CN113962162A - 一种含高比例新能源交直流混联系统仿真建模方法 - Google Patents
一种含高比例新能源交直流混联系统仿真建模方法 Download PDFInfo
- Publication number
- CN113962162A CN113962162A CN202111374193.3A CN202111374193A CN113962162A CN 113962162 A CN113962162 A CN 113962162A CN 202111374193 A CN202111374193 A CN 202111374193A CN 113962162 A CN113962162 A CN 113962162A
- Authority
- CN
- China
- Prior art keywords
- data
- new energy
- model
- proportion
- alternating current
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005094 computer simulation Methods 0.000 title claims abstract description 27
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 16
- 238000013178 mathematical model Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 239000003990 capacitor Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 2
- 238000002759 z-score normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H02J3/36—Arrangements for transfer of electric power between ac networks via a high-tension dc link
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
-
- 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
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种含高比例新能源交直流混联系统仿真建模方法,具体包括以下步骤:S1:构建基于模型‑数据混合驱动的MMC新型等效模型;S2:构建基于数据驱动的新能源并网系统等效模型;S3:将基于模型‑数据混合驱动的MMC新型等效模型和基于数据驱动的新能源并网系统等效模型有效融合起来,得到基于模型‑数据混合驱动的含高比例新能源交直流混联系统仿真模型;本发明实现对柔性直流输电、新能源机组等电力系统关键部件的精准建模,最大程度地还原实际物理电网的真实运行状态,有效提升模型的准确性和实用性,为电网运行状态监测与分析提供全面、透明、多层次的观测和推演视角。
Description
技术领域
本发明属于电力系统技术领域,具体为一种基于模型-数据混合驱动的含高比例新能源交直流混联系统仿真建模方法。
背景技术
基于电网发展现状及未来规划,我国电力系统将在较长一段时间内,呈现出高比例新能源并网和交直流混联输电两大重要特征与发展趋势。一方面,风电、光伏等新能源机组出力具有随机性、间歇性等固有特征;另一方面,高电压等级、大容量电力电子器件的广泛使用,以及直流闭锁、母线开断、机组跳闸等潜在故障将进一步增加电力系统运行方式的时变性、复杂性和不确定性,从而给电网安全稳定运行带来巨大挑战。
为实现对电力系统运行状态的精准分析和快速评估,并对相关控制策略进行有效验证,需要对实际物理电网进行精准建模,并尽可能最大程度地还原电力系统真实的运行状态。
电力系统精准仿真建模是电网运行特征分析与控制策略验证的重要基础和有效工具。传统电力系统仿真建模的主要思路是基于人造系统的基本物理原理,推导出电力系统的微分代数方程,并通过数字化建模方法最终得到基于知识驱动的数学模型。这种建模方法具有较为清晰的物理概念与数学逻辑,但在精准描述系统未建模动态和不确定信息等方面存在一定的局限性,尤其是在高比例新能源并网与交直流混联输电背景下,电力系统呈现出更加复杂的非线性和时变特性,而大量电力电子器件的规模化建模也存在一些难以解决的问题。
因此,传统仿真建模方法已无法完全满足对新能源发电侧以及直流输电侧动态特性进行精准实时刻画的需求,亟需探索一种新型的数字仿真建模方法来进一步提升电力系统模型的准确性和有效性。
发明内容
本发明的目的在于提供了一种含高比例新能源交直流混联系统仿真建模方法,以解决传统仿真建模方法已无法完全满足对新能源发电侧以及直流输电侧动态特性进行精准实时刻画的需求的问题。
实现本发明目的的技术解决方案为:一种含高比例新能源交直流混联系统仿真建模方法,具体包括以下步骤:
S1:构建基于模型-数据混合驱动的MMC新型等效模型;
S2:构建基于数据驱动的新能源并网系统等效模型;
S3:将基于模型-数据混合驱动的MMC新型等效模型和基于数据驱动的新能源并网系统等效模型有效融合起来,得到基于模型-数据混合驱动的含高比例新能源交直流混联系统仿真模型。
更进一步的,所述构建基于模型-数据混合驱动的MMC新型等效模型具体步骤如下:
S11:PWM环节数据收集;
S12:数据归一化;
S13:第一训练数据集;
S14:时间卷积神经网络;
S15:基于数据驱动的PWM模型;
S16:基于数据驱动的PWM模型和PI控制环节线性化模型融合成基于模型-数据混合驱动的MMC新型等效模型。
更进一步的,所述构建基于数据驱动的新能源并网系统等效模型,具体步骤如下:
S21:新能源并网系统数据收集;
S22:数据归一化;
S23:形成第二训练数据集;
S24:时间卷积神经网络;
S25:基于数据驱动的新能源并网系统模型。
更进一步的,所述PWM环节数据包括:系统层面确定的有功类、无功类物理量整定值Qref,以及交、直流侧反馈回来的系统实测信号Vdc,Q,Vd,Vq,Id,Iq,上述信号作为输入信号;另外,三相交流电压d-q轴分量Vcd,Vcq作为输出信号。
更进一步的,所述数据归一化采用Z-score标准化方法对原始数据进行归一化,即将原始数据的均值和标准差进行数据的归一化;经过处理的数据符合标准正态分布,即均值为0,标准差为1;
其中μ为所有样本数据的均值,σ为所有样本数据的标准差。
更进一步的,所述S16中的PI控制环节的线性化数学模型表示如下:
式(1)中PIdout,PIqout分别为PI控制环节的d、q轴分量;和Id,Iq分别为电流信号d、q轴分量的参考值和实际值;Vdc分别为直流电压的参考值和实际值;Qref,Q分别为无功功率的参考值和实际值;Kp_id,Ki_id分别为有功类内环控制环节的比例和积分系数;Kp_iq,Ki_iq分别为无功类内环控制环节的比例和积分系数;Kp_vdc,Ki_vdc分别为有功类外环控制环节的比例和积分系数;Kp_v,Ki_v分别为无功类外环控制环节的比例和积分系数;S表示复频域中的复参变量;
PWM模型的输入信号为PI控制环节输出信号与交流侧反馈信号进行数学加减运算后得到的参考电压:
PWM通过脉宽调制原理生成MMC各子模块的脉冲控制信号,并最终生成网侧三相交流信号,即输出信号为调制后的dq轴电压分量Vcd,Vcq;设PWM输入输出之间的函数映射关系为fPWM(·),则调制后的电压d、q轴分量分别为Vcd,Vcq,可表示为:
综合式(1)~式(3),可得基于模型-数据混合驱动的MMC等效数学模型如下:
上式(4)中,列向量由MMC混合驱动数学模型中的输入信号构成,包含了系统层面确定的有功类、无功类物理量整定值Qref,以及交、直流侧反馈回来的系统实测信号Vdc,Q,Vd,Vq,Id,Iq;Cd,Cq则分别表示为MMC有功类、无功类PI控制环节各系数组成的行向量;而MMC混合驱动等效模型的输出信号为交流系统中三相交流电压的d、q轴分量Vcd,Vcq。
更进一步的,所述新能源并网系统数据包括风电机组的PCC点处电压电容器直流电压以及风速υω等作为输入信号,光伏电站所在地的光照强度Linten与环境温度T作为输入信号,PCC连接处的有功/无功功率和作为输出信号。
有益效果:
本发明为了克服传统仿真建模方法无法完全对新能源发电侧以及直流输电侧未建模动态和不确定信息等方面进行精准刻画的局限性,提出了一种新型的基于模型-数据混合驱动的电力系统精准仿真建模方法,利用仿真对象的物理模型、实时及历史运行等数据,采用模型驱动和数据驱动相结合的建模方法对含高比例新能源交直流混联系统中的未建模动态和不确定信息等方面进行精准刻画,实现对柔性直流输电、新能源机组等电力系统关键部件的精准建模,最大程度地还原实际物理电网的真实运行状态,有效提升模型的准确性和实用性,为电网运行状态监测与分析提供全面、透明、多层次的观测和推演视角。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明含高比例新能源交直流混联系统仿真建模方法基本原理图。
图2为本发明含高比例新能源交直流混联系统仿真建模方法整体框架图。
图3为MMC内、外环控制原理示意图。
图4为MMC换流器的PWM调制环节。
图5为新能源并网系统结构示意图。
具体实施方式
为了更加清楚地描述本发明的思想,技术方案和优点,具体实施方式通过实施例和附图来表明。显然地,所描述的实施例是本发明的一部分实施例,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未付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。
图1阐述了本发明所提出的基于模型-数据混合驱动的电力系统仿真建模方法的整体思路,从图中可知将基于微分代数方程的知识驱动模型与基于统计相关性的数据驱动模型进行有效融合是数字孪生仿真建模的基本前提。
实施例
如图2-4所示,一种含高比例新能源交直流混联系统仿真建模方法,具体包括以下步骤:
S1:构建基于模型-数据混合驱动的MMC新型等效模型;
所述构建基于模型-数据混合驱动的MMC新型等效模型具体步骤如下:
S11:PWM环节数据收集;
所述PWM环节数据包括:系统层面确定的有功类、无功类物理量整定值Qref,以及交、直流侧反馈回来的系统实测信号Vdc,Q,Vd,Vq,Id,Iq,上述信号作为输入信号;另外,三相交流电压d-q轴分量Vcd,Vcq作为输出信号;
S12:数据归一化;
所述数据归一化采用Z-score标准化方法对原始数据进行归一化,即将原始数据的均值和标准差进行数据的归一化;经过处理的数据符合标准正态分布,即均值为0,标准差为1;
其中μ为所有样本数据的均值,σ为所有样本数据的标准差。
S13:第一训练数据集;
S14:时间卷积神经网络,基于所形成的训练数据集,采用时间卷积神经网络算法对PWM模型进行学习和训练;
S15:基于数据驱动的PWM模型,利用电网历史和实测数据对PWM模型准确性进行验证,最终形成基于数据驱动的PWM模型;
S16:基于数据驱动的PWM模型和PI控制环节线性化模型融合成基于模型-数据混合驱动的MMC新型等效模型。
PI控制环节的线性化数学模型表示如下:
式(1)中PIdout,PIqout分别为PI控制环节的d、q轴分量;和Id,Iq分别为电流信号d、q轴分量的参考值和实际值;Vdc分别为直流电压的参考值和实际值;Qref,Q分别为无功功率的参考值和实际值;Kp_id,Ki_id分别为有功类内环控制环节的比例和积分系数;Kp_iq,Ki_iq分别为无功类内环控制环节的比例和积分系数;Kp_vdc,Ki_vdc分别为有功类外环控制环节的比例和积分系数;Kp_v,Ki_v分别为无功类外环控制环节的比例和积分系数;S表示复频域中的复参变量;
PWM模型的输入信号为PI控制环节输出信号与交流侧反馈信号进行数学加减运算后得到的参考电压:
PWM通过脉宽调制原理生成MMC各子模块的脉冲控制信号,并最终生成网侧三相交流信号,即输出信号为调制后的dq轴电压分量Vcd,Vcq;设PWM输入输出之间的函数映射关系为fPWM(·),则调制后的电压d、q轴分量分别为Vcd,Vcq,可表示为:
综合式(1)~式(3),可得基于模型-数据混合驱动的MMC等效数学模型如下:
上式(4)中,列向量由MMC混合驱动数学模型中的输入信号构成,包含了系统层面确定的有功类、无功类物理量整定值Qref,以及交、直流侧反馈回来的系统实测信号Vdc,Q,Vd,Vq,Id,Iq;Cd,Cq则分别表示为MMC有功类、无功类PI控制环节各系数组成的行向量;而MMC混合驱动等效模型的输出信号为交流系统中三相交流电压的d、q轴分量Vcd,Vcq。
S2:构建基于数据驱动的新能源并网系统等效模型,具体步骤如下:
S21:新能源并网系统数据收集;
S22:数据归一化;
所述数据归一化采用Z-score标准化方法对原始数据进行归一化,即将原始数据的均值和标准差进行数据的归一化;经过处理的数据符合标准正态分布,即均值为0,标准差为1;
其中μ为所有样本数据的均值,σ为所有样本数据的标准差。
S23:形成第二训练数据集;
S24:时间卷积神经网络,基于所形成的训练数据集,采用时间卷积神经网络算法对新能源并网系统模型进行学习和训练;
S25:基于数据驱动的新能源并网系统模型。利用电网历史和实测数据对新能源并网等效模型的准确性进行验证,最终形成基于数据驱动的新能源并网系统模型。
随着新能源并网规模逐步提升,存在新能源机组大量参数无法直接观测、系统模型阶数急剧增长、控制方式复杂多变等问题。传统的新能源并网系统数学模型通常只能表征某种典型运行方式下新能源并网系统的运行特性,而无法准确描述新能源机组随天气条件动态变化的运行状态。另外,在对风电/光伏机组整流器/逆变器中电力电子设备建模时,存在忽略开关器件高频开关状态,未考虑脉冲宽度调制建模的问题。因此,本专利采用时间卷积神经网络算法来拟合新能源并网系统输入输出信号之间的非线性映射关系,从而在一定程度上摆脱基于物理模型建模方法的局限性。
图5为新能源机组并网系统结构示意图。其中,G1、G2...GN表示电力系统中N台电气设备,包括同步机、风电、光伏等发电设备。灰色区域表示电力网络,包括变压器、输电线路、负荷等。虚线部分表示风电/光伏新能源机组接入点,风电/光伏机组通过公共连接点(PCC)接入外部交流系统。
通过对包含新能源机组在内的电力系统线性化模型的推导,本专利选取PCC点处电压、电容器直流电压以及风速等作为数据驱动建模的特征。选取光伏电站所在地的光照强度与环境温度作为输入信号,PCC连接处的有功/无功功率作为输出信号。
S3:将基于模型-数据混合驱动的MMC新型等效模型和基于数据驱动的新能源并网系统等效模型有效融合起来,得到基于模型-数据混合驱动的含高比例新能源交直流混联系统仿真模型。
上述所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种含高比例新能源交直流混联系统仿真建模方法,其特征在于,具体包括以下步骤:
S1:构建基于模型-数据混合驱动的MMC新型等效模型;
S2:构建基于数据驱动的新能源并网系统等效模型;
S3:将基于模型-数据混合驱动的MMC新型等效模型和基于数据驱动的新能源并网系统等效模型有效融合起来,得到基于模型-数据混合驱动的含高比例新能源交直流混联系统仿真模型。
2.根据权利要求1所述的含高比例新能源交直流混联系统仿真建模方法,其特征在于,所述构建基于模型-数据混合驱动的MMC新型等效模型具体步骤如下:
S11:PWM环节数据收集;
S12:数据归一化;
S13:第一训练数据集;
S14:时间卷积神经网络;
S15:基于数据驱动的PWM模型;
S16:基于数据驱动的PWM模型和PI控制环节线性化模型融合成基于模型-数据混合驱动的MMC新型等效模型。
3.根据权利要求2所述的含高比例新能源交直流混联系统仿真建模方法,其特征在于,所述构建基于数据驱动的新能源并网系统等效模型,具体步骤如下:
S21:新能源并网系统数据收集;
S22:数据归一化;
S23:形成第二训练数据集;
S24:时间卷积神经网络;
S25:基于数据驱动的新能源并网系统模型。
7.根据权利要求6所述的含高比例新能源交直流混联系统仿真建模方法,其特征在于,所述S16中的PI控制环节的线性化数学模型表示如下:
式(1)中PIdout,PIqout分别为PI控制环节的d、q轴分量;和Id,Iq分别为电流信号d、q轴分量的参考值和实际值;Vdc分别为直流电压的参考值和实际值;Qref,Q分别为无功功率的参考值和实际值;Kp_id,Ki_id分别为有功类内环控制环节的比例和积分系数;Kp_iq,Ki_iq分别为无功类内环控制环节的比例和积分系数;Kp_vdc,Ki_vdc分别为有功类外环控制环节的比例和积分系数;Kp_v,Ki_v分别为无功类外环控制环节的比例和积分系数;S表示复频域中的复参变量;
PWM模型的输入信号为PI控制环节输出信号与交流侧反馈信号进行数学加减运算后得到的参考电压:
PWM通过脉宽调制原理生成MMC各子模块的脉冲控制信号,并最终生成网侧三相交流信号,即输出信号为调制后的dq轴电压分量Vcd,Vcq;设PWM输入输出之间的函数映射关系为fPWM(·),则调制后的电压d、q轴分量分别为Vcd,Vcq,可表示为:
综合式(1)~式(3),可得基于模型-数据混合驱动的MMC等效数学模型如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374193.3A CN113962162A (zh) | 2021-11-19 | 2021-11-19 | 一种含高比例新能源交直流混联系统仿真建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374193.3A CN113962162A (zh) | 2021-11-19 | 2021-11-19 | 一种含高比例新能源交直流混联系统仿真建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962162A true CN113962162A (zh) | 2022-01-21 |
Family
ID=79471154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111374193.3A Pending CN113962162A (zh) | 2021-11-19 | 2021-11-19 | 一种含高比例新能源交直流混联系统仿真建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962162A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114123200A (zh) * | 2022-01-24 | 2022-03-01 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
-
2021
- 2021-11-19 CN CN202111374193.3A patent/CN113962162A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114123200A (zh) * | 2022-01-24 | 2022-03-01 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
CN114123200B (zh) * | 2022-01-24 | 2022-04-12 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kou et al. | Fault diagnosis for open‐circuit faults in NPC inverter based on knowledge‐driven and data‐driven approaches | |
CN112531694B (zh) | 基于数字孪生技术的交直流混合电网全域实时模拟方法 | |
Zhang et al. | Fault diagnosis of wind turbine power converter considering wavelet transform, feature analysis, judgment and BP neural network | |
Liang et al. | A novel fault diagnostic method in power converters for wind power generation system | |
CN105870953B (zh) | 一种光储联合并网系统及其控制方法 | |
Wang et al. | Stability enhancement of large-scale integration of wind, solar, and marine-current power generation fed to an SG-based power system through an LCC-HVDC link | |
Kamel et al. | Fault diagnosis and on-line monitoring for grid-connected single-phase inverters | |
Rao et al. | An adaptive neuro-fuzzy control strategy for improved power quality in multi-microgrid clusters | |
CN104578134B (zh) | 一种最大功率点跟踪方法和系统 | |
CN103020385A (zh) | 基于RTDS电网500kV主网建模仿真系统 | |
CN103997059B (zh) | 三相单级光伏并网的电磁与机电暂态模型的建模方法 | |
CN102253338A (zh) | 一种风电机组变频器智能故障诊断方法 | |
CN104297568A (zh) | 双绕组电机的绝缘电阻检测装置及方法 | |
CN113962162A (zh) | 一种含高比例新能源交直流混联系统仿真建模方法 | |
CN202837422U (zh) | 一种基于fpga与dsp的风力发电电能质量监测装置 | |
Razzak et al. | Design of a grid-connected photovoltaic inverter with maximum power point tracking using perturb and observe technique | |
CN102608468A (zh) | 一种检测海上风电柔性直流输电变流器特性的试验系统 | |
Xue et al. | A data-driven diagnosis method of open-circuit switch faults for PMSG-based wind generation system | |
Xia et al. | A learning-based method for speed sensor fault diagnosis of induction motor drive systems | |
CN110210152A (zh) | 一种超高次谐波源建模方法 | |
CN108663604A (zh) | 一种逆变器测试平台 | |
CN107196307A (zh) | 一种变压器故障后电网有功潮流快速估算的方法 | |
Sim et al. | Enhance cascaded H-bridge multilevel inverter with artificial intelligence control | |
Li et al. | Improvement of model predictive control for single‐phase inverters by using sinusoidal signal observers | |
Kuyumani et al. | Harmonic current and voltage monitoring using artificial neural network |
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 |