CN113937783B - 基于模型预测控制的风电场无功电压协调控制方法和装置 - Google Patents

基于模型预测控制的风电场无功电压协调控制方法和装置 Download PDF

Info

Publication number
CN113937783B
CN113937783B CN202110736543.XA CN202110736543A CN113937783B CN 113937783 B CN113937783 B CN 113937783B CN 202110736543 A CN202110736543 A CN 202110736543A CN 113937783 B CN113937783 B CN 113937783B
Authority
CN
China
Prior art keywords
prediction model
reactive
voltage
objective function
value
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
Application number
CN202110736543.XA
Other languages
English (en)
Other versions
CN113937783A (zh
Inventor
徐超
杨晗
李璟涛
毕可强
周强
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.)
Spic Power Operation Technology Institute
State Power Investment Group Science and Technology Research Institute Co Ltd
Original Assignee
Spic Power Operation Technology Institute
State Power Investment Group Science and Technology Research Institute Co Ltd
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 Spic Power Operation Technology Institute, State Power Investment Group Science and Technology Research Institute Co Ltd filed Critical Spic Power Operation Technology Institute
Priority to CN202110736543.XA priority Critical patent/CN113937783B/zh
Publication of CN113937783A publication Critical patent/CN113937783A/zh
Application granted granted Critical
Publication of CN113937783B publication Critical patent/CN113937783B/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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/30—Reactive power compensation

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开提出一种基于模型预测控制的风电场无功电压协调控制方法和装置，该方法包括：确定待控制系统的当前时刻采样值，并确定灵敏度系数，根据当前时刻采样值，确定与风机对应的第一功率变化预测值，和与无功补偿设备对应的第二功率变化预测值，根据第一功率变化预测值、第二功率变化预测值，以及灵敏度系数，构建风电场的初始预测模型，构建与初始预测模型对应的目标函数，以得到目标预测模型，以及根据目标预测模型执行风电场无功电压协调控制。由此，使用模型预测控制方法求解一个优化问题，从而能够有效地协调控制风电机组有功无功出力和无功补偿设备的无功出力，能够使得并网点电压和各个风电机组的电压在合理范围内。

Description

基于模型预测控制的风电场无功电压协调控制方法和装置
技术领域
本公开涉及计算机技术领域，尤其涉及一种基于模型预测控制的风电场无功电压协调控制方法和装置。
背景技术
相关技术中，针对风电场各时间尺度下的无功优化控制，是单时间断面的开环优化控制。这种方式下，容易造成由风电不确定性引起的电压控制偏差在相邻控制时段间传递，并且未考虑不同时间常数的无功补偿装置的动态调节过程，影响无功电压优化控制的效果。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本公开的一个目的在于提出一种基于模型预测控制的风电场无功电压协调控制方法、装置、电子设备及介质，由于模型预测控制是一种基于预测模型的有限时域滚动优化闭环控制方法，能较好地应对系统不确定性的影响，优化问题中可以清楚地表示控制目标和运行约束条件，考虑了系统的动态响应，采用时间向前滚动式的有限时域优化策略，由此本公开实施例中基于模型预测控制的风电场无功电压协调控制方法，使用模型预测控制方法求解一个优化问题，从而能够有效地协调控制风电机组有功无功出力和无功补偿设备的无功出力，能够使得并网点电压和各个风电机组的电压在合理范围内。
为达到上述目的，本公开第一方面实施例提出的基于模型预测控制的风电场无功电压协调控制方法，包括：确定待控制系统的当前时刻采样值，并确定灵敏度系数；根据所述当前时刻采样值，确定与风机对应的第一功率变化预测值，和与无功补偿设备对应的第二功率变化预测值；根据所述第一功率变化预测值、所述第二功率变化预测值，以及所述灵敏度系数，构建风电场的初始预测模型，所述初始预测模型包括：风机功率控制的预测模型，和无功补偿设备的风电场预测模型；构建与所述初始预测模型对应的目标函数，以得到目标预测模型；以及根据所述目标预测模型执行风电场无功电压协调控制。
本公开第一方面实施例提出的基于模型预测控制的风电场无功电压协调控制方法，通过确定待控制系统的当前时刻采样值，并确定灵敏度系数，根据当前时刻采样值，确定与风机对应的第一功率变化预测值，和与无功补偿设备对应的第二功率变化预测值，并根据第一功率变化预测值、第二功率变化预测值，以及灵敏度系数，构建风电场的初始预测模型，初始预测模型包括：风机功率控制的预测模型，和无功补偿设备的风电场预测模型，构建与初始预测模型对应的目标函数，以得到目标预测模型，以及根据目标预测模型执行风电场无功电压协调控制，由于模型预测控制是一种基于预测模型的有限时域滚动优化闭环控制方法，能较好地应对系统不确定性的影响，优化问题中可以清楚地表示控制目标和运行约束条件，考虑了系统的动态响应，采用时间向前滚动式的有限时域优化策略，由此，使用模型预测控制方法求解一个优化问题，从而能够有效地协调控制风电机组有功无功出力和无功补偿设备的无功出力，能够使得并网点电压和各个风电机组的电压在合理范围内。
为达到上述目的，本公开第二方面实施例提出的基于模型预测控制的风电场无功电压协调控制装置，包括：第一确定模块，用于确定待控制系统的当前时刻采样值，并确定灵敏度系数；第二确定模块，用于根据所述当前时刻采样值，确定与风机对应的第一功率变化预测值，和与无功补偿设备对应的第二功率变化预测值；第一构建模块，用于根据所述第一功率变化预测值、所述第二功率变化预测值，以及所述灵敏度系数，构建风电场的初始预测模型，所述初始预测模型包括：风机功率控制的预测模型，和无功补偿设备的风电场预测模型；第二构建模块，用于构建与所述初始预测模型对应的目标函数，以得到目标预测模型；以及执行模块，用于根据所述目标预测模型执行风电场无功电压协调控制。
本公开第二方面实施例提出的基于模型预测控制的风电场无功电压协调控制装置，通过确定待控制系统的当前时刻采样值，并确定灵敏度系数，根据当前时刻采样值，确定与风机对应的第一功率变化预测值，和与无功补偿设备对应的第二功率变化预测值，并根据第一功率变化预测值、第二功率变化预测值，以及灵敏度系数，构建风电场的初始预测模型，初始预测模型包括：风机功率控制的预测模型，和无功补偿设备的风电场预测模型，构建与初始预测模型对应的目标函数，以得到目标预测模型，以及根据目标预测模型执行风电场无功电压协调控制，由于模型预测控制是一种基于预测模型的有限时域滚动优化闭环控制方法，能较好地应对系统不确定性的影响，优化问题中可以清楚地表示控制目标和运行约束条件，考虑了系统的动态响应，采用时间向前滚动式的有限时域优化策略，由此，使用模型预测控制方法求解一个优化问题，从而能够有效地协调控制风电机组有功无功出力和无功补偿设备的无功出力，能够使得并网点电压和各个风电机组的电压在合理范围内。
本公开第三方面实施例提出了一种电子设备，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，实现如本公开第一方面实施例提出的基于模型预测控制的风电场无功电压协调控制方法。
本公开第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开第一方面实施例提出的基于模型预测控制的风电场无功电压协调控制方法。
本公开第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行如本公开第一方面实施例提出的基于模型预测控制的风电场无功电压协调控制方法。
本公开附加的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，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本公开一实施例提出的基于模型预测控制的风电场无功电压协调控制方法的流程示意图；
图2是相关技术中模型预测控制MPC的控制原理示意图；
图3是本公开实施例中的控制结构图；
图4是本公开另一实施例提出的基于模型预测控制的风电场无功电压协调控制方法的流程示意图；
图5是本公开实施例中风电场的有功出力参考值示意图；
图6是本公开实施例中并网点相关的电压情况示意图；
图7是本公开实施例中20号风机相关的电压情况示意图；
图8是本公开实施例中无功补偿设备的无功出力值示意图；
图9是本公开实施例中20号风机的无功出力值示意图；
图10是本公开一实施例提出的基于模型预测控制的风电场无功电压协调控制装置的结构示意图；
图11为本公开实施例提供的一种电子设备的结构示意图；
具体实施方式
下面详细描述本公开的实施例，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，仅用于解释本公开，而不能理解为对本公开的限制。相反，本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本公开一实施例提出的基于模型预测控制的风电场无功电压协调控制方法的流程示意图。
其中，需要说明的是，本实施例的基于模型预测控制的风电场无功电压协调控制方法的执行主体为基于模型预测控制的风电场无功电压协调控制装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。
如图1所示，该基于模型预测控制的风电场无功电压协调控制方法，包括：
S101：确定待控制系统的当前时刻采样值，并确定灵敏度系数。
其中，当前进行风电场无功电压协调控制的系统，可以被称为待控制系统。
针对待控制系统当前时刻的测量值进行采样得到的值，可以被称为当前时刻采样值。
当前时刻采样值，例如可以是当前时刻的电压测量值、当前时刻的系统各节点电压幅值和相角，或者是与各风机和无功补偿设备分别对应的功率注入值，对此不做限制。
本公开实施例中，在确定待控制系统的当前时刻采样值的同时，还可以确定灵敏度系数，该灵敏度系数能够用于表征出电压偏差对风电场无功电压协调控制系统的影响灵敏程度，该灵敏度系数能够被用于后续辅助构建得到风电场的预测模型。
可选地，一些实施例中，可以是根据待控制系统的节点导纳矩阵和当前时刻的电压测量值，确定灵敏度系数，从而能够快速准确地获取到灵敏度系数，以辅助建模得到具有较高参考价值的风电场的预测模型。
举例而言，可以采用
Figure BDA0003141771910000051
分别表示电压偏差对无功补偿设备、风机功率出力的灵敏度系数，可以通过解析的计算方法算出，例如可以根据待控制系统的节点导纳矩阵和当前时刻的电压测量值，确定灵敏度系数，而待控制系统的节点导纳矩阵的形式可以参见相关技术，在此不再赘述。
当根据待控制系统的节点导纳矩阵和当前时刻的电压测量值，确定灵敏度系数时，可以是采用模型计算的方式得出，例如，确定当前时刻的电压测量值和当前时刻的参考电压进行计算得到电压偏差，而后，根据当前时刻的电压偏差结合待控制系统的节点导纳矩阵，反推出灵敏度系数，或者，也可以采用其它任意可能的方式来确定电压偏差对风电场无功电压协调控制系统的影响灵敏程度，并对该灵敏程度进行相应的量化处理，以得到灵敏度系数，对此不做限制。
S102：根据当前时刻采样值，确定与风机对应的第一功率变化预测值，和与无功补偿设备对应的第二功率变化预测值。
本公开实施例中，当确定待控制系统的当前时刻采样值之后，可以根据当前时刻采样值，确定与风机对应的第一功率变化预测值，和与无功补偿设备对应的第二功率变化预测值。
其中，与风机对应的功率变化预测值，可以被称为第一功率变化预测值，无功补偿设备对应的功率变化预测值，可以被称为第二功率变化预测值。
其中，可以基于MPC控制原则，以当前时刻采样值为基准，以待控制系统的控制向量和状态向量对风机和无功补偿设备的功率变化进行预测，以得到与风机对应的第一功率变化预测值，和与无功补偿设备对应的第二功率变化预测值，对此不做限制。
而针对MPC控制原则的举例说明可以如下：
模型预测控制MPC(Model Predictive Control)又称为滚动时域控制，如图2所示，图2是相关技术中模型预测控制MPC的控制原理示意图，其基本原理是在每一个采样时刻，根据获得的当前测量信息，在线求解一个有限时域的优化问题，并将得到的控制序列的第一个元素作用于被控对象，在下一个采样时刻，重复上述过程，用新的测量值刷新优化问题，并重新求解。
假设存在一个系统的动态模型，写成状态空间模型的形式为：
x(k+1)＝f(x(k),u(k))
y(k)＝h(x(k),u(k))；
其中，x(k)，u(k)，y(k)分别表示k时刻系统的状态、控制和输出，基于该预测模型，可以预测系统起始于y(k)的未来一段时间内的输出，输出的预测值，可以记为：
{yp(k+1|k),yp(k+2|k),...,yp(k+p|k)}；
其中，p称为预测时域，括号中的k+1|k表示在当前时刻k预测k+1时刻的输出，以此类推。此外，在预测输出的同时，还可以预测时域内的控制输入Uk,
Uk＝{u(k|k),u(k+1|k),...,u(k+p-1|k)}。
假设目标是使系统输出接近于期望输出，期望输出定义为，
{r(k+1),r(k+2),...,y(k+p)}；
则可以采用预测输出与期望输出之间的累积误差定义为优化的目标函数，即，
Figure BDA0003141771910000071
上述优化问题可以描述为，
Figure BDA0003141771910000072
假设上述优化问题有解，优化解记为：
Figure BDA0003141771910000073
而后，在实际执行基于模型预测控制MPC的控制时，可以将优化解中的第一个分量u*(k)作用于系统，并在k+1时刻，以新得到的测量值y(k+1)为初始条件，重新预测系统未来的输出，并求解优化问题，得到u*(k+1)作用于系统，随着当前时间的向前推移，预测时域也向前滚动，并且预测时域的长度保持p不变。
S103：根据第一功率变化预测值、第二功率变化预测值，以及灵敏度系数，构建风电场的初始预测模型，初始预测模型包括：风机功率控制的预测模型，和无功补偿设备的风电场预测模型。
其中，针对风电场的初始预测模型
Figure BDA0003141771910000074
的构建过程，可以举例说明如下，该预先建立的系统预测模型是基于风机的预测模型和无功补偿设备的预测模型融合得到的，从而针对系统预测模型的说明可以包括如下三个方面：
1)风机的预测模型：
对于双馈风机，通过矢量控制可以实现有功功率和无功功率的解耦控制。为了便于将模型预测控制(Model Predictive Control，MPC)问题转化为标准二次规划问题，将状态向量、输出向量和控制向量表示为与相应当前测量值的偏差。
举例而言，假设风机的有功和无功参考值和当前测量值分别为
Figure BDA0003141771910000081
PWT(t0)，QWT(t0)，其中t0表示当前时刻。
则控制向量可以表示为
Figure BDA0003141771910000082
在稳态下，由于通信系统和风机控制系统的时间延迟，功率控制动态特性可以描述为一阶滞后函数，由此，风机功率控制的预测模型可以表示为：
Figure BDA0003141771910000083
Figure BDA0003141771910000084
其中，
Figure BDA0003141771910000085
同时，
Figure BDA0003141771910000086
和
Figure BDA0003141771910000087
表示相应的时间常数，其范围设置为1-10s。
2)无功补偿设备的预测模型：
在稳态运行条件下，无功补偿设备的功率控制动态特性与风机相似，而时间常数不同，无功补偿设备时间常数设置为10ms，由此，无功补偿设备的功率控制预测模型如下：
Figure BDA0003141771910000088
其中，
Figure BDA0003141771910000089
AST＝-1/τST，BST＝1/τST，同时，
Figure BDA00031417719100000810
τST为相应的时间常数。
3)融合上述的风机的预测模型和无功补偿设备的预测模型，可以得到整个系统的预测模型：包含NWT台风机和1台无功补偿设备的风电场的预测模型，系统的预测模型可以表示为：
Figure BDA0003141771910000091
其中，
Figure BDA0003141771910000092
为当前状态量，即当前测量值，包括各个风机和无功补偿设备的功率出力变化测量值；
Figure BDA0003141771910000093
为控制变量，即所需求的各个风机和无功补偿设备的功率出力变化参考值，而上述的当前时刻采样值，可以是对各个风机和无功补偿设备的功率出力变化测量值进行采样得到的。
上述系统的预测模型中
Figure BDA0003141771910000094
其中，
Figure BDA0003141771910000095
假设采样时间为ΔTS，为了建立MPC优化问题，可以把上述连续的状态空间表达式转换为离散的状态空间表达式：
Δx(k+1)＝GΔx(k)+HΔu(k)。
S104：构建与初始预测模型对应的目标函数，以得到目标预测模型。
上述构建风电场的初始预测模型，并使得初始预测模型包括：风机功率控制的预测模型，和无功补偿设备的风电场预测模型之后，还可以构建与初始预测模型对应的目标函数，以得到目标预测模型。
其中，该目标函数，可以被视为优化的目标，即采用预测模型进行优化预测时，能够基于该目标函数判定出预测模型输出的预测内容(与风机对应的有功无功出力变化参考值，和与无功补偿设备对应的无功出力变化参考值)是否满足控制标准。
可选地，一些实施例中，构建与初始预测模型对应的目标函数，以得到目标预测模型，可以是构建与初始预测模型对应的第一目标函数，第一目标函数用于拟合预测并网点电压，和参考并网点电压之间的偏差，构建与初始预测模型对应的第二目标函数，第二目标函数用于拟合预测中压母线电压，和参考中压母线电压之间的偏差，构建与初始预测模型对应的第三目标函数，第三目标函数用于拟合风机的端电压偏差，对第一目标函数、第二目标函数，以及第三目标函数进行加权求和，以得到与初始预测模型对应的目标函数，初始预测模型和目标函数被共同作为目标预测模型，从而能够较大程度地提升目标函数的拟合效果，参考了并网点电压、中压母线电压、风机的端电压偏差来辅助确定目标函数，使得目标函数具有较高的可参考性，使得目标函数在评价预测模型的性能时，具有较为准确的判定评价效果。
其中，用于拟合预测并网点电压，和参考并网点电压之间的偏差的目标函数，可以被称为第一用于拟合预测并网点电压，和参考并网点电压之间的偏差，用于拟合预测中压母线电压，和参考中压母线电压之间的偏差的目标函数，可以被称为第二目标函数，用于拟合风机的端电压偏差的目标函数，可以被称为第三目标函数。
上述在拟合得到第一目标函数、第二目标函数，以及第三目标函数之后，可以对第一目标函数、第二目标函数，以及第三目标函数进行加权求和，以得到与初始预测模型对应的目标函数。
举例而言，本公开实施例中基于模型预测控制的风电场无功电压协调控制方法的控制目标，是将并网点、风机的电压保持在适当范围内，减小电压波动，基于下面三方面的考量来构建目标函数：
1)风电场的有功出力波动会导致并网点的电压波动甚至越限。
因此，预测的并网点电压与参考值
Figure BDA0003141771910000101
的偏差
Figure BDA0003141771910000102
可以被优化，从而使并网点电压在整个预测周期内偏差最小，可以表达为如下形式：
Figure BDA0003141771910000103
2)由于中压母线可以反映相应分区的电压水平，因此中压母线电压与参考值的偏差可以被优化，可以表示为：
Figure BDA0003141771910000104
其中，
Figure BDA0003141771910000111
为预测的中压母线电压与参考值的偏差。
3)考量每个风机的端电压的优化，使其端电压偏差最小，目标函数表示如下：
Figure BDA0003141771910000112
并网点、风机的电压偏差预测值可以用如下公式计算：
Figure BDA0003141771910000113
其中，ΔVpre(k)可以替换为
Figure BDA0003141771910000114
V(t0)表示当前时刻的电压测量值。
Figure BDA0003141771910000115
分别表示电压对无功补偿设备、风机功率出力的灵敏度系数，可以通过解析的计算方法算出。
总的电压优化的目标函数可以表示为：
Figure BDA0003141771910000116
其中，
Figure BDA0003141771910000117
和
Figure BDA0003141771910000118
为各个目标函数(第一目标函数、第二目标函数、第三目标函数)对应的权重系数。
上述在构建得到与目标预测模型对应的目标函数之后，还可以配置相应的约束条件：
1)风机和无功补偿设备的功率输出约束如下：
Figure BDA0003141771910000119
Figure BDA00031417719100001110
其中，
Figure BDA00031417719100001111
是风机的可发有功功率；
Figure BDA00031417719100001112
分别为风机的最小无功出力与最大无功出力。
2)系统有功约束：风电场需跟踪上级系统给定的有功输出参考值
Figure BDA00031417719100001113
Figure BDA00031417719100001114
由此，构建得到MPC优化问题，它可以被转换成一个标准的二次规划问题，并采用相关技术中的二次规划求解器进行预测内容的计算，对此不做限制。
S105：根据目标预测模型执行风电场无功电压协调控制。
上述在构建得到目标预测模型之后，可以根据目标预测模型执行风电场无功电压协调控制，如图3所示，图3是本公开实施例中的控制结构图，基于该控制结构图执行本公开实施例中的基于模型预测控制的风电场无功电压协调控制方法。
本实施例中，通过确定待控制系统的当前时刻采样值，并确定灵敏度系数，根据当前时刻采样值，确定与风机对应的第一功率变化预测值，和与无功补偿设备对应的第二功率变化预测值，并根据第一功率变化预测值、第二功率变化预测值，以及灵敏度系数，构建风电场的初始预测模型，初始预测模型包括：风机功率控制的预测模型，和无功补偿设备的风电场预测模型，构建与初始预测模型对应的目标函数，以得到目标预测模型，以及根据目标预测模型执行风电场无功电压协调控制，由于模型预测控制是一种基于预测模型的有限时域滚动优化闭环控制方法，能较好地应对系统不确定性的影响，优化问题中可以清楚地表示控制目标和运行约束条件，考虑了系统的动态响应，采用时间向前滚动式的有限时域优化策略，由此，使用模型预测控制方法求解一个优化问题，从而能够有效地协调控制风电机组有功无功出力和无功补偿设备的无功出力，能够使得并网点电压和各个风电机组的电压在合理范围内。
图4是本公开另一实施例提出的基于模型预测控制的风电场无功电压协调控制方法的流程示意图。
如图4所示，该基于模型预测控制的风电场无功电压协调控制方法，包括：
S401：确定待控制系统的当前时刻采样值，并确定灵敏度系数。
S402：根据当前时刻采样值，确定与风机对应的第一功率变化预测值，和与无功补偿设备对应的第二功率变化预测值。
S403：根据第一功率变化预测值、第二功率变化预测值，以及灵敏度系数，构建风电场的初始预测模型，初始预测模型包括：风机功率控制的预测模型，和无功补偿设备的风电场预测模型。
S404：构建与初始预测模型对应的目标函数，以得到目标预测模型。
S401-S404的描述说明可以具体参见上述实施例，在此不再赘述。
S405：将当前时刻采样值输入至目标预测模型中，并获取目标预测模型输出的与风机对应的有功无功出力变化参考值，和与无功补偿设备对应的无功出力变化参考值。
S406：根据与风机对应的有功无功出力变化参考值控制风电机组的有功无功出力。
S407：根据与无功补偿设备对应的无功出力变化参考值控制无功补偿设备的无功出力，以执行风电场无功电压协调控制。
本公开实施例的预测周期ΔTP＝5s，控制周期TC＝1s，采样周期为ΔTS＝0.2s，每一次风电场无功电压协调控制方法的实施，优化基于当前时刻之后NP＝ΔTP/ΔTS个时间节点的电压偏差。
本公开实施例在一个预测周期中，考虑了风电机组和无功补偿设备的出力变化对各个节点电压的影响，计算出使电压偏差最小的最优出力参考值。所得控制量(与风机对应的有功无功出力变化参考值，和与无功补偿设备对应的无功出力变化参考值)持续作用1s后，基于新的测量值进行下一次预测计算。
本实施例中，由于模型预测控制是一种基于预测模型的有限时域滚动优化闭环控制方法，能较好地应对系统不确定性的影响，优化问题中可以清楚地表示控制目标和运行约束条件，考虑了系统的动态响应，采用时间向前滚动式的有限时域优化策略，由此，使用模型预测控制方法求解一个优化问题，从而能够有效地协调控制风电机组有功无功出力和无功补偿设备的无功出力，能够使得并网点电压和各个风电机组的电压在合理范围内。在建立预测模型的过程中，以风电机组和无功补偿设备有功无功运行约束为前提，以风电场并网点、风电场中压母线、风电的端电压波动最小为优化控制目标，通过节点导纳矩阵和电压测量值的灵敏度分析，结合风机与无功补偿设备的功率变化预测，计算电压偏差预测值，从而辅助构建基于模型预测控制的系统的预测模型，实现了优化控制问题向二次规划问题的转换。通过协调控制风电机组有功无功出力，和无功补偿设备的无功出力，实现风电场内电压的合理分布，并减少电压波动，提高风电场内部电压的均匀度。
针对本公开实施例的举例说明可以如下：
可以针对本公开实施例中的预测模型建立仿真模型，以验证风电场无功电压协调控制方法的控制效果。风电场无功电压协调控制方法的目标是在风电有功出力波动的情况下，将并网点、风机的电压控制在合理的范围内。在建立的仿真模型中研究了其电压控制性能，总的仿真时间是180秒。
如图5、图6、图7所示，图5是本公开实施例中风电场的有功出力参考值示意图；图6是本公开实施例中并网点相关的电压情况示意图，该相关的电压情况指示：并网点在应用风电场无功电压协调控制方法(MPC控制)时和应用恒功率因数控制策略时的电压情况；图7是本公开实施例中20号风机相关的电压情况示意图，该相关的电压情况指示：20号风机在应用风电场无功电压协调控制方法(MPC控制)时和应用恒功率因数控制策略时的电压情况。
由上图可见，在风电有功出力波动情况下，风电场无功电压协调控制方法(MPC控制)可以将并网点电压和风电场内风电机组的电压控制在合理范围，并较大程度地减少了电压波动，具有良好的电压控制效果。
如图8和图9所示，图8是本公开实施例中无功补偿设备的无功出力值示意图，图9是本公开实施例中20号风机的无功出力值示意图，可以看出，随着有功功率输出的增加，无功补偿设备的无功输出也随之增加，以维持无功功率的平衡。风电场无功电压协调控制方法(MPC控制)还实现了对风机的无功输出进行了优化，从而使风电场内部各风电机组的电压分布更为均匀，获得了更好的电压控制效果。
综上，风电场无功电压协调控制方法(MPC控制)可以合理地利用风电机组的无功能力，协调风电机组与无功补偿装置的控制特性，从而使系统电压维持在额定值附近，并减少系统电压波动。
图10是本公开一实施例提出的基于模型预测控制的风电场无功电压协调控制装置的结构示意图。
如图10所示，该基于模型预测控制的风电场无功电压协调控制装置100，包括：
第一确定模块1001，用于确定待控制系统的当前时刻采样值，并确定灵敏度系数；
第二确定模块1002，用于根据所述当前时刻采样值，确定与风机对应的第一功率变化预测值，和与无功补偿设备对应的第二功率变化预测值；
第一构建模块1003，用于根据所述第一功率变化预测值、所述第二功率变化预测值，以及所述灵敏度系数，构建风电场的初始预测模型，所述初始预测模型包括：风机功率控制的预测模型，和无功补偿设备的风电场预测模型；
第二构建模块1004，用于构建与所述初始预测模型对应的目标函数，以得到目标预测模型；以及
执行模块1005，用于根据所述目标预测模型执行风电场无功电压协调控制。
在本公开的一些实施例中，第一构建模块1003，具体用于：
根据所述第一功率变化预测值和灵敏度系数计算与风机对应的第一电压偏差预测值；
根据所述第二功率变化预测值和所述灵敏度系数计算与无功补偿设备对应的第二电压偏差预测值；
根据所述第一功率变化预测值、所述第二功率变化预测值、所述灵敏度系数、所述第一电压偏差预测值，以及所述第二电压偏差预测值构建所述风电场的初始预测模型。
在本公开的一些实施例中，第二构建模块1004，具体用于：
构建与所述初始预测模型对应的第一目标函数，所述第一目标函数用于拟合预测并网点电压，和参考并网点电压之间的偏差；
构建与所述初始预测模型对应的第二目标函数，所述第二目标函数用于拟合预测中压母线电压，和参考中压母线电压之间的偏差；
构建与所述初始预测模型对应的第三目标函数，所述第三目标函数用于拟合风机的端电压偏差；
对所述第一目标函数、所述第二目标函数，以及所述第三目标函数进行加权求和，以得到与所述初始预测模型对应的目标函数，所述初始预测模型和所述目标函数被共同作为所述目标预测模型。
在本公开的一些实施例中，第一确定模块1001，具体用于：
根据所述待控制系统的节点导纳矩阵和当前时刻的电压测量值，确定所述灵敏度系数。
在本公开的一些实施例中，执行模块1005，具体用于：
将所述当前时刻采样值输入至所述目标预测模型中，并获取所述目标预测模型输出的与所述风机对应的有功无功出力变化参考值，和与所述无功补偿设备对应的无功出力变化参考值；
根据与所述风机对应的有功无功出力变化参考值控制风电机组的有功无功出力；
根据与所述无功补偿设备对应的无功出力变化参考值控制无功补偿设备的无功出力，以执行所述风电场无功电压协调控制。
需要说明的是，前述对基于模型预测控制的风电场无功电压协调控制方法实施例的解释说明也适用于该实施例的基于模型预测控制的风电场无功电压协调控制装置，此处不再赘述。
本实施例中，通过确定待控制系统的当前时刻采样值，并确定灵敏度系数，根据当前时刻采样值，确定与风机对应的第一功率变化预测值，和与无功补偿设备对应的第二功率变化预测值，并根据第一功率变化预测值、第二功率变化预测值，以及灵敏度系数，构建风电场的初始预测模型，初始预测模型包括：风机功率控制的预测模型，和无功补偿设备的风电场预测模型，构建与初始预测模型对应的目标函数，以得到目标预测模型，以及根据目标预测模型执行风电场无功电压协调控制，由于模型预测控制是一种基于预测模型的有限时域滚动优化闭环控制方法，能较好地应对系统不确定性的影响，优化问题中可以清楚地表示控制目标和运行约束条件，考虑了系统的动态响应，采用时间向前滚动式的有限时域优化策略，由此，使用模型预测控制方法求解一个优化问题，从而能够有效地协调控制风电机组有功无功出力和无功补偿设备的无功出力，能够使得并网点电压和各个风电机组的电压在合理范围内。
图11为本公开实施例提供的一种电子设备的结构示意图。
该电子设备包括：
存储器1101、处理器1102及存储在存储器1101上并可在处理器1102上运行的计算机程序。
处理器1102执行程序时实现上述实施例中提供的基于模型预测控制的风电场无功电压协调控制方法。
在一种可能的实现方式中，电子设备还包括：
通信接口1103，用于存储器1101和处理器1102之间的通信。
存储器1101，用于存放可在处理器1102上运行的计算机程序。
存储器1101可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器1102，用于执行程序时实现上述实施例的基于模型预测控制的风电场无功电压协调控制方法。
如果存储器1101、处理器1102和通信接口1103独立实现，则通信接口1103、存储器1101和处理器1102可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器1101、处理器1102及通信接口1103，集成在一块芯片上实现，则存储器1101、处理器1102及通信接口1103可以通过内部接口完成相互间的通信。
处理器1102可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本公开实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的基于模型预测控制的风电场无功电压协调控制方法。
为了实现上述实施例，本公开还提出一种计算机程序产品，当计算机程序产品中的指令由处理器执行时，执行上述实施例示出的基于模型预测控制的风电场无功电压协调控制方法。
需要说明的是，在本公开的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“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公开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。
尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种基于模型预测控制的风电场无功电压协调控制方法，其特征在于，所述方法包括：
确定待控制系统的当前时刻采样值，并确定灵敏度系数；
根据所述当前时刻采样值，确定与风机对应的第一功率变化预测值，和与无功补偿设备对应的第二功率变化预测值；
根据所述第一功率变化预测值、所述第二功率变化预测值，以及所述灵敏度系数，构建风电场的初始预测模型，所述初始预测模型包括：风机功率控制的预测模型，和无功补偿设备的风电场预测模型；
构建与所述初始预测模型对应的目标函数，以得到目标预测模型；以及
根据所述目标预测模型执行风电场无功电压协调控制；
其中，所述根据所述第一功率变化预测值、所述第二功率变化预测值，以及所述灵敏度系数，构建风电场的初始预测模型，包括：
根据所述第一功率变化预测值和灵敏度系数计算与风机对应的第一电压偏差预测值；
根据所述第二功率变化预测值和所述灵敏度系数计算与无功补偿设备对应的第二电压偏差预测值；
根据所述第一功率变化预测值、所述第二功率变化预测值、所述灵敏度系数、所述第一电压偏差预测值，以及所述第二电压偏差预测值构建所述风电场的初始预测模型；
其中，所述构建与所述初始预测模型对应的目标函数，以得到目标预测模型，包括：
构建与所述初始预测模型对应的第一目标函数，所述第一目标函数用于拟合预测并网点电压，和参考并网点电压之间的偏差；
构建与所述初始预测模型对应的第二目标函数，所述第二目标函数用于拟合预测中压母线电压，和参考中压母线电压之间的偏差；
构建与所述初始预测模型对应的第三目标函数，所述第三目标函数用于拟合风机的端电压偏差；
对所述第一目标函数、所述第二目标函数，以及所述第三目标函数进行加权求和，以得到与所述初始预测模型对应的目标函数，所述初始预测模型和所述目标函数被共同作为所述目标预测模型；
其中，所述根据所述目标预测模型执行风电场无功电压协调控制，包括：
将所述当前时刻采样值输入至所述目标预测模型中，并获取所述目标预测模型输出的与所述风机对应的有功无功出力变化参考值，和与所述无功补偿设备对应的无功出力变化参考值；
根据与所述风机对应的有功无功出力变化参考值控制风电机组的有功无功出力；
根据与所述无功补偿设备对应的无功出力变化参考值控制无功补偿设备的无功出力，以执行所述风电场无功电压协调控制。
2.如权利要求1所述的方法，其特征在于，所述确定灵敏度系数，包括：
根据所述待控制系统的节点导纳矩阵和当前时刻的电压测量值，确定所述灵敏度系数。
3.一种基于模型预测控制的风电场无功电压协调控制装置，其特征在于，所述装置包括：
第一确定模块，用于确定待控制系统的当前时刻采样值，并确定灵敏度系数；
第二确定模块，用于根据所述当前时刻采样值，确定与风机对应的第一功率变化预测值，和与无功补偿设备对应的第二功率变化预测值；
第一构建模块，用于根据所述第一功率变化预测值、所述第二功率变化预测值，以及所述灵敏度系数，构建风电场的初始预测模型，所述初始预测模型包括：风机功率控制的预测模型，和无功补偿设备的风电场预测模型；
第二构建模块，用于构建与所述初始预测模型对应的目标函数，以得到目标预测模型；以及
执行模块，用于根据所述目标预测模型执行风电场无功电压协调控制；
其中，所述第一构建模块，具体用于：
根据所述第一功率变化预测值和灵敏度系数计算与风机对应的第一电压偏差预测值；
根据所述第二功率变化预测值和所述灵敏度系数计算与无功补偿设备对应的第二电压偏差预测值；
根据所述第一功率变化预测值、所述第二功率变化预测值、所述灵敏度系数、所述第一电压偏差预测值，以及所述第二电压偏差预测值构建所述风电场的初始预测模型；
其中，所述第二构建模块，具体用于：
构建与所述初始预测模型对应的第一目标函数，所述第一目标函数用于拟合预测并网点电压，和参考并网点电压之间的偏差；
构建与所述初始预测模型对应的第二目标函数，所述第二目标函数用于拟合预测中压母线电压，和参考中压母线电压之间的偏差；
构建与所述初始预测模型对应的第三目标函数，所述第三目标函数用于拟合风机的端电压偏差；
对所述第一目标函数、所述第二目标函数，以及所述第三目标函数进行加权求和，以得到与所述初始预测模型对应的目标函数，所述初始预测模型和所述目标函数被共同作为所述目标预测模型；
其中，所述执行模块，具体用于：
将所述当前时刻采样值输入至所述目标预测模型中，并获取所述目标预测模型输出的与所述风机对应的有功无功出力变化参考值，和与所述无功补偿设备对应的无功出力变化参考值；
根据与所述风机对应的有功无功出力变化参考值控制风电机组的有功无功出力；
根据与所述无功补偿设备对应的无功出力变化参考值控制无功补偿设备的无功出力，以执行所述风电场无功电压协调控制。
4.如权利要求3所述的装置，其特征在于，所述第一确定模块，具体用于：
根据所述待控制系统的节点导纳矩阵和当前时刻的电压测量值，确定所述灵敏度系数。
5.一种电子设备，其特征在于，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，实现如权利要求1-2中任一所述的方法。
6.一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-2中任一项所述的方法。
CN202110736543.XA 2021-06-30 2021-06-30 基于模型预测控制的风电场无功电压协调控制方法和装置 Active CN113937783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110736543.XA CN113937783B (zh) 2021-06-30 2021-06-30 基于模型预测控制的风电场无功电压协调控制方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110736543.XA CN113937783B (zh) 2021-06-30 2021-06-30 基于模型预测控制的风电场无功电压协调控制方法和装置

Publications (2)

Publication Number Publication Date
CN113937783A CN113937783A (zh) 2022-01-14
CN113937783B true CN113937783B (zh) 2022-08-30

Family

ID=79274306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110736543.XA Active CN113937783B (zh) 2021-06-30 2021-06-30 基于模型预测控制的风电场无功电压协调控制方法和装置

Country Status (1)

Country Link
CN (1) CN113937783B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115459299A (zh) * 2022-10-11 2022-12-09 南方电网数字电网研究院有限公司 低压配电无功调节方法、装置、计算机设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3080888A1 (en) * 2013-12-11 2016-10-19 Vestas Wind Systems A/S A wind power plant, and a method for controlling a reactive current injection in a wind power plant
CN109149638A (zh) * 2018-09-17 2019-01-04 山东大学 基于mpc和admm算法的vsc-hvdc并网风电场分布式协调电压控制方法及系统
CN109861202A (zh) * 2018-11-15 2019-06-07 国网江苏省电力有限公司电力科学研究院 一种柔性互联配电网动态优化调度方法及系统
CN111244968A (zh) * 2020-02-05 2020-06-05 山东大学 计及电网电压支撑能力影响的风电场电压控制方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3080888A1 (en) * 2013-12-11 2016-10-19 Vestas Wind Systems A/S A wind power plant, and a method for controlling a reactive current injection in a wind power plant
CN109149638A (zh) * 2018-09-17 2019-01-04 山东大学 基于mpc和admm算法的vsc-hvdc并网风电场分布式协调电压控制方法及系统
CN109861202A (zh) * 2018-11-15 2019-06-07 国网江苏省电力有限公司电力科学研究院 一种柔性互联配电网动态优化调度方法及系统
CN111244968A (zh) * 2020-02-05 2020-06-05 山东大学 计及电网电压支撑能力影响的风电场电压控制方法及系统

Also Published As

Publication number Publication date
CN113937783A (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
Al-Othman et al. Uncertainty modelling in power system state estimation
CN106849078B (zh) 一种计及死区非线性的电力系统稳态频率预测方法
US10311651B2 (en) Method and system for providing dynamic pricing algorithm with embedded controller for high occupancy toll lanes
WO2022057457A1 (zh) 配电网电压的区域协调控制方法、装置与电子设备
CN113937783B (zh) 基于模型预测控制的风电场无功电压协调控制方法和装置
JP5915342B2 (ja) 電力系統の状態推定方法
Al-Othman et al. Analysis of confidence bounds in power system state estimation with uncertainty in both measurements and parameters
CN115390459B (zh) 模型预测控制方法及装置
CN105867138A (zh) 一种基于pid控制器的稳定平台控制方法及装置
CN112577515A (zh) 惯性传感器、用于惯性传感器的自校准的方法和计算机可读的介质
CN110502842B (zh) 功率半导体模块的热模型建模方法及其应用方法和装置
CN114567288B (zh) 基于变分贝叶斯的分布协同非线性系统状态估计方法
CN109698505B (zh) 大电网静态电压稳定在线防控的调控量化映射计算方法
EP4315544A1 (en) Power system model calibration using measurement data
CN112505386B (zh) 一种用于检定直流充电桩电流值的方法及系统
US20180337837A1 (en) Data center management method, management apparatus, and data center system
CN108828954A (zh) 气候风洞自适应预测控制系统及其控制方法
CN107957685B (zh) 一种求解含噪声时变问题的神经动力学方法
Xu et al. Adaptive coordination of distributed energy resources in lossy power distribution systems
JP6848710B2 (ja) プラント制御調整装置及び方法
JP5636922B2 (ja) 性能予測装置、性能予測方法およびプログラム
CN113031435A (zh) 数字式双频扩张状态观测器及扰动观测方法
CN112329995A (zh) 分布式储能集群的优化调度方法、装置和计算机设备
CN113945262A (zh) 偏载误差修正方法和系统
CN116885926B (zh) 电流环比例控制参数的动态整定方法及装置

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