CN112398170A - 一种光伏逆变器系统模型的参数辨识方法 - Google Patents

一种光伏逆变器系统模型的参数辨识方法 Download PDF

Info

Publication number
CN112398170A
CN112398170A CN202011276899.1A CN202011276899A CN112398170A CN 112398170 A CN112398170 A CN 112398170A CN 202011276899 A CN202011276899 A CN 202011276899A CN 112398170 A CN112398170 A CN 112398170A
Authority
CN
China
Prior art keywords
generalized
forgetting factor
square method
photovoltaic inverter
real
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.)
Withdrawn
Application number
CN202011276899.1A
Other languages
English (en)
Inventor
陈栋
顾凯鸣
周浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing College of Information Technology
Original Assignee
Nanjing College of Information Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing College of Information Technology filed Critical Nanjing College of Information Technology
Priority to CN202011276899.1A priority Critical patent/CN112398170A/zh
Publication of CN112398170A publication Critical patent/CN112398170A/zh
Withdrawn legal-status Critical Current

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Inverter Devices (AREA)

Abstract

本发明公开了一种光伏逆变器系统模型的参数辨识方法，属于逆变器技术领域，通过辨识光伏逆变器系统模型参数时，常用建立线性系统模型，以各类最小二乘法辨识系统参数的方法得到参数。为克服传统的光伏逆变器参数辨识方法精度和实时性难以同时保证的缺点，本发明结合广义最小二乘法、实时最小二乘法与可变遗忘因子，以广义最小二乘法中的白色滤波器解决有色噪声对精度的影响，通过迭代得到初始参数，以实时最小二乘法中的递推算法和遗忘因子解决因辨识的数据量不断增长而产生的计算缓慢，即实时性差的问题，以可变遗忘因子实现辨识过程对不同时刻数据的依赖程度的改变，进一步提高辨识速度，并以迭代法得到光伏逆变器系统模型的最优参数。

