CN112700028B - 虚拟电厂等效惯量与阻尼时空分布的估测方法及系统 - Google Patents
虚拟电厂等效惯量与阻尼时空分布的估测方法及系统 Download PDFInfo
- Publication number
- CN112700028B CN112700028B CN202011390617.0A CN202011390617A CN112700028B CN 112700028 B CN112700028 B CN 112700028B CN 202011390617 A CN202011390617 A CN 202011390617A CN 112700028 B CN112700028 B CN 112700028B
- Authority
- CN
- China
- Prior art keywords
- power plant
- network
- virtual power
- parameter
- space
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 236
- 238000013016 damping Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000002776 aggregation Effects 0.000 claims description 30
- 238000004220 aggregation Methods 0.000 claims description 30
- 230000001360 synchronised effect Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000006116 polymerization reaction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 27
- 238000011217 control strategy Methods 0.000 description 13
- 230000004913 activation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 4
- 230000001737 promoting effect Effects 0.000 description 4
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种虚拟电厂等效惯量与阻尼时空分布的估测方法及系统。本申请的虚拟电厂等效惯量与阻尼时空分布的估测方法,包括:取虚拟电厂状态参数,根据所述虚拟电厂状态参数得到参数数据集;对所述参数数据集进行预处理得到训练集、测试集;根据深度神经网络构建时空分布估测模型,根据所述训练集对所述时空分布估测模型进行训练;根据所述时空分布估测模型得到关键参数集,对所述关键参数集进行计算处理得到第一概率分布结果、第二概率分布结果。通过第一概率分布结果可用于表征虚拟电厂内分布式电源等效惯量与阻尼的时空分布,第二概率分布结果可用于表征虚拟电厂聚合等效惯量与阻尼的时空分布。
Description
技术领域
本申请涉及能源互联网技术领域,尤其涉及一种虚拟电厂等效惯量与阻尼时空分布的估测方法及系统。
背景技术
以电力电子变换器为主要接口的可再生能源分布式电源及灵活性负荷控制被广泛应用于电力系统中,使得电力系统的系统惯量和阻尼降低,不利于电力系统的安全稳定运行和可再生能源的大规模高效集成与利用。如何估测虚拟电厂的等效惯量与阻尼的时空分布是虚拟电厂参与新型惯量辅助服务市场,为系统提供安全稳定的频率响应支撑的关键点和难点。
目前,电力系统运行人员无法实时掌握不同区域的惯量-阻尼水平及其分布情况。惯量估计问题的研究主要集中于大系统总体等效惯量的估计,尚未涉及到预测问题,忽视了对阻尼和各个区域的惯量的估计,无法对系统运行人员进行协调优化和控制策略的制定形成具体有效指导。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,基于此,本申请提供一种虚拟电厂等效惯量与阻尼时空分布的估测方法及虚拟电厂等效惯量与阻尼的时空分布估测系统,通过时空分布估测模型对虚拟电厂的参数进行估测,并得到第一概率分布结果、第二概率分布结果,第一概率分布结果表征虚拟电厂内分布式电源等效惯量与阻尼的时空分布,第二概率分布结果表征虚拟电厂聚合等效惯量与阻尼的时空分布。
本申请实施例第一方面提供一种虚拟电厂等效惯量与阻尼时空分布的估测方法,包括:
获取虚拟电厂状态参数,根据所述虚拟电厂状态参数得到参数数据集;
对所述参数数据集进行预处理得到训练集、测试集;
根据深度神经网络构建时空分布估测模型,根据所述训练集对所述时空分布估测模型进行训练;
根据所述时空分布估测模型得到关键参数集,对所述关键参数集进行计算处理得到第一概率分布结果、第二概率分布结果。
本申请实施例中的虚拟电厂等效惯量与阻尼时空分布的估测方法包括如下技术效果:通过准确估计和预测当前及未来一段时间内等效惯量-阻尼的时空分布,训练速度快、估测精度高,无需对估测目标--等效惯量-阻尼--作任何假设和约束,适用于不同运行场景和运行条件,通用性强,鲁棒性好,对促进虚拟电厂参与新型惯量辅助服务市场,为系统提供安全稳定的频率响应支撑。
进一步地,所述获取虚拟电厂状态参数包括:根据同步分布式电源参数、可再生能源参数得到参数动态方程,根据所述参数动态方程得到所述虚拟电厂状态参数;其中,所述虚拟电厂状态参数包括:电压参数、电流参数和频率偏差向量。
进一步地,虚拟电厂状态参数具体包括:虚拟电厂与电网连接点母线的电压参数、电流参数和频率偏差向量,虚拟电厂内各个分布式电源输出母线的电压参数、电流参数和频率偏差向量。
进一步地,所述对所述参数数据集进行预处理得到训练集、测试集,包括:对所述参数数据集进行假设校核处理得到校核参数数据集;对所述校核参数数据集进行恢复处理得到完整参数数据集;对所述完整参数数据集进行划分处理得到所述训练集、所述测试集;
所述根据深度神经网络构建时空分布估测模型,包括:根据深度神经网络构建第一时空分布估测模型、第二时空分布估测模型,所述第一时空分布估测模型用于对分布式电源进行等效惯量阻尼估测,所述第二时空分布估测模型用于对虚拟电厂聚合进行等效惯量阻尼估测。
进一步地,所述深度神经网络包括网络预测网络和分布近似网络;所述网络预测网络包括:分布式电源网络预测网络和虚拟电厂网络预测网络,所述分布近似网络包括:分布式电源分布近似网络和虚拟电厂聚合分布近似网络。
进一步地,所述分布式电源网络预测由网络短接残差网络、时间循环神经网络输入层网络、全联通层网络和输出层网络串联连接构成;所述分布式电源分布近似网络由短接残差网络、两个全联通层和输出层串联构成;所述虚拟电厂网络预测网络由分布式电源预测网络、独立网络预测网络并联构成;所述分布式电源分布近似网络、所述虚拟电厂聚合分布近似网络为深度残差网络。
进一步地,所述根据同步分布式电源参数、可再生能源参数得到参数动态方程,根据所述参数动态方程得到所述虚拟电厂状态参数,包括:根据所述同步分布式电源参数、所述可再生能源参数得到第一参数动态方程、第二参数动态方程;根据所述第一参数动态方程得到第一虚拟电厂状态参数,根据所述第二参数动态方程得到第二虚拟电厂状态参数;其中,所述第一参数动态方程用于表征分布式电源状态,所述第二参数动态方程用于表征虚拟电厂与电网连接电源状态。
进一步地,所述虚拟电厂由基于传统同步发电机的分布式电源、基于可再生能源发电的分布式电源和其他灵活性负荷通过电力网络连接构成;虚拟电厂内的分布式电源的控制策略可以是传统同步发电机控制策略、下垂控制策略、虚拟同步机控制策略等常见控制策略。
进一步地,所述根据所述时空分布估测模型得到关键参数集,包括:根据所述第一虚拟电厂状态参数、第一预设指数模型得到分布式关键参数集,根据所述第二虚拟电厂状态参数、第二预设指数模型得到虚拟电厂关键参数集。
进一步地,所述第一参数动态方程:
其中,ΔωDG,i为分布式电源的输出频率偏差、MDG,i为分布式电源的等效惯量、DDG,i为分布式电源的等效阻尼、KDG,i为分布式电源的同步功率系数;
所述第二参数动态方程:
其中,ΔωVPP为虚拟电厂与电网连接点母线频率偏差、MVPP为虚拟电厂的等效惯量、DVPP为虚拟电厂的等效阻尼、KVPP为虚拟电厂的同步功率系数。
进一步地,所述根据所述训练集对所述时空分布估测模型进行训练,包括:根据损失函数、所述训练集对所述时空分布估测模型进行离线训练、在线训练。
本申请实施例第二方面提供一种虚拟电厂等效惯量与阻尼的时空分布估测系统,包括
数据获取与存储模块,用于获取虚拟电厂状态参数,并根据所述虚拟电厂状态参数得到参数数据集;数据预处理模块,用于对所述参数数据集进行预处理得到训练集、测试集;分布式电源估测模块,根据深度神经网络构建第一时空分布估测模型,并得到分布式关键参数集;虚拟电厂聚合估测模块,根据所述深度神经网络构建第二时空分布估测模型,并得到虚拟电厂关键参数集;时空分布输出模块,用于根据所述分布式关键参数集输出第一概率分布结果,用于根据所述虚拟电厂关键参数集输出第二概率分布结果。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显。
附图说明
下面结合附图和实施例对本申请做进一步的说明,其中:
图1为本申请实施例一种虚拟电厂等效惯量与阻尼时空分布的估测方法的虚拟电厂框架示意图;
图2为本申请又一实施例一种虚拟电厂等效惯量与阻尼时空分布的估测方法的流程图;
图3本申请实施例一虚拟电厂等效惯量与阻尼时空分布估测模型结构框图;
图4本申请实施例一提供的DG-NFN网络结构图;
图5A至图5C是本申请实施例一提供的短接残差网络结构图;
图6本申请实施例一虚拟电厂网络预测网络结构图;
图7本申请实施例一分布式电源等效惯量与阻尼分布近似网络结构图;
图8本申请实施例一虚拟电厂聚合等效惯量与阻尼分布近似网络结构图;
图9本申请实施例一虚拟电厂等效惯量与阻尼时空分布估测系统的模块结构图。
附图标记说明:100、数据获取与存储模块;200、数据预处理模块;300、分布式电源估测模块;400、虚拟电厂聚合估测模块;500、时空分布输出模块。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
在本申请的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
在本申请的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本申请的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请中的具体含义。
本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在相关技术中,以电力电子变换器为主要接口的可再生能源分布式电源及灵活性负荷控制被广泛应用于电力系统中,使得电力系统的系统惯量和阻尼降低,不利于电力系统的安全稳定运行和可再生能源的大规模高效集成与利用。
目前,惯量估计问题的研究主要集中于大系统总体等效惯量的估计,尚未涉及到预测问题,忽视了对阻尼和各个区域的惯量的估计,无法对系统运行人员进行协调优化和控制策略的制定形成具体有效指导。
基于上述存在的技术问题,本申请提供一种虚拟电厂等效惯量与阻尼时空分布的估测方法,以得到虚拟电厂内分布式电源等效惯量与阻尼和虚拟电厂聚合等效惯量与阻尼的时空分布的累积概率分布估测结果。
