CN113221064B - 模型处理方法、装置、计算机设备和存储介质 - Google Patents
模型处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113221064B CN113221064B CN202110516133.4A CN202110516133A CN113221064B CN 113221064 B CN113221064 B CN 113221064B CN 202110516133 A CN202110516133 A CN 202110516133A CN 113221064 B CN113221064 B CN 113221064B
- Authority
- CN
- China
- Prior art keywords
- state
- matrix
- target
- mathematical model
- linear
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种模型处理方法、装置、计算机设备和存储介质。所述方法包括:建立目标变换器的初始数学模型;根据多个所述状态变量确定线性状态矩阵,并求解出所述线性状态矩阵的特征值;确定各所述状态变量在所述线性状态矩阵的特征值中的参与因子;将所述线性状态矩阵转换为奇异摄动式矩阵,并根据各所述状态变量在所述线性状态矩阵的特征值中的参与因子和所述奇异摄动式矩阵对所述初始数学模型进行降阶处理,得到所述目标变换器对应的目标数学模型;所述目标数学模型用于计算所述目标变换器是否处于暂态。采用本方法能够缩短仿真时间,避免边缘计算设备算力不足的问题。
Description
技术领域
本申请涉及模型处理技术领域,特别是涉及一种模型处理方法、装置、计 算机设备和存储介质。
背景技术
随着环境问题日益受到重视,越来越多的新能源以分布式电源的形式接入 了电力系统。这些分布式电源多为直流电源,通常需要借由电力电子变换器实 现能量转换。然而与传统同步发电机相比,电力电子变换器的响应速度更快且 惯性更小,无法像同步发电机一样承受电网的干扰,这给电力系统的安全运行, 尤其是系统的暂态稳定带来了挑战。
目前,为了观察电力电子变换器和系统是否出现暂态稳定性问题,可以采 用边缘计算的方式在发电现场通过时域数值仿真确定。由于时域数值仿真运行 于边缘计算设备,规避了云计算过程中因通信失败、通信延时等等原因产生的 风险和弊端,且大幅降低了通信成本和通信带宽。
但是,随着电力电子变换器数量的增加和电力系统规模的增大,时域数值 仿真的数学模型的阶数和复杂度呈快速上升趋势,不仅导致仿真耗时常,而且 出现了边缘计算设备算力不足的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低数学模型阶数、缩 短仿真时长、避免边缘计算设备算力不足的模型处理方法、装置、计算机设备 和存储介质。
一种模型处理方法,该方法包括:
建立目标变换器的初始数学模型;其中,初始数学模型包括多个用于表征 目标变换器的下垂控制特性的状态方程,各状态方程包括至少一个状态变量;
根据多个状态变量确定线性状态矩阵,并求解出线性状态矩阵的特征值;
确定各状态变量在线性状态矩阵的特征值中的参与因子;
将线性状态矩阵转换为奇异摄动式矩阵,并根据各状态变量在线性状态矩 阵的特征值中的参与因子和奇异摄动式矩阵对初始数学模型进行降阶处理,得 到目标变换器对应的目标数学模型;目标数学模型用于计算目标变换器是否处 于暂态。
在其中一个实施例中,上述根据各状态变量在线性状态矩阵的特征值中的 参与因子和奇异摄动式矩阵对初始数学模型进行降阶处理,得到目标变换器对 应的目标数学模型,包括:
根据各状态变量在线性状态矩阵的特征值中的参与因子,从多个状态变量 查找出慢状态变量和快状态变量;
根据奇异摄动式矩阵对初始数学模型进行去除快状态变量保留慢状态变量 的处理,得到目标变换器对应的目标数学模型。
在其中一个实施例中,上述根据各状态变量在线性状态矩阵的特征值中的 参与因子,从多个状态变量查找出慢状态变量和快状态变量,包括:
根据线性状态矩阵的特征值的实部和虚部,将线性状态矩阵的特征值划分 为多个簇,并从多个簇中查找出目标簇;其中,目标簇的特征值与虚轴的距离 在预设距离范围内;
根据各状态变量在线性状态矩阵的特征值中的参与因子,从目标簇对应的 状态变量中查找出慢状态变量和快状态变量。
在其中一个实施例中,上述根据各状态变量在线性状态矩阵的特征值中的 参与因子,从目标簇对应的状态变量中查找出慢状态变量和快状态变量,包括:
根据预先设置的参与因子范围,从多个参与因子中查找出高等级参与因子;
从目标簇中查找出与高等级参与因子对应的状态变量作为慢状态变量,将 除慢状态变量之外的状态变量确定为快状态变量。
在其中一个实施例中,上述根据各状态变量在线性状态矩阵的特征值中的 参与因子,从目标簇对应的状态变量中查找出慢状态变量和快状态变量,包括:
根据预先设置的参与因子范围,从多个参与因子中查找出高等级参与因子 和低等级参与因子;
从目标簇中查找出与高等级参与因子对应的状态变量和与低等级参与因子 对应的状态变量作为慢状态变量,将除慢状态变量之外的状态变量确定为快状 态变量。
在其中一个实施例中,上述确定各状态变量在线性状态矩阵的特征值中的 参与因子,包括:
根据预先设置的参与因子计算公式,计算出各状态变量在状态线性矩阵的 特征值中的参与因子;
Pij为状态变量的特征值;uij为线性状态矩阵的左特征向量,vij为线性状态矩 阵的右特征向量;ukj为左特征向量矩阵中k行j列的元素,vkj为右特征向量矩 阵中第k行j列的元素。
在其中一个实施例中,上述奇异摄动式矩阵包括:
其中,ε为扰动参数矩阵,y为快状态变量,z为慢状态变量。
一种模型处理装置,该装置包括:
模型建立模块,用于建立目标变换器的初始数学模型;其中,初始数学模 型包括多个用于表征目标变换器的下垂控制特性的状态方程,各状态方程包括 至少一个状态变量;
特征值求解模块,用于根据多个状态变量确定线性状态矩阵,并求解出线 性状态矩阵的特征值;
参与因子确定模块,用于确定各状态变量在线性状态矩阵的特征值中的参 与因子;
降阶模块,用于将线性状态矩阵转换为奇异摄动式矩阵,并根据各状态变 量在线性状态矩阵的特征值中的参与因子和奇异摄动式矩阵对初始数学模型进 行降阶处理,得到目标变换器对应的目标数学模型;目标数学模型用于计算目 标变换器是否处于暂态。
在其中一个实施例中,上述降阶模块包括:
变量查找子模块,用于根据各状态变量在线性状态矩阵的特征值中的参与 因子,从多个状态变量查找出慢状态变量和快状态变量;
降阶子模块,用于根据奇异摄动式矩阵对初始数学模型进行去除快状态变 量保留慢状态变量的处理,得到目标变换器对应的目标数学模型。
在其中一个实施例中,上述变量查找子模块,具体用于根据线性状态矩阵 的特征值的实部和虚部,将线性状态矩阵的特征值划分为多个簇,并从多个簇 中查找出目标簇;其中,目标簇的特征值与虚轴的距离在预设距离范围内;根 据各状态变量在线性状态矩阵的特征值中的参与因子,从目标簇对应的状态变 量中查找出慢状态变量和快状态变量。
在其中一个实施例中,上述变量查找子模块,具体用于根据预先设置的参 与因子范围,从多个参与因子中查找出高等级参与因子;从目标簇中查找出与 高等级参与因子对应的状态变量作为慢状态变量,将除慢状态变量之外的状态 变量确定为快状态变量。
在其中一个实施例中,上述变量查找子模块,具体用于根据预先设置的参 与因子范围,从多个参与因子中查找出高等级参与因子和低等级参与因子;从 目标簇中查找出与高等级参与因子对应的状态变量和与低等级参与因子对应的 状态变量作为慢状态变量,将除慢状态变量之外的状态变量确定为快状态变量。
在其中一个实施例中,上述参与因子确定模块,具体用于根据预先设置的 参与因子计算公式,计算出各状态变量在状态线性矩阵的特征值中的参与因子;
Pij为状态变量的特征值;uij为线性状态矩阵的左特征向量,vij为线性状态矩 阵的右特征向量;ukj为左特征向量矩阵中k行j列的元素,vkj为右特征向量矩 阵中第k行j列的元素。
在其中一个实施例中,上述奇异摄动式矩阵包括:
其中,ε为扰动参数矩阵,y为快状态变量,z为慢状态变量。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序, 所述处理器执行所述计算机程序时实现以下步骤:
建立目标变换器的初始数学模型;其中,初始数学模型包括多个用于表征 目标变换器的下垂控制特性的状态方程,各状态方程包括至少一个状态变量;
根据多个状态变量确定线性状态矩阵,并求解出线性状态矩阵的特征值;
确定各状态变量在线性状态矩阵的特征值中的参与因子;
将线性状态矩阵转换为奇异摄动式矩阵,并根据各状态变量在线性状态矩 阵的特征值中的参与因子和奇异摄动式矩阵对初始数学模型进行降阶处理,得 到目标变换器对应的目标数学模型;目标数学模型用于计算目标变换器是否处 于暂态。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处 理器执行时实现以下步骤:
建立目标变换器的初始数学模型;其中,初始数学模型包括多个用于表征 目标变换器的下垂控制特性的状态方程,各状态方程包括至少一个状态变量;
根据多个状态变量确定线性状态矩阵,并求解出线性状态矩阵的特征值;
确定各状态变量在线性状态矩阵的特征值中的参与因子;
将线性状态矩阵转换为奇异摄动式矩阵,并根据各状态变量在线性状态矩 阵的特征值中的参与因子和奇异摄动式矩阵对初始数学模型进行降阶处理,得 到目标变换器对应的目标数学模型;目标数学模型用于计算目标变换器是否处 于暂态。
上述模型处理方法、装置、计算机设备和存储介质,边缘计算设备建立目 标变换器的初始数学模型;根据多个状态变量确定线性状态矩阵,并求解出线 性状态矩阵的特征值;确定各状态变量在线性状态矩阵的特征值中的参与因子; 将线性状态矩阵转换为奇异摄动式矩阵,并根据各状态变量在线性状态矩阵的 特征值中的参与因子和奇异摄动式矩阵对初始数学模型进行降阶处理,得到目标变换器对应的目标数学模型。本公开实施例中,目标数学模型与初始数学模 型相比阶数较少,因此在计算目标变换器是否处于暂态时,计算复杂度降低, 则可以缩短仿真时长,避免边缘计算设备算力不足的问题。
附图说明
图1为一个实施例中模型处理方法的应用环境图;
图2为一个实施例中模型处理方法的流程示意图;
图3为一个实施例中目标变换器的结构示意图;
图4为一个实施例中对初始数学模型进行降阶处理步骤的流程示意图;
图5为一个实施例中特征值的分布示意图;
图6a为一个实施例中目标数学模型和初始数学模型仿真结果的示意图;
图6b为一个实施例中目标数学模型和初始数学模型仿真结果的示意图;
图7为一个实施例中查找出慢状态变量和快状态变量步骤的流程示意图;
图8为另一个实施例中模型处理方法的流程示意图;
图9为一个实施例中模型处理装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实 施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅 用以解释本申请,并不用于限定本申请。
本申请提供的模型处理方法,可以应用于如图1所示的应用环境中。该应 用环境包括电力电子变换器101和边缘计算设备102。其中,边缘计算设备102 先建立电力电子变换器101的初始数学模型,然后利用奇异摄动法对初始数据 模型进行降阶处理,得到电子电力变换器101的目标数学模型。这样,在电力 电子变换器101工作过程中,边缘计算设备102可以与电力电子变换器101进 行通信,从电力电子变换器101获取各状态变量的实际值,根据各状态变量的实际值和目标数学模型计算出电力电子变换器101是否处于暂态。上述边缘计 算设备102可以但不限于是各种个人计算机、笔记本电脑、平板电脑和处理器。
在一个实施例中,如图2所示,提供了一种模型处理方法,以该方法应用 于图1中的边缘计算设备为例进行说明,包括以下步骤:
步骤201,建立目标变换器的初始数学模型。
其中,初始数学模型包括多个用于表征目标变换器的下垂控制特性的状态 方程,各状态方程包括至少一个状态变量。
如图3所示的目标变换器的拓扑结构,目标变换器的下垂控制有三个核心 控制环节:功率控制环节、电压控制环节、电流控制环节。其中,该目标变换 器的主电路由三相桥式电路组成,目标变换器输出的电能经LC滤波环节滤波后经传输线路传送至交流电网。其中,LC滤波环节包括滤波电感Lf和滤波电容 Cf,传输线路包括传输电阻Rg和传输电感Lg。
边缘计算设备根据目标变换器的拓扑结构建立目标变换器的初始数学模 型。
初始数据模型包括下垂控制环节的状态方程(1)和(2):
ω=-Dp(P-P0)+ω0--------------------------------------(1)
u=-Dq(Q-Q0)+u0--------------------------------------(2)
其中,ω为实时角速度,u为实时电压,Dp和Dq为下垂系数,P为实时有 功功率,Q为实时无功功率,P0为额定有功功率,Q0为额定无功功率,ω0为额 定角速度,u0为额定电压。
实时有功功率P和实时无功功率Q需要进行一阶低通滤波,如公式(3)和 公式(4):
其中,ωc为转折频率,uod和uoq分别为目标变换器并网线路上的三相电经 过Park坐标变换后d轴上的电压量和q轴上的电压量,iod和ioq分别为目标变换 器并网线路上的三相电经过Park坐标变换后d轴上的电流量和q轴上的电流量。 其中,Park坐标变换又称3/2变换,由三相静止abc坐标系转换成以角频率ω旋 转的旋转dq坐标系。
初始数学模型还包括电压电流PI控制器的状态方程(5)和(6):
其中,和/>分别为滤波电感Lf上的参考电流经过Park坐标变换后d轴 上的电流量和q轴上的电流量;/>和/>分别为滤波电容Cf上的参考电压经过 Park坐标变换后d轴上的电压量和q轴上的电压量;Kvp为电压环比例控制增益; x1和x2分别为公式(7)和(8):
其中,Kvi为电压环积分控制增益。
初始数学模型还包括电流环的状态方程(9)和(10):
其中,Kcp为电流环比例控制增益,x3和x4分别为公式(11)和(12):
其中,Kci为电流环积分控制增益。
初始数学模型还包括滤波元件和线路阻抗的状态方程(13)、(14)、(15)、 (16)、(17)和(18):
其中,ugd和ugq分别为交流电网电压经过Park坐标变换后d轴上的电压量 和q轴上的电压量。
目标变换器侧坐标系d-q与电网侧坐标系D-Q的夹角δ为公式(19):
由以上状态方程可以看出,目标变换器的初始数学模型包括状态变量[δ,P, Q,iod,ioq,uod,uoq,iLd,iLq,x1,x2,x3,x4]。
步骤202,根据多个状态变量确定线性状态矩阵,并求解出线性状态矩阵的 特征值。
边缘计算设备根据步骤201中得到的多个状态变量构建状态矩阵,并对该 状态矩阵进行线性化处理,得到线性状态矩阵。之后,对线性状态矩阵进行求 解,得到线性状态矩阵的特征值。
步骤203,确定各状态变量在线性状态矩阵的特征值中的参与因子。
边缘计算设备预先设置有参与因子计算公式,该参与因子计算公式表示为 各状态变量在线性状态矩阵的特征值中的参与因子与线性状态矩阵的左右特征 变量之间的换算关系。
步骤204,将线性状态矩阵转换为奇异摄动式矩阵,并根据各状态变量在线 性状态矩阵的特征值中的参与因子和奇异摄动式矩阵对初始数学模型进行降阶 处理,得到目标变换器对应的目标数学模型。
其中,目标数学模型用于计算目标变换器是否处于暂态。
边缘计算设备利用奇异摄动法对线性状态矩阵进行转换,得到奇异摄动式 矩阵。之后,边缘计算设备根据各状态变量在线性状态矩阵的特征值中的参与 因子,去除一部分状态变量,保留另一部分状态变量,得到目标数学模型。
例如,边缘计算设备将奇异摄动式矩阵中的扰动参数矩阵设为0,这样,奇 异摄动式矩阵就去除了部分状态变量,退化为代数方程,达到了对初始数学模 型降阶的目的,得到目标变换器的目标数学模型。
上述模型处理方法中,边缘计算设备建立目标变换器的初始数学模型;根 据多个状态变量确定线性状态矩阵,并求解出线性状态矩阵的特征值;确定各 状态变量在线性状态矩阵的特征值中的参与因子;将线性状态矩阵转换为奇异 摄动式矩阵,并根据各状态变量在线性状态矩阵的特征值中的参与因子和奇异 摄动式矩阵对初始数学模型进行降阶处理,得到目标变换器对应的目标数学模型。本公开实施例中,目标数学模型与初始数学模型相比阶数较少,因此在计 算目标变换器是否处于暂态时,计算复杂度降低,则可以缩短仿真时长,避免 边缘计算设备算力不足的问题。
在一个实施例中,如图4所示,上述根据各状态变量在线性状态矩阵的特 征值中的参与因子和奇异摄动式矩阵对初始数学模型进行降阶处理,得到目标 变换器对应的目标数学模型的步骤,可以包括:
步骤301,根据各状态变量在线性状态矩阵的特征值中的参与因子,从多个 状态变量查找出慢状态变量和快状态变量。
边缘计算设备在计算出线性状态矩阵的特征值后,可以得到如图5所示的 特征值分布情况。边缘计算设备根据各状态变量在线性状态矩阵的特征值中的 参与因子,从靠近虚轴的一簇状态变量中查找出慢状态变量和快状态变量。其 中,慢状态变量的参与因子大于快状态变量的参与因子。
步骤302,根据奇异摄动式矩阵对初始数学模型进行去除快状态变量保留慢 状态变量的处理,得到目标变换器对应的目标数学模型。
将线性状态矩阵转换为奇异摄动式矩阵后,奇异摄动式矩阵可以包括公式 (20和(21):
其中,ε为扰动参数矩阵,对角矩阵diag{ε1,ε2,…,εm},y为快状态 变量,z为慢状态变量。
ε为0时,公式(21)退化为代数方程,将这一代数方程代入至公式(20), 即可消除快状态变量对系统计算速度影响,公式中仍保留慢状态变量,完成了 初始数学模型的降阶。
以电压电流环为例简述降阶过程,电压电流环包含4个公式(7)、(8)、(11) 和(12),将这4个公式转换为奇异摄动式矩阵,得到公式(22)、(23)、(24) 和(25):
uod=Un-DqQ-------------------------------(26)
uoq=0------------------------------------(27)
这样,就完成了电压电流双闭环的降阶处理。分别根据降阶后的目标数学 模型与降阶前的初始数学模型进行仿真,得到目标数学模型与初始数学模型之 间的对比结果,如表1所示。
表1
由表1可以看出,目标数学模型与初始属性模型相比,降低阶数后可以提 升计算速度,并且阶数越少、计算速度提升越多;同时,阶数降低后,目标数 学模型的误差率较小,降阶处理并不会影响计算准确率。进一步地,目标数学 模型不仅适用于小信号,也适用于大信号,并且还可用于暂态功角、暂态频率、暂态电压的仿真计算。
如图6a所示,分别利用目标数学模型和初始数学模型进行暂态功角稳定的 仿真。由图6a可以看出,5阶和3阶的目标数学模型与13阶的初始数学模型的 故障发生时刻接近,可见,降阶后的目标数学模型可以准确地仿真出故障发生时刻。
如图6b所示,分别利用目标数学模型和初始数学模型进行暂态频率稳定的 仿真。由图6b可以看出,5阶和3阶的目标数学模型与13阶的初始数学模型的 故障发生时刻接近,可见,降阶后的目标数学模型可以准确地仿真出故障发生时刻。
上述根据各状态变量在线性状态矩阵的特征值中的参与因子和奇异摄动式 矩阵对初始数学模型进行降阶处理,得到目标变换器对应的目标数学模型的过 程中,边缘计算设备根据各状态变量在线性状态矩阵的特征值中的参与因子, 从多个状态变量查找出慢状态变量和快状态变量;根据奇异摄动式矩阵对初始 数学模型进行去除快状态变量保留慢状态变量的处理,得到目标变换器对应的目标数学模型。本公开实施例中,根据参与因子将状态变量分为慢状态变量和 快状态变量,然后进行去除快状态变量保留慢状态变量的处理,实现了对模型 的降阶,从而缩短仿真时间。
在一个实施例中,如图7所示,上述根据各状态变量在线性状态矩阵的特 征值中的参与因子,从多个状态变量查找出慢状态变量和快状态变量的步骤, 可以包括:
步骤3011,根据线性状态矩阵的特征值的实部和虚部,将线性状态矩阵的 特征值划分为多个簇,并从多个簇中查找出目标簇。
其中,目标簇的特征值与虚轴的距离在预设距离范围内。
边缘计算设备根据线性状态矩阵的特征值λ=σ+jω的实部,并将实部按照1: 10的比例,把特征值划分为多个簇。例如:特征值的实部的范围是-1500至-4, 这表明系统不同的模态间具有比较明显的动态响应速率差异。将实部0>σ>-10 的特征值划分为第1簇,实部-10>σ>-100的特征值划分为第2簇,实部σ>-1000 的划分为第3簇,如图5所示。上述1:10的比例是根据同步稳定问题的时间尺 度确定的。同步稳定问题的时间尺度集中在数十ms至数百ms,电压电流控制环的时间尺度约为数ms至十数ms。因此根据时间尺度的比例即100ms/10ms=10。该比例还可以根据实际情况进行调整,本公开实施例对此不做 限定。
步骤3012,根据各状态变量在线性状态矩阵的特征值中的参与因子,从目 标簇对应的状态变量中查找出慢状态变量和快状态变量。
边缘计算设备根据预先设置的参与因子计算公式,计算出各状态变量在状 态线性矩阵的特征值中的参与因子。该参与因子计算公式包括公式(30):
其中,Pij为状态变量在特征值中的参与因子;uij为线性状态矩阵的左特征 向量,vij为线性状态矩阵的右特征向量;ukj为左特征向量矩阵中k行j列的元 素,vkj为右特征向量矩阵中第k行j列的元素。线性状态矩阵的特征值和每个 状态变量在该特征值中的参与因子如表2所示。
表2
边缘计算设备计算出参与因子后,根据参与因子从目标簇对应的状态变量 中查找出慢状态变量和快状态变量,具体可以包括如下方式:
方式一:根据预先设置的参与因子范围,从多个参与因子中查找出高等级 参与因子;从目标簇中查找出与高等级参与因子对应的状态变量作为慢状态变 量,将除慢状态变量之外的状态变量确定为快状态变量。
每个状态变量在每个特征值中的参与因子为Pλx,Pλx>0.1为高等级参与因 子,0.01<Pλx<0.1为低等级参与因子。边缘计算设备可以从目标簇中查找出与高 等级参与因子对应的状态变量作为慢状态变量,将除慢状态变量之外的状态变 量确定为快状态变量。
方式二:根据预先设置的参与因子范围,从多个参与因子中查找出高等级 参与因子和低等级参与因子;从目标簇中查找出与高等级参与因子对应的状态 变量和与低等级参与因子对应的状态变量作为慢状态变量,将除慢状态变量之 外的状态变量确定为快状态变量。
每个状态变量在每个特征值中的参与因子为Pλx,Pλx>0.1为高等级参与因 子,0.01<Pλx<0.1为低等级参与因子。边缘计算设备可以从目标簇中查找出与高 等级参与因子对应的状态变量和与低等级参与因子对应的状态变量作为慢状态 变量,将除慢状态变量之外的状态变量确定为快状态变量。
上述根据各状态变量在线性状态矩阵的特征值中的参与因子,从多个状态 变量查找出慢状态变量和快状态变量的过程中,根据线性状态矩阵的特征值的 实部和虚部,将线性状态矩阵的特征值划分为多个簇,并从多个簇中查找出目 标簇;根据各状态变量在线性状态矩阵的特征值中的参与因子,从目标簇对应 的状态变量中查找出慢状态变量和快状态变量。通过本公开实施例,边缘计算设备动态响应速率的差异将特征值划分为多个簇,并将靠近虚轴的确定为目标 簇,之后,根据高等级参与因子和低等级参与因子查找出慢状态变量和快状态 变量,以便后续去除快状态变量达到降阶的目的。
在一个实施例中,如图8所示,提供了一种模型处理方法,以该方法应用 于图1中的边缘计算设备为例进行说明,包括以下步骤:
步骤401,建立目标变换器的初始数学模型。
其中,初始数学模型包括多个用于表征目标变换器的下垂控制特性的状态 方程,各状态方程包括至少一个状态变量。
步骤402,根据多个状态变量确定线性状态矩阵,并求解出线性状态矩阵的 特征值。
步骤403,根据预先设置的参与因子计算公式,计算出各状态变量在状态线 性矩阵的特征值中的参与因子。
步骤404,根据线性状态矩阵的特征值的实部和虚部,将线性状态矩阵的特 征值划分为多个簇,并从多个簇中查找出目标簇。
其中,目标簇的特征值与虚轴的距离在预设距离范围内。
步骤405,根据各状态变量在线性状态矩阵的特征值中的参与因子,从目标 簇对应的状态变量中查找出慢状态变量和快状态变量。
在其中一个实施例中,根据预先设置的参与因子范围,从多个参与因子中 查找出高等级参与因子;从目标簇中查找出与高等级参与因子对应的状态变量 作为慢状态变量,将除慢状态变量之外的状态变量确定为快状态变量。
在其中一个实施例中,根据预先设置的参与因子范围,从多个参与因子中 查找出高等级参与因子和低等级参与因子;从目标簇中查找出与高等级参与因 子对应的状态变量和与低等级参与因子对应的状态变量作为慢状态变量,将除 慢状态变量之外的状态变量确定为快状态变量。
步骤406,根据奇异摄动式矩阵对初始数学模型进行去除快状态变量保留慢 状态变量的处理,得到目标变换器对应的目标数学模型。
上述模型处理方法中,边缘计算设备建立目标变换器的初始数学模型;根 据多个状态变量确定线性状态矩阵,并求解出线性状态矩阵的特征值;确定各 状态变量在线性状态矩阵的特征值中的参与因子;将线性状态矩阵转换为奇异 摄动式矩阵,并根据各状态变量在线性状态矩阵的特征值中的参与因子和奇异 摄动式矩阵对初始数学模型进行降阶处理,得到目标变换器对应的目标数学模型。本公开实施例中,目标数学模型与初始数学模型相比阶数较少,因此在计 算目标变换器是否处于暂态时,计算复杂度降低,则可以缩短仿真时长,避免 边缘计算设备算力不足的问题。
应该理解的是,虽然图2至图8的流程图中的各个步骤按照箭头的指示依 次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中 有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它 的顺序执行。而且,图2至图8中的至少一部分步骤可以包括多个步骤或者多 个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同 的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与 其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种模型处理装置,包括:
模型建立模块501,用于建立目标变换器的初始数学模型;其中,初始数学 模型包括多个用于表征目标变换器的下垂控制特性的状态方程,各状态方程包 括至少一个状态变量;
特征值求解模块502,用于根据多个状态变量确定线性状态矩阵,并求解出 线性状态矩阵的特征值;
参与因子确定模块503,用于确定各状态变量在线性状态矩阵的特征值中的 参与因子;
降阶模块504,用于将线性状态矩阵转换为奇异摄动式矩阵,并根据各状态 变量在线性状态矩阵的特征值中的参与因子和奇异摄动式矩阵对初始数学模型 进行降阶处理,得到目标变换器对应的目标数学模型;目标数学模型用于计算 目标变换器是否处于暂态。
在其中一个实施例中,上述降阶模块504包括:
变量查找子模块,用于根据各状态变量在线性状态矩阵的特征值中的参与 因子,从多个状态变量查找出慢状态变量和快状态变量;
降阶子模块,用于根据奇异摄动式矩阵对初始数学模型进行去除快状态变 量保留慢状态变量的处理,得到目标变换器对应的目标数学模型。
在其中一个实施例中,上述变量查找子模块,具体用于根据线性状态矩阵 的特征值的实部和虚部,将线性状态矩阵的特征值划分为多个簇,并从多个簇 中查找出目标簇;其中,目标簇的特征值与虚轴的距离在预设距离范围内;根 据各状态变量在线性状态矩阵的特征值中的参与因子,从目标簇对应的状态变 量中查找出慢状态变量和快状态变量。
在其中一个实施例中,上述变量查找子模块,具体用于根据预先设置的参 与因子范围,从多个参与因子中查找出高等级参与因子;从目标簇中查找出与 高等级参与因子对应的状态变量作为慢状态变量,将除慢状态变量之外的状态 变量确定为快状态变量。
在其中一个实施例中,上述变量查找子模块,具体用于根据预先设置的参 与因子范围,从多个参与因子中查找出高等级参与因子和低等级参与因子;从 目标簇中查找出与高等级参与因子对应的状态变量和与低等级参与因子对应的 状态变量作为慢状态变量,将除慢状态变量之外的状态变量确定为快状态变量。
在其中一个实施例中,上述参与因子确定模块503,具体用于根据预先设置 的参与因子计算公式,计算出各状态变量在状态线性矩阵的特征值中的参与因 子;
Pij为状态变量的特征值;uij为线性状态矩阵的左特征向量,vij为线性状态矩 阵的右特征向量;ukj为左特征向量矩阵中k行j列的元素,vkj为右特征向量矩 阵中第k行j列的元素。
在其中一个实施例中,上述奇异摄动式矩阵包括:
其中,ε为扰动参数矩阵,y为快状态变量,z为慢状态变量。
关于模型处理装置的具体限定可以参见上文中对于模型处理方法的限定, 在此不再赘述。上述模型处理装置中的各个模块可全部或部分通过软件、硬件 及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处 理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调 用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其 内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、 存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提 供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。 该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存 储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商 网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种模型处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水 显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计 算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板 或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关 的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定, 具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件, 或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器 中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
建立目标变换器的初始数学模型;其中,初始数学模型包括多个用于表征 目标变换器的下垂控制特性的状态方程,各状态方程包括至少一个状态变量;
根据多个状态变量确定线性状态矩阵,并求解出线性状态矩阵的特征值;
确定各状态变量在线性状态矩阵的特征值中的参与因子;
将线性状态矩阵转换为奇异摄动式矩阵,并根据各状态变量在线性状态矩 阵的特征值中的参与因子和奇异摄动式矩阵对初始数学模型进行降阶处理,得 到目标变换器对应的目标数学模型;目标数学模型用于计算目标变换器是否处 于暂态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据各状态变量在线性状态矩阵的特征值中的参与因子,从多个状态变量 查找出慢状态变量和快状态变量;
根据奇异摄动式矩阵对初始数学模型进行去除快状态变量保留慢状态变量 的处理,得到目标变换器对应的目标数学模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据线性状态矩阵的特征值的实部和虚部,将线性状态矩阵的特征值划分 为多个簇,并从多个簇中查找出目标簇;其中,目标簇的特征值与虚轴的距离 在预设距离范围内;
根据各状态变量在线性状态矩阵的特征值中的参与因子,从目标簇对应的 状态变量中查找出慢状态变量和快状态变量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预先设置的参与因子范围,从多个参与因子中查找出高等级参与因子;
从目标簇中查找出与高等级参与因子对应的状态变量作为慢状态变量,将 除慢状态变量之外的状态变量确定为快状态变量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预先设置的参与因子范围,从多个参与因子中查找出高等级参与因子 和低等级参与因子;
从目标簇中查找出与高等级参与因子对应的状态变量和与低等级参与因子 对应的状态变量作为慢状态变量,将除慢状态变量之外的状态变量确定为快状 态变量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预先设置的参与因子计算公式,计算出各状态变量在状态线性矩阵的 特征值中的参与因子;
Pij为状态变量的特征值;uij为线性状态矩阵的左特征向量,vij为线性状态矩 阵的右特征向量;ukj为左特征向量矩阵中k行j列的元素,vkj为右特征向量矩 阵中第k行j列的元素。
在其中一个实施例中,上述奇异摄动式矩阵包括:
其中,ε为扰动参数矩阵,y为快状态变量,z为慢状态变量。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程 序,计算机程序被处理器执行时实现以下步骤:
建立目标变换器的初始数学模型;其中,初始数学模型包括多个用于表征 目标变换器的下垂控制特性的状态方程,各状态方程包括至少一个状态变量;
根据多个状态变量确定线性状态矩阵,并求解出线性状态矩阵的特征值;
确定各状态变量在线性状态矩阵的特征值中的参与因子;
将线性状态矩阵转换为奇异摄动式矩阵,并根据各状态变量在线性状态矩 阵的特征值中的参与因子和奇异摄动式矩阵对初始数学模型进行降阶处理,得 到目标变换器对应的目标数学模型;目标数学模型用于计算目标变换器是否处 于暂态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各状态变量在线性状态矩阵的特征值中的参与因子,从多个状态变量 查找出慢状态变量和快状态变量;
根据奇异摄动式矩阵对初始数学模型进行去除快状态变量保留慢状态变量 的处理,得到目标变换器对应的目标数学模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据线性状态矩阵的特征值的实部和虚部,将线性状态矩阵的特征值划分 为多个簇,并从多个簇中查找出目标簇;其中,目标簇的特征值与虚轴的距离 在预设距离范围内;
根据各状态变量在线性状态矩阵的特征值中的参与因子,从目标簇对应的 状态变量中查找出慢状态变量和快状态变量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预先设置的参与因子范围,从多个参与因子中查找出高等级参与因子;
从目标簇中查找出与高等级参与因子对应的状态变量作为慢状态变量,将 除慢状态变量之外的状态变量确定为快状态变量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预先设置的参与因子范围,从多个参与因子中查找出高等级参与因子 和低等级参与因子;
从目标簇中查找出与高等级参与因子对应的状态变量和与低等级参与因子 对应的状态变量作为慢状态变量,将除慢状态变量之外的状态变量确定为快状 态变量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预先设置的参与因子计算公式,计算出各状态变量在状态线性矩阵的 特征值中的参与因子;
Pij为状态变量的特征值;uij为线性状态矩阵的左特征向量,vij为线性状态矩 阵的右特征向量;ukj为左特征向量矩阵中k行j列的元素,vkj为右特征向量矩 阵中第k行j列的元素。
在其中一个实施例中,上述奇异摄动式矩阵包括:
其中,ε为扰动参数矩阵,y为快状态变量,z为慢状态变量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程, 是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于 一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述 各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、 存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁 带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory, SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述 实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细, 但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的 普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改 进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权 利要求为准。
Claims (8)
1.一种模型处理方法,其特征在于,所述方法包括:
建立目标变换器的初始数学模型;其中,所述初始数学模型包括多个用于表征所述目标变换器的下垂控制特性的状态方程,各所述状态方程包括至少一个状态变量;
根据多个所述状态变量确定线性状态矩阵,并求解出所述线性状态矩阵的特征值;
确定各所述状态变量在所述线性状态矩阵的特征值中的参与因子;
将所述线性状态矩阵转换为奇异摄动式矩阵,并根据各所述状态变量在所述线性状态矩阵的特征值中的参与因子和所述奇异摄动式矩阵对所述初始数学模型进行降阶处理,得到所述目标变换器对应的目标数学模型;所述目标数学模型用于计算所述目标变换器是否处于暂态;
其中,所述根据各所述状态变量在所述线性状态矩阵的特征值中的参与因子和所述奇异摄动式矩阵对所述初始数学模型进行降阶处理,得到所述目标变换器对应的目标数学模型,包括:
根据所述线性状态矩阵的特征值的实部和虚部,将所述线性状态矩阵的特征值划分为多个簇,并从所述多个簇中查找出目标簇;其中,所述目标簇的特征值与虚轴的距离在预设距离范围内;
根据各所述状态变量在所述线性状态矩阵的特征值中的参与因子,从所述目标簇对应的状态变量中查找出慢状态变量和快状态变量,所述慢状态变量的参与因子大于所述快状态变量的参与因子;
根据所述奇异摄动式矩阵对所述初始数学模型进行去除快状态变量保留慢状态变量的处理,得到所述目标变换器对应的目标数学模型
所述将所述线性状态矩阵的特征值划分为多个簇,包括:
确定所述线性状态矩阵的特征值λ=σ+jω的实部,并将实部按照1:10的比例将所述特征值划分为多个簇。
2.根据权利要求1所述的方法,其特征在于,所述根据各所述状态变量在所述线性状态矩阵的特征值中的参与因子,从所述目标簇对应的状态变量中查找出所述慢状态变量和快状态变量,包括:
根据预先设置的参与因子范围,从多个所述参与因子中查找出高等级参与因子;
从所述目标簇中查找出与所述高等级参与因子对应的状态变量作为慢状态变量,将除所述慢状态变量之外的状态变量确定为快状态变量。
3.根据权利要求1所述的方法,其特征在于,所述根据各所述状态变量在所述线性状态矩阵的特征值中的参与因子,从所述目标簇对应的状态变量中查找出所述慢状态变量和快状态变量,包括:
根据预先设置的参与因子范围,从多个所述参与因子中查找出高等级参与因子和低等级参与因子;
从所述目标簇中查找出与所述高等级参与因子对应的状态变量和与所述低等级参与因子对应的状态变量作为慢状态变量,将除所述慢状态变量之外的状态变量确定为快状态变量。
6.一种模型处理装置,其特征在于,所述装置包括:
模型建立模块,用于建立目标变换器的初始数学模型;其中,所述初始数学模型包括多个用于表征所述目标变换器的下垂控制特性的状态方程,各所述状态方程包括至少一个状态变量;
特征值求解模块,用于根据多个所述状态变量确定线性状态矩阵,并求解出所述线性状态矩阵的特征值;
参与因子确定模块,用于确定各所述状态变量在所述线性状态矩阵的特征值中的参与因子;
降阶模块,用于将所述线性状态矩阵转换为奇异摄动式矩阵,并根据各所述状态变量在所述线性状态矩阵的特征值中的参与因子和所述奇异摄动式矩阵对所述初始数学模型进行降阶处理,得到所述目标变换器对应的目标数学模型;所述目标数学模型用于计算所述目标变换器是否处于暂态;
所述降阶模块包括:
变量查找子模块,用于根据所述线性状态矩阵的特征值的实部和虚部,将所述线性状态矩阵的特征值划分为多个簇,并从所述多个簇中查找出目标簇;其中,所述目标簇的特征值与虚轴的距离在预设距离范围内;根据各所述状态变量在所述线性状态矩阵的特征值中的参与因子,从所述目标簇对应的状态变量中查找出慢状态变量和快状态变量,所述慢状态变量的参与因子大于所述快状态变量的参与因子;
降阶子模块,用于根据所述奇异摄动式矩阵对所述初始数学模型进行去除快状态变量保留慢状态变量的处理,得到所述目标变换器对应的目标数学模型;
所述变量查找子模块,具体用于确定所述线性状态矩阵的特征值λ=σ+jω的实部,并将实部按照1:10的比例将所述特征值划分为多个簇。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.一种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权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110516133.4A CN113221064B (zh) | 2021-05-12 | 2021-05-12 | 模型处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110516133.4A CN113221064B (zh) | 2021-05-12 | 2021-05-12 | 模型处理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221064A CN113221064A (zh) | 2021-08-06 |
CN113221064B true CN113221064B (zh) | 2023-06-20 |
Family
ID=77095002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110516133.4A Active CN113221064B (zh) | 2021-05-12 | 2021-05-12 | 模型处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221064B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115065049B (zh) * | 2022-06-24 | 2023-02-28 | 南方电网科学研究院有限责任公司 | 电网仿真中行降阶模型的执行时间计算方法、装置和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108808687A (zh) * | 2018-06-26 | 2018-11-13 | 国家电网公司东北分部 | 一种防止暂态电压失稳的风电场切机的方法及装置 |
CN110262236A (zh) * | 2019-06-20 | 2019-09-20 | 合肥工业大学 | 一种电力电子接口并网系统模型降阶的降阶变量选取方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59157575A (ja) * | 1983-02-27 | 1984-09-06 | Anritsu Corp | スペクトラムアナライザ |
WO2017190002A1 (en) * | 2016-04-29 | 2017-11-02 | Alliance For Sustainable Energy, Llc | Virtual oscillator control |
CN112332686B (zh) * | 2020-10-26 | 2021-08-27 | 湖南大学 | 一种含有电流限幅器的下垂逆变器能量函数构造的方法 |
CN112736888A (zh) * | 2020-12-25 | 2021-04-30 | 哈尔滨理工大学 | 一种基于滑模控制的直流微电网改进自适应下垂控制策略 |
-
2021
- 2021-05-12 CN CN202110516133.4A patent/CN113221064B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108808687A (zh) * | 2018-06-26 | 2018-11-13 | 国家电网公司东北分部 | 一种防止暂态电压失稳的风电场切机的方法及装置 |
CN110262236A (zh) * | 2019-06-20 | 2019-09-20 | 合肥工业大学 | 一种电力电子接口并网系统模型降阶的降阶变量选取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113221064A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107577870B (zh) | 基于同步相量量测的配电网电压功率灵敏度鲁棒估计方法 | |
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 | |
CN103810646B (zh) | 一种基于改进投影积分算法的有源配电系统动态仿真方法 | |
CN104156542B (zh) | 一种基于隐式投影的有源配电系统稳定性仿真方法 | |
CN114744625B (zh) | 一种风电机组模型降阶方法及系统 | |
CN108565852B (zh) | 一种三阶段递进的大电网电压稳定评估的故障筛选与排序方法 | |
CN111181164B (zh) | 一种改进的主从分裂输配协同潮流计算方法及系统 | |
CN105184027A (zh) | 一种基于交互式多模型算法的电力负荷建模方法 | |
CN113221064B (zh) | 模型处理方法、装置、计算机设备和存储介质 | |
CN104701858A (zh) | 计及分区动态无功储备的无功电压控制方法 | |
Khatibi et al. | Power system dynamic model reduction by means of an iterative SVD-Krylov model reduction method | |
CN112906272A (zh) | 一种反应堆稳态物理热工全耦合精细数值模拟方法及系统 | |
Maged et al. | Real‐time implementation and evaluation of gorilla troops optimization‐based control strategy for autonomous microgrids | |
Zhou et al. | Data-driven real-time prediction of pouch cell temperature field under minimal sensing | |
Adejumobi et al. | Iterative techniques for load flow study: A comparative study for nigerian 330kv grid system as a case study | |
Sen et al. | Assessment of various MOR techniques on an inverter-based microgrid model | |
Dubyago | Mathematical description of interaction of the elements in the power network system | |
Huang et al. | Robust load frequency controller design based on a new strict model | |
Eisa et al. | Sensitivity analysis of nonsmooth power control systems with an example of wind turbines | |
CN111639463B (zh) | 一种基于XGBoost算法的电力系统扰动后频率特征预测方法 | |
CN104679937B (zh) | 一种适于隐式投影算法的误差估计及参数自适应调节方法 | |
CN113794198A (zh) | 抑制宽频振荡的方法、装置、终端及存储介质 | |
Kataoka | A smooth power flow model of electric power system with generator reactive power limits taken into consideration | |
CN115051397B (zh) | 12脉动lcc换流站的阻抗建模方法、装置、设备和存储介质 | |
Maqbool et al. | Power system model reduction with grid-connected photovoltaic systems based on hankel norm approximation |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230506 Address after: Full Floor 14, Unit 3, Building 2, No. 11, Middle Spectra Road, Huangpu District, Guangzhou, Guangdong 510700 Applicant after: China Southern Power Grid Digital Grid Technology (Guangdong) Co.,Ltd. Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |