CN112531710B - 一种谐波源接入预测评估的方法 - Google Patents
一种谐波源接入预测评估的方法 Download PDFInfo
- Publication number
- CN112531710B CN112531710B CN202011298121.0A CN202011298121A CN112531710B CN 112531710 B CN112531710 B CN 112531710B CN 202011298121 A CN202011298121 A CN 202011298121A CN 112531710 B CN112531710 B CN 112531710B
- Authority
- CN
- China
- Prior art keywords
- harmonic
- amplitude
- angle
- cloud model
- harmonic current
- 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
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
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
-
- 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]
-
- 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
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种谐波源接入预测评估的方法,包括以下步骤:步骤S1:获取谐波设备的历史监测数据和馈线的历史监测数据;步骤S2:构建谐波源和馈线的谐波电流云模型;步骤S3:基于构建好的云模型,预测多个谐波源共同作用下的公共连接点处的谐波电流水平、馈线接入新的谐波源时谐波电流水平的变化。本发明能够有效预测多个谐波源作用下的公共连接点处的谐波水平和已有馈线接入新的谐波源之后的谐波水平的变化。
Description
技术领域
本发明涉及谐波设备接入监测领域,具体涉及种谐波源接入预测评估的方法。
背景技术
随着接入电力系统的干扰源逐渐复杂,电力用户对电能质量的要求越来越高,电能质量监测装置大量接入电力系统,为分析电能质量问题提供了海量的数据。谐波是重要的电能质量评估指标之一,谐波源的接入预测评估和运行监测评估是保障电能质量必不可少的环节。谐波监测不仅为谐波的治理奠定了基础,也为类似谐波源的接入预测评估提供了参考。
海量的监测数据为数据挖掘在电力系统中的应用奠定了良好的基础,相较于基于经典理论的电能质量分析方法,数据挖掘对潜在的问题和规律有更高的预见性,同时对不确定量和随机波动量有更好的鲁棒性和更强的分析能力,因此在电能质量问题的分析和治理中具有广阔的应用前景。
发明内容
有鉴于此,本发明的目的在于提供一种谐波源接入预测评估的方法,能够有效预测多个谐波源作用下的公共连接点处的谐波水平和已有馈线接入新的谐波源之后的谐波水平的变化。
为实现上述目的,本发明采用如下技术方案:
一种谐波源接入预测评估的方法,包括以下步骤:
步骤S1:获取谐波设备的历史监测数据和馈线的历史监测数据;
步骤S2:构建谐波源和馈线的谐波电流云模型;
步骤S3:基于构建好的云模型,预测多个谐波源共同作用下的公共连接点处的谐波电流水平、馈线接入新的谐波源时谐波电流水平的变化。
进一步的,所述构建谐波源的谐波电流云模型具体如下:
(2)用逆向高斯云算法构建第h次谐波电流幅值的云模型;
(3)获得谐波源第第h次谐波电流幅值的云模型,其数字特征为(Exh_amplitude,Enh_amplitude,Heh_amplitude);
(4)用逆向高斯云算法构建第h次谐波电流相角的云模型
(5)获得谐波源第h次谐波电流相角的云模型,其数字特征为(Exh_angle,Enh_angle,Heh_angle);
(6)重复步骤(3)到(6)直到构建好2~25次谐波电流幅值和相角的云模型。
进一步的,所述构建谐波源第h次谐波电流幅值的云模型:
d)如果Sh 2-Enh_amplitude2≥0,则转向步骤f),否则转向步骤e);
e)删除当前样本中离期望Exh_amplitude最近的1%的数据,再转向步骤c);
f)计算谐波幅值云模型的超熵
进一步的,所述构建h次谐波电流相角的云模型,具体为:
d)如果Sh 2-Enh_angle2≥0,则转向步骤f),否则转向步骤e);
e)删除当前样本中离期望Exh_angle最近的1%的数据,再转向步骤c);
进一步的,所述馈线的谐波电流云模型具体如下:
(2)用逆向高斯云算法分别构建第h次谐波电流幅值的云模型;
