CN113489026A - 一种广域电力系统宽频振荡辨识方法及定位方法 - Google Patents

一种广域电力系统宽频振荡辨识方法及定位方法 Download PDF

Info

Publication number
CN113489026A
CN113489026A CN202110841669.3A CN202110841669A CN113489026A CN 113489026 A CN113489026 A CN 113489026A CN 202110841669 A CN202110841669 A CN 202110841669A CN 113489026 A CN113489026 A CN 113489026A
Authority
CN
China
Prior art keywords
oscillation
broadband
data
frequency
broadband oscillation
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.)
Granted
Application number
CN202110841669.3A
Other languages
English (en)
Other versions
CN113489026B (zh
Inventor
冯双
崔昊
陈佳宁
汤奕
冯俊杰
邹常跃
赵晓斌
许树楷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China South Power Grid International Co ltd
Southeast University
Original Assignee
China South Power Grid International Co ltd
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China South Power Grid International Co ltd, Southeast University filed Critical China South Power Grid International Co ltd
Priority to CN202110841669.3A priority Critical patent/CN113489026B/zh
Publication of CN113489026A publication Critical patent/CN113489026A/zh
Application granted granted Critical
Publication of CN113489026B publication Critical patent/CN113489026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H02J3/241—The oscillation concerning frequency
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开一种广域电力系统宽频振荡辨识方法及定位方法，所述辨识方法包括以下步骤：S1:对子站高速采集的电力系统宽频振荡信号进行数据预处理,获得宽频振荡预处理信号；S2:离线训练生成各自编码器模型和LSTM网络振荡定位模型；S3:在子站利用步骤S2得到的编码器提取步骤S1中宽频振荡预处理信号的低维编码数据，并将其传输至主站；S4:根据步骤S3上传的低维编码数据，利用步骤S2得到的解码器还原原始振荡信号，并参数辨识得到原始宽频振荡信号的频率、幅值、相位信息，实现宽频振荡信号的还原辨识。本发明在子站对宽频振荡数据进行分频段编码降维，降低振荡数据的冗余度，在较小带宽的限制下实现宽频振荡信号传输。

Description

一种广域电力系统宽频振荡辨识方法及定位方法
技术领域
本发明涉及电力系统广域监测技术领域，具体是一种广域电力系统宽频振荡辨识方法及定位方法。
背景技术
随着“双碳”目标的提出，可再生能源与电力电子设备的并网比例将大大提高，未来以新能源为主体的新型电力系统的“双高”特性将更为显著。在此背景下，宽频振荡的发生概率也大大提高，严重威胁系统的安全稳定运行。而对频率范围在数Hz到数百Hz的电力系统宽频振荡进行有效监测与分析是该领域面临的重要挑战。
目前，基于同步相量测量装置的低频振荡辨识与定位方法已经发展得较为成熟。而对于频率更高的次/超同步振荡，由于同步相量计算方法仅关注工频附近的信号，并且为了获取精确的基波相量，在计算过程中非基波分量通常会被滤除，从而利用主站同步相量数据难以得到次/超同步振荡的准确参数。此外，当振荡频率高于两倍工频达到中高频段时，受到通信规约与采样定理的限制，无法实现更高频段宽频振荡的广域监测。为此，本发明提出了一种广域电力系统宽频振荡辨识与定位方法。
发明内容
本发明的目的在于提供一种广域电力系统宽频振荡辨识方法及定位方法，通过在子站对采集的宽频振荡数据进行频率检测，利用信号所在频段的编码器对原始数据进行编码降维，再通过电力调度网络将子站编码数据传输至主站，然后基于主站相应频段的解码器对宽频振荡编码数据进行信号还原，并利用参数辨识算法得到还原信号的频率、幅值、相位等信息；同时，主站可以利用各子站上传的编码数据生成特征矩阵，输入至宽频振荡源的定位模型，从而得到振荡源所在位置，实现广域电力系统宽频振荡的准确辨识与定位，解决现有通信带宽下无法广域监测宽频振荡的问题。
本发明的目的可以通过以下技术方案实现：
一种广域电力系统宽频振荡辨识方法，所述辨识方法包括以下步骤：
S1:对子站高速采集的电力系统宽频振荡信号进行数据预处理,获得宽频振荡预处理信号；
S2:离线训练生成各自编码器模型和LSTM网络振荡定位模型，自编码器模型分为编码器和解码器；
S3:在子站利用步骤S2得到的编码器提取步骤S1中宽频振荡预处理信号的低维编码数据，并将其传输至主站；
S4:根据步骤S3上传的低维编码数据，利用步骤S2得到的解码器还原原始振荡信号，并参数辨识得到原始宽频振荡信号的频率、幅值、相位信息，实现宽频振荡信号的还原辨识。
进一步的，所述步骤S1包括以下步骤：
S11：利用子站对宽频振荡信号进行高速采样；
S12：对步骤S11中采集的宽频振荡信号进行频率检测；
S13：根据步骤S12中频率检测得到的信号频率，对步骤S11中采集的宽频振荡信号进行频率分段，完成宽频振荡信号预处理。
进一步的，所述步骤S12中的频率检测的算法为快速傅里叶变换或离散傅里叶变换。
进一步的，所述步骤S1中的电力系统宽频振荡信号为系统传输线路有功功率数据。
进一步的，所述步骤S2包括以下步骤：
S21：考虑不同负荷水平和随机噪声，在系统不同位置注入不同频率和幅值的正弦扰动信号，批量仿真获取所需宽频振荡数据；
S22：利用步骤S1中的数据预处理的方法对步骤S21中批量仿真得到的宽频振荡数据进行频率分段；
S23：根据步骤S22中各频段宽频振荡数据，利用不同的自编码器进行训练学习直至各损失函数达到设定值，生成各自编码器模型；
S24：将步骤S23中生成的各自编码器模型分为不同的编码器和解码器，并将各编码器置于子站，各解码器置于主站。
S25：利用步骤S24得到的各编码器对步骤S21中批量仿真数据进行分频段编码，并传输至主站；
S26：在主站汇集步骤S25中各子站上传的多组编码数据，生成多个宽频振荡特征矩阵，并对每个特征矩阵指定相应的标签；
S27：将步骤S26中的特征矩阵及其相应标签输入主站LSTM网络进行训练直至准确率达到设定的阈值，生成宽频定位模型。
进一步的，所述步骤S3中低维编码数据是通过电力调度网络以传输频率FS上传至主站；
所述Fs＝fs/n，其中fs为子站的数据采样频率，n为自编码器的输入层神经元个数与隐藏层神经元个数之商，即自编码器编码倍数。
进一步的，所述步骤S4中的参数辨识算法包括ESPRIT算法、Prony算法、FFT算法或小波分析法。
一种广域电力系统宽频振荡定位方法，所述定位方法还包括：
S5：基于主站汇集步骤S3上传的各子站低维编码数据生成宽频振荡特征矩阵；
S6：将步骤S5生成的特征矩阵输入步骤S2得到的LSTM网络振荡定位模型，模型输出振荡源所在位置，实现宽频振荡源的定位。
进一步的，所述步骤S5中的特征矩阵生成方法如下：
Figure BDA0003179145120000041
其中，m为各电气量编码后的编码维数；p为采集的全网电气量个数。
一种介质，包括上述广域电力系统宽频振荡辨识方法。
本发明的有益效果：
1、本发明在子站对宽频振荡数据进行分频段编码降维，不仅能够有效降低振荡数据的冗余度，在较小带宽的限制下实现宽频振荡信号传输，还有利于提高电力数据的保密性；
2、本发明公开的主站一方面可以利用解码器以较高精度还原原始宽频振荡数据，对其采用参数辨识算法得到相应的模态参数，另一方面可以直接将编码数据生成的特征矩阵作为主站LSTM网络振荡定位模型的输入，实现宽频振荡源的准确定位；
3、本发明根据需求在主站利用编码数据或解码还原数据进行宽频振荡的广域多样化监测分析与控制。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明流程图；
图2是本发明实施例一中扰动频率为16.0Hz时的次同步振荡还原波形图；
图3是本发明实施例一中扰动频率为27.1Hz时的次同步振荡还原波形图；
图4是本发明实施例二中扰动频率为79.7Hz时的超同步振荡还原波形图；
图5是本发明实施例二中扰动频率为90.1Hz时的超同步振荡还原波形图；
图6是本发明实施例三中扰动频率为137.0Hz时的中高频振荡还原波形图；
图7是本发明实施例三中扰动频率为160.0Hz时的中高频振荡还原波形图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
本发明的实施例中，子站采样频率为2400Hz，采样时间为0.5s。各频段自编码器的输入层、隐藏层和输出层的神经元个数分别为1200、60以及1200，进行宽频振荡信号的20倍编码降维，并且编码器的激活函数为正饱和线性传递函数，解码器的激活函数为线性传递函数。本实施例的电力系统采用含直驱风电场的四机两区仿真系统，在系统不同位置注入不同频率、幅值大小的正弦扰动信号，并考虑随机噪声以及负荷水平等参数，批量仿真使生成的样本尽可能覆盖该电网模型的宽频振荡样本空间。将采集的电力系统宽频振荡信号分频段输入相应的自编码器进行训练学习后，将各编码器和解码器分别置于子站和主站。主站汇集各子站上传的编码数据生成特征矩阵后输入LSTM网络进行训练，完成宽频振荡源定位模型的构建。下面结合四个实施例对本方法做进一步说明。
实施例一：系统次同步振荡时的辨识分析
(1)、分别在系统中施加频率为16.0Hz和27.1Hz的正弦扰动信号，并考虑随机噪声和负荷变动，触发系统次同步振荡；
(2)、在子站对采集的电力系统有功功率数据进行频率检测，频率检测算法为：快速傅里叶变换，利用相应频段编码器提取信号的低维编码数据，并传输至主站；
(3)、主站将上传的低维编码数据输入对应解码器进行宽频振荡信号还原，并利用ESPRIT算法进行参数辨识，得到振荡信号强迫分量的具体参数如下：①16Hz扰动下的振荡频率15.993Hz，幅值10.006MW，相位-1.944rad；②27.1Hz扰动下的振荡频率27.090Hz，幅值14.071MW，相位-2.616rad。信号还原波形分别如图2和图3所示，可看出次同步振荡信号的原始波形和还原波形具有较高的重合度，本发明可对次同步振荡数据进行编码传输以及准确还原，实现广域电力系统次同步振荡的辨识分析。
实施例二：系统超同步振荡时的辨识分析
(1)、分别在系统中施加频率为79.7Hz和90.1Hz的正弦扰动信号，并考虑随机噪声和负荷变动，触发系统超同步振荡；
(2)、在子站对采集的电力系统有功功率数据进行频率检测，频率检测算法为：离散傅里叶变换，利用相应频段编码器提取信号的低维编码数据，并传输至主站；
(3)、主站将上传的编码数据输入对应解码器进行宽频振荡信号还原，并利用FFT算法进行参数辨识，得到振荡信号强迫分量的具体参数如下：①79.7Hz扰动下的振荡频率80Hz，幅值15.526MW，相位-1.913rad；②90.1Hz扰动下的振荡频率90Hz，幅值11.791MW，相位-1.961rad。信号还原波形分别如图4和图5所示，可看出超同步振荡信号也能得到准确还原，本发明可对超同步振荡进行数据编码传输以及准确还原，实现广域电力系统超同步振荡的辨识分析。
实施例三：系统中高频振荡时的辨识分析
(1)、分别在系统中施加频率为137.0Hz和160.0Hz的正弦扰动信号，并考虑随机噪声和负荷变动，触发系统超同步振荡；
(2)、在子站对采集的电力系统有功功率数据进行频率检测，频率检测算法为：离散傅里叶变换，利用相应频段编码器提取信号的低维编码数据，并传输至主站；
(3)、主站将上传的编码数据输入对应解码器进行宽频振荡信号还原，并利用Prony算法进行参数辨识，得到振荡信号强迫分量的具体参数如下：①137.0Hz扰动下的振荡频率137.017Hz，幅值5.663MW，相位-2.571rad；②160.0Hz扰动下的振荡频率159.990Hz，幅值11.401MW，相位-2.525rad。信号还原波形分别如图6和图7所示，可看出中高频振荡信号同样能够被准确还原，本发明可对中高频振荡进行数据编码传输以及准确还原，实现广域电力系统中高频振荡的辨识分析。
参数辨识算法除上述实施例公开的ESPRIT算法、Prony算法和FFT算法，还可以是小波分析法。
一种介质，包括上述广域电力系统宽频振荡辨识方法。
实施例四：系统宽频振荡源的定位分析
(1)、设置系统扰动位置、幅值、频率、噪声以及负荷变动等参数，触发系统宽频振荡；
(2)、在子站对采集的电力系统有功功率数据进行频率检测，频率检测算法为：快速傅里叶变换，利用相应频段编码器提取信号的低维编码数据，并传输至主站；
(3)、主站汇集各子站上传的编码数据生成特征矩阵，以风电场的四机两区系统为例，系统中共有5台发电机组，因此生成的编码特征矩阵维度为60×5；特征矩阵生成方法采用下式表示：
Figure BDA0003179145120000081
其中，m为各电气量编码后的编码维数；p为采集的全网电气量个数。
输入特征矩阵至LSTM网络振荡定位模型，根据模型输出标签确定宽频振荡源所在位置，结果表明针对不同位置引发的振荡，即使在噪声较大的情况下，本发明的方法也能保持90％以上的定位准确率，验证了本发明具有较好的定位效果以及一定的抗噪性能。
电力系统宽频振荡信号还可以是系统各节点电压或传输线路电流。
本发明在子站对宽频振荡数据进行分频段编码降维，不仅能够有效降低振荡数据的冗余度，在较小带宽的限制下实现宽频振荡信号传输，还有利于提高电力数据的保密性。同时，主站一方面可以利用解码器以较高精度还原原始宽频振荡数据，对其采用参数辨识算法得到相应的模态参数，另一方面可以直接将编码数据生成的特征矩阵作为主站LSTM网络振荡定位模型的输入，实现宽频振荡源的准确定位。此外，本发明还可根据需求在主站利用编码数据或解码还原数据进行宽频振荡的广域多样化监测分析与控制。
本发明在子站对宽频振荡数据进行编码降维，一方面可以有效降低宽频振荡信号的冗余度，减轻数据传输压力与主站计算负担，另一方面由于传输数据为神经网络编码数据，不具有明显的频率特征，因此不受采样定理的限制，能够在现有带宽下实现振荡数据的传输，同时提高了电力数据的保密性。
本发明基于主站既可以利用解码器以较高精度还原原始振荡数据，也可以直接利用编码数据进行包括振荡源定位等的振荡监测与分析，因此本发明还可根据需求利用编码数据或解码还原数据进行宽频振荡的广域多样化监测分析与控制。
本发明利用LSTM神经网络对编码数据生成的特征矩阵进行宽频振荡源的定位分析，并且在随机噪声、负荷变动等实际情况下，同样能够实现宽频振荡源位置的准确判断，因此本发明还具有较强的适应性以及抗噪性；
本发明能够在现有带宽下实现宽频振荡的数据传输，具有较高的辨识定位精度、电力数据保密性以及抗噪性能，并有利于宽频振荡的广域多样化监测分析与控制。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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发明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。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (10)

1.一种广域电力系统宽频振荡辨识方法，其特征在于，所述辨识方法包括以下步骤：
S1:对子站高速采集的电力系统宽频振荡信号进行数据预处理,获得宽频振荡预处理信号；
S2:离线训练生成各自编码器模型和LSTM网络振荡定位模型，自编码器模型分为编码器和解码器；
S3:在子站利用步骤S2得到的编码器提取步骤S1中宽频振荡预处理信号的低维编码数据，并将其传输至主站；
S4:根据步骤S3上传的低维编码数据，利用步骤S2得到的解码器还原原始振荡信号，并参数辨识得到原始宽频振荡信号的频率、幅值、相位信息，实现宽频振荡信号的还原辨识。
2.根据权利要求1所述的一种广域电力系统宽频振荡辨识方法，其特征在于，所述步骤S1包括以下步骤：
S11：利用子站对宽频振荡信号进行高速采样；
S12：对步骤S11中采集的宽频振荡信号进行频率检测；
S13：根据步骤S12中频率检测得到的信号频率，对步骤S11中采集的宽频振荡信号进行频率分段，完成宽频振荡信号预处理。
3.根据权利要求2所述的一种广域电力系统宽频振荡辨识方法，其特征在于，所述步骤S12中的频率检测的算法为快速傅里叶变换或离散傅里叶变换。
4.根据权利要求1所述的一种广域电力系统宽频振荡辨识方法，其特征在于，所述步骤S1中的电力系统宽频振荡信号为系统传输线路有功功率数据。
5.根据权利要求1所述的一种广域电力系统宽频振荡辨识方法，其特征在于，所述步骤S2包括以下步骤：
S21：考虑不同负荷水平和随机噪声，在系统不同位置注入不同频率和幅值的正弦扰动信号，批量仿真获取所需宽频振荡数据；
S22：利用步骤S1中的数据预处理的方法对步骤S21中批量仿真得到的宽频振荡数据进行频率分段；
S23：根据步骤S22中各频段宽频振荡数据，利用不同的自编码器进行训练学习直至各损失函数达到设定值，生成各自编码器模型；
S24：将步骤S23中生成的各自编码器模型分为不同的编码器和解码器，并将各编码器置于子站，各解码器置于主站；
S25：利用步骤S24得到的各编码器对步骤S21中批量仿真数据进行分频段编码，并传输至主站；
S26：在主站汇集步骤S25中各子站上传的多组编码数据，生成多个宽频振荡特征矩阵，并对每个特征矩阵指定相应的标签；
S27：将步骤S26中的特征矩阵及其相应标签输入主站LSTM网络进行训练直至准确率达到设定的阈值，生成宽频定位模型。
6.根据权利要求1所述的一种广域电力系统宽频振荡辨识方法，其特征在于，所述步骤S3中低维编码数据是通过电力调度网络以传输频率FS上传至主站；
所述Fs＝fs/n，其中fs为子站的数据采样频率，n为自编码器的输入层神经元个数与隐藏层神经元个数之商，即自编码器编码倍数。
7.根据权利要求1所述的一种广域电力系统宽频振荡辨识方法，其特征在于，所述步骤S4中的参数辨识算法包括ESPRIT算法、Prony算法、FFT算法或小波分析法。
8.基于权利要求1-7任意一项所述的广域电力系统宽频振荡辨识方法的定位方法，其特征在于，所述定位方法还包括：
S5：基于主站汇集步骤S3上传的各子站低维编码数据生成宽频振荡特征矩阵；
S6：将步骤S5生成的特征矩阵输入步骤S2得到的LSTM网络振荡定位模型，模型输出振荡源所在位置，实现宽频振荡源的定位。
9.根据权利要求8所述的定位方法，其特征在于，所述步骤S5中的特征矩阵生成方法如下：
Figure FDA0003179145110000031
其中，m为各电气量编码后的编码维数；p为采集的全网电气量个数。
10.一种介质，其特征在于，包括权利要求1-7任意一项所述的广域电力系统宽频振荡辨识方法。
CN202110841669.3A 2021-07-26 2021-07-26 一种广域电力系统宽频振荡辨识方法及定位方法 Active CN113489026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110841669.3A CN113489026B (zh) 2021-07-26 2021-07-26 一种广域电力系统宽频振荡辨识方法及定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110841669.3A CN113489026B (zh) 2021-07-26 2021-07-26 一种广域电力系统宽频振荡辨识方法及定位方法

Publications (2)

Publication Number Publication Date
CN113489026A true CN113489026A (zh) 2021-10-08
CN113489026B CN113489026B (zh) 2023-08-08

Family

ID=77943600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110841669.3A Active CN113489026B (zh) 2021-07-26 2021-07-26 一种广域电力系统宽频振荡辨识方法及定位方法

Country Status (1)

Country Link
CN (1) CN113489026B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115377999A (zh) * 2022-09-26 2022-11-22 华北电力大学 一种基于宽频测量数据的次同步振荡辨识的方法
CN117129755A (zh) * 2023-10-24 2023-11-28 南方电网科学研究院有限责任公司 宽频振荡广域监测系统和宽频振荡源定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183368A (zh) * 2020-09-29 2021-01-05 国网四川省电力公司经济技术研究院 基于lstm的电力系统低频振荡模态特征的快速辨识方法
CN113127801A (zh) * 2021-04-16 2021-07-16 武昌理工学院 一种电力系统振荡参数辨识方法、系统、终端及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183368A (zh) * 2020-09-29 2021-01-05 国网四川省电力公司经济技术研究院 基于lstm的电力系统低频振荡模态特征的快速辨识方法
CN113127801A (zh) * 2021-04-16 2021-07-16 武昌理工学院 一种电力系统振荡参数辨识方法、系统、终端及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115377999A (zh) * 2022-09-26 2022-11-22 华北电力大学 一种基于宽频测量数据的次同步振荡辨识的方法
CN115377999B (zh) * 2022-09-26 2024-07-26 华北电力大学 一种基于宽频测量数据的次同步振荡辨识的方法
CN117129755A (zh) * 2023-10-24 2023-11-28 南方电网科学研究院有限责任公司 宽频振荡广域监测系统和宽频振荡源定位方法
CN117129755B (zh) * 2023-10-24 2024-01-19 南方电网科学研究院有限责任公司 宽频振荡广域监测系统和宽频振荡源定位方法

Also Published As

Publication number Publication date
CN113489026B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
Mandal et al. Forecasting power output of solar photovoltaic system using wavelet transform and artificial intelligence techniques
CN103487749B (zh) 高压断路器机械状态在线监测诊断系统及方法
CN113489026B (zh) 一种广域电力系统宽频振荡辨识方法及定位方法
CN111308260B (zh) 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法
CN105547730A (zh) 水轮发电机组故障检测系统
CN101944776A (zh) 电力网络低频振荡监测系统
CN105320995A (zh) 一种基于频域分解的风力发电短期负荷预测方法及装置
CN104361529A (zh) 一种基于云模型的配电系统可靠性评测方法
CN104392056A (zh) 一种直驱风电机组建模方法及装置
Nargeszar et al. Reliability evaluation of the renewable energy‐based microgrids considering resource variation
CN112505452B (zh) 一种广域系统宽频振荡监测方法
CN114707789A (zh) 一种低压配电网高频量测数据处理与拓扑识别方法和系统
Shi et al. Short term wind power forecasting using Hilbert-Huang Transform and artificial neural network
Drisya et al. Deterministic prediction of surface wind speed variations
Bagheri et al. Extremely short time modeling of wind power variations
Zhen et al. Multi-level wavelet decomposition based day-ahead solar irradiance forecasting
Shivkumar et al. Wind Power Prediction using Transformers: A Federated Learning Approach
Zhao et al. Online Monitoring of Low-Frequency Oscillation Based on the Improved Analytical Modal Decomposition Method
Wang et al. Wind power prediction using wavelet transform and chaotic characteristics
Ashraf et al. A Hybrid Statistical Model for Ultra Short Term Wind Speed Prediction
Yao et al. An improved wavelet neural network method for wind speed forecasting
Tong et al. A new strategy for wind speed forecasting based on autoregression and wavelet transform
Zhou et al. Wide-band Oscillation Disturbance Source Location Based on Compressed Sensing and CNN-LSTM
Ali et al. Detection of PQ Short Duration Variations using Wavelet Time Scattering with LSTM
Cai et al. Compression and Restoration Identification Method of Wide-band Oscillation Data Based on Autoencoder

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