Description

一种光伏逆变器系统模型的参数辨识方法
技术领域
本发明属于逆变器技术领域，具体涉及一种光伏逆变器系统模型的参数辨识方法。
背景技术
光伏逆变器可将太阳能电池产生的直流电逆变成符合电网要求的交流电，是光伏发电系统中至关重要的一环，精准掌握光伏逆变器的输入输出特性对光伏逆变器使用者来说至关重要。光伏逆变器建模目前有两种主要方法：机理建模和实验建模。机理建模是在掌握逆变器内部运作规律的基础上，通过物理和化学手段建立起逆变器内部的输入输出状态关系，可操作性差，关系不易得。实验建模是通过对逆变器施加一系列的事先确定的输入信号，采集输出信号，应用数学手段建立起逆变器系统的输入输出关系，建模和参数辨识过程相较机理建模简单，精确度越高，是目前光伏逆变器建模的主流方法。
目前，利用输入输出数据和各种最小二乘法辨识光伏逆变器系统参数的成果主要分为两类。第一类是通过处理噪声来提高系统参数辨识的精度。如熊小伏将噪声视为白色噪声，直接使用最小二乘法辨识系统参数，而陈康考虑噪声是有色的，使用广义最小二乘法把有色噪声过滤为白色噪声，再进行最小二乘法辨识系统参数。这一类辨识方法所取的数据长度是固定的，且数据量庞大，辨识所需时间较长。第二类是通过递推算法实现对逆变器系统参数的实时辨识。如刘钦圣推导出递推最小二乘法，使辨识的数据长度由小到大增长，以前一时刻的参数辨识后一时刻的参数，不断修正，而焦慧芳在递推算法里引入遗忘因子，降低过去数据对参数辨识的影响程度，提高当前数据对参数辨识的影响程度，此外陈涵用设定的遗忘因子初值加上一个不断修正的数值的方式，使每一次迭代运算时的遗忘因子都不相同，提高了辨识速度，改善了实时性。显然，由于没有考虑噪声对参数辨识精度的影响，辨识出的参数往往与真值偏差较大。因此，在辨识光伏逆变器系统模型的参数时，不仅要考虑噪声对参数辨识精度的影响，还应注意辨识的实时性，这样才能更适用于实际应用。
发明内容
发明目的：本发明的目的在于提供一种光伏逆变器系统模型的参数辨识方法，克服上述辨识的数据长度固定，数据量庞大造成的辨识速度缓慢，即实时性差的问题，以及递推算法没有考虑噪声影响的问题。
技术方案：为实现上述目的，本发明提供如下技术方案：
一种光伏逆变器系统模型的参数辨识方法，包括如下步骤：
1)由光伏逆变器输入输出特性衍生出的系统模型的电压电流方程；
2)用最小二乘法得到广义最小二乘部分需要的初始参数；
3)利用白色滤波器过滤数据里的有色噪声；
4)通过广义最小二乘法进行数据长度不变的迭代运算，得到实时最小二乘法中递推操作需要的初始参数；
5)得到可变遗忘因子方程；
6)用可变遗忘因子替换实时最小二乘法中递推算法的不变的遗忘因子；
7)通过迭代运算得到光伏逆变器系统模型的最优参数。
进一步地，步骤1)中，所述的系统模型的解析式为：
Figure BDA0002779389610000021
Figure BDA0002779389610000022
其中Uout(k),Iout(k)为输出交流电压和电流的第k组实测数据，Ud(k),Id(k)为输入直流电压和电流的第k组实测数据，n为模型阶次，N为每组数据的长度。
进一步地，所述的步骤2)-4)中，具体包括如下步骤：
a)广义最小二乘部分需要的初始参数：
Figure BDA0002779389610000023
Figure BDA0002779389610000024
Figure BDA0002779389610000025
y1＝[Uout(n+1),Uout(n+2),···,Uout(n+N)]T
y2＝[Iout(n+1),Iout(n+2),···,Iout(n+N)]T
其中
Figure BDA0002779389610000031
Ai＝[ai1,ai2,…,ain]T，Bij＝[bi0j,bi1j,…,binj]T，i＝1,2；j＝1,2；n为模型阶次，N为数据长度；
b)白色滤波器模型：
Figure BDA0002779389610000032
Figure BDA0002779389610000033
其中，Cuout,Ciout为白色滤波器参数矩阵；
c)递推操作需要的初始参数：
Figure BDA0002779389610000034
其中，
Figure BDA0002779389610000035
y1i分别为经白色滤波器过滤后的
Figure BDA0002779389610000036
yi；
进一步地，步骤5)，不变的遗忘因子经过如下操作变为所述的可变遗忘因子方程：
Figure BDA0002779389610000037
LN+1＝-NINT(μe(N+1)2)
其中ξmin是遗忘因子ξ的初值，NINT表示大于μe(N+1)2的最小整数，μ为一个敏感增益，控制ξ趋于1的速率；当误差e(N+1)趋于0，ξ趋于1，此时就是递推广义最小二乘法；当误差e(N+1)趋于无穷大时，ξ趋于ξmin。
