CN113156247B - 一种电力系统低频振荡的预警方法及装置 - Google Patents
一种电力系统低频振荡的预警方法及装置 Download PDFInfo
- Publication number
- CN113156247B CN113156247B CN202110444300.9A CN202110444300A CN113156247B CN 113156247 B CN113156247 B CN 113156247B CN 202110444300 A CN202110444300 A CN 202110444300A CN 113156247 B CN113156247 B CN 113156247B
- Authority
- CN
- China
- Prior art keywords
- matrix
- power system
- low
- representing
- state detection
- 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
- 230000010355 oscillation Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 278
- 238000001514 detection method Methods 0.000 claims abstract description 98
- 238000012546 transfer Methods 0.000 claims abstract description 55
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 59
- 230000006870 function Effects 0.000 claims description 56
- 239000013598 vector Substances 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 10
- 230000001052 transient effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000013016 damping Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims 4
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005520 electrodynamics Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
- G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
- G01R19/16547—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies voltage or current in AC supplies
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电力系统低频振荡的预警方法及装置,属于电力电力系统监测技术领域,所述方法包括通过相量测量装置PMU获取各采集节点的时序数据,并对时序数据进行筛选与预处理,构建关联矩阵;根据所述关联矩阵,计算初始特征量矩阵;根据初始特征量矩阵,构建的单一指标单时间段的状态检测矩阵,并融合得到多时间段的状态检测矩阵;将多时间段的状态检测矩阵进行降维处理,将得到的低维矩阵输入至预设电力系统状态空间模型计算传递函数的最大距离;将最大距离的值与预设电力系统低频振荡预警指标的阈值进行比较,根据比较结果判断是否需要进行预警。本发明可以直观准确地对电力系统中低频振荡现象做出预警,识别精度较高。
Description
技术领域
本发明涉及电力系统监测技术领域,尤其涉及一种电力系统低频振荡的预警方法及装置。
背景技术
随着智能电网技术不断迅速发展,电网规模日益增大,我国电网已经逐步从地区性电网向全国联网方向发展,区域互联电网运行方式与结构越来越复杂,相互联系相对薄弱,大大增加对电网安全稳定难度,低频振荡已经成为影响电力系统稳定运行的重要问题。低频振荡的频率一般在0.2-2.5Hz之间,低频振荡会引起联络线过流跳闸或系统与系统或机组与系统之间的失步而解列,严重威胁电力系统的稳定运行。及时准确地对低频振荡特征进行分析,在低频振荡可能对电网造成严重危害前发出预警信息,可以使电力部门采取相应措施、抑制电网严重低频振荡现象的发生,从而有效提高电网运行的稳定性和安全性。
目前存在电力系统安全预警方法和体系不够完善,主要依赖于电力系统长期特征值计算以及实测轨迹信号处理等措施,在故障发生后研究居多,而且计算量较大,识别精度低,属于补救性措施,缺乏事前预防的有效手段。
发明内容
本发明提供一种电力系统低频振荡的预警方法及装置,用以解决现有技术中电力系统安全预警指标识别精度低的问题,实现电力系统安全预警指标识别精度高。
本发明提供一种电力系统低频振荡的预警方法,包括:
通过相量测量装置PMU获取各采集节点的时序数据,并对所述时序数据进行筛选与预处理,构建关联矩阵;
根据所述关联矩阵,计算低频振荡幅值预警指标所需要的初始特征量矩阵;
根据所述初始特征量矩阵,构建的单一指标单时间段的状态检测矩阵,并将所述单一指标单时间段的状态检测矩阵融合得到多时间段的状态检测矩阵;
将所述多时间段的状态检测矩阵进行降维处理,得到低维矩阵;
将所述低维矩阵输入至预设电力系统状态空间模型计算传递函数的最大距离;
将所述最大距离的值与预设电力系统低频振荡预警指标的阈值进行比较,根据比较结果判断是否需要进行预警。
根据本发明所述的电力系统低频振荡的预警方法,所述通过相量测量装置PMU获取各采集节点的时序数据,并对所述时序数据进行筛选与预处理,构建关联矩阵,包括:
对所述各采集节点进行编号,包括先对电力系统中发电机节点进行编号、再对各检测区域的节点进行编号以及最后对各采集节点之间的区域进行编号,其中一个采集节点包括多个发电机节点和多个检测区域的节点;
将编号后的各采集节点的时序数据汇总为第一电网大数据。
基于遗传乌燕鸥算法对所述第一电网大数据进行筛选与预处理,得到第二电网大数据;
基于所述第二电网大数据,根据预设构建规则构建关联矩阵。
根据本发明所述的电力系统低频振荡的预警方法,所述预设构建规则包括:
若采集节点不在区域内,则关联值为0;
若采集节点在区域内,则采集节点关键特征量指向区域内则为1,采集节点关键特征量指向区域外则为-1。
根据本发明所述的电力系统低频振荡的预警方法,所述初始特征量矩阵的计算式为:
Bi=ATi;
其中,A表示关联矩阵,Ti表示各采集节点上传的特征量大数据组成的列矩阵,Bi表示初始特征量矩阵,i表示采集节点。
根据本发明所述的电力系统低频振荡的预警方法,
所述单一指标单时间段的状态检测矩阵的计算式为:
Ki=|AT|Bi;
其中,Ki表示单一指标单时间段的状态检测矩阵,AT表示关联矩阵的转置矩阵,Bi表示初始特征量矩阵,i表示采集节点;
所述多时间段的状态检测矩阵的计算式为:
K=[K1 K2 ... Ki];
其中,K表示多时间段的状态检测矩阵,K1K2...Ki表示单一指标单时间段的状态检测矩阵。
根据本发明所述的电力系统低频振荡的预警方法,所述将所述多时间段的状态检测矩阵进行降维处理,得到低维矩阵,包括:
将多时间段的状态检测矩阵K代入以下计算式(1)~(8),得到低维矩阵X=[x(1),x(2)],低维矩阵X为多时间段的状态检测矩阵K在二维空间表示,其中(1)~(8)的计算式为:
λ1≥λ2≥0; (7)
x′(i)x(i)=λi,1≤i≤2; (8)
其中,根据欧几里德距离计算式(1)计算出多时间段的状态检测矩阵K中各对象间的相异度矩阵D,dij是相异度矩阵D中的元素,根据上述计算式(1)计算出相异度矩阵D中心化内积得到矩阵B,bij是矩阵B中的元素,λ1,λ2为矩阵B的前两个特征根,x(i)表示特征根对应的特征向量,aij、表示bij的元素,n表示矩阵B的维数,i,j表示两个不同的变量。
根据本发明所述的电力系统低频振荡的预警方法,所述将所述低维矩阵输入至预设电力系统状态空间模型计算传递函数的最大距离,包括:
根据电力系统各子系统模型构建预设电力系统状态空间模型;
将所述低维矩阵X中的向量作为输入值代入所述预设电力系统状态空间模型,并对所述预设电力系统状态空间模型进行拉普拉斯变换,将其转化为传递函数,得到传递函数;
根据Vinnicombe距离法,计算出两个传递函数之间的距离;
根据所述两个传递函数之间的距离,计算出所述传递函数的最大距离。
本发明还提供了一种电力系统低频振荡的预警装置,包括:
数据采集模块,用于通过相量测量装置PMU获取各采集节点的时序数据,并对所述时序数据进行筛选与预处理,构建关联矩阵;
第一计算模块,用于根据所述关联矩阵,计算低频振荡幅值预警指标所需要的初始特征量矩阵;
第二计算模块,用于根据所述初始特征量矩阵,构建的单一指标单时间段的状态检测矩阵,并将所述单一指标单时间段的状态检测矩阵融合得到多时间段的状态检测矩阵;
第三计算模块,用于将所述多时间段的状态检测矩阵进行降维处理,得到低维矩阵;
第四计算模块,用于将所述低维矩阵输入至预设电力系统状态空间模型计算传递函数的最大距离;
预警判断模块,用于将所述最大距离的值与预设电力系统低频振荡预警指标的阈值进行比较,根据比较结果判断是否需要进行预警。
本发明还提供一种电子设备,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程序时实现如上述任一种所述的电力系统低频振荡的预警方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的电力系统低频振荡的预警方法的步骤。
本发明提供的电力系统低频振荡的预警方法及装置,利用相量测量装置(PMU)获取采集节点的时序数据,并通过对时序数据进行降维分析,由预设电力系统状态空间模型计算出传递函数的最大距离,可以直观准确地对电力系统中低频振荡现象做出预警,识别精度较高。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的电力系统低频振荡的预警方法的流程示意图;
图2是本发明提供的计算传递函数的最大距离的流程示意图;
图3是本发明提供的一实施例的Vinnicombe距离的示意图;
图4是本发明提供的一实施例的Vinnicombe距离在二维坐标表示的示意图;
图5是本发明提供的另一实施例的Vinnicombe距离的示意图;
图6是是本发明提供的另一实施例的Vinnicombe距离在二维坐标表示的示意图;
图7是本发明提供的电力系统低频振荡的预警装置的结构示意图;
图8是本发明提供的电子设备的结构示意图。
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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。
由于现有的电力系统安全预警方法和体系不够完善,主要依赖于电力系统长期特征值计算以及实测轨迹信号处理等措施,在故障发生后研究居多,而且计算量较大,识别精度低,属于补救性措施,缺乏事前预防的有效手段。
因此,本发明借助大量实测PMU(phasor measurement unit,相量测量装置)时序数据进行持续的采集,并上传以形成强大的电力系统关键广域数据,依靠先进的大数据技术作为重要驱动力。本发明充分利用关键广域数据特征,将幅值预警指标与Vinnicombe距离(Vinnicombe距离可简写为v-gap,表示的是两个传递函数之间距离的一种测量,用符号δv表示)方法结合后,提出一种电力系统低频振荡的预警方法及装置,可有效地消除单个安全预警指标计算出现的误差,大幅提高振荡预警区间精度,为调度运行人员在第一时间获得低频振荡预警信息,及时保障系统的安全稳定运行,具有独特的理论新颖性和实际应用性。
PMU是利用GPS秒脉冲作为同步时钟构成的相量测量单元,可用来测量电力系统在暂态过程中各节点的电压向量,已被广泛应用于电力系统的动态监测、状态估计、系统保护、区域稳定控制、系统分析和预测等领域,是保障电网安全运行的重要设备。在电力系统重要的变电站和发电厂安装同步相量测量装置(PMU),构建电力系统实时动态监测系统,并通过调度中心分析中心站实现对电力系统动态过程的监测和分析。该系统将成为电力系统调度中心的动态实时数据平台的主要数据源,并逐步与SCADA/EMS系统及安全自动控制系统相结合,以加强对电力系统动态安全稳定的监控。
下面结合图1-图8描述本发明的电力系统低频振荡的预警方法及装置。
图1是本发明提供的电力系统低频振荡的预警方法的流程示意图,如图所示。一种电力系统低频振荡的预警方法,包括:
步骤101,通过相量测量装置PMU获取各采集节点的时序数据,并对所述时序数据进行筛选与预处理,构建关联矩阵。
首先,对要通过PMU获取的各采集节点进行编号,包括先对电力系统中发电机节点进行编号、再对各检测区域的节点进行编号以及最后对各采集节点之间的区域进行编号,其中一个采集节点包括多个发电机节点和多个检测区域的节点。
然后,将编号后的各采集节点的时序数据汇总为第一电网大数据。
比如,根据提供的第一电网大数据,截取了PMU 24小时中从0s~179.9662s采集的电流幅值和相角、电压幅值和相角以及频率值,共形成了950400个数据汇总成为发明使用的第一电网大数据。
最后,基于遗传乌燕鸥算法对所述第一电网大数据进行筛选与预处理,得到第二电网大数据,并基于所述第二电网大数据,根据预设构建规则构建关联矩阵。
比如,对于上述所述950400个数据,本发明采用遗传乌燕鸥算法进行大数据筛选与预处理,从而减少数据计算量,并生成所述低频振荡幅值预警指标所需要的初始特征量矩阵。遗传乌燕鸥算法是针对工业工程问题提出的一种新的优化算法,该算法具有很强的全局搜索能力,精度也较高。
优选的,基于遗传乌燕鸥算法对所述第一电网大数据进行筛选与预处理,可得到电网系统的电流幅值、电压幅值、电流角度以及电压角度等电网数据。
优选的,上述所述关联矩阵A是根据对采集节点进行编号,再由关联值和关联关系构建形成。其中由关联值和关联关系组成的预设构建规则,包括:
若节点不在区域内则关联值为0;
若节点在区域内,节点关键特征量指向区域内则为1,节点关键特征量指向区域外则为-1。
需要说明的是,构建关联矩阵的目的是因为关联矩阵能够反映出电网的拓扑结构。
步骤102,根据所述关联矩阵,计算低频振荡幅值预警指标所需要的初始特征量矩阵。
所述初始特征量矩阵表示从PMU检测的数据中筛选出的幅值指标数据所形成的矩阵。
优选的,所述初始特征量矩阵的计算式为:
Bi=ATi;
其中,A表示关联矩阵,Ti表示各采集节点上传的特征量大数据组成的列矩阵,Bi表示初始特征量矩阵,i表示采集节点。
步骤103,根据所述初始特征量矩阵,构建的单一指标单时间段的状态检测矩阵,并将所述单一指标单时间段的状态检测矩阵融合得到多时间段的状态检测矩阵。
采用上述数据融合思想,可将单一指标单时间段特征量矩阵在时间序列上进行扩充,生成一个多时间段特征量的高维矩阵。
所述单一指标单时间段的状态检测矩阵表示将同一时刻不同节点的幅值数据进行汇总形成的矩阵。
优选的,所述单一指标单时间段的状态检测矩阵的计算式为:
Ki=|AT|Bi;
其中,Ki表示单一指标单时间段的状态检测矩阵,AT表示关联矩阵的转置矩阵,Bi表示初始特征量矩阵,i表示采集节点。
所述多时间段的状态检测矩阵表示将不同时间段的不同节点的幅值数据进行汇总形成的矩阵。
优选的,所述多时间段的状态检测矩阵的计算式为:
K=[K1 K2 ... Ki];
其中,K表示多时间段的状态检测矩阵,K1K2...Ki表示单一指标单时间段的状态检测矩阵。
步骤104,将所述多时间段的状态检测矩阵进行降维处理,得到低维矩阵。
由于高维矩阵在计算时计算量大,耗时长,所以需要将所述时间段的状态检测矩阵降解为低维度。在保证矩阵中对象的相对关系不变的情况下将其降维处理,将高维矩阵在低维空间中呈现出来。
若给定一个高维度、高稀疏且相关的时空状态检测矩阵K(即上述所述多时间段的状态监测矩阵K),再对矩阵K进行多尺度降维,使其能够保持内部各对象关系基本不变的前提下实现一种高维度数据在低维度中的表示,使矩阵内元素可以明确的表示出来。根据欧几里德距离计算公式计算高维时空状态检测矩阵K中各对象间的相异度矩阵D,dij是相异度矩阵D中的元素。
将多时间段的状态检测矩阵K代入以下计算式(1)~(8),得到低维矩阵X=[x(1),x(2)],低维矩阵X为多时间段的状态检测矩阵K在二维空间表示,其中(1)~(8)的计算式为:
λ1≥λ2≥0; (7)
x′(i)x(i)=λi、1≤1≤2; (8)
其中,根据欧几里德距离计算公式(1)计算多时间段的状态检测矩阵K中各对象间的相异度矩阵D,dij是相异度矩阵D中的元素,根据上述计算式(1)计算出相异度矩阵D中心化内积得到矩阵B,bij是矩阵B中的元素,λ1,λ2为矩阵B的前两个特征根,x(i)表示特征根对应的特征向量(x(1)、x(2)表示特征根对应的特征向量),aij、表示bij的元素,n表示矩阵B的维数,i,j表示两个不同的变量,。
欧式距离也称欧几里得距离,是最常见的距离度量,衡量的是多维空间中两个点之间的绝对距离。也可以理解为:m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离)。
步骤105,将所述低维矩阵输入至预设电力系统状态空间模型计算传递函数的最大距离。
优选的,所述预设电力系统状态空间模型为:
其中,每个子系统的系数矩阵参数p1i,...,p6i的定义为式(9)~(14),输出方程矩阵参数p7i和p8i定义为式(15)和式(16),未知的相互作用参数g1i和g2i定义为式(17)~(18),并将电力系统机械转矩作为恒定量,励磁电压作为输入量:
其中,Ji,Di表示转子惯性和阻尼因子,T′doi表示直轴瞬变时间常数,xdi表示直轴电抗,x′di表示直轴瞬变电抗,δi表示发电机功率角,单位为rad,ωi表示发电机的相对速度,单位为rad/s;Efi表示励磁线圈中的等效电动势,E′qi表示交轴瞬态电动势,Eqi表示交轴电动势,Pmi表示发电机机械输入功率,Pei表示发电机提供的有功功率,Qei表示发电机无功功率,Idi,Iqi表示直流和交轴定子电流,Ifi表示发电机励磁电流,xadi表示励磁线圈与定子线圈之间的互抗。
以下构建预设电力系统状态空间模型所需要的参数同上,不再重复。构建上述所述预设电力系统状态空间模型的推导过程是:
将大型电力系统中每个发电机模型假定为一个子系统,各子系统由通过传输网络互相连接,在考虑子系统模型及其相互作用的情况下,通常采用三阶同步发电机模型代替整个电力系统模型进行参数辨识研究,推导适用于大型电力系统的状态空间模型,并已证明其降阶模型的有效性。
建立电力系统各子系统模型i=1,…,n的过程为:
首先,建立机械动力学模型:
然后,建立电气动力学模型:
并建立电气方程模型:
Eqi(t)=E′qi(t)+(xdi-x′di)·Idi(t); (22)
Eqi(t)=xadiIfi(t); (27)
将上述式(23)~(25)进行线性化,得到各子系统模型(28):
其中,
各子系统模型(28)的输出方程如式(34)所示:
将式(34)线性化得到式(35):
ΔQei(t)=p7i·ΔE′qi(t)+p8i·ΔIfi(t); (35)
其中参数为上述式子(15)~(16)。
最后,使用三阶子系统模型近似代替电力系统模型,可推导得到预设电力系统状态空间模型为:
步骤106,将所述最大距离的值与预设电力系统低频振荡预警指标的阈值进行比较,根据比较结果判断是否需要进行预警。
以下对上述步骤105~106进行具体描述。
图2是本发明提供的计算传递函数的最大距离的流程示意图,如图所示。上述步骤105中,所述将所述低维矩阵输入至预设电力系统状态空间模型计算传递函数的最大距离,包括:
步骤201,根据电力系统各子系统模型构建预设电力系统状态空间模型。
优选的,所述预设电力系统状态空间模型U为:
步骤202,将所述低维矩阵X中的向量作为输入值代入所述预设电力系统状态空间模型,并对所述预设电力系统状态空间模型进行拉普拉斯变换,将其转化为传递函数,得到传递函数。
将上述低维矩阵X=[x(1),x(2)]中的向量输入值代入到上述中预设电力系统状态空间模型的电力系统状态空间计算式(37)~(38),再对计算式(37)~(38)进行拉普拉斯变换,将其转化为传递函数,得到传递函数G(s)i。
拉普拉斯变换是工程数学中常用的一种积分变换,又名拉氏变换。拉氏变换是一个线性变换,可将一个有参数实数t(t≥0)的函数转换为一个参数为复数s的函数。拉普拉斯变换在许多工程技术和科学研究领域中有着广泛的应用,特别是在力学系统、电学系统、自动控制系统、可靠性系统以及随机服务系统等系统科学中都起着重要作用。
步骤203,根据Vinnicombe距离法,计算出两个传递函数之间的距离,并根据所述两个传递函数之间的距离,计算出所述传递函数的最大距离。
由于Vinnicombe距离是研究两个传递函数之间的关系,根据Vinnicombe距离法能够找到电力系统状态空间方程并将其化为传递函数。
根据Vinnicombe距离相关理论,利用下面计算式(39)可以求取两个传递函数之间的距离大小δv(G(s)i,G(s)i-1)后得到集合δv(i-1),并依次求取基于传递函数G(s)i的最大距离,记为ρ=δv-max。
Vinnicombe距离可简写为v-gap,表示的是两个传递函数之间距离的一种测量,用符号δv表示。两个传递函数G1和G2的Vinnicombe距离表示为:
/>
其中,η(G2)为G2的开右半平面极点数;/>为G1的闭右半平面极点数,ψ(x)为传递函数x的奈奎斯特曲线逆时针包围圆圈点的圈数,当x在虚轴上面有极点时,奈奎斯特曲线要避开这些的极点κ(G1(ejω),G2(ejω))为G1和G2向单位黎曼球投影所得到的投影点的弦距离。
上述所述步骤106中,将所述最大距离的值与预设电力系统低频振荡预警指标的阈值进行比较,根据比较结果判断是否需要进行预警。
由于电力系统低频振荡的产生对电力系统造成影响的因素有很多,主要影响包括电流、电压、频率、阻尼比等。考虑到电力系统安全稳定裕度、系统风险等因素,本发明是采用幅值预警指标进行基于Vinnicombe距离进行识别研究。
预设电力系统低频振荡预警指标的阈值h考虑到系统运行的方式及参数对低频振荡影响参数的确定,当未出现电网长链结构和弱联络线、短路电流过大、主电站备用功率裕度不足、功率严重不足等情况发生时电力系统是稳定的,此时h=0;当出现线路输送功率达到静态稳定极限和负荷的波动出现时h=-1。即根据Vinnicombe距离计算出的二维图中没有孤立离群点,则h=0,表示系统无低频振荡;若根据Vinnicombe距离计算出的二维图中有孤立离群点,则h=-1,表示系统发生低频振荡。
优选的,将上述步骤203中计算出的所述基于传递函数G(s)i的最大距离ρ(ρ=δv-max)与预设电力系统低频振荡预警指标的阈值h进行比较,如果ρ≥h,则进行预警,否则返回上述所述步骤101。
以下通过具体实施例对本发明所述电力系统低频振荡的预警方法及装置进行说明。
分别截取t=10s无低频振荡时刻和t=75s发生低频振荡时刻PMU电压数据进行基于Vinnicombe距离幅值预警指标低频振荡识别检测,如下:
第一示例:当t=10s时,电力系统正常运行工况。
电力系统正常运行时刻Vinnicombe距离图与根据Vinnicombe距离数据计算得到的二维图如图3与图4所示。
需要说明的是,上述图中一共需要检测27个节点,图3横坐标表示在节点1~节点27中除去节点1之外,其它节点与节点1之间的采样节点序号,纵坐标表示是两节点之间传递函数的距离。图4中横坐标和纵坐标均表示两节点之间传递函数的距离,图中表示的小圆点越密集,则表示此时电力系统状态越稳定。
从图3和图4可观察出节点1~节点27之间距离很小,节点非常密集,但节点20和节点21之间的Vinnicombe距离较大,说明可能会形成孤立离群点。此时选择基于Vinnicombe距离的电力系统低频振荡幅值预警指标阈值h=0,表示系统未发生低频振荡。
第二示例:当t=75s时,电力系统未正常运行工况。
电力系统发生低频振荡运行时Vinnicombe距离图与根据Vinnicombe距离数据计算得到的二维图如图5与图6所示。
从图5中可以观察出节点8、节点11、节点19、节点21和节点22之间的Vinnicombe距离值与其它节点数值相差很大。在图6中二维坐标图更直观表示出节点8、节点11、节点19、节点21和节点22远离其它节点成为孤立离群点。此时选择基于Vinnicombe距离方法的电力系统低频振荡幅值预警指标阈值h=-1,表示系统发生低频振荡。
由此可知,本发明基于现有电力系统低频振荡幅值预警指标识别精度不高的问题,提出一种基于关键特征广域降维数据Vinnicombe距离的提高电力系统低频振荡预警精度的方法,本发明通过电网大数据降维分析,可以直观准确地对低频振荡现象做出预警,识别精度较高。
下面对本发明提供的电力系统低频振荡的预警装置进行描述,下文描述的电力系统低频振荡的预警装置与上文描述的电力系统低频振荡的预警方法可相互对应参照。
图7是本发明提供的电力系统低频振荡的预警装置的结构示意图,如图所示。一种电力系统低频振荡的预警装置700,包括数据采集模块710、第一计算模块720、第二计算模块730、第三计算模块740、第四计算模块750以及预警判断模块760,其中,
数据采集模块710,用于通过相量测量装置PMU获取各采集节点的时序数据,并对所述时序数据进行筛选与预处理,构建关联矩阵。
第一计算模块720,用于根据所述关联矩阵,计算低频振荡幅值预警指标所需要的初始特征量矩阵。
第二计算模块730,用于根据所述初始特征量矩阵,构建的单一指标单时间段的状态检测矩阵,并将所述单一指标单时间段的状态检测矩阵融合得到多时间段的状态检测矩阵。
第三计算模块740,用于将所述多时间段的状态检测矩阵进行降维处理,得到低维矩阵。
第四计算模块750,用于将所述低维矩阵输入至预设电力系统状态空间模型计算传递函数的最大距离;
预警判断模块760,用于将所述最大距离的值与预设电力系统低频振荡预警指标的阈值进行比较,根据比较结果判断是否需要进行预警。
优选的,所述数据采集模块710还用于执行如下步骤:
对所述各采集节点进行编号,包括先对电力系统中发电机节点进行编号、再对各检测区域的节点进行编号以及最后对各采集节点之间的区域进行编号,其中一个采集节点包括多个发电机节点和多个检测区域的节点;
将编号后的各采集节点的时序数据汇总为第一电网大数据。
基于遗传乌燕鸥算法对所述第一电网大数据进行筛选与预处理,得到第二电网大数据;
基于所述第二电网大数据,根据预设构建规则构建关联矩阵。
优选的,所述预设构建规则包括:
若采集节点不在区域内,则关联值为0;
若采集节点在区域内,则采集节点关键特征量指向区域内则为1,采集节点关键特征量指向区域外则为-1。
优选的,所述初始特征量矩阵的计算式为:
Bi=ATi;
其中,A表示关联矩阵,Ti表示各采集节点上传的特征量大数据组成的列矩阵,Bi表示初始特征量矩阵,i表示采集节点。
优选的,所述单一指标单时间段的状态检测矩阵的计算式为:
Ki=|AT|Bi;
其中,Ki表示单一指标单时间段的状态检测矩阵,AT表示关联矩阵的转置矩阵,Bi表示初始特征量矩阵,i表示采集节点;
所述多时间段的状态检测矩阵的计算式为:
K=[K1 K2 ... Ki];
其中,K表示多时间段的状态检测矩阵,K1K2...Ki表示单一指标单时间段的状态检测矩阵。
优选的,将多时间段的状态检测矩阵K代入以下计算式(1)~(8),得到低维矩阵X=[x(1),x(2)],低维矩阵X为多时间段的状态检测矩阵K在二维空间表示,其中(1)~(8)的计算式为:
λ1≥λ2≥0; (7)
x′(i)x(i)=λi、1≤1≤2; (8)
其中,根据欧几里德距离计算公式(1)计算多时间段的状态检测矩阵K中各对象间的相异度矩阵D,dij是相异度矩阵D中的元素,根据上述计算式(1)计算出相异度矩阵D中心化内积得到矩阵B,bij是矩阵B中的元素,λ1,λ2为矩阵B的前两个特征根,x(i)表示特征根对应的特征向量,aij、表示bij的元素,n表示矩阵B的维数,i,j表示两个不同的变量。
所述第四计算模块750,还用于执行如下步骤:
根据电力系统各子系统模型构建预设电力系统状态空间模型;
将所述低维矩阵X中的向量作为输入值代入所述预设电力系统状态空间模型,并对所述预设电力系统状态空间模型进行拉普拉斯变换,将其转化为传递函数,得到传递函数;
根据Vinnicombe距离法,计算出两个传递函数之间的距离;
根据所述两个传递函数之间的距离,计算出所述传递函数的最大距离。
优选的,所述预设电力系统状态空间模型为:
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行所述电力系统低频振荡的预警方法,所述方法包括:
通过相量测量装置PMU获取各采集节点的时序数据,并对所述时序数据进行筛选与预处理,构建关联矩阵;
根据所述关联矩阵,计算低频振荡幅值预警指标所需要的初始特征量矩阵;
根据所述初始特征量矩阵,构建的单一指标单时间段的状态检测矩阵,并将所述单一指标单时间段的状态检测矩阵融合得到多时间段的状态检测矩阵;
将所述多时间段的状态检测矩阵进行降维处理,得到低维矩阵;
将所述低维矩阵输入至预设电力系统状态空间模型计算传递函数的最大距离;
将所述最大距离的值与预设电力系统低频振荡预警指标的阈值进行比较,根据比较结果判断是否需要进行预警。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的所述电力系统低频振荡的预警方法,所述方法包括:
通过相量测量装置PMU获取各采集节点的时序数据,并对所述时序数据进行筛选与预处理,构建关联矩阵;
根据所述关联矩阵,计算低频振荡幅值预警指标所需要的初始特征量矩阵;
根据所述初始特征量矩阵,构建的单一指标单时间段的状态检测矩阵,并将所述单一指标单时间段的状态检测矩阵融合得到多时间段的状态检测矩阵;
将所述多时间段的状态检测矩阵进行降维处理,得到低维矩阵;
将所述低维矩阵输入至预设电力系统状态空间模型计算传递函数的最大距离;
将所述最大距离的值与预设电力系统低频振荡预警指标的阈值进行比较,根据比较结果判断是否需要进行预警。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的所述电力系统低频振荡的预警方法,所述方法包括:
通过相量测量装置PMU获取各采集节点的时序数据,并对所述时序数据进行筛选与预处理,构建关联矩阵;
根据所述关联矩阵,计算低频振荡幅值预警指标所需要的初始特征量矩阵;
根据所述初始特征量矩阵,构建的单一指标单时间段的状态检测矩阵,并将所述单一指标单时间段的状态检测矩阵融合得到多时间段的状态检测矩阵;
将所述多时间段的状态检测矩阵进行降维处理,得到低维矩阵;
将所述低维矩阵输入至预设电力系统状态空间模型计算传递函数的最大距离;
将所述最大距离的值与预设电力系统低频振荡预警指标的阈值进行比较,根据比较结果判断是否需要进行预警。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种电力系统低频振荡的预警方法,其特征在于,包括:
通过相量测量装置PMU获取各采集节点的时序数据,并对所述时序数据进行筛选与预处理,构建关联矩阵;
根据所述关联矩阵,计算低频振荡幅值预警指标所需要的初始特征量矩阵;
根据所述初始特征量矩阵,构建的单一指标单时间段的状态检测矩阵,并将所述单一指标单时间段的状态检测矩阵融合得到多时间段的状态检测矩阵;
将所述多时间段的状态检测矩阵进行降维处理,得到低维矩阵;
将所述低维矩阵输入至预设电力系统状态空间模型计算传递函数的最大距离;
将所述最大距离的值与预设电力系统低频振荡预警指标的阈值进行比较,根据比较结果判断是否需要进行预警;
所述初始特征量矩阵的计算式为:
;
其中,A表示关联矩阵,表示各采集节点上传的特征量大数据组成的列矩阵,/>表示初始特征量矩阵,/>表示采集节点;
所述单一指标单时间段的状态检测矩阵的计算式为:
;
其中,表示单一指标单时间段的状态检测矩阵,/>表示关联矩阵的转置矩阵,/>表示初始特征量矩阵,/>表示采集节点;
所述多时间段的状态检测矩阵的计算式为:
;
其中,K表示多时间段的状态检测矩阵,表示单一指标单时间段的状态检测矩阵;
所述将所述多时间段的状态检测矩阵进行降维处理,得到低维矩阵,包括:
将多时间段的状态检测矩阵K代入以下计算式(1)~(8),得到低维矩阵,低维矩阵X为多时间段的状态检测矩阵K在二维空间表示,其中(1)~(8)的计算式为:
;(1)
;(2)
;(3)
;(4)
;(5)
;(6)
;(7)
;(8)
其中,根据欧几里德距离计算式(1)计算出多时间段的状态检测矩阵K中各对象间的相异度矩阵D, 是相异度矩阵D中的元素,根据上述计算式(1)计算出相异度矩阵D中心化内积得到矩阵B,/>是矩阵B中的元素,/>为矩阵B的前两个特征根,/>表示特征根对应的特征向量,/>表示/>的元素,n表示矩阵B的维数,i,j表示两个不同的变量;
所述将所述低维矩阵输入至预设电力系统状态空间模型计算传递函数的最大距离,包括:
根据电力系统各子系统模型构建预设电力系统状态空间模型;
将所述低维矩阵X中的向量作为输入值代入所述预设电力系统状态空间模型,并对所述预设电力系统状态空间模型进行拉普拉斯变换,将其转化为传递函数,得到传递函数;
根据Vinnicombe距离法,计算出两个传递函数之间的距离;
根据所述两个传递函数之间的距离,计算出所述传递函数的最大距离;
所述预设电力系统状态空间模型为:
;
;
其中,每个子系统的系数矩阵参数的定义为式(9)~(14),输出方程矩阵参数p 7i 和p 8i 定义为式(15)和式(16),未知的相互作用参数/>和/>定义为式(17)~(18),并将电力系统机械转矩作为恒定量,励磁电压作为输入量:
;(9)
;(10)
;(11)
;(12)
;(13)
;(14)
;(15)
;(16)
;(17)
;(18)
;(32)
其中,表示转子惯性和阻尼因子,/>表示直轴瞬变时间常数,/>表示直轴电抗,/>表示直轴瞬变电抗,/>表示发电机功率角,单位为rad,/>和/>均表示交轴瞬态电动势,/>表示发电机励磁电流,/>表示励磁线圈与定子线圈之间的互抗,/>表示节点矩阵,/>表示/>节点矩阵中第i行第j列的元素,/>表示导纳矩阵,/>表示/>导纳矩阵中第i行第j列的元素,/>表示由/>和/>得到的差值,/>表示由/>和/>得到的和值。
2.根据权利要求1所述的电力系统低频振荡的预警方法,其特征在于,所述通过相量测量装置PMU获取各采集节点的时序数据,并对所述时序数据进行筛选与预处理,构建关联矩阵,包括:
对所述各采集节点进行编号,包括先对电力系统中发电机节点进行编号、再对各检测区域的节点进行编号以及最后对各采集节点之间的区域进行编号,其中一个采集节点包括多个发电机节点和多个检测区域的节点;
将编号后的各采集节点的时序数据汇总为第一电网大数据;
基于遗传乌燕鸥算法对所述第一电网大数据进行筛选与预处理,得到第二电网大数据;
基于所述第二电网大数据,根据预设构建规则构建关联矩阵。
3.根据权利要求2所述的电力系统低频振荡的预警方法,其特征在于,所述预设构建规则包括:
若采集节点不在区域内,则关联值为0;
若采集节点在区域内,则采集节点关键特征量指向区域内则为1,采集节点关键特征量指向区域外则为-1。
4.一种电力系统低频振荡的预警装置,其特征在于,包括:
数据采集模块,用于通过相量测量装置PMU获取各采集节点的时序数据,并对所述时序数据进行筛选与预处理,构建关联矩阵;
第一计算模块,用于根据所述关联矩阵,计算低频振荡幅值预警指标所需要的初始特征量矩阵;
第二计算模块,用于根据所述初始特征量矩阵,构建的单一指标单时间段的状态检测矩阵,并将所述单一指标单时间段的状态检测矩阵融合得到多时间段的状态检测矩阵;
第三计算模块,用于将所述多时间段的状态检测矩阵进行降维处理,得到低维矩阵;
第四计算模块,用于将所述低维矩阵输入至预设电力系统状态空间模型计算传递函数的最大距离;
预警判断模块,用于将所述最大距离的值与预设电力系统低频振荡预警指标的阈值进行比较,根据比较结果判断是否需要进行预警;
所述初始特征量矩阵的计算式为:
;
其中,A表示关联矩阵,表示各采集节点上传的特征量大数据组成的列矩阵,/>表示初始特征量矩阵,/>表示采集节点;
所述单一指标单时间段的状态检测矩阵的计算式为:
;
其中,表示单一指标单时间段的状态检测矩阵,/>表示关联矩阵的转置矩阵,/>表示初始特征量矩阵,/>表示采集节点;
所述多时间段的状态检测矩阵的计算式为:
;
其中,K表示多时间段的状态检测矩阵,表示单一指标单时间段的状态检测矩阵;
所述将所述多时间段的状态检测矩阵进行降维处理,得到低维矩阵,包括:
将多时间段的状态检测矩阵K代入以下计算式(1)~(8),得到低维矩阵,低维矩阵X为多时间段的状态检测矩阵K在二维空间表示,其中(1)~(8)的计算式为:
;(1)
;(2)
;(3)
;(4)
;(5)
;(6)
;(7)
;(8)
其中,根据欧几里德距离计算式(1)计算出多时间段的状态检测矩阵K中各对象间的相异度矩阵D, 是相异度矩阵D中的元素,根据上述计算式(1)计算出相异度矩阵D中心化内积得到矩阵B,/>是矩阵B中的元素,/>为矩阵B的前两个特征根,/>表示特征根对应的特征向量,/>表示/>的元素,n表示矩阵B的维数,i,j表示两个不同的变量;
所述将所述低维矩阵输入至预设电力系统状态空间模型计算传递函数的最大距离,包括:
根据电力系统各子系统模型构建预设电力系统状态空间模型;
将所述低维矩阵X中的向量作为输入值代入所述预设电力系统状态空间模型,并对所述预设电力系统状态空间模型进行拉普拉斯变换,将其转化为传递函数,得到传递函数;
根据Vinnicombe距离法,计算出两个传递函数之间的距离;
根据所述两个传递函数之间的距离,计算出所述传递函数的最大距离;
所述预设电力系统状态空间模型为:
;
;
其中,每个子系统的系数矩阵参数的定义为式(9)~(14),输出方程矩阵参数p 7i 和p 8i 定义为式(15)和式(16),未知的相互作用参数/>和/>定义为式(17)~(18),并将电力系统机械转矩作为恒定量,励磁电压作为输入量:
;(9)
;(10)
;(11)
;(12)
;(13)
;(14)
;(15)
;(16)
;(17)
;(18)
;(32)
其中,表示转子惯性和阻尼因子,/>表示直轴瞬变时间常数,/>表示直轴电抗,/>表示直轴瞬变电抗,/>表示发电机功率角,单位为rad,/>和/>均表示交轴瞬态电动势,/>表示发电机励磁电流,/>表示励磁线圈与定子线圈之间的互抗,/>表示节点矩阵,/>表示/>节点矩阵中第i行第j列的元素,/>表示导纳矩阵,/>表示/>导纳矩阵中第i行第j列的元素,/>表示由/>和/>得到的差值,/>表示由/>和/>得到的和值。
5.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现如权利要求1至3任一项所述的电力系统低频振荡的预警方法的步骤。
6.一种非暂态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权利要求1至3任一项所述的电力系统低频振荡的预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110444300.9A CN113156247B (zh) | 2021-04-23 | 2021-04-23 | 一种电力系统低频振荡的预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110444300.9A CN113156247B (zh) | 2021-04-23 | 2021-04-23 | 一种电力系统低频振荡的预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113156247A CN113156247A (zh) | 2021-07-23 |
CN113156247B true CN113156247B (zh) | 2024-04-23 |
Family
ID=76869997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110444300.9A Active CN113156247B (zh) | 2021-04-23 | 2021-04-23 | 一种电力系统低频振荡的预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113156247B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114236447A (zh) * | 2021-11-23 | 2022-03-25 | 广东电网有限责任公司广州供电局 | 变电站用pmu检测校验方法、装置、计算机设备和存储介质 |
CN114611987B (zh) * | 2022-03-25 | 2022-12-09 | 南通大学 | 一种并网型风电场的局域振荡的辨识方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0667538A2 (en) * | 1994-01-12 | 1995-08-16 | Advantest Corporation | Non-contact type wave signal observation apparatus |
WO2007089173A1 (en) * | 2006-01-31 | 2007-08-09 | Telefonaktiebolaget L M Ericsson (Publ) | A method and a system for cable or subscriber loop investigation performing loop topology identification |
GB201109028D0 (en) * | 2011-05-31 | 2011-07-13 | Ably As | Method and apparatus for monitoring power transmission in an electric power transmission network |
CN103368175A (zh) * | 2013-07-05 | 2013-10-23 | 上海交通大学 | 电力系统动态稳定在线评估方法 |
CN111293706A (zh) * | 2018-12-06 | 2020-06-16 | 中国移动通信集团山东有限公司 | 一种电力系统低频振荡参数辨识方法和装置 |
CN111443259A (zh) * | 2020-03-30 | 2020-07-24 | 国网山东省电力公司德州供电公司 | 基于局部异常因子检测的有源配电网故障诊断方法及系统 |
CN111474442A (zh) * | 2020-03-30 | 2020-07-31 | 国网山东省电力公司德州供电公司 | 一种配电网单相接地故障定位方法及系统 |
CN111830348A (zh) * | 2020-07-21 | 2020-10-27 | 国网四川省电力公司电力科学研究院 | 一种低频振荡下的动态同步相量测量方法和装置 |
-
2021
- 2021-04-23 CN CN202110444300.9A patent/CN113156247B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0667538A2 (en) * | 1994-01-12 | 1995-08-16 | Advantest Corporation | Non-contact type wave signal observation apparatus |
WO2007089173A1 (en) * | 2006-01-31 | 2007-08-09 | Telefonaktiebolaget L M Ericsson (Publ) | A method and a system for cable or subscriber loop investigation performing loop topology identification |
GB201109028D0 (en) * | 2011-05-31 | 2011-07-13 | Ably As | Method and apparatus for monitoring power transmission in an electric power transmission network |
CN103368175A (zh) * | 2013-07-05 | 2013-10-23 | 上海交通大学 | 电力系统动态稳定在线评估方法 |
CN111293706A (zh) * | 2018-12-06 | 2020-06-16 | 中国移动通信集团山东有限公司 | 一种电力系统低频振荡参数辨识方法和装置 |
CN111443259A (zh) * | 2020-03-30 | 2020-07-24 | 国网山东省电力公司德州供电公司 | 基于局部异常因子检测的有源配电网故障诊断方法及系统 |
CN111474442A (zh) * | 2020-03-30 | 2020-07-31 | 国网山东省电力公司德州供电公司 | 一种配电网单相接地故障定位方法及系统 |
CN111830348A (zh) * | 2020-07-21 | 2020-10-27 | 国网四川省电力公司电力科学研究院 | 一种低频振荡下的动态同步相量测量方法和装置 |
Non-Patent Citations (12)
Title |
---|
分布式网络异常攻击有限状态智能监控仿真;姜广坤 等;计算机仿真;第36卷(第4期);第256-264页 * |
基于ε–权衡"阻尼–时滞"电力系统广域阻尼控制;于淼;路昊阳;中国电力;20181231;第51卷(第012期);全文 * |
基于大数据分析的智能配电网状态监测与故障处理方法研究;柴谦益;郑文斌;潘捷凯;陆绍彬;温积群;;现代电子技术(第04期);全文 * |
基于智能配电网大数据分析的状态监测与故障处理方法;何晓爽;;电子技术与软件工程(第12期);全文 * |
基于智能配电网大数据分析的状态监测与故障处理方法;赵庆周 等;电网技术;第40卷(第3期);第774-780页 * |
基于迭代辨识方法的含风电多干扰电力系统阻尼控制;于淼;尚伟鹏;袁志昌;衣俊艳;电力系统自动化;第41卷(第23期);第61-67页 * |
基于遗传乌燕鸥算法的同步优化特征选择;贾鹤鸣 等;自动化学报;第256-264页 * |
电力系统低频振荡综合预警方法研究;刘福潮 等;电力安全技术;第17 卷(第8期);第29-34页 * |
自动引导车路径偏差的控制研究;许伦辉;刘景柠;朱群强;王晴;谢岩;索圣超;;广西师范大学学报(自然科学版);20150315(第01期);全文 * |
自动控制的发展与现状;冯明琴;攀枝花大学学报;20000330(第01期);全文 * |
贾鹤鸣 等.基于遗传乌燕鸥算法的同步优化特征选择.自动化学报.2020,第256-264页. * |
面向广域阻尼控制的电力系统降阶辨识;柳勇军;陆超;于淼;南方电网技术;20141231(第003期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113156247A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113156247B (zh) | 一种电力系统低频振荡的预警方法及装置 | |
Zhang et al. | Application of a real-time data compression and adapted protocol technique for WAMS | |
CN103279639B (zh) | 基于响应的受端电网电压稳定全过程态势评估及防控方法 | |
CN107679768B (zh) | 一种基于电网实时数据的态势感知系统及其构建方法 | |
CN103995162B (zh) | 基于高级量测体系的配电网大用户实时防窃电方法 | |
CN101917006B (zh) | 电力系统频率安全性在线监视与评估方法 | |
Wang et al. | Transmission lines positive sequence parameters estimation and instrument transformers calibration based on PMU measurement error model | |
Xiong et al. | A data-driven approach for fault time determination and fault area location using random matrix theory | |
CN115469259B (zh) | 基于rbf神经网络的ct误差状态在线定量评估方法及装置 | |
CN116169675B (zh) | 考虑运行方式变化的电力系统动态稳定性在线评估方法 | |
CN103023418A (zh) | 一种基于广域量测信息的同步发电机在线参数辨识方法 | |
CN108074198B (zh) | 一种电力系统pmu不良数据识别方法 | |
CN104749488A (zh) | 一种基于连续数据窗的直流线路时域故障测距方法 | |
CN103995948A (zh) | 一种基于多项式模型的振荡中心电压预测方法 | |
CA2602980C (en) | Method and system for real time identification of voltage stability via identification of weakest lines and buses contributing to power system collapse | |
CN103107536B (zh) | 一种海上油田群电网的状态估计方法 | |
CN113285471B (zh) | 海上风电场次超同步振荡源感知与定位方法、装置及设备 | |
CN104898415A (zh) | 一种基于低通滤波的发电机组转动惯量参数的在线辨识方法 | |
CN103647284B (zh) | 一种解决单时间断面问题的电压稳定预测方法 | |
CN103606952B (zh) | 一种基于系统加速能量的切机控制措施量化方法 | |
CN108092272A (zh) | 一种基于渐消卡尔曼滤波的电压稳定在线监测方法 | |
Zolin et al. | Wide Area Monitoring System (WAMS) application in smart grids | |
CN112886579B (zh) | 考虑pmu和scada量测时标不匹配的配电网线路参数辨识方法 | |
CN108761258A (zh) | 基于人工智能和大数据技术的变压器短期过载能力评估系统 | |
CN113595078A (zh) | 一种多源混合数据融合的配电网状态估计方法和装置 |
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 |