CN112837180B - 用于电力系统的scada-pmu数据融合方法 - Google Patents
用于电力系统的scada-pmu数据融合方法 Download PDFInfo
- Publication number
- CN112837180B CN112837180B CN202110167315.5A CN202110167315A CN112837180B CN 112837180 B CN112837180 B CN 112837180B CN 202110167315 A CN202110167315 A CN 202110167315A CN 112837180 B CN112837180 B CN 112837180B
- Authority
- CN
- China
- Prior art keywords
- data
- pmu
- scada
- value
- time sequence
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000011161 development Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- -1 hydrogen Chemical class 0.000 claims 1
- 239000001257 hydrogen Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 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
- 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
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/40—Display of information, e.g. of data or controls
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用于电力系统的SCADA‑PMU数据融合方法,包括采集节点在SCADA和PMU中的时序运行数据;对SCADA系统时序数据进行插值填充;剔除PMU系统时序数据的噪声点数据;对数据进行平滑处理;进行采样时间点对齐并计算得到最佳对齐位置;计算最终的融合数值并完成SCADA‑PMU数据的融合。本发明能够精确地实时反映电力系统各节点运行状态,而且能够精确的进行数据融合计算,可靠性高、精确性好且简单方便。
Description
技术领域
本发明属于电气自动化领域,具体涉及一种用于电力系统的SCADA-PMU数据融合方法。
背景技术
随着经济技术的发展和人们生活水平的提高,电能已经成为了人们生产和生活中必不可少的二次能源,给人们的生产和生活带来了无尽的便利。因此,电力系统的稳定可靠运行,就成为了电力系统最重要的任务之一。
在现行的电力系统中,电力系统主要采用SCADA、PMU等智能监控与数据采集的技术,实现电力系统监测智能化、供能可靠化、运行稳定化的总体目标。当今电力系统,SCADA系统应用广泛,且SCADA系统的应用技术已相对成熟,但存在采样频率低、无法测量相角、频率变化率等技术短板;近年来,基于GPS的相量采集装置PMU凭借测量精度高、种类多的特点,逐渐开始应用于电力系统中,但是由于经济、技术等多方面原因受限,目前PMU装置的实际应用相对较少。SCADA与PMU监测方式各有优劣,为实现优势互补,需将二者的监测数据融合。针对SCADA与PMU的监测数据融合方法主要有:对两组数据权重赋值直接融合;采用电压灵敏度矩阵的状态估计方法,SCADA与PMU数据分别被赋予提供初值、检验修正值;采集SCADA/PMU多时段数据,利用最小二乘法对负荷较重、线路较长的线路展开数据融合与状态估计;基于粒子群优化的改进一分类支持向量机辨识方法,实现SCADA/PMU数据融合。
但是,目前主要的监测数据融合方法在数据快速融合、对时匹配与精确预测、填充方面均存有不足。
发明内容
本发明的目的在于提供一种可靠性高、精确性好且简单方便的用于电力系统的SCADA-PMU数据融合方法。
本发明提供的这种用于电力系统的SCADA-PMU数据融合方法,包括如下步骤:
S1.采集电力系统中某一节点在SCADA系统和PMU系统中的时序运行数据;
S2.采用牛顿插值法对所获取的SCADA系统的时序数据进行插值填充,从而得到与PMU系统相同采样频率的时序数据;
S3.采用差分绝对值法剔除所获取的PMU系统的时序数据中的噪声点数据;
S4.采用灰色预测模型对步骤S3获取的数据进行平滑处理;
S5.将步骤S2得到的处理后的SCADA系统时序数据和步骤S4得到的处理后的PMU系统时序数据,进行采样时间点对齐,并计算得到最佳对齐位置;