进一步地，所述的步骤6)-7)，包括如下步骤：
给出如下广义回归模型和残差模型：
Figure BDA0002779389610000038
εi＝ΩiCouti+ei
其中，i＝1,2，两式合并得到：
yi＝Φiβi+ei
其中
Figure BDA0002779389610000041
Ω1＝Ωuout，Ω2＝Ωiout；
Figure BDA0002779389610000042
Cout1＝Cuout，Cout2＝Ciout。
由广义最小二乘法求出参数的最优估计值：
Figure BDA0002779389610000043
按照如下递推算法依次增加数据长度N来计算：
Figure BDA0002779389610000044
Figure BDA0002779389610000045
Figure BDA0002779389610000046
其中
Figure BDA0002779389610000047
φiN+1＝Φi(N+1)，yiN+1＝yi(n+1:n+N+1)T；
用可变遗忘因子替换不变的遗忘因子，更新递推算法：
Figure BDA0002779389610000048
Figure BDA0002779389610000049
Figure BDA00027793896100000410
其中，当ρ＝1时，就是递推广义最小二乘法；当0＜ρ＜1就是渐消记忆的实时广义最小二乘法。最后得到的
Figure BDA00027793896100000411
就是所述的系统模型的最优参数。
发明原理：本发明求解的光伏逆变器系统模型建模属于实验建模，其六组参数分别为Uout前的系数a1t，Iout前的系数a2t，采集的输出信号为Uout时Ud前的系数a1t1和Id前的系数a1t2，采集的输出信号为Iout时Ud前的系数a2t1和Id前的系数a2t2。将逆变器系统视为线性系统，利用输入输出数据和各种最小二乘法辨识系统参数是如今广泛使用的一类方法。本发明是一种能够同时兼顾参数辨识精度和实时性的方法。本发明所使用的数据来自于SG800MX型光伏逆变器的真实电压和电流数据，本发明所使用的最小二乘公式和可变遗忘因子公式是常用的计算定理。由上述可获得条件，经由本算法可得到光伏逆变器系统模型的最优参数。本发明结合广义最小二乘法、实时最小二乘法与可变遗忘因子，以广义最小二乘法中的白色滤波器解决有色噪声对精度的影响，通过迭代得到初始参数，以实时最小二乘法中的递推算法和遗忘因子解决因辨识的数据量不断增长而产生的计算缓慢，即实时性差的问题，以可变遗忘因子实现辨识过程对不同时刻数据的依赖程度的改变，进一步提高辨识速度，并以迭代法得到光伏逆变器系统模型的最优参数。
有益效果：与现有技术相比，本发明的一种光伏逆变器系统模型的参数辨识方法，辨识光伏逆变器系统模型参数时，常用建立线性系统模型，以各类最小二乘法辨识系统参数的方法得到参数。为克服传统的光伏逆变器参数辨识方法精度和实时性难以同时保证的缺点，本发明结合广义最小二乘法、实时最小二乘法与可变遗忘因子，以广义最小二乘法中的白色滤波器解决有色噪声对精度的影响，通过迭代得到初始参数，以实时最小二乘法中的递推算法和遗忘因子解决因辨识的数据量不断增长而产生的计算缓慢，即实时性差的问题，以可变遗忘因子实现辨识过程对不同时刻数据的依赖程度的改变，进一步提高辨识速度，并以迭代法得到光伏逆变器系统模型的最优参数。
附图说明
图1是光伏逆变器系统模型图；
图2是光伏逆变器系统模型的参数求解理论框图；
图3是结合广义最小二乘法和可变遗忘因子的系统参数辨识流程；
图4是电压模型输出和实测输出对比曲线；
图5是电流模型输出和实测输出对比曲线。
具体实施方式
下面结合附图和具体实施例对本发明作更进一步的说明。
图1光伏逆变器系统模型，此图表明本发明辨识光伏逆变器系统参数时，仅利用输入的直流电压、电流和输出的交流电压、电流数据。图2光伏逆变器系统模型的参数求解理论框图，此图概述地描述了本专利辨识光伏逆变器系统参数的流程。图3结合广义最小二乘法和可变遗忘因子的系统参数辨识流程，此图详细地描述了本专利的创新之处，即将广义最小二乘法与可变遗忘因子结合的过程。图4是电压模型输出和实测输出对比曲线。图5是电流模型输出和实测输出对比曲线。
一种光伏逆变器系统模型的参数辨识方法，包括以下步骤：
1)由光伏逆变器输入输出特性衍生出的系统模型的电压电流方程；
2)用最小二乘法得到广义最小二乘部分需要的初始参数；
3)利用白色滤波器过滤数据里的有色噪声；
4)通过广义最小二乘法进行数据长度不变的迭代运算，得到实时最小二乘法中递推操作需要的初始参数；
5)得到可变遗忘因子方程；
6)用可变遗忘因子替换实时最小二乘法中递推算法的不变的遗忘因子；
7)通过迭代运算得到光伏逆变器系统模型的最优参数。
光伏逆变器的系统模型解析式为(1-1)
Figure BDA0002779389610000061
Figure BDA0002779389610000062
其中Uout(k),Iout(k)为输出交流电压和电流的第k组实测数据，Ud(k),Id(k)为输入直流电压和电流的第k组实测数据，n为模型阶次，N为每组数据的长度。
根据步骤2)，3)，4)，利用最小二乘法得到广义最小二乘部分需要的初始参数，接着建立白色滤波器模型，过滤数据里的有色噪声，再由广义最小二乘法迭代运算得到的递推操作需要的初始参数。得到如下的方程：
a)广义最小二乘部分需要的初始参数：
Figure BDA0002779389610000063
Figure BDA0002779389610000064
Figure BDA0002779389610000071
y1＝[Uout(n+1),Uout(n+2),···,Uout(n+N)]T
y2＝[Iout(n+1),Iout(n+2),···,Iout(n+N)]T
其中
Figure BDA0002779389610000072
Ai＝[ai1,ai2,…,ain]T，Bij＝[bi0j,bi1j,…,binj]T，i＝1,2；j＝1,2。n为模型阶次，N为每组数据的长度
b)白色滤波器模型：
Figure BDA0002779389610000073
Figure BDA0002779389610000074
其中，εi(k)＝A(z-1)y(k)-B(z-1)u(k)，i＝1,2，u(k)为输入数据，y(k)为输出数据。ε1(k)，ε2(k)为系统相关残差，经白色滤波器处理后变为白色(不相关)残差e1，e2；Cuout,Ciout为白色滤波器分别与电压、电流相关的参数矩阵。
c)递推操作需要的初始参数：
Figure BDA0002779389610000075
其中，
Figure BDA0002779389610000076
y1i分别为经白色滤波器过滤后的
Figure BDA0002779389610000077
yi。
根据步骤5)，不变的遗忘因子经过如下操作可变为可变遗忘因子：
Figure BDA0002779389610000078
LN+1＝-NINT(μe(N+1) (2-6)
其中ξmin是遗忘因子ξ的初值，NINT表示大于μe(N+1)2的最小整数，μ为一个敏感增益，控制ξ趋于1的速率；当误差e(N+1)趋于0，ξ趋于1，此时就是递推广义最小二乘法；当误差e(N+1)趋于无穷大时，ξ趋于ξmin。
根据步骤6)，7)，用可变遗忘因子替换实时最小二乘法中递推算法的不变的遗忘因子，得到新的递推算法，最后通过迭代运算得到(1-1)所示光伏逆变器系统模型的最优参数。算法过程如下：
给出如下广义回归模型和残差模型：
Figure BDA0002779389610000081
εi＝ΩiCouti+ei (2-8)
其中，i＝1,2，两式合并得到：
yi＝Φiβi+ei (2-9)
其中，εi(k)＝A(z-1)y(k)-B(z-1)u(k)，i＝1,2，u(k)为输入数据，y(k)为输出数据。ε1(k)，ε2(k)为系统相关残差，经白色滤波器处理后变为白色(不相关)残差e1，e2。
Figure BDA0002779389610000082
Cout1＝Cuout，Cout2＝Ciout，Cuout和Ciout是白色滤波器分别与电压、电流相关的参数矩阵。
Figure BDA0002779389610000083
Ω1＝Ωuout，Ω2＝Ωiout，
Figure BDA0002779389610000084
由广义最小二乘法求出参数的最优估计值：
Figure BDA0002779389610000085
按照如下递推算法依次增加数据长度N来计算：
Figure BDA0002779389610000086
Figure BDA0002779389610000087
Figure BDA0002779389610000088
其中
Figure BDA0002779389610000089
φiN+1＝Φi(N+1)，yiN+1＝yi(n+1:n+N+1)T；
用可变遗忘因子替换不变的遗忘因子，更新递推算法：
Figure BDA0002779389610000091
Figure BDA0002779389610000092
Figure BDA0002779389610000093
其中，当ρ＝1时，就是递推广义最小二乘法；当0＜ρ＜1就是渐消记忆的实时广义最小二乘法。最后得到的
Figure BDA0002779389610000094
就是(1-1)所示模型的最优参数。

Claims (5)

1.一种光伏逆变器系统模型的参数辨识方法，其特征在于：包括如下步骤：
1)由光伏逆变器输入输出特性衍生出的系统模型的电压电流方程；
2)用最小二乘法得到广义最小二乘部分需要的初始参数；
3)利用白色滤波器过滤数据里的有色噪声；
4)通过广义最小二乘法进行数据长度不变的迭代运算，得到实时最小二乘法中递推操作需要的初始参数；
5)得到可变遗忘因子方程；
6)用可变遗忘因子替换实时最小二乘法中递推算法的不变的遗忘因子；
7)通过迭代运算得到光伏逆变器系统模型的最优参数。
2.根据权利要求1所述的一种光伏逆变器系统模型的参数辨识方法，其特征在于：步骤1)中，所述的系统模型的解析式为：
Figure FDA0002779389600000011
Figure FDA0002779389600000012
其中Uout(k),Iout(k)为输出交流电压和电流的第k组实测数据，Ud(k),Id(k)为输入直流电压和电流的第k组实测数据，n为模型阶次，N为每组数据的长度。
3.根据权利要求2所述的一种光伏逆变器系统模型的参数辨识方法，其特征在于：所述的步骤2)-4)中，具体包括如下步骤：
a)广义最小二乘部分需要的初始参数：
Figure FDA0002779389600000013
Figure FDA0002779389600000014
Figure FDA0002779389600000015
y1＝[Uout(n+1),Uout(n+2),···,Uout(n+N)]T
y2＝[Iout(n+1),Iout(n+2),···,Iout(n+N)]T
其中
Figure FDA0002779389600000021
Ai＝[ai1,ai2,…,ain]T，Bij＝[bi0j,bi1j,…,binj]T，i＝1,2；j＝1,2；n为模型阶次，N为数据长度；
b)白色滤波器模型：
Figure FDA0002779389600000022
Figure FDA0002779389600000023
其中，Cuout,Ciout为白色滤波器参数矩阵；
c)递推操作需要的初始参数：
Figure FDA0002779389600000024
其中，
Figure FDA0002779389600000025
y1i分别为经白色滤波器过滤后的
Figure FDA0002779389600000026
yi；
4.根据权利要求3所述的一种光伏逆变器系统模型的参数辨识方法，其特征在于：步骤5)，不变的遗忘因子经过如下操作变为所述的可变遗忘因子方程：
Figure FDA0002779389600000027
LN+1＝-NINT(μe(N+1)2)
其中ξmin是遗忘因子ξ的初值，NINT表示大于μe(N+1)2的最小整数，μ为一个敏感增益，控制ξ趋于1的速率；当误差e(N+1)趋于0，ξ趋于1，此时就是递推广义最小二乘法；当误差e(N+1)趋于无穷大时，ξ趋于ξmin。
5.根据权利要求4所述的一种光伏逆变器系统模型的参数辨识方法，其特征在于：所述的步骤6)-7)，包括如下步骤：
给出如下广义回归模型和残差模型：
Figure FDA0002779389600000028
εi＝ΩiCouti+ei
其中，i＝1,2，两式合并得到：
yi＝Φiβi+ei
其中
Figure FDA0002779389600000031
Ω1＝Ωuout，Ω2＝Ωiout；
Figure FDA0002779389600000032
Cout1＝Cuout，Cout2＝Ciout。
由广义最小二乘法求出参数的最优估计值：
Figure FDA0002779389600000033
按照如下递推算法依次增加数据长度N来计算：
Figure FDA0002779389600000034
Figure FDA0002779389600000035
Figure FDA0002779389600000036
其中
Figure FDA0002779389600000037
φiN+1＝Φi(N+1)，yiN+1＝yi(n+1:n+N+1)T；
用可变遗忘因子替换不变的遗忘因子，更新递推算法：
Figure FDA0002779389600000038
Figure FDA0002779389600000039
Figure FDA00027793896000000310
其中，当ρ＝1时，就是递推广义最小二乘法；当0＜ρ＜1就是渐消记忆的实时广义最小二乘法。最后得到的
Figure FDA00027793896000000311
就是所述的系统模型的最优参数。
CN202011276899.1A 2020-11-16 2020-11-16 一种光伏逆变器系统模型的参数辨识方法 Withdrawn CN112398170A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011276899.1A CN112398170A (zh) 2020-11-16 2020-11-16 一种光伏逆变器系统模型的参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011276899.1A CN112398170A (zh) 2020-11-16 2020-11-16 一种光伏逆变器系统模型的参数辨识方法

Publications (1)

Publication Number Publication Date
CN112398170A true CN112398170A (zh) 2021-02-23

Family

ID=74600339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011276899.1A Withdrawn CN112398170A (zh) 2020-11-16 2020-11-16 一种光伏逆变器系统模型的参数辨识方法

Country Status (1)

Country Link
CN (1) CN112398170A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113517822A (zh) * 2021-05-10 2021-10-19 南京工程学院 一种有限集模型预测控制下的逆变器参数快速辨识方法
CN113655277A (zh) * 2021-08-13 2021-11-16 海南师范大学 一种在电动汽车动力电池断开时的绝缘阻值检测方法
CN115343570A (zh) * 2022-07-21 2022-11-15 国网湖北省电力有限公司电力科学研究院 基于可变遗忘因子递归最小二乘算法的电网阻抗在线辨识方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113517822A (zh) * 2021-05-10 2021-10-19 南京工程学院 一种有限集模型预测控制下的逆变器参数快速辨识方法
CN113655277A (zh) * 2021-08-13 2021-11-16 海南师范大学 一种在电动汽车动力电池断开时的绝缘阻值检测方法
CN113655277B (zh) * 2021-08-13 2023-09-26 海南师范大学 一种在电动汽车动力电池断开时的绝缘阻值检测方法
CN115343570A (zh) * 2022-07-21 2022-11-15 国网湖北省电力有限公司电力科学研究院 基于可变遗忘因子递归最小二乘算法的电网阻抗在线辨识方法及装置

Similar Documents

Publication Publication Date Title
CN112398170A (zh) 一种光伏逆变器系统模型的参数辨识方法
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
CN107220732B (zh) 一种基于梯度提升树的停电投诉风险预测方法
CN105022344B (zh) 数控机床热误差补偿方法
CN110956312B (zh) 基于emd-cnn深度神经网络的光伏配电网电压预测方法
CN113589179A (zh) 一种基于凸空间滤波的动力电池化成过程状态估计方法
CN116821832A (zh) 针对高压工商业用户用电负荷的异常数据辨识与修正方法
CN112508246A (zh) 一种基于相似日的光伏发电功率预测方法
CN111162537A (zh) 基于组合Copula函数的拉丁超立方抽样法概率潮流计算方法
CN108306617A (zh) 一种理想太阳能电池最大功率点参数的求解方法
CN101995845B (zh) 基于fpga的自调匀整控制系统及控制方法
CN109638892B (zh) 一种基于改进模糊聚类算法的光伏电站等值建模方法
CN110676852B (zh) 考虑潮流特征的改进极限学习机快速概率潮流计算方法
CN109888788B (zh) 一种电力系统最优潮流的求解方法
CN115051363B (zh) 一种配网台区户变关系辨识方法、装置及计算机存储介质
CN112230056B (zh) 一种基于OFMMK-Means聚类和复合分位数回归多谐波源贡献计算方法
CN111259340A (zh) 一种基于logistic回归的饱和负荷预测方法
CN113536685B (zh) 一种基于神经网络外推的风速概率模型的建模方法
Wu et al. Optimization and improvement based on K-Means Cluster algorithm
CN110571788A (zh) 基于动态等值电路的静态电压稳定域边界系数的计算方法
CN116718832B (zh) 一种高精度电能计量方法及系统
CN110112571A (zh) 一种基于神经网络逆建模的天线设计方法
CN112084714B (zh) 一种基于数据驱动的整车电磁干扰抑制方法
CN113466779B (zh) 一种具备抗扰动能力的电能表计量故障诊断方法及系统
CN109886313A (zh) 一种基于密度峰的动态图聚类方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210223

WW01 Invention patent application withdrawn after publication