请参照图1至图2,虚拟电厂由基于同步发电机的分布式电源、基于可再生能源发电的分布式电源和其他灵活性负荷电力网络连接构成,此外,同步发电机通过公共连接点(Point of Common Coupling,PCC)与外部主电网连接。
本申请提供一种虚拟电厂等效惯量与阻尼时空分布的估测方法,包括:
步骤S100、获取虚拟电厂状态参数,根据虚拟电厂状态参数得到参数数据集;
步骤S200、对参数数据集进行预处理得到训练集、测试集;
步骤S300、根据深度神经网络构建时空分布估测模型,根据训练集对时空分布估测模型进行训练;
步骤S400、根据时空分布估测模型得到关键参数集,对关键参数集进行计算处理得到第一概率分布结果、第二概率分布结果。
基于虚拟电厂状态参数得到参数数据集,并根据参数数据集得到用于对时空分布估测模型进行训练的训练集和用于对时空分布估测模型进行测试的测试集。通过深度神经网络构建时空分布估测模型以得到初步的计算模型,并通过训练集对时空分布估测模型进行训练。通过对参数数据集进行分组以得到测试集,并通过测试集对时空分布估计模型进行测试以验证模型。根据关键参数集得到第一概率分布结果、第二概率分布结果。其中,第一概率分布结果可用于表征虚拟电厂内分布式电源等效惯量与阻尼的时空分布,第二概率分布结果可用于表征虚拟电厂聚合等效惯量与阻尼的时空分布,为系统运行人员进行协调优化和控制策略的制定提供具体有效指导。
本申请实施例所提出的虚拟电厂等效惯量与阻尼时空分布的估测方法能够准确估计和预测当前及未来一段时间内等效惯量与阻尼的时空分布,训练速度快、估测精度高,无需对估测目标--等效惯量与阻尼作任何假设和约束。且时空分布估测模型适用于不同运行场景和运行条件、通用性强、鲁棒性好,对促进虚拟电厂参与新型惯量辅助服务市场,为系统提供安全稳定的频率响应支撑,促进可再生能源大规模高效集成等有重要意义和很高的实用价值。可广泛应用于能源互联网技术领域。
在一些实施例中,获取虚拟电厂状态参数包括:根据同步分布式电源参数、可再生能源参数得到参数动态方程,根据参数动态方程得到虚拟电厂状态参数;
其中,虚拟电厂状态参数包括:电压参数、电流参数和频率偏差向量。虚拟电厂状态参数具体包括:虚拟电厂与电网连接点母线的电压参数、电流和频率偏差向量,虚拟电厂内各个分布式电源输出母线的电压参数、电流参数和频率偏差向量。
可以理解的是,步骤S100中所得到的虚拟电厂状态参数为通过向量量测单元或者其他量测设备对虚拟电厂进行测量得到的测量数据,根据虚拟电厂状态参数得到多个子参数数据集,并根据多个子参数数据集的关系建立参数数据集。
进一步地,虚拟电厂状态参数包括电压参数、电流参数和频率偏差向量。通过测量电压参数、电流参数和频率偏差向量作为虚拟电厂状态的表征,以得到有效表征虚拟电厂状态的参数集。
通过在测试时间段[t-Δt,t]内,对虚拟电厂进行测量以得到虚拟电厂状态参数,虚拟电厂状态参数具体包括:虚拟电厂与电网连接点母线电压Vvpp,grid、与之对应的电流Ivpp,grid和与之对应的频率偏差向量Δωvpp;虚拟电厂内各个分布式电源输出母线电压VDG,i、与之对应电流IDG,i和与之对应频率偏差向量ΔωDG,i。
通过分别检测虚拟电厂与电网连接点的状态参数、虚拟电厂内各个分布式电源输出母线的状态参数以有效表征虚拟电厂的虚拟电厂状态参数,并根据虚拟电厂状态参数对时空分布估测模型进行训练。
在一些实施例中,对参数数据集进行预处理得到训练集、测试集,包括:对参数数据集进行假设校核处理得到校核参数数据集;对校核参数数据集进行恢复处理得到完整参数数据集;对完整参数数据集进行划分处理得到训练集、测试集。
其中,对参数数据集进行假设校核处理为利用贝叶斯假设测试对参数数据集进行校验、核对处理以得到与参数数据集相对应的完整性结果。根据完整性结果对校参数数据集进行恢复处理以得到完整参数数据集。通过对多个完整参数数据集进行随机换分为两组数据集,以达到训练集、测试集。训练集包括Ntr个完整参数数据集,测试集包括Nte个完整参数数据集。通过训练集对根据深度神经网络构建的时空分布估测模型进行训练。
在一些实施例中,根据深度神经网络构建时空分布估测模型,包括:根据深度神经网络构建第一时空分布估测模型、第二时空分布估测模型,第一时空分布估测模型用于对分布式电源进行等效惯量阻尼估测,第二时空分布估测模型用于对虚拟电厂聚合进行等效惯量阻尼估测。
根据深度神经网络分别构建第一时空分布估测模型、第二时空分布估测模型以对分布式电源、虚拟电厂聚合进行等效惯量阻尼估测。第一时空分布估测模型为虚拟电厂内分布式电源的等效惯量—阻尼估测模型,第二时空分布估测模型为虚拟电厂聚合等效惯量—阻尼估测模型。
请参照图3,在一些实施例中,深度神经网络包括网络预测网络和分布近似网络;网络预测网络包括:分布式电源网络预测网络(DG-NFN)和虚拟电厂网络预测网络(VPP-NFN),分布近似网络包括:分布式电源分布近似网络(DG-EID-DAN)和虚拟电厂聚合分布近似网络(VPP-EID-DAN)。
可以理解的是,通过网络预测网络(NFN)、分布近似网络(DAN)构建时空分布估测模型以等效惯量与阻尼的时空分布进行估测、分布近似计算。
进一步地,通过将网络预测网络、分布近似网络作为用于构建时空分布估测模型的深度神经网络,以使时空分布估测模型可对虚拟电厂状态进行网络预测、分布近似处理。
进一步地,通过分布式电源网络预测网络(DG-NFN)、虚拟电厂网络预测网络(VPP-NFN)以分别对分布式电源、虚拟电厂的虚拟电厂状态参数进行预测;通过分布式电源分布近似网络(DG-EID-DAN)、虚拟电厂聚合分布近似网络(VPP-EID-DAN)以分别对分布式电源、虚拟电厂的虚拟电厂状态参数进行近似估测。
请参照图3、图4,在一些实施例中,分布式电源网络预测网络由短接残差网络、时间循环神经网络输入层网络、全联通层网络和输出层网络串联连接构成;分布式电源分布近似网络由短接残差网络、两个全联通层和输出层串联构成;虚拟电厂网络预测网络由分布式电源预测网络、独立网络预测网络并联构成;分布式电源分布近似网络、虚拟电厂聚合分布近似网络为深度残差网络。
请一并参照图5A至图5C,例如,分布式电源网络预测网络(DG-NFN)由Q块宽度为M的短接残差网络、一个宽度为M的时间循环神经网络输入层网络(LSTM输入层网络)、一个宽度为L的全联通层网络和输出层网络串联连接构成。
分布式电源分布近似网络为分布式电源等效惯量与阻尼分布近似网络(DG-EID-DAN),用于等效惯量与阻尼分布进行近似计算。分布式电源等效惯量与阻尼分布近似网络(DG-EID-DAN)由基于全联通层的K块宽度为L的短接残差网络、宽度同样为L的两个全联通层和输出层串联构成。其中短接残差网络结构和分布式电源网络预测网络中的残差网络结构相同。
虚拟电厂网络预测网络(VPP-NFN)由分布式电源预测网络(虚拟电厂内分布式电源的所有的分布式电源网络预测网络)和一个独立网络预测网络(S-NFN)并联构成。其中,虚拟电厂聚合分布近似网络(虚拟电厂聚合等效惯量与阻尼分布近似网络(VPP-EID-DAN))和分布式电源分布近似网络(分布式电源等效惯量与阻尼分布近似网络(DG-EID-DAN))由相似的深度残差网络构成。虚拟电厂聚合分布近似网络的每个全联通层的宽度为(NDG+1)·L,NDG为虚拟电厂中分布式电源的数量。
在一些实施例中,根据同步分布式电源参数、可再生能源参数得到参数动态方程,根据参数动态方程得到虚拟电厂状态参数,包括:根据同步分布式电源参数、可再生能源参数得到第一参数动态方程、第二参数动态方程;根据第一参数动态方程得到第一虚拟电厂状态参数,根据第二参数动态方程得到第二虚拟电厂状态参数;其中,第一参数动态方程用于表征分布式电源状态,第二参数动态方程用于表征虚拟电厂与电网连接电源状态。
根据同步分布式电源参数、可再生能源参数得到用于表征分布式电源状态的第一参数动态方程、用于表征虚拟电厂与电网连接电源状态的第二参数动态方程。通过第一参数动态方程、第二参数动态方程快速求解关键参数集。
通过第一参数动态方程表征分布式电源状态,第二参数动态方程表征虚拟电厂与电网连接电源状态,从而分别动态地表征分布式电源、虚拟电厂与电网连接电源中各个参数的动态关系。
在一些实施例中,根据时空分布估测模型得到关键参数集,包括:根据第一虚拟电厂状态参数、第一预设指数模型得到分布式关键参数集,根据第二虚拟电厂状态参数、第二预设指数模型得到虚拟电厂关键参数集。
根据第一虚拟电厂状态参数、第一预设指数模型得到分布式关键参数集,并根据分布式关键参数集得到第一概率分布结果;根据第二虚拟电厂状态参数、第二预设指数模型得到虚拟电厂关键参数集,并根据虚拟电厂关键参数集得到第二概率分布结果。通过分别得到第一概率分布结果、第二概率分布结果以得到等效惯量与阻尼的时空分布。
在一些实施例中,第一参数动态方程:
其中,ΔωDG,i为分布式电源的输出频率偏差、MDG,i为分布式电源的等效惯量、DDG,i为分布式电源的等效阻尼、KDG,i为分布式电源的同步功率系数;
第二参数动态方程:
其中,ΔωVPP为虚拟电厂与电网连接点的输出频率偏差、MVPP为虚拟电厂的等效惯量、DVPP为虚拟电厂的等效阻尼、KVPP为虚拟电厂的同步功率系数。
在一些实施例中,根据训练集对时空分布估测模型进行训练,包括:根据损失函数、训练集对时空分布估测模型进行离线训练、在线训练。
通过预设的损失函数、训练集对时空分布估测模型进行离线训练、在线训练。
以下结合具体计算方式进行说明。
根据同步分布式电源参数、可再生能源参数得到参数动态方程,根据参数动态方程得到虚拟电厂状态参数;其中,虚拟电厂状态参数包括:电压参数、电流参数和频率偏差向量。
例如,虚拟电厂状态参数具体可包括:虚拟电厂与电网连接点母线电压Vvpp,grid、与之对应的电流Ivpp,grid和与之对应的频率偏差向量Δωvpp;虚拟电厂内各个分布式电源输出母线电压VDG,i、与之对应电流IDG,i和与之对应频率偏差向量ΔωDG,i。
其中,虚拟电厂状态参数可以被描述为:
Vvpp,grid=[Vvpp,grid,t-Δt,Vvpp,grid,t-Δt+1,…,Vvpp,grid,t-1,Vvpp,grid,t]
Ivpp,grid=[Ivpp,grid,t-Δt,Ivpp,grid,t-Δt+1,…,Ivpp,grid,t-1,Ivpp,grid,t]
Δωvpp=[Δωvpp,t-Δt,Δωvpp,t-Δt+1,…,Δωvpp,t-1,Δωvpp,t] (1)
VDG,i=[VDG,i,t-Δt,VDG,i,t-Δt+1,…,VDG,i,t-1,VDG,i,t]
IDG,i=[IDG,i,t-Δt,IDG,i,t-Δt+1,…,IDG,i,t-1,IDG,i,t]
ΔωDG,i=[ΔωDG,i,t-Δt,ΔωDG,i,t-Δt+1,…,ΔωDG,i,t-1,IDG,i,t] (2)
进一步地,根据同步分布式电源参数、可再生能源参数得到第一参数动态方程、第二参数动态方程;根据第一参数动态方程得到第一虚拟电厂状态参数,根据第二参数动态方程得到第二虚拟电厂状态参数;其中,第一参数动态方程用于表征分布式电源状态,第二参数动态方程用于表征虚拟电厂与电网连接电源状态。
进一步地,虚拟电厂由基于传统同步发电机的分布式电源、基于可再生能源发电的分布式电源和其他灵活性负荷通过电力网络连接构成;虚拟电厂内的分布式电源的控制策略可以是传统同步发电机控制策略、下垂控制策略、虚拟同步机控制策略等常见控制策略。
本实施例中,第一参数动态方程用于对虚拟电厂内部分布式电源的输出频率偏差进行动态描述,第一参数动态方程具体为:
其中,ΔωDG,i为分布式电源的输出频率偏差向量、MDG,i为分布式电源的等效惯量、DDG,i为分布式电源的等效阻尼、KDG,i为分布式电源的同步功率系数。通过对第一参数动态方程对MDG,i和DDG,i进行计算以得到目标参数。可以理解的是,MDG,i和DDG,i为分布式电源等效惯量与阻尼估测目标。
分布式电源的同步功率系数通过式(4)计算得到:
由式(3)可以得到分布式电源输出频率偏差动态的一般解
其中,[ADG,i,αDG,i,βDG,i,φDG,i]为本申请实施例中表征分布式电源时空分布估测结果的关键参数集中的一部分,且有
进一步地,第二参数动态方程用于对虚拟电厂与电网连接点母线频率偏差进行动态描述,第二参数动态方程具体为:
其中,ΔωVPP为虚拟电厂与电网连接点母线频率偏差、MVPP为虚拟电厂的等效惯量、DVPP为虚拟电厂的等效阻尼、KVPP为虚拟电厂的同步功率系数。MVPP和DVPP为虚拟电厂等效惯量与阻尼估测目标。
进一步地,虚拟电厂的同步功率系数通过式(8)计算得到:
由式(7)可以得到虚拟电厂输出频率偏差动态的一般解
其中,[AVPP,αVPP,βVPP,φVPP]为本申请实施例中表征虚拟电厂时空分布估测结果的关键参数集中的一部分,且有
通过估测关键参数集中的[αDG,i,βDG,i]和[αVPP,βVPP],并结合式(3)(5)(6)和式(7)(9)(10),得到第一概率分布结果(MDG,i,DDG,i)、第二概率分布结果(MVPP,DVPP)。
在一些实施例中,根据深度神经网络构建时空分布估测模型具体为:通过对于待估测的关键参数集中的[αDG,i,βDG,i]和[αVPP,βVPP]进行概率密度描述,其对应的概率密度函数分别为:
进一步地,通过对于待估测的关键参数集中的[αDG,i,βDG,i]和[αVPP,βVPP]进行累积概率描述,其对应的累积概率分布函数分别为式(13)和式(14):
进一步地,分别对关键参数的估测进行描述。
由于网络预测网络包括:分布式电源网络预测网络(DG-NFN),具体网路构建方式如下:
分布式电源网络预测网络的输入数据设置为:XDG,i,t=[VDG,i,IDG,i,ΔωDG,i],输出数据被设置为包括:nα,DG,i,0,nα,DG,i,1,nβ,DG,i,0,nβ,DG,i,1,WDG,i,BDG,i,WVPP,i,BVPP,i。
其中,nα,DG,i,0,nα,DG,i,1,nβ,DG,i,1和nβ,DG,i,0采用hard sigmoid函数σh(x)作为激活函数,具体描述为:
WDG,i和WVPP,i采用SoftPlus函数作为激活函数,具体描述为:
sp(x)=ln(1+ex) (18)
BDG,i和BVPP,i采用线性激活函数。分布式电源网络预测网络建立起了输入数据XDG,i,t和输出数据[nα,DG,i,0,nα,DG,i,1,nβ,DG,i,0,nβ,DG,i,1,WDG,i,BDG,i,WVPP,i,BVPP,i]之间的映射关系
其中,WDG,i和BDG,i作为分布式电源分布近似网络(分布式电源等效惯量与阻尼分布近似网络(DG-EID-DAN))的权值和偏置量;WVPP,i和BVPP,i作为虚拟电厂聚合分布近似网络(虚拟电厂聚合等效惯量与阻尼分布近似网络(VPP-EID-DAN))的权值和偏置量的一部分。
其中,分布式电源网络预测网络(DG-NFN)由Q块宽度为M的短接残差网络、一个宽度为M的LSTM输入层网络、一个宽度为L的全联通层网络和输出层网络通过串联连接构成。
进一步地,残差网络的输入x和输出y的关系可描述为
y=ΓR(x;[W*],[b*])+x (19)
其中,ΓR(x;[W*],[b*])表示被短接层的输入输出映射关系、W*和b*分别表示神经网络的权值向量和偏置向量。分布式电源网络预测网络(DG-NFN)中的被短接层采用长短期记忆LSTM网络,其内部信息流可描述为
iτ=σ(wix·xτ+wih·hτ-1+wic·cτ-1+bi)
fτ=σ(wfx·xτ+wfh·hτ-1+wfc·cτ-1+bf)
oτ=σ(wox·xτ+woh·hτ-1+woc·cτ+bo)
其中,iτ为输入门,fτ为遗忘门,oτ为输出门,cτ为记忆单元,hτ为有M个元素的隐含状态,为权值和偏置量。该信息流进一步描述为从xτ到hτ(τ=t-d+1,...,t)的映射的紧凑形式:[ht-d+1,...,ht]=ΓL([xt-d+1,...,xt];[W*],[b*])。
进一步,网络预测网络还包括:虚拟电厂网络预测网络(VPP-NFN),具体网路构建方式如下:虚拟电厂网络预测网络(VPP-NFN)由虚拟电厂内分布式电源的所有网络预测网络DG-NFN一个独立网络预测网络(S-NFN)并联构成。
独立网络预测网络(S-NFN)的结构和分布式电源网络预测网络(DG-NFN)的网络预测网络结构完全相同。
独立网络预测网络(S-NFN)的输入数据为XS,t=[Vvpp,grid,Ivpp,grid,Δωvpp],输出数据为:nα,VPP,0,nα,VPP,1,nβ,VPP,0,nβ,VPP,1,WS,VPP,BS,VPP。在独立网络预测网络(S-NFN)中,nα,VPP,0,nα,VPP,1,nβ,VPP,0,nβ,VPP,1采用和分布式电源网络预测网络(DG-NFN)中相同的hardsigmoid函数为激活函数,WS,VPP同样采用和分布式电源网络预测网络(DG-NFN)中相同的SoftPlus函数作为激活函数,BS,VPP采用线性激活函数。
独立网络预测网络(S-NFN)建立起了XS,t和[nα,VPP,0,nα,VPP,1,nβ,VPP,0,nβ,VPP,1,WS,VPP,BS,VPP]
之间的映射关系。WS,VPP和BS,VPP作为虚拟电厂聚合分布近似网络(虚拟电厂聚合等效惯量与阻尼分布近似网络(VPP-EID-DAN))的权值和偏置量的另一部分。
建立时空分布估测模型的深度神经网络还包括分布近似网络,其中分布近似网络包括分布式电源分布近似网络和虚拟电厂聚合分布近似网络。
请一并参照图6至图7,分布式电源分布近似网络具体为分布式电源等效惯量与阻尼分布近似网络(DG-EID-DAN),虚拟电厂聚合分布近似网络具体为虚拟电厂聚合等效惯量与阻尼分布近似网络(VPP-EID-DAN)。
分布式电源等效惯量与阻尼分布近似网络(DG-EID-DAN)由基于全联通层的K块宽度为L的短接残差网络、宽度同样为L的两个全联通层和输出层串联构成。其中,本网络中的短接残差网络结构与分布式电源网络预测网络(DG-NFN)的残差网络结构相同
分布式电源等效惯量与阻尼分布近似网络(DG-EID-DAN)的隐含层采用sigmoid函数为激活函数,输出层采用线性激活函数,采用WDG,i和BDG,i作为权值和偏置量。
其输入输出映射关系可以描述为一个确定性函数:ΓDG,i,αβ,D(·;WDG,i,BDG,i)。
请参照图8,在一具体实施例中,虚拟电厂聚合分布近似网络具体为虚拟电厂聚合等效惯量与阻尼分布近似网络(VPP-EID-DAN),虚拟电厂聚合等效惯量与阻尼分布近似网络(VPP-EID-DAN)由与分布式电源等效惯量与阻尼分布近似网络(DG-EID-DAN)相似的深度残差网络构成,其主要区别在于虚拟电厂聚合等效惯量与阻尼分布近似网络(VPP-EID-DAN)的每个全联通层的宽度为(NDG+1)·L,NDG为虚拟电厂中分布式电源的数量。虚拟电厂聚合等效惯量与阻尼分布近似网络(VPP-EID-DAN)采用WS,VPP,BS,VPP,WVPP,i和BVPP,i(i=1,…,NDG)作为权值和偏置量,其输入输出映射关系可以描述为一个确定性函数:ΓVPP,αβ,D(·;WVPP,BVPP)。
具体地,根据深度神经网络(网络预测网络和分布近似网络)建立时空分布估测模型包括以下步骤:
其中,U·和L·分别为·的上界和下界。
则,[αDG,i,βDG,i]和[αVPP,βVPP]的估测量的累积概率分布函数分别为
进一步地,根据损失函数、训练集对时空分布估测模型进行离线训练、在线训练,具体为:通过损失函数对网络预测网络进行训练。
其中,训练采用的损失函数为:
此外,根据时空分布估测模型得到关键参数集,对关键参数集进行计算处理得到第一概率分布结果(虚拟电厂内各个分布式电源的等效惯量与阻尼累积概率分布结果)、第二概率分布结果(虚拟电厂聚合等效惯量与阻尼累积概率分布结果)包括以下步骤:
此外,对关键参数集进行计算处理得到第一概率分布结果、第二概率分布结果,还包括:
其中,MDG,i和DDG,i为分布式电源等效惯量与阻尼估测目标,MVPP和DVPP为虚拟电厂等效惯量与阻尼估测目标,以表征等效惯量与阻尼时空分布。
请参照图9,本申请还提供一种虚拟电厂等效惯量与阻尼的时空分布估测系统,包括数据获取与存储模块100,用于获取虚拟电厂状态参数,并根据虚拟电厂状态参数得到参数数据集;数据预处理模块200,用于对参数数据集进行预处理得到训练集、测试集;分布式电源估测模块300,根据深度神经网络构建第一时空分布估测模型,并得到分布式关键参数集;虚拟电厂聚合估测模块400,根据深度神经网络构建第二时空分布估测模型,并得到虚拟电厂关键参数集;时空分布输出模块500,用于根据分布式关键参数集输出第一概率分布结果,用于根据虚拟电厂关键参数集输出第二概率分布结果。
进一步地,虚拟电厂等效惯量与阻尼的时空分布估测系统通过执行上述实施例中的虚拟电厂等效惯量与阻尼时空分布的估测方法以对虚拟电厂进行等效惯量与阻尼时空分布估测。分布式电源估测模块300可估测虚拟电厂内分布式电源的关键参数集,并重构分布式电源输出母线频率响应动态;虚拟电厂聚合估测模块400可估测虚拟电厂的关键参数集,并重构虚拟电厂频率响应动态。
本申请所提供的实施例所提供的虚拟电厂等效惯量与阻尼时空分布的估测方法、系统,通过获取虚拟电厂内部分布式电源及虚拟电厂与电网连接点的所需量测数据,并对数据集进行预处理;进一步构建基于深度神经网络的虚拟电厂等效惯量-阻尼时空分布的NFN-DAN估测模型,并采用线下-线上相结合的方法对所述深度神经网络估测模型进行训练,获得估测虚拟电厂内分布式电源等效惯量-阻尼和虚拟电厂聚合等效惯量-阻尼所需的关键参数集;最后通过等效惯量-阻尼时空分布输出模块得到虚拟电厂内分布式电源等效惯量-阻尼和虚拟电厂聚合等效惯量-阻尼的时空分布的累积概率分布估测结果。所提出的虚拟电厂等效惯量-阻尼时空分布的估测方法及系统能够准确估计和预测当前及未来一段时间内等效惯量-阻尼的时空分布,训练速度快、估测精度高,无需对估测目标--等效惯量-阻尼--作任何假设和约束,适用于不同运行场景和运行条件,通用性强,鲁棒性好,对促进虚拟电厂参与新型惯量辅助服务市场,为系统提供安全稳定的频率响应支撑,促进可再生能源大规模高效集成等有重要意义和很高的实用价值。可广泛应用于能源互联网技术领域。
上面结合附图对本申请实施例作了详细说明,但是本申请不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本申请宗旨的前提下作出各种变化。此外,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
Claims (9)
1.虚拟电厂等效惯量与阻尼时空分布的估测方法,其特征在于,包括:
获取虚拟电厂状态参数,根据所述虚拟电厂状态参数得到参数数据集;
对所述参数数据集进行预处理得到训练集、测试集;
根据深度神经网络构建第一时空分布估测模型,所述第一时空分布估测模型用于对分布式电源进行等效惯量阻尼估测,其中,所述深度神经网络包括网络预测网络和分布近似网络,所述网络预测网络包括:分布式电源网络预测网络和虚拟电厂网络预测网络,所述分布近似网络包括:分布式电源分布近似网络和虚拟电厂聚合分布近似网络;
根据所述深度神经网络构建第二时空分布估测模型,所述第二时空分布估测模型用于对虚拟电厂聚合进行等效惯量阻尼估测;
根据所述训练集对所述第一时空分布估测模型和所述第二时空分布估测模型进行训练;
根据所述第一时空分布估测模型和所述第二时空分布估测模型得到关键参数集,对所述关键参数集进行计算处理得到第一概率分布结果、第二概率分布结果,所述第一概率分布结果用于表征虚拟电厂内分布式电源等效惯量与阻尼的时空分布,所述第二概率分布结果用于表征虚拟电厂聚合等效惯量与阻尼的时空分布。
2.根据权利要求1所述的虚拟电厂等效惯量与阻尼时空分布的估测方法,其特征在于,所述获取虚拟电厂状态参数包括:根据同步分布式电源参数、可再生能源参数得到参数动态方程,根据所述参数动态方程得到所述虚拟电厂状态参数;
其中,所述虚拟电厂状态参数包括:电压参数、电流参数和频率偏差向量。
3.根据权利要求2所述的虚拟电厂等效惯量与阻尼时空分布的估测方法,其特征在于,所述对所述参数数据集进行预处理得到训练集、测试集,包括:
对所述参数数据集进行假设校核处理得到校核参数数据集;
对所述校核参数数据集进行恢复处理得到完整参数数据集;
对所述完整参数数据集进行划分处理得到所述训练集、所述测试集。
4.根据权利要求1所述的虚拟电厂等效惯量与阻尼时空分布的估测方法,其特征在于,所述分布式电源网络预测由网络短接残差网络、时间循环神经网络输入层网络、全联通层网络和输出层网络串联连接构成;
所述分布式电源分布近似网络由短接残差网络、两个全联通层和输出层串联构成;
所述虚拟电厂网络预测网络由分布式电源预测网络、独立网络预测网络并联构成;
所述分布式电源分布近似网络、所述虚拟电厂聚合分布近似网络中分别设有相同结构的深度残差网络。
5.根据权利要求2所述的虚拟电厂等效惯量与阻尼时空分布的估测方法,其特征在于,所述根据同步分布式电源参数、可再生能源参数得到参数动态方程,根据所述参数动态方程得到所述虚拟电厂状态参数,包括:
根据所述同步分布式电源参数、所述可再生能源参数得到第一参数动态方程、第二参数动态方程;
根据所述第一参数动态方程得到第一虚拟电厂状态参数,根据所述第二参数动态方程得到第二虚拟电厂状态参数;
其中,所述第一参数动态方程用于表征分布式电源状态,所述第二参数动态方程用于表征虚拟电厂与电网连接电源状态。
6.根据权利要求5所述的虚拟电厂等效惯量与阻尼时空分布的估测方法,其特征在于,所述根据所述时空分布估测模型得到关键参数集,包括:
根据所述第一虚拟电厂状态参数、第一预设指数模型得到分布式关键参数集,根据所述第二虚拟电厂状态参数、第二预设指数模型得到虚拟电厂关键参数集。
8.根据权利要求1至7任一项所述的虚拟电厂等效惯量与阻尼时空分布的估测方法,其特征在于,所述根据所述训练集对所述第一时空分布估测模型和所述第二时空分布估测模型进行训练,包括:
根据损失函数、所述训练集对所述第一时空分布估测模型和所述第二时空分布估测模型进行离线训练、在线训练。
9.虚拟电厂等效惯量与阻尼的时空分布估测系统,其特征在于,包括:
数据获取与存储模块,用于获取虚拟电厂状态参数,并根据所述虚拟电厂状态参数得到参数数据集;
数据预处理模块,用于对所述参数数据集进行预处理得到训练集、测试集;
分布式电源估测模块,根据深度神经网络构建第一时空分布估测模型,所述第一时空分布估测模型用于对分布式电源进行等效惯量阻尼估测,其中,所述深度神经网络包括网络预测网络和分布近似网络,所述网络预测网络包括:分布式电源网络预测网络和虚拟电厂网络预测网络,所述分布近似网络包括:分布式电源分布近似网络和虚拟电厂聚合分布近似网络;
虚拟电厂聚合估测模块,根据所述深度神经网络构建第二时空分布估测模型,所述第二时空分布估测模型用于对虚拟电厂聚合进行等效惯量阻尼估测;
时空分布输出模块,用于根据所述训练集对所述第一时空分布估测模型和所述第二时空分布估测模型进行训练,并根据所述第一时空分布估测模型和所述第二时空分布估测模型得到关键参数集,对所述关键参数集进行计算处理得到第一概率分布结果、第二概率分布结果,所述第一概率分布结果用于表征虚拟电厂内分布式电源等效惯量与阻尼的时空分布,所述第二概率分布结果用于表征虚拟电厂聚合等效惯量与阻尼的时空分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011390617.0A CN112700028B (zh) | 2020-12-02 | 2020-12-02 | 虚拟电厂等效惯量与阻尼时空分布的估测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011390617.0A CN112700028B (zh) | 2020-12-02 | 2020-12-02 | 虚拟电厂等效惯量与阻尼时空分布的估测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112700028A CN112700028A (zh) | 2021-04-23 |
CN112700028B true CN112700028B (zh) | 2023-01-10 |
Family
ID=75506161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011390617.0A Active CN112700028B (zh) | 2020-12-02 | 2020-12-02 | 虚拟电厂等效惯量与阻尼时空分布的估测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700028B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110266021A (zh) * | 2019-05-08 | 2019-09-20 | 上海电力学院 | 基于dfig虚拟惯量的微电网双维自适应动态频率控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2846342C (en) * | 2013-03-15 | 2022-08-02 | Open Access Technology International, Inc. | Use of demand response (dr) and distributed energy resources (der) to mitigate the impact of variable energy resources (ver) in power system operation |
CN111179110B (zh) * | 2019-12-06 | 2023-09-05 | 清华-伯克利深圳学院筹备办公室 | 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 |
CN111667109A (zh) * | 2020-05-29 | 2020-09-15 | 国网冀北电力有限公司计量中心 | 一种虚拟电厂的出力控制方法及装置 |
-
2020
- 2020-12-02 CN CN202011390617.0A patent/CN112700028B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110266021A (zh) * | 2019-05-08 | 2019-09-20 | 上海电力学院 | 基于dfig虚拟惯量的微电网双维自适应动态频率控制方法 |
Non-Patent Citations (1)
Title |
---|
基于PMU同步测量的分区惯量估计方法;刘方蕾等;《华北电力大学学报(自然科学版)》;20200530(第03期);23-30 * |
Also Published As
Publication number | Publication date |
---|---|
CN112700028A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Physics-guided deep neural networks for power flow analysis | |
US9658260B2 (en) | Power system state estimation using a two-level solution | |
CN105378496B (zh) | 估计装置以及估计方法 | |
Singh et al. | Improved voltage and reactive power distribution factors for outage studies | |
Lee et al. | State-of-charge estimation for electric scooters by using learning mechanisms | |
CN105391059A (zh) | 一种基于电流量测变换的分布式发电系统状态估计方法 | |
CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
CN106897942B (zh) | 一种配电网分布式并行状态估计方法及装置 | |
Makasa et al. | On-line voltage stability load index estimation based on PMU measurements | |
CN109245106A (zh) | 一种电力系统直流区间潮流计算方法及装置 | |
CN110783918A (zh) | 一种基于线性模型的配电三相区间状态估计求解算法 | |
CN106022970B (zh) | 一种计及分布式电源影响的主动配电网量测配置方法 | |
CN112700028B (zh) | 虚拟电厂等效惯量与阻尼时空分布的估测方法及系统 | |
Chakrabarti | Voltage stability monitoring by artificial neural network using a regression-based feature selection method | |
CN107634536B (zh) | 一种交直流混合系统的最大输电能力的计算方法和系统 | |
Morita et al. | On‐line detection of state‐of‐charge in lead acid battery using radial basis function neural network | |
CN114936454A (zh) | 一种基于半不变量法的交直流混联系统概率潮流计算方法 | |
Selvi et al. | Artificial neural network approach for on-line ATC estimation in deregulated power system | |
CN104300536B (zh) | 一种基于网络分解的配电网状态估计方法 | |
CN108173284B (zh) | 有源配电网状态估计方法及系统 | |
Krishna et al. | Counterpropagation neural network for solving power flow problem | |
JP2022044943A (ja) | 電池劣化診断システム | |
Jain et al. | MCS-ANN based hybrid approach for reliability assessment of composite power system | |
Okon et al. | Influence of UPFC device on power system state estimation | |
Mitrovic et al. | Data-driven stochastic AC-OPF using Gaussian processes |
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 |