S6.将步骤S5得到的对齐后的数据,计算得到最终的融合数值,完成SCADA-PMU数据的融合。
步骤S1所述的采集电力系统中某一节点在SCADA系统和PMU系统中的时序运行数据,具体为采集电力系统中一具体节点在某时间段内的SCADA系统电压幅值数据Yscada与PMU测量装置电压幅值数据Ypmu;所述的电压幅值数据包括发电机输出电压幅值、变压器高低绕组电压幅值、隔离开关两端的电压幅值、母线电压幅值和输配电电压幅值。
步骤S2所述的采用牛顿插值法对所获取的SCADA系统的时序数据进行插值填充,具体为采用如下步骤进行插值填充:
A.满足插值条件的n次牛顿插值多项式为:
Nn(x)=a0+a1(t-t0)+a2(t-t0)(t-t1)+…+ak(t-t0)(t-t1)…(t-tk-1)+…+an(t-t0)(t-t1)…(t-tn-1)
式中ak为待定系数;
B.设定函数f(t)在点xk处的p阶差分为Δpyk=Δp-1yk+1-Δp-1yk,在等距节点tk=t0+kh,k=0,1,2…,采用差分形式表示牛顿插值多项式的系数,得到满足插值条件的牛顿插值多项式为:
式中t为时刻;i为采样点的序号,i=1,2,...,n-1;ti为第i个采样点所对应的时刻;Nn(t)为第t时刻SCADA系统时序电压幅值数据的填充数值;y0为节点的电压初值;Δy0为一阶差分值;h为每两个点的等距离间隔值;yk为节点的电压幅值。
步骤S3所述的采用差分绝对值法剔除所获取的PMU系统的时序数据中的噪声点数据,具体为采用如下步骤剔除噪声点数据:
a.对所获取的PMU系统的时序数据进行一阶后向差分,得到数据集合{(ti,Δyi)};其中i为采样点的序号,i=1,2,...,n-1;ti为第i个采样点所对应的时刻;Δyi=yi+1-yi,yi为ti时刻所对应的采样值;
b.设定第一阈值M1,并比较|Δyi|与第一阈值M1的大小:
若|Δyi|>M1,则将数据点(ti+1,yi+1)判定为可疑数据;
否则,则认定数据点正常;
c.针对步骤b得到的可疑数据,进行一阶前向差分,得到数据集合{(tj,Δyj)},其中Δyj=yj-yj+1:
d.设定第二阈值M2,并比较|Δyj|与第二阈值M2的大小:
若|Δyj|>M2,则将数据点继续判定为可疑数据;
否则,将数据点判定为正常数据;
e.将步骤d得到的可疑数据所对应的前向差分和后向差分求积,并判定乘积的符号:
若乘积为负,则认定可疑数据为突变点,并直接剔除该可疑数据;
否则,判定可疑数据为证行数据。
步骤S4所述的采用灰色预测模型对步骤S3获取的数据进行平滑处理,具体为采用如下步骤进行平滑处理:
(1)采用如下算式计算极比值η(k)和阈值区间Y阈值:
(2)判定极比值和阈值区间的大小:
若极比值均在阈值区间之间,则进行后续处理;
否则,将原始数据进行变换后,再重复步骤(1)和(2)直至极比值均在阈值区间之间;
(3)构建GM(1,1)预测模型:
将GM(1,1)的灰色微分模型表示为:y=Nu;
然后,设定t(2)满足一阶常微分方程,并将A、B代入方程中,得到:
采用T0=1,对等间隔取样的离散值,则得出灰色预测模型的预测值:
(4)误差校验:
采用关联度校验展开预测误差估计,判定拟合精度是否满足条件;误差校验公式如下:
步骤S5所述的进行采样时间点对齐,并计算得到最佳对齐位置,具体为分别从处理后的SCADA系统时序数据集和处理后的PMU系统的时序数据集中,选取某一时刻的时序数据值,通过计算欧氏距离并求和得到平均时标误差值,并通过左右平移完成欧氏距离的循环计算,最终求解平均时标误差的最小值,实现精确对时。
步骤S6所述的将步骤S5得到的对齐后的数据,计算得到最终的融合数值,具体为将步骤S5得到的对齐后的数据,采用加权求和的方式计算得到最终的融合数值。
本发明提供的这种用于电力系统的SCADA-PMU数据融合方法,将差分绝对值法、灰度预测模型处理后的PMU装置数据,与牛顿插值法平滑处理后的SCADA时序数据,通过欧氏距离计算实现时序数据融合,能够精确地实时反映电力系统各节点运行状态,而且能够精确的进行数据融合计算,可靠性高、精确性好且简单方便。
附图说明
图1为本发明方法的方法流程示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种用于电力系统的SCADA-PMU数据融合方法,包括如下步骤:
S1.采集电力系统中某一节点在SCADA系统和PMU系统中的时序运行数据;具体为采集电力系统中一具体节点在某时间段内的SCADA系统电压幅值数据Yscada与PMU测量装置电压幅值数据Ypmu;所述的电压幅值数据包括发电机输出电压幅值、变压器高低绕组电压幅值、隔离开关两端的电压幅值、母线电压幅值和输配电电压幅值;
S2.采用牛顿插值法对所获取的SCADA系统的时序数据进行插值填充,从而得到与PMU系统相同采样频率的时序数据;具体为采用如下步骤进行插值填充:
A.满足插值条件的n次牛顿插值多项式为:
Nn(x)=a0+a1(t-t0)+a2(t-t0)(t-t1)+…+ak(t-t0)(t-t1)…(t-tk-1)+…+an(t-t0)(t-t1)…(t-tn-1)
式中ak为待定系数;
B.设定函数f(t)在点xk处的p阶差分为Δpyk=Δp-1yk+1-Δp-1yk,在等距节点tk=t0+kh,k=0,1,2…,采用差分形式表示牛顿插值多项式的系数,得到满足插值条件的牛顿插值多项式为:
式中t为时刻;i为采样点的序号,i=1,2,...,n-1;ti为第i个采样点所对应的时刻;Nn(t)为第t时刻SCADA系统时序电压幅值数据的填充数值;y0为节点的电压初值;Δy0为一阶差分值;h为每两个点的等距离间隔值;yk为节点的电压幅值。
S3.采用差分绝对值法剔除所获取的PMU系统的时序数据中的噪声点数据;具体为采用如下步骤剔除噪声点数据:
a.对所获取的PMU系统的时序数据进行一阶后向差分,得到数据集合{(ti,Δyi)};其中i为采样点的序号,i=1,2,...,n-1;ti为第i个采样点所对应的时刻;Δyi=yi+1-yi,yi为ti时刻所对应的采样值;
b.设定第一阈值M1,并比较|Δyi|与第一阈值M1的大小:
若|Δyi|>M1,则将数据点(ti+1,yi+1)判定为可疑数据;
否则,则认定数据点正常;
c.针对步骤b得到的可疑数据,进行一阶前向差分,得到数据集合{(tj,Δyj)},其中Δyj=yj-yj+1:
d.设定第二阈值M2,并比较|Δyj|与第二阈值M2的大小:
若|Δyj|>M2,则将数据点继续判定为可疑数据;
否则,将数据点判定为正常数据;
e.将步骤d得到的可疑数据所对应的前向差分和后向差分求积,并判定乘积的符号:
若乘积为负,则认定可疑数据为突变点,并直接剔除该可疑数据;
否则,判定可疑数据为证行数据;
S4.采用灰色预测模型对步骤S3获取的数据进行平滑处理;具体为采用如下步骤进行平滑处理:
(1)采用如下算式计算极比值η(k)和阈值区间Y阈值:
(2)判定极比值和阈值区间的大小:
若极比值均在阈值区间之间,则进行后续处理;
否则,将原始数据进行变换后,再重复步骤(1)和(2)直至极比值均在阈值区间之间;
(3)构建GM(1,1)预测模型:
将GM(1,1)的灰色微分模型表示为:y=Nu;
然后,设定t(2)满足一阶常微分方程,并将A、B代入方程中,得到:
采用T0=1,对等间隔取样的离散值,则得出灰色预测模型的预测值:
(4)误差校验:
采用关联度校验展开预测误差估计,判定拟合精度是否满足条件;误差校验公式如下:
S5.将步骤S2得到的处理后的SCADA系统时序数据和步骤S4得到的处理后的PMU系统时序数据,进行采样时间点对齐,并计算得到最佳对齐位置;具体为分别从处理后的SCADA系统时序数据集和处理后的PMU系统的时序数据集中,选取某一时刻的时序数据值,通过计算欧氏距离并求和得到平均时标误差值,并通过左右平移完成欧氏距离的循环计算,最终求解平均时标误差的最小值,实现精确对时;
S6.将步骤S5得到的对齐后的数据,计算得到最终的融合数值,完成SCADA-PMU数据的融合;具体为将步骤S5得到的对齐后的数据,采用加权求和的方式计算得到最终的融合数值。
Claims (6)
1.一种用于电力系统的SCADA-PMU数据融合方法,包括如下步骤:
S1.采集电力系统中某一节点在SCADA系统和PMU系统中的时序运行数据;
S2.采用牛顿插值法对所获取的SCADA系统的时序数据进行插值填充,从而得到与PMU系统相同采样频率的时序数据;具体为采用如下步骤进行插值填充:
A.满足插值条件的n次牛顿插值多项式为:
Nn(x)=a0+a1(t-t0)+a2(t-t0)(t-t1)+…+ak(t-t0)(t-t1)··(t-tk-1)+…+an(t-t0)(t-t1)…(t-tn-1)
式中ak为待定系数;
B.设定函数f(t)在点xk处的p阶差分为Δpyk=Δp-1yk+1-Δp-1yk,在等距节点tk=t0+kh,k=0,1,2…,采用差分形式表示牛顿插值多项式的系数,得到满足插值条件的牛顿插值多项式为:
式中t为时刻;i为采样点的序号,i=1,2,...,n-1;ti为第i个采样点所对应的时刻;Nn(t)为第t时刻SCADA系统时序电压幅值数据的填充数值;y0为节点的电压初值;Δy0为一阶差分值;h为每两个点的等距离间隔值;yk为节点的电压幅值;
S3.采用差分绝对值法剔除所获取的PMU系统的时序数据中的噪声点数据;
S4.采用灰色预测模型对步骤S3获取的数据进行平滑处理;
S5.将步骤S2得到的处理后的SCADA系统时序数据和步骤S4得到的处理后的PMU系统时序数据,进行采样时间点对齐,并计算得到最佳对齐位置;
S6.将步骤S5得到的对齐后的数据,计算得到最终的融合数值,完成SCADA-PMU数据的融合。
2.根据权利要求1所述的用于电力系统的SCADA-PMU数据融合方法,其特征在于步骤S1所述的采集电力系统中某一节点在SCADA系统和PMU系统中的时序运行数据,具体为采集电力系统中一具体节点在某时间段内的SCADA系统电压幅值数据Yscada与PMU测量装置电压幅值数据Ypmu;所述的电压幅值数据包括发电机输出电压幅值、变压器高低绕组电压幅值、隔离开关两端的电压幅值、母线电压幅值和输配电电压幅值。
3.根据权利要求2所述的用于电力系统的SCADA-PMU数据融合方法,其特征在于步骤S3所述的采用差分绝对值法剔除所获取的PMU系统的时序数据中的噪声点数据,具体为采用如下步骤剔除噪声点数据:
a.对所获取的PMU系统的时序数据进行一阶后向差分,得到数据集合{(ti,Δyi)};其中i为采样点的序号,i=1,2,...,n-1;ti为第i个采样点所对应的时刻;Δyi=yi+1-yi,yi为ti时刻所对应的采样值;
b.设定第一阈值M1,并比较|Δyi|与第一阈值M1的大小:
若|Δyi|>M1,则将数据点(ti+1,yi+1)判定为可疑数据;
否则,则认定数据点正常;
c.针对步骤b得到的可疑数据,进行一阶前向差分,得到数据集合{(tj,Δyj)},其中Δyj=yj-yj+1:
d.设定第二阈值M2,并比较|Δyj|与第二阈值M2的大小:
若|Δyj|>M2,则将数据点继续判定为可疑数据;
否则,将数据点判定为正常数据;
e.将步骤d得到的可疑数据所对应的前向差分和后向差分求积,并判定乘积的符号:
若乘积为负,则认定可疑数据为突变点,并直接剔除该可疑数据;
否则,判定可疑数据为证行数据。
4.根据权利要求3所述的用于电力系统的SCADA-PMU数据融合方法,其特征在于步骤S4所述的采用灰色预测模型对步骤S3获取的数据进行平滑处理,具体为采用如下步骤进行平滑处理:
(1)采用如下算式计算极比值η(k)和阈值区间Y阈值:
(2)判定极比值和阈值区间的大小:
若极比值均在阈值区间之间,则进行后续处理;
否则,将原始数据进行变换后,再重复步骤(1)和(2)直至极比值均在阈值区间之间;
(3)构建GM(1,1)预测模型:
将GM(1,1)的灰色微分模型表示为:y=Nu;
然后,设定t(2)满足一阶常微分方程,并将A、B代入方程中,得到:
采用T0=1,对等间隔取样的离散值,则得出灰色预测模型的预测值:
(4)误差校验:
采用关联度校验展开预测误差估计,判定拟合精度是否满足条件;误差校验公式如下:
5.根据权利要求4所述的用于电力系统的SCADA-PMU数据融合方法,其特征在于步骤S5所述的进行采样时间点对齐,并计算得到最佳对齐位置,具体为分别从处理后的SCADA系统时序数据集和处理后的PMU系统的时序数据集中,选取某一时刻的时序数据值,通过计算欧氏距离并求和得到平均时标误差值,并通过左右平移完成欧氏距离的循环计算,最终求解平均时标误差的最小值,实现精确对时。
6.根据权利要求5所述的用于电力系统的SCADA-PMU数据融合方法,其特征在于步骤S6所述的将步骤S5得到的对齐后的数据,计算得到最终的融合数值,具体为将步骤S5得到的对齐后的数据,采用加权求和的方式计算得到最终的融合数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110167315.5A CN112837180B (zh) | 2021-02-05 | 2021-02-05 | 用于电力系统的scada-pmu数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110167315.5A CN112837180B (zh) | 2021-02-05 | 2021-02-05 | 用于电力系统的scada-pmu数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837180A CN112837180A (zh) | 2021-05-25 |
CN112837180B true CN112837180B (zh) | 2022-06-03 |
Family
ID=75932627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110167315.5A Active CN112837180B (zh) | 2021-02-05 | 2021-02-05 | 用于电力系统的scada-pmu数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837180B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116231650A (zh) * | 2022-11-09 | 2023-06-06 | 南方电网数字电网研究院有限公司 | 一种支持多源实时数据融合的电力系统在线潮流计算方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577426A (zh) * | 2009-03-19 | 2009-11-11 | 上海交通大学 | 适用于广域测量系统的电力系统状态估计器 |
CN101750562A (zh) * | 2010-01-13 | 2010-06-23 | 湖北省电力公司 | 基于潮流方程灵敏度分析的非pmu测点动态过程估计方法 |
CN111625769A (zh) * | 2019-07-12 | 2020-09-04 | 湖南大学 | 一种基于拉格朗日插值和三次指数平滑的pmu-scada数据对时与融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661069B (zh) * | 2009-09-25 | 2011-07-20 | 北京四方继保自动化股份有限公司 | 不依赖状态矩阵的弱可观非pmu测点动态过程实时估计方法 |
-
2021
- 2021-02-05 CN CN202110167315.5A patent/CN112837180B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577426A (zh) * | 2009-03-19 | 2009-11-11 | 上海交通大学 | 适用于广域测量系统的电力系统状态估计器 |
CN101750562A (zh) * | 2010-01-13 | 2010-06-23 | 湖北省电力公司 | 基于潮流方程灵敏度分析的非pmu测点动态过程估计方法 |
CN111625769A (zh) * | 2019-07-12 | 2020-09-04 | 湖南大学 | 一种基于拉格朗日插值和三次指数平滑的pmu-scada数据对时与融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112837180A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107390127A (zh) | 一种soc估算方法 | |
CN103344921B (zh) | 锂离子动力电池健康状态评估系统及方法 | |
CN112269134B (zh) | 一种基于深度学习的电池soc和soh联合估计方法 | |
CN110659693B (zh) | 基于k近邻分类的配电网快速拓扑识别方法、系统及介质 | |
CN108665112A (zh) | 基于改进粒子群优化Elman网络的光伏故障检测方法 | |
CN103887815A (zh) | 基于运行数据的风电场参数辨识及动态等值方法 | |
CN105572596B (zh) | 锂电池soc估算方法及系统 | |
CN109407007A (zh) | 一种电池荷电状态检测方法及装置 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN109444505B (zh) | 一种电动汽车充电站谐波电流检测算法 | |
CN103258103A (zh) | 基于偏最小二乘回归的戴维南等值参数辨识方法 | |
CN108693483A (zh) | 一种电池包荷电状态的计算方法及系统 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
CN106597288A (zh) | 一种电源soc估算方法 | |
CN111046327A (zh) | 适用于低频振荡与次同步振荡辨识的Prony分析方法 | |
CN112837180B (zh) | 用于电力系统的scada-pmu数据融合方法 | |
CN108074198B (zh) | 一种电力系统pmu不良数据识别方法 | |
CN109066651A (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN116298904A (zh) | 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 | |
CN113297129B (zh) | 一种储能系统的soc计算方法及系统 | |
CN104537233A (zh) | 一种基于核密度估计的配电网伪量测生成方法 | |
CN112993989B (zh) | 一种主动配电系统抗差状态估计数据处理方法 | |
CN109767353A (zh) | 一种基于概率分布函数的光伏发电功率预测方法 | |
CN116256657B (zh) | 一种车载燃料电池交流阻抗在线测量系统和方法 |
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 |