(3)获得馈线第h次谐波电流的云模型,其数字特征为(Exh_amplitude,Enh_amplitude,Heh_amplitude);
(4)重复步骤(2)到(3)直到构建好2~25次馈线谐波电流幅值的云模型。
进一步的,所述构建h次谐波电流幅值的云模型具体如下:
d)如果Sh 2-Enh_amplitude2≥0,则转向步骤f),否则转向步骤e);
e)删除当前样本中离期望Exh_amplitude最近的1%的数据(若样本数小于100时,每次删除一个离期望最近的数据点),再转向步骤c);
进一步的,所述基于构建好的云模型,预测多个谐波源共同作用下的公共连接点处的谐波电流水平,包括以下步骤:
(1)根据构建得到的S个谐波源的2~25次谐波电流的幅值云模型的数字特征
(Exh_amplitude_s,Enh_amplitude_s,Heh_amplitude_s)
和相角云模型的数字特征
(Exh_angle_s,Enh_angle_s,Heh_angle_s),
其中h=2,3,...,25,代表2~25次谐波,s=1,2,...,S,代表第s个谐波源;对于每个谐波源,利用正向高斯云算法和第h次谐波电流幅值的云模型生成M个样本云滴;
(2)对于每个谐波源,利用正向高斯云算法和第h次谐波电流相角的云模型生成M个样本云滴;
(3)对于每个谐波源,将生成的M个幅值样本云滴和相角样本云滴随机组合成M个第h次谐波电流的相量模拟值,记为集合
I_complex_h_s=
{amplitude_h_s_1∠angle_h_s_1,amplitude_h_s_2∠angle_h_s_2,...,amplitude_h_s_M∠angle_h_s_M};
(4)计算S个谐波源共同作用下的公共连接点处的第h次的谐波电流的第m个模拟值 其中m=1,2,...,M;记计算得到的第h次的共M个谐波电流模拟值集合为Ipcc_h={Ipcc_h_1,Ipcc_h_2,...,Ipcc_h_m};
(5)重复步骤(1)到(4),生成公共连接点2~25次谐波电流的模拟值的集合,记为Ipcc={Ipcc_2,Ipcc_2,...,Ipcc_25};
(6)对每一个谐波电流的集合Ipcc_h,计算第h次谐波电流的CP95值;
(7)根据的得到2~25次谐波电流的CP95值,结合预设标准进行谐波源接入预测评估。
进一步的,用正向高斯云算法和第h次谐波电流相角(幅值)的云模型生成M个样本云滴,具体为:
a)生成以Enh_angle_s(Enh_amplitude_s)为期望,Heh_angle_s2(Heh_amplitude_s2)为方差的一个正态随机熵Enh_angle_s′=NORM(Enh_angle_s,Heh_angle_s2)(Enh_amplitude_s′=NORM(Enh_amplitude_s,Heh_amplitude_s2));
b)生成以Exh_angle_s(Exh_amplitude_s)为期望,Enh_angle_s′2(Enh_amplitude_s′2)为方差的一个正态随机数angle_h=NORM(Exh_angle_s,Enh_angle_s′2)(amplitude_h=NORM(Exh_amplitudes,Enh_amplitude_s′2));
c)重复步骤a)到c)直到生成M个相角(幅值)样本云滴,将这些相角(幅值)样本云滴构成的集合记为
I_angle_h_s={angle_h_s_1,angle_h_s_2,...,angle_h_s_M}
(I_amplitude_h_s={amplitude_h_s_1,amplitude_h_s_2,...,amplitude_h_s_M})。
进一步的,所述预测馈线接入新的谐波源时谐波电流水平,具体如下:
(1)根据构建好的将要接入馈线的谐波源的2~25次谐波电流幅值云模型的数字特征(Exh_amplitude_ds,Enh_amplitude_ds,Heh_amplitude_ds),馈线的2~25次谐波电流幅值云模型的数字特征(Exh_amplitude_line,Enh_amplitude_line,Heh_amplitude_line);利用谐波源第h次谐波电流幅值的云模型和正向高斯云算法生成M个样本云滴;
(2)利用馈线第h次谐波电流幅值的云模型和正向高斯云算法生成M个样本云滴;
(3)计算I_amplitude_h_line与I_amplitude_h_ds中元素叠加后的谐波电流大小,即为谐波源接入馈线后的谐波电流模拟值:
(4)重复步骤(1)到(3),得到2~25次谐波电流模拟值集合,对每一次谐波电流的集合Ipcc_h,计算第h次谐波电流的CP95值;
(5)根据的得到2~25次谐波电流的CP95值,结合预设标准进行谐波源接入预测评估。
进一步的,所述计算I_amplitude_h_line与I_amplitude_h_ds中元素叠加后的谐波电流大小,具体如下:
a)令a_m=amplitude_h_line_m,b_m=amplitude_h_ds_m;
c)记计算得到的第h次叠加后的谐波电流模拟值集合为Ipcc_h={Ipcc_h_1,Ipcc_h_2,...,Ipcc_h_m}。
本发明与现有技术相比具有以下有益效果:
本发明利用谐波设备的历史监测数据和馈线的历史监测数据构建了谐波源和馈线的谐波电流云模型,用于反映谐波源和馈线的谐波水平。并利用构建好的云模型,预测多个谐波源共同作用下的公共连接点处的谐波电流水平、馈线接入新的谐波源时谐波电流水平的变化,为谐波用户的接入预测评估提供依据。
附图说明
图1是本发明一实施例中多谐波源作用下的公共连接点处的谐波水平预测流程图;
图2是本发明一实施例中谐波源接入馈线后馈线谐波水平变化预测流程图;
图3是本发明一实施例中正向高斯云算法流程图;
图4是本发明一实施例中逆向高斯云算法流程图;
图5是本发明一实施例中已知已有谐波源的预测评估示意图;
图6是本发明一实施例中未知已有谐波源的预测评估示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明提供一种谐波源接入预测评估的方法,包括以下步骤:
步骤S1:获取谐波设备的历史监测数据和馈线的历史监测数据;
步骤S2:构建谐波源和馈线的谐波电流云模型;
步骤S3:基于构建好的云模型,预测多个谐波源共同作用下的公共连接点处的谐波电流水平、馈线接入新的谐波源时谐波电流水平的变化。
在本实施例中,构建谐波源的谐波电流云模型具体如下:
(1)获取谐波源监测终端的2~25次谐波电流的历史幅值数据和对应的相角数据其中h=2,3,...,25为谐波次数,n为数据长度;(数据时间段至少包含一个完整的工作周期,并包括谐波源在典型工况下的最大负荷时段,应不少于24h);
(2)用逆向高斯云算法分别构建2~25次谐波电流幅值的云模型,以第h次谐波电流为例:
d)如果Sh 2-Enh_amplitude2≥0,则转向步骤f),否则转向步骤e);
e)删除当前样本中离期望Exh_amplitude最近的1%的数据,再转向步骤c);
f)计算谐波幅值云模型的超熵
(3)获得谐波源第h次谐波电流幅值的云模型,其数字特征为(Exh_amplitude,Enh_amplitude,Heh_amplitude);
(4)用逆向高斯云算法分别构建2~25次谐波电流相角的云模型,以第h次谐波电流为例:
d)如果Sh 2-Enh_angle2≥0,则转向步骤f),否则转向步骤e);
e)删除当前样本中离期望Exh_angle最近的1%的数据,再转向步骤c);
(5)获得谐波源第h次谐波电流相角的云模型,其数字特征为(Exh_angle,Enh_angle,Heh_angle);
(6)重复步骤(3)到(6)直到构建好2~25次谐波电流幅值和相角的云模型。
在本实施例中,所述馈线的谐波电流云模型具体如下:
(2)用逆向高斯云算法分别构建第h次谐波电流幅值的云模型;
d)如果Sh 2-Enh_amplitude2≥0,则转向步骤f),否则转向步骤e);
e)删除当前样本中离期望Exh_amplitude最近的1%的数据(若样本数小于100时,每次删除一个离期望最近的数据点),再转向步骤c);
(3)获得馈线第h次谐波电流的云模型,其数字特征为(Exh_amplitude,Enh_amplitude,Heh_amplitude);
(4)重复步骤(2)到(3)直到构建好2~25次馈线谐波电流幅值的云模型。
根据监测数据所构建的云模型不仅具有模型参数简单的特点,模型参数也具有实际的物理意义。根据高斯云的“3En原则”,谐波电流幅值(相角)主要分布在[Ex-3En,Ex+3En]之间,可以得到该谐波源(该条馈线)的谐波电流水平,为谐波的治理、谐波用户的接入预测评估提供依据。
实施例1:
在本实施例中,参考图1和图5,基于构建好的云模型,预测多个谐波源共同作用下的公共连接点处的谐波电流水平,包括以下步骤:
(1)根据构建得到的S个谐波源的2~25次谐波电流的幅值云模型,其数字特征为
(Exh_amplitude_s,Enh_amplitude_s,Heh_amplitude_s)
和相角云模型,其数字特征为
(Exh_angle_s,Enh_angle_s,Heh_angle_s),
其中h=2,3,...,25,代表2~25次谐波,s=1,2,...,S,代表第s个谐波源;对于每个谐波源,利用正向高斯云算法和第h次谐波电流幅值的云模型生成M个样本云滴;
a)生成以Enh_amplitude_s为期望,Heh_amplitude_s2为方差的一个正态随机熵Enh_amplitude_s′=NORM(Enh_amplitude_s,Heh_amplitude_s2);
b)生成以Exh_amplitude_s为期望,Enh_amplitude_s′2为方差的一个正态随机数amplitude_h_s_m=NORM(Exh_amplitude_s,Enh_amplitude_s′2);
c)重复步骤a)到c)直到生成M个幅值样本云滴,将这些幅值样本云滴构成的集合记为
I_amplitude_h_s=
{amplitude_h_s_1,amplitude_h_s_2,...,amplitude_h_s_M}。
(2)对于每个谐波源,利用正向高斯云算法和第h次谐波电流相角的云模型生成M个样本云滴;
a)生成以Enh_angle_s为期望,Heh_angle_s2为方差的一个正态随机熵Enh_angle_s′=NORM(Enh_angle_s,Heh_angle_s2);
b)生成以Exh_angle_s为期望,Enh_angle_s′2为方差的一个正态随机数angle_h=NORM(Exh_angle_s,Enh_angle_s′2);
c)重复步骤a)到c)直到生成M个相角样本云滴,将这些相角样本云滴构成的集合记为I_angle_h_s={angle_h_s_1,angle_h_s_2,...,angle_h_s_M}。
(3)对于每个谐波源,将生成的M个幅值样本云滴和相角样本云滴随机组合成M个第h次谐波电流的相量模拟值,记为集合I_complex_h_s=
{amplitude_h_s_1∠angle_h_s_1,amplitude_h_s_2∠angle_h_s_2,...,amplitude_h_s_M∠angle_h_s_M};
(4)计算S个谐波源共同作用下的公共连接点处的第h次的谐波电流的第m个模拟值 其中m=1,2,...,M;记计算得到的第h次的共M个谐波电流模拟值集合为Ipcc_h={Ipcc_h_1,Ipcc_h_2,...,Ipcc_h_m};
(5)重复步骤(1)到(4),生成公共连接点2~25次谐波电流的模拟值的集合,记为Ipcc={Ipcc_2,Ipcc_2,...,Ipcc_25};
(6)对每一个谐波电流的集合Ipcc_h,计算第h次谐波电流的CP95值;
(7)根据的得到2~25次谐波电流的CP95值,结合《GB/T 14549-1993电能质量公用电网谐波》进行谐波源接入预测评估。
在本实施例中,所产生的云滴数M可以根据需求选择,一般情况下,以3s值采样样本、采样时间为24h为例,M可取为28800。
实施例2:
在本实施例中,参考图2和图6,预测馈线接入新的谐波源时谐波电流水平,与实施例1不同的是,馈线谐波电流的云模型没有相角信息,因此这里采用《国标GB/T 14549-93》中的叠加公式来进行谐波叠加。具体如下:
(1)根据构建好的将要接入馈线的谐波源的2~25次谐波电流幅值云模型,其数字特征为(Exh_amplitude_ds,Enh_amplitude_ds,Heh_amplitude_ds),馈线的2~25次谐波电流幅值云模型,其数字特征为(Exh_amplitude_line,Enh_amplitude_line,Heh_amplitude_line);利用谐波源第h次谐波电流幅值的云模型和正向高斯云算法生成M个样本云滴;
a)生成以Enh_amplitude_ds为期望,Heh_amplitude_ds2为方差的一个正态随机熵Enh_amplitude_ds′=NORM(Enh_amplitude_ds,Heh_amplitude_ds2);
b)生成以Exh_amplitude_ds为期望,Enh_amplitude_ds′2为方差的一个正态随机数amplitude_h_ds_m=NORM(Exh_amplitude_ds,Enh_amplitude_ds′2);
c)重复步骤a)到c)直到生成M个幅值样本云滴,将这些幅值样本云滴构成的集合记为
I_amplitude_h_ds=
{amplitude_h_ds_1,amplitude_h_ds_2,...,amplitude_h_ds_M}。
(2)利用馈线第h次谐波电流幅值的云模型和正向高斯云算法生成M个样本云滴;
a)生成以Enh_amplitude_line为期望,Heh_amplitude_line2为方差的一个正态随机熵Enh_amplitude_line′=NORM(Enh_amplitude_line,Heh_amplitude_line2);
b)生成以Exh_amplitude_line为期望,Enh_amplitude_line′2为方差的一个正态随机数amplitude_h_line_m=NORM(Exh_amplitude_line,Enh_amplitude_line′2);
c)重复步骤a)到c)直到生成M个幅值样本云滴,将这些幅值样本云滴构成的集合记为
I_amplitude_h_line=
{amplitude_h_line_1,amplitude_h_line_2,...,amplitude_h_line_M};
(3)计算I_amplitude_h_line与I_amplitude_h_ds中元素叠加后的谐波电流大小,即为谐波源接入馈线后的谐波电流模拟值:
a)令a_m=amplitude_h_line_m,b_m=amplitude_h_ds_m;
b)记计算得到的第h次叠加后的谐波电流模拟值集合为Ipcc_h={Ipcc_h_1,Ipcc_h_2,...,Ipcc_h_M}。
(4)重复步骤(1)到(3),得到2~25次谐波电流模拟值集合,对每一次谐波电流的集合Ipcc_h,计算第h次谐波电流的CP95值(即将元素按从大到小排列,选取第[0.05*M]个元素);
(5)根据的得到2~25次谐波电流的CP95值,结合《GB/T 14549-1993电能质量公用电网谐波》进行谐波源接入预测评估。
在本实施例中,所产生的云滴数M可以根据需求选择,一般情况下,以3min值采样样本、采样时间为一周为例,M可取为3360。
表1叠加系数K的取值
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (2)
1.一种谐波源接入预测评估的方法,其特征在于,包括以下步骤:
步骤S1:获取谐波设备的历史监测数据和馈线的历史监测数据;
步骤S2:构建谐波源和馈线的谐波电流云模型;
步骤S3:基于构建好的云模型,预测多个谐波源共同作用下的公共连接点处的谐波电流水平、馈线接入新的谐波源时谐波电流水平的变化;
所述构建谐波源的谐波电流云模型具体如下:
(2)用逆向高斯云算法构建第h次谐波电流幅值的云模型;
(3)获得谐波源第h次谐波电流幅值的云模型,其数字特征为(Exh_amplitude,Enh_amplitude,Heh_amplitude);
(4)用逆向高斯云算法构建第h次谐波电流相角的云模型
(5)获得谐波源第h次谐波电流相角的云模型,其数字特征为(Exh_angle,Enh_angle,Heh_angle);
(6)重复步骤(3)到(6)直到构建好2~25次谐波电流幅值和相角的云模型;
所述构建谐波源第h次谐波电流幅值的云模型:
d)如果Sh 2-Enh_amplitude2≥0,则转向步骤f),否则转向步骤e);
e)删除当前样本中离期望Exh_amplitude最近的1%的数据,再转向步骤c);
f)计算谐波幅值云模型的超熵
所述构建第h次谐波电流相角的云模型,具体为:
d)如果Sh 2-Enh_angle2≥0,则转向步骤f),否则转向步骤e);
e)删除当前样本中离期望Exh_angle最近的1%的数据,再转向步骤c);
所述馈线的谐波电流云模型具体如下:
(2)用逆向高斯云算法分别构建第h次谐波电流幅值的云模型;
(3)获得馈线第h次谐波电流幅值的云模型,其数字特征为(Exh_amplitude,Enh_amplitude,Heh_amplitude);
重复步骤(2)到(3)直到构建好2~25次馈线谐波电流幅值的云模型;
所述构建第h次谐波电流幅值的云模型具体如下:
d)如果Sh 2-Enh_amplitude2≥0,则转向步骤f),否则转向步骤e);
e)删除当前样本中离期望Exh_amplitude最近的1%的数据,再转向步骤c);
所述基于构建好的云模型,预测多个谐波源共同作用下的公共连接点处的谐波电流水平,包括以下步骤:
(1)根据构建得到的S个谐波源的2~25次谐波电流的幅值云模型的数字特征
(Exh_amplitude_s,Enh_amplitude_s,Heh_amplitude_s)
和相角云模型的数字特征
(Exh_angle_s,Enh_angle_s,Heh_angle_s),
其中h=2,3,...,25,代表2~25次谐波,s=1,2,...,S,代表第s个谐波源;对于每个谐波源,利用正向高斯云算法和第h次谐波电流幅值的云模型生成M个样本云滴;
(2)对于每个谐波源,利用正向高斯云算法和第h次谐波电流相角的云模型生成M个样本云滴;
(3)对于每个谐波源,将生成的M个幅值样本云滴和相角样本云滴随机组合成M个第h次谐波电流的相量模拟值,记为集合
I_complex_h_s={amplitude_h_s_1∠angle_h_s_1,amplitude_h_s_2∠angle_h_s_2,…,amplitude_h_s_M∠angle_h_s_M};
(4)计算S个谐波源共同作用下的公共连接点处的第h次的谐波电流的第m个模拟值 其中m=1,2,...,M;记计算得到的第h次的共M个谐波电流模拟值集合为Ipcc_h={Ipcc_h_1,Ipcc_h_2,...,Ipcc_h_m};
(5)重复步骤(1)到(4),生成公共连接点2~25次谐波电流的模拟值的集合,记为Ipcc={Ipcc_2,Ipcc_2,...,Ipcc_25};
(6)对每一个谐波电流的集合Ipcc_h,计算第h次谐波电流的CP95值;
(7)根据的得到2~25次谐波电流的CP95值,结合预设标准进行谐波源接入预测评估;
所述利用正向高斯云算法和第h次谐波电流相角的云模型生成M个样本云滴,具体为:
a)生成以Enh_angle_s为期望,Heh_angle_s2为方差的一个正态随机熵Enh_angle_s′=NORM(Enh_angle_s,Heh_angle_s2);
b)生成以Exh_angle_s为期望,Enh_angle_s′2为方差的一个正态随机数angle_h=NORM(Exh_angle_s,Enh_angle_s′2);
c)重复步骤a)到c)直到生成M个相角样本云滴,将这些相角样本云滴构成的集合记为;
I_angle_h_s={angle_h_s_1,angle_h_s_2,...,angle_h_s_M};
所述预测馈线接入新的谐波源时谐波电流水平,具体如下:
(1)根据构建好的将要接入馈线的谐波源的2~25次谐波电流幅值云模型(Exh_amplitude_ds,Enh_amplitude_ds,Heh_amplitude_ds),馈线的2~25次谐波电流幅值云模型(Exh_amplitude_line,Enh_amplitude_line,Heh_amplitude_line);利用谐波源第h次谐波电流幅值的云模型和正向高斯云算法生成M个样本云滴;
(2)利用馈线第h次谐波电流幅值的云模型和正向高斯云算法生成M个样本云滴;
(3)计算I_amplitude_h_line与I_amplitude_h_ds中元素叠加后的谐波电流大小,即为谐波源接入馈线后的谐波电流模拟值:
(4)重复步骤(1)到(3),得到2~25次谐波电流模拟值集合,对每一次谐波电流的集合Ipcc_h,计算第h次谐波电流的CP95值;
(5)根据的得到2~25次谐波电流的CP95值,结合预设标准进行谐波源接入预测评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011298121.0A CN112531710B (zh) | 2020-11-18 | 2020-11-18 | 一种谐波源接入预测评估的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011298121.0A CN112531710B (zh) | 2020-11-18 | 2020-11-18 | 一种谐波源接入预测评估的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112531710A CN112531710A (zh) | 2021-03-19 |
CN112531710B true CN112531710B (zh) | 2022-10-04 |
Family
ID=74982685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011298121.0A Active CN112531710B (zh) | 2020-11-18 | 2020-11-18 | 一种谐波源接入预测评估的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112531710B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094636A (zh) * | 2021-04-21 | 2021-07-09 | 国网福建省电力有限公司 | 一种基于海量监测数据的干扰性用户谐波水平估计方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2708940B2 (ja) * | 1990-07-05 | 1998-02-04 | 富士電機株式会社 | 配電系統の高調波発生源の特定方法 |
CN108170885B (zh) * | 2017-11-28 | 2020-11-06 | 国网甘肃省电力公司庆阳供电公司 | 一种配电网中多谐波源识别方法 |
CN110210152B (zh) * | 2019-06-06 | 2021-01-29 | 福州大学 | 一种超高次谐波源建模方法 |
CN110472195B (zh) * | 2019-08-15 | 2023-04-18 | 国网福建省电力有限公司莆田供电公司 | 一种基于区间监测数据的用户谐波危害预警评估方法 |
-
2020
- 2020-11-18 CN CN202011298121.0A patent/CN112531710B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112531710A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11349306B2 (en) | Distribution grid fault analysis under load and renewable energy uncertainties | |
Balouji et al. | Deep-learning-based harmonics and interharmonics predetection designed for compensating significantly time-varying EAF currents | |
CN110133393B (zh) | 一种基于非侵入式监测技术的用电监测系统及方法 | |
Sujatha et al. | Enhancement of PQ in grid connected PV system using hybrid technique | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
Shao et al. | Short‐term wind speed forecasting using wavelet transformation and AdaBoosting neural networks in Yunnan wind farm | |
CN110333404B (zh) | 一种非侵入式的负荷监测方法、装置、设备及存储介质 | |
CN104155519B (zh) | 谐波序列关系分析与电力计算相结合的谐波源定位方法 | |
CN116701822B (zh) | 基于麻雀搜索算法与变分模态分解的负荷电能计量方法 | |
US9046463B1 (en) | Method for conducting nonlinear electrochemical impedance spectroscopy | |
CN104052058A (zh) | 一种基于马尔可夫链蒙特卡罗法的系统谐波概率评估方法 | |
CN109840691A (zh) | 基于深度神经网络的非侵入式分项电量估计方法 | |
CN112531710B (zh) | 一种谐波源接入预测评估的方法 | |
Severoglu et al. | Statistical models of EAF harmonics developed for harmonic estimation directly from waveform samples using deep learning framework | |
Yang et al. | Multi-step prediction of strong earthquake ground motions and seismic responses of SDOF systems based on EMD-ELM method | |
CN104833852A (zh) | 一种基于人工神经网络的电力系统谐波信号估计测量方法 | |
Li et al. | Machine-learning-based online transient analysis via iterative computation of generator dynamics | |
CN110889210A (zh) | 基于根匹配法的移频暂态仿真方法、系统、介质和设备 | |
Yang et al. | Oscillation mode analysis for power grids using adaptive local iterative filter decomposition | |
Schirmer et al. | Double Fourier integral analysis based convolutional neural network regression for high-frequency energy disaggregation | |
CN111398814A (zh) | 一种软启动器控制的电机故障检测与智能快速诊断方法 | |
Najafi et al. | An improved sag detection approach based on modified Goertzel algorithm | |
CN110826498A (zh) | 基于hht的暂态电能质量检测方法 | |
Yang et al. | Ensemble singular vectors and their use as additive inflation in EnKF | |
CN110363338B (zh) | 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |