间;
其中,所述步骤S2包括:
根据以下公式定位目标用户端的噪音仿射区间:
其中,为噪音仿射区间;/>为噪音源,/> 的取值范围为1到/>;/>为偏执系数,/>的取值范围为1到/>;/>为目标用户端的仿射形式;/>为中点;
当同样的噪音源存在多个时,根据以下公式定位影响源:
其中,为噪音的仿射区间;/>为噪音源,/> 的取值范围为1到/>;/>和/>为偏执系数,/>的取值范围为1到/>;/>和/>为噪音仿射区间;/>和/>为中点。
2.如权利要求1所述的方法,其特征在于,所述步骤S3包括:
根据以下公式计算影响源的影响值:
其中,m为1到n之间的数值且m+1小于n; 为第m个影响参数;/>为第m个噪音源;/>为第m个仿射形式;/>为第m+1个影响源;/>为第m个影响源;/>为第1个影响源对应的中点;/>为第m个影响源对应的中点;/>为影响参数的中点。
3.如权利要求2所述的方法,其特征在于,所述步骤S3包括:
检测所述影响源的影响值是否存在大于预设阈值;若任一所述影响源的影响值大于预设阈值,则将该影响源作为谐波源。
4.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011160345.5A CN112241597B (zh) | 2020-10-27 | 2020-10-27 | 一种电力系统中谐波源的识别方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011160345.5A CN112241597B (zh) | 2020-10-27 | 2020-10-27 | 一种电力系统中谐波源的识别方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112241597A CN112241597A (zh) | 2021-01-19 |
CN112241597B true CN112241597B (zh) | 2024-02-23 |
Family
ID=74169915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011160345.5A Active CN112241597B (zh) | 2020-10-27 | 2020-10-27 | 一种电力系统中谐波源的识别方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241597B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101227092A (zh) * | 2007-12-28 | 2008-07-23 | 华北电力大学 | 一种配电网络中的谐波源识别方法 |
WO2016138750A1 (zh) * | 2015-03-04 | 2016-09-09 | 江苏省电力公司常州供电公司 | 一种电能质量扰动源定位系统及定位方法 |
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 |
CN110492469A (zh) * | 2019-07-03 | 2019-11-22 | 中国电力科学研究院有限公司 | 一种扰动源对配电网电能质量影响程度的评估方法和装置 |
CN111274701A (zh) * | 2020-01-20 | 2020-06-12 | 福州大学 | 一种采用区间监测数据降维回归的谐波源仿射建模方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7173555B2 (en) * | 2004-11-16 | 2007-02-06 | Gmr Research & Technology, Inc. | Method and system for nonlinear and affine signal processing |
-
2020
- 2020-10-27 CN CN202011160345.5A patent/CN112241597B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101227092A (zh) * | 2007-12-28 | 2008-07-23 | 华北电力大学 | 一种配电网络中的谐波源识别方法 |
WO2016138750A1 (zh) * | 2015-03-04 | 2016-09-09 | 江苏省电力公司常州供电公司 | 一种电能质量扰动源定位系统及定位方法 |
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 |
CN110492469A (zh) * | 2019-07-03 | 2019-11-22 | 中国电力科学研究院有限公司 | 一种扰动源对配电网电能质量影响程度的评估方法和装置 |
CN111274701A (zh) * | 2020-01-20 | 2020-06-12 | 福州大学 | 一种采用区间监测数据降维回归的谐波源仿射建模方法 |
Non-Patent Citations (6)
Title |
---|
Analysis of Power Quality Events in Distribution Network Based on Interval-affine Algorithm;Yunxia Dong等;《2019 International Symposium on Recent Advances in Electrical Engineering (RAEE)》;第1-5页 * |
分布式电源中并网三相PWM整流器的智能滑模控制;孙耀杰等;《计算机仿真》;第21卷(第6期);第148-151页 * |
含分布式电源的配电网电能质量扰动源定位研究;李长庆等;《电力系统保护与控制》;第48卷(第9期);第104-111页 * |
基于飞机散射信号的干扰源定位算法;栾声扬等;《系统工程与电子技术》;第第36卷卷(第第12期期);第2356-2360页 * |
改进仿射粒子群算法在电路参数估计的应用;祝顺才等;《电子测量与仪器学报》;第30卷(第12期);第1958-1966页 * |
计及多种扰动源的有源配电网电能质量分析方法;刘科研等;《电网技术》;第44卷(第6期);第2303-2309 * |
Also Published As
Publication number | Publication date |
---|---|
CN112241597A (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dharmapala et al. | Machine learning based real-time monitoring of long-term voltage stability using voltage stability indices | |
US10503839B2 (en) | Detecting state estimation network model data errors | |
JP6645043B2 (ja) | 誤差幅推定装置、誤差幅推定システム、誤差幅推定方法及びプログラム | |
Fetz et al. | Imprecise random variables, random sets, and Monte Carlo simulation | |
JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
Velasco et al. | Next day electric load forecasting using Artificial Neural Networks | |
CN111737249A (zh) | 基于Lasso算法的异常数据检测方法及装置 | |
CN114266284A (zh) | 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 | |
Lopes et al. | A comparative analysis of artificial neural networks for photovoltaic power forecast using remotes and local measurements | |
Wadi et al. | Reliability and sensitivity analysis for closed-ring distribution power systems | |
Caballero et al. | Quantifying uncertainty with a derivative tracking SDE model and application to wind power forecast data | |
Yin et al. | Stochastic wind farm expansion planning with decision-dependent uncertainty under spatial smoothing effect | |
CN112241597B (zh) | 一种电力系统中谐波源的识别方法、设备及存储介质 | |
CN113627677A (zh) | 多区域能源需求预测方法、装置、终端设备及存储介质 | |
Tangrand | Some new contributions to neural networks and wavelets with applications | |
CN112800674A (zh) | 一种基于极限学习机的电力系统元件可靠性参数计算方法 | |
CN114894861B (zh) | 基于加权融合ds证据理论的接地网腐蚀检测方法及装置 | |
Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network | |
Jaeger et al. | Effective deterministic models for chaotic dynamics perturbed by noise | |
Heidrich et al. | Adaptively coping with concept drifts in energy time series forecasting using profiles | |
Rigatos et al. | Forecasting of power corporations’ default probability with nonlinear Kalman filtering | |
Lützow et al. | Scalable Reachset-Conformant Identification of Linear Systems | |
Ahmad et al. | Successive-over-relaxation based recursive Bayesian approach for power system configuration identification | |
CN116432443B (zh) | 一种电网仿真方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |