CN114236281A - 工业用户谐波污染分布情况辨识方法 - Google Patents
工业用户谐波污染分布情况辨识方法 Download PDFInfo
- Publication number
- CN114236281A CN114236281A CN202111527133.0A CN202111527133A CN114236281A CN 114236281 A CN114236281 A CN 114236281A CN 202111527133 A CN202111527133 A CN 202111527133A CN 114236281 A CN114236281 A CN 114236281A
- Authority
- CN
- China
- Prior art keywords
- harmonic
- formula
- current
- branch
- distribution system
- 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 21
- 238000001228 spectrum Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 41
- 239000002245 particle Substances 0.000 claims description 38
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000001149 cognitive effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
Images
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
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
Description
技术领域
本发明涉及电网运维技术领域,尤其是工业用户谐波污染分布情况辨识方法。
背景技术
目前针对工业用户的电能质量测试仅在用户的公共连接点处进行,而用户的配电系统可能存在多条母线和多条支线,但用户大多不愿配合电力公司深入其配电系统进行详细的测试,大型工业用户尤其如此,因此无法得出电能质量问题的源头及其严重程度。
目前工业用户中谐波问题突出,谐波使得电气设备过热、产生振动和噪声,使绝缘老化、寿命缩短,甚至使得设备发生故障或烧毁。因而治理配电系统中的谐波、改善电能质量对于工业用户尤为重要。而目前没有适当的方法对工业用户配电系统中的谐波污染分布情况进行辨识,难以对谐波进行精确治理。
中频炉、电弧炉、变频器等非线性负荷在工业用户中广泛存在,工业用户的谐波问题是最主要的电能质量问题之一,谐波的治理通常在低电压等级处进行治理,但针对仅在公共连接点处进行电能质量测试的情况,无法分析配电系统各支路的谐波电流水平,且目前没有合适的方法来辨识谐波污染的分布情况,因此无法设计有效的治理方案,实施针对性的治理。
发明内容
本发明提出工业用户谐波污染分布情况辨识方法,提出了基于多源数据的工业配电系统馈线谐波频谱求解方法,基于该方法可以得到用户配电系统的谐波污染分布情况,为谐波的精准治理提供依据。
本发明采用以下技术方案。
工业用户谐波污染分布情况辨识方法,所述方法基于多源数据对工业配电系统的馈线谐波频谱进行求解,来得到用户配电系统的谐波污染分布情况,包括以下步骤;
步骤S2、把电流相量实部、虚部中的谐波电流幅值用谐波含有率的形式表达,通过电流有效值和基波值之间的转换,计算得到各支线的各次谐波电流和各支线的谐波频谱特性;
步骤S3、设监测点处测得的谐波电压相量等于各支线的谐波电压相量,即假设支线的谐波电压已知,每条馈线的功率因数已知,推导出各支路基波电流落后电压的相角,构造用于表述配电系统支路谐波频谱的目标函数;对配电系统的支路进行谐波频谱计算;
步骤S4、对配电系统支路谐波频谱进行求解。
步骤S1中,所述电能质量监测包括谐波指标监测,测试点设于10kV进线处的PCC点处;
公共连接点的第h次谐波电流的表述公式如下
式中:Ipcc,h,re和Ipcc,h,im分别为公共连接点第h次谐波电流的实部和虚部;θm,h为用户配电系统中第m条支线的第h次谐波电流的相角。
步骤S2中,设用户智能用电平台仅记录支线电流有效值,把公式二中的谐波电流幅值用谐波含有率的形式表达,表达公式为:
式中:HRIm,h为第m条支线的第h次谐波电流含有率,所述公式三中各支线电流需要的参数为基波电流,通过电流有效值和基波值之间的转换得到相应参数,公式为:
式中:IRMS为电流有效值;I1为电流基波有效值;Ih为各次谐波电流值;THDi为电流谐波总畸变率;HRIh为第h次的谐波电流含有率。联立公式四和公式五,便可以得到电流有效值和电流基波值的换算公式:
把公式六代入公式三,得到以HRIm,h和θm,h为待求参数的目标函数,其公式为
求解公式七,得到各支线的各次谐波电流和各支线的谐波频谱特性;
设用户配电系统的每一条支线都有无功和有功功率约束,在第m条支线以公式表述为
式中:Pm和Qm分别为第m条支线的有功功率和无功功率;Im,h和Um,h分别为第m条支线的第h次谐波电流和谐波电压;δm,h为第h次谐波电流滞后谐波电压的角度。
步骤S3中,假设监测点处测得的谐波电压相量等于各支线的谐波电压相量,即假设支线的谐波电压已知,则δm,h和θm,h可互相转化,假设也已知每条馈线的功率因数PF;则在非正弦情况下,视在功率仍定义为电压和电流方均根值的乘积,以公式表述为
功率因数为:
由上式推导出各支路基波电流落后电压的相角,求得公共连接点处的损失函数,公式为:
式中:fre、fim分别为公共连接点处各次谐波电流的实部、虚部的损失函数;fQ、fP分别是总的有功功率、无功功率的损失函数;
由此可构造最终的目标函数,公式为
F(HRIm,h,θm,h)=fre+fim+fQ+fP 公式十二。
所述步骤S4中,基于粒子群优化算法求解各支路谐波频谱,即HRIm,h和θm,h;求解的计算步骤如下:
步骤A1、假设该配电系统共有m条支路,考虑谐波次数上限为h,则在搜索空间中随机初始化N个m*(h-1)*2维的初始粒子,其位置
xn={HRI1,2,HRI1,3,...,HRI1,h,...,HRIm,h,θ1,2,θ1,3,...,θ1,h,...,θm,h} 公式十三;
步骤A2、由随机函数初始化每个粒子的初始速度
Vn={rand(1,m*(h-1)),(rand(1,m*(h-1))-0.5)*2π}; 公式十四;
步骤A3、将粒子的初始位置带入损失函数的公式十一、公式十二,求得每个粒子的损失函数值,并设置为个体历史最优值Pbest,将最小的个体历史最优值Pbest设置为解空间中的全体最优值gbest;
步骤A4、设置学习因子c1=c2=2.4,分别为每个粒子个体的认知项和整个解空间的认知项,此处假设个体和解空间的认知项相同,设置初始的惯性因子ωini=0.9,最终的惯性因子ωend=0.4;
步骤A5、以公式设置惯性因子ω(t):
步骤A6、利用速度、位置更新函数更新解空间中粒子的位置和速度:
vi(t+1)=w(t)vi(t)+c1r1[Pbest(t)-xi(t)]+c2r2[gbest(t)-xi(t)] 公式十六;
xi(t+1)=xi(t)+vi(t+1) 公式十七;
式中r1、r2是为了增加算法随机性,设在区间[0,1]上的两个随机数;
步骤A7、对各粒子的位置进行校验,判断其位置是否越限,其中HRIm,h的取值须在0~1之间,θm,h的取值须在-π~π之间,若越界则将粒子的速度更新为边界的上限或下限;
步骤A8、求解位置更新后的粒子损失函数值,若粒子的损失函数值小于更新前的损失函数值,则更新粒子的个体历史最优值Pbest,否则沿用个体历史最优值Pbest;步骤A9、找出更新后最小的个体历史最优值Pbest,记为解空间中的全体最优值gbest;
步骤A10、若gbest的损失函数值小于设定的值或达到设置的最大迭代步数,则结束算法,gbest的粒子位置信息即各支路的谐波频谱;否则循环步骤A5至步骤A9。
步骤S1中,电能质量测试点设于PCC点处,对用户配电系统的各支线均不进行电能质量测试。
本发明基于公共连接点处的电能质量监测数据和用户配电系统各供电支线的电流有效值数据,分析出用户配电系统各支线的谐波电流含有率与相角,由此可得到各支线在公共连接点处的谐波分布情况。故本方法可得到用户配电系统的谐波污染分布情况,从而为谐波的精准治理提供依据。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
附图1是工业用户配电系统的示意图;
附图2是对配电系统支路谐波频谱进行求解的流程示意图。
具体实施方式
如图所示,工业用户谐波污染分布情况辨识方法,所述方法基于多源数据对工业配电系统的馈线谐波频谱进行求解,来得到用户配电系统的谐波污染分布情况,包括以下步骤;
步骤S2、把电流相量实部、虚部中的谐波电流幅值用谐波含有率的形式表达,通过电流有效值和基波值之间的转换,计算得到各支线的各次谐波电流和各支线的谐波频谱特性;
步骤S3、设监测点处测得的谐波电压相量等于各支线的谐波电压相量,即假设支线的谐波电压已知,每条馈线的功率因数已知,推导出各支路基波电流落后电压的相角,构造用于表述配电系统支路谐波频谱的目标函数;对配电系统的支路进行谐波频谱计算;
步骤S4、对配电系统支路谐波频谱进行求解。
步骤S1中,所述电能质量监测包括谐波指标监测,测试点设于10kV进线处的PCC点处;
公共连接点的第h次谐波电流的表述公式如下
式中:Ipcc,h,re和Ipcc,h,im分别为公共连接点第h次谐波电流的实部和虚部;θm,h为用户配电系统中第m条支线的第h次谐波电流的相角。
步骤S2中,设用户智能用电平台仅记录支线电流有效值,把公式二中的谐波电流幅值用谐波含有率的形式表达,表达公式为:
式中:HRIm,h为第m条支线的第h次谐波电流含有率,所述公式三中各支线电流需要的参数为基波电流,通过电流有效值和基波值之间的转换得到相应参数,公式为:
式中:IRMS为电流有效值;I1为电流基波有效值;Ih为各次谐波电流值;THDi为电流谐波总畸变率;HRIh为第h次的谐波电流含有率。联立公式四和公式五,便可以得到电流有效值和电流基波值的换算公式:
把公式六代入公式三,得到以HRIm,h和θm,h为待求参数的目标函数,其公式为
求解公式七,得到各支线的各次谐波电流和各支线的谐波频谱特性;
设用户配电系统的每一条支线都有无功和有功功率约束,在第m条支线以公式表述为
式中:Pm和Qm分别为第m条支线的有功功率和无功功率;Im,h和Um,h分别为第m条支线的第h次谐波电流和谐波电压;δm,h为第h次谐波电流滞后谐波电压的角度。
步骤S3中,假设监测点处测得的谐波电压相量等于各支线的谐波电压相量,即假设支线的谐波电压已知,则δm,h和θm,h可互相转化,假设也已知每条馈线的功率因数PF;则在非正弦情况下,视在功率仍定义为电压和电流方均根值的乘积,以公式表述为
功率因数为:
由上式推导出各支路基波电流落后电压的相角,求得公共连接点处的损失函数,公式为:
式中:fre、fim分别为公共连接点处各次谐波电流的实部、虚部的损失函数;fQ、fP分别是总的有功功率、无功功率的损失函数;
由此可构造最终的目标函数,公式为
F(HRIm,h,θm,h)=fre+fim+fQ+fP 公式十二。
所述步骤S4中,基于粒子群优化算法求解各支路谐波频谱,即HRIm,h和θm,h;求解的计算步骤如下:
步骤A1、假设该配电系统共有m条支路,考虑谐波次数上限为h,则在搜索空间中随机初始化N个m*(h-1)*2维的初始粒子,其位置
xn={HRI1,2,HRI1,3,...,HRI1,h,...,HRIm,h,θ1,2,θ1,3,...,θ1,h,...,θm,h} 公式十三;
步骤A2、由随机函数初始化每个粒子的初始速度
Vn={rand(1,m*(h-1)),(rand(1,m*(h-1))-0.5)*2π}; 公式十四;
步骤A3、将粒子的初始位置带入损失函数的公式十一、公式十二,求得每个粒子的损失函数值,并设置为个体历史最优值Pbest,将最小的个体历史最优值Pbest设置为解空间中的全体最优值gbest;
步骤A4、设置学习因子c1=c2=2.4,分别为每个粒子个体的认知项和整个解空间的认知项,此处假设个体和解空间的认知项相同,设置初始的惯性因子ωini=0.9,最终的惯性因子ωend=0.4;
步骤A5、以公式设置惯性因子ω(t):
步骤A6、利用速度、位置更新函数更新解空间中粒子的位置和速度:
vi(t+1)=w(t)vi(t)+c1r1[Pbest(t)-xi(t)]+c2r2[gbest(t)-xi(t)] 公式十六;
xi(t+1)=xi(t)+vi(t+1) 公式十七;
式中r1、r2是为了增加算法随机性,设在区间[0,1]上的两个随机数;
步骤A7、对各粒子的位置进行校验,判断其位置是否越限,其中HRIm,h的取值须在0~1之间,θm,h的取值须在-π~π之间,若越界则将粒子的速度更新为边界的上限或下限;
步骤A8、求解位置更新后的粒子损失函数值,若粒子的损失函数值小于更新前的损失函数值,则更新粒子的个体历史最优值Pbest,否则沿用个体历史最优值Pbest;步骤A9、找出更新后最小的个体历史最优值Pbest,记为解空间中的全体最优值gbest;
步骤A10、若gbest的损失函数值小于设定的值或达到设置的最大迭代步数,则结束算法,gbest的粒子位置信息即各支路的谐波频谱;否则循环步骤A5至步骤A9。
步骤S1中,电能质量测试点设于PCC点处,对用户配电系统的各支线均不进行电能质量测试。
Claims (6)
1.工业用户谐波污染分布情况辨识方法,其特征在于:所述方法基于多源数据对工业配电系统的馈线谐波频谱进行求解,来得到用户配电系统的谐波污染分布情况,包括以下步骤;
步骤S2、把电流相量实部、虚部中的谐波电流幅值用谐波含有率的形式表达,通过电流有效值和基波值之间的转换,计算得到各支线的各次谐波电流和各支线的谐波频谱特性;
步骤S3、设监测点处测得的谐波电压相量等于各支线的谐波电压相量,即假设支线的谐波电压已知,每条馈线的功率因数已知,推导出各支路基波电流落后电压的相角,构造用于表述配电系统支路谐波频谱的目标函数;对配电系统的支路进行谐波频谱计算;
步骤S4、对配电系统支路谐波频谱进行求解。
3.根据权利要求2所述的工业用户谐波污染分布情况辨识方法,其特征在于:步骤S2中,设用户智能用电平台仅记录支线电流有效值,把公式二中的谐波电流幅值用谐波含有率的形式表达,表达公式为:
式中:HRIm,h为第m条支线的第h次谐波电流含有率,所述公式三中各支线电流需要的参数为基波电流,通过电流有效值和基波值之间的转换得到相应参数,公式为:
式中:IRMS为电流有效值;I1为电流基波有效值;Ih为各次谐波电流值;THDi为电流谐波总畸变率;HRIh为第h次的谐波电流含有率;联立公式四和公式五,便可以得到电流有效值和电流基波值的换算公式:
把公式六代入公式三,得到以HRIm,h和θm,h为待求参数的目标函数,其公式为
求解公式七,得到各支线的各次谐波电流和各支线的谐波频谱特性;
设用户配电系统的每一条支线都有无功和有功功率约束,在第m条支线以公式表述为
式中:Pm和Qm分别为第m条支线的有功功率和无功功率;Im,h和Um,h分别为第m条支线的第h次谐波电流和谐波电压;δm,h为第h次谐波电流滞后谐波电压的角度。
4.根据权利要求3所述的工业用户谐波污染分布情况辨识方法,其特征在于:步骤S3中,假设监测点处测得的谐波电压相量等于各支线的谐波电压相量,即假设支线的谐波电压已知,则δm,h和θm,h可互相转化,假设也已知每条馈线的功率因数PF;则在非正弦情况下,视在功率仍定义为电压和电流方均根值的乘积,以公式表述为
功率因数为:
由上式推导出各支路基波电流落后电压的相角,求得公共连接点处的损失函数,公式为:
式中:fre、fim分别为公共连接点处各次谐波电流的实部、虚部的损失函数;fQ、fP分别是总的有功功率、无功功率的损失函数;
由此可构造最终的目标函数,公式为
F(HRIm,h,θm,h)=fre+fim+fQ+fP 公式十二。
5.根据权利要求4所述的工业用户谐波污染分布情况辨识方法,其特征在于:所述步骤S4中,基于粒子群优化算法求解各支路谐波频谱,即HRIm,h和θm,h;求解的计算步骤如下:
步骤A1、假设该配电系统共有m条支路,考虑谐波次数上限为h,则在搜索空间中随机初始化N个m*(h-1)*2维的初始粒子,其位置
xn={HRI1,2,HRI1,3,...,HRI1,h,...,HRIm,h,θ1,2,θ1,3,...,θ1,h,...,θm,h} 公式十三;
步骤A2、由随机函数初始化每个粒子的初始速度
Vn={rand(1,m*(h-1)),(rand(1,m*(h-1))-0.5)*2π}; 公式十四;
步骤A3、将粒子的初始位置带入损失函数的公式十一、公式十二,求得每个粒子的损失函数值,并设置为个体历史最优值Pbest,将最小的个体历史最优值Pbest设置为解空间中的全体最优值gbest;
步骤A4、设置学习因子c1=c2=2.4,分别为每个粒子个体的认知项和整个解空间的认知项,此处假设个体和解空间的认知项相同,设置初始的惯性因子ωini=0.9,最终的惯性因子ωend=0.4;
步骤A5、以公式设置惯性因子ω(t):
步骤A6、利用速度、位置更新函数更新解空间中粒子的位置和速度:
vi(t+1)=w(t)vi(t)+c1r1[Pbest(t)-xi(t)]+c2r2[gbest(t)-xi(t)] 公式十六;
xi(t+1)=xi(t)+vi(t+1) 公式十七;
式中r1、r2是为了增加算法随机性,设在区间[0,1]上的两个随机数;
步骤A7、对各粒子的位置进行校验,判断其位置是否越限,其中HRIm,h的取值须在0~1之间,θm,h的取值须在-π~π之间,若越界则将粒子的速度更新为边界的上限或下限;
步骤A8、求解位置更新后的粒子损失函数值,若粒子的损失函数值小于更新前的损失函数值,则更新粒子的个体历史最优值Pbest,否则沿用个体历史最优值Pbest;
步骤A9、找出更新后最小的个体历史最优值Pbest,记为解空间中的全体最优值gbest;
步骤A10、若gbest的损失函数值小于设定的值或达到设置的最大迭代步数,则结束算法,gbest的粒子位置信息即各支路的谐波频谱;否则循环步骤A5至步骤A9。
6.根据权利要求1所述的工业用户谐波污染分布情况辨识方法,其特征在于:步骤S1中,电能质量测试点设于PCC点处,对用户配电系统的各支线均不进行电能质量测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527133.0A CN114236281A (zh) | 2021-12-14 | 2021-12-14 | 工业用户谐波污染分布情况辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527133.0A CN114236281A (zh) | 2021-12-14 | 2021-12-14 | 工业用户谐波污染分布情况辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114236281A true CN114236281A (zh) | 2022-03-25 |
Family
ID=80755811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111527133.0A Pending CN114236281A (zh) | 2021-12-14 | 2021-12-14 | 工业用户谐波污染分布情况辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114236281A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060038527A (ko) * | 2004-10-30 | 2006-05-04 | 한국전력공사 | 배전계통의 전기품질 실시간 감시기능을 갖는 배전자동화단말장치 및 방법 |
CN103969552A (zh) * | 2014-05-22 | 2014-08-06 | 河海大学 | 一种分布式发电系统的谐波源定位分析方法 |
CN109870615A (zh) * | 2019-03-12 | 2019-06-11 | 西安科技大学 | 适用于工矿企业的谐波责任评定方法 |
CN110244185A (zh) * | 2019-07-08 | 2019-09-17 | 厦门理工学院 | 一种多源谐波责任划分方法、终端设备及存储介质 |
CN110443358A (zh) * | 2019-07-19 | 2019-11-12 | 国网山西省电力公司电力科学研究院 | 一种基于加权正则化极限学习机的谐波源辨识方法 |
CN110648088A (zh) * | 2019-11-26 | 2020-01-03 | 国网江西省电力有限公司电力科学研究院 | 一种基于鸟群算法与svm的电能质量扰动源判断方法 |
US20210232977A1 (en) * | 2019-08-20 | 2021-07-29 | Washington University | Resonant machine learning algorithms, architecture and applications |
CN113193654A (zh) * | 2021-05-20 | 2021-07-30 | 北京邮电大学 | 一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方法 |
CN113627065A (zh) * | 2021-07-26 | 2021-11-09 | 国网福建省电力有限公司福州供电公司 | 一种考虑分布式新能源的分场景诺顿等效谐波源模型辨识方法 |
-
2021
- 2021-12-14 CN CN202111527133.0A patent/CN114236281A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060038527A (ko) * | 2004-10-30 | 2006-05-04 | 한국전력공사 | 배전계통의 전기품질 실시간 감시기능을 갖는 배전자동화단말장치 및 방법 |
CN103969552A (zh) * | 2014-05-22 | 2014-08-06 | 河海大学 | 一种分布式发电系统的谐波源定位分析方法 |
CN109870615A (zh) * | 2019-03-12 | 2019-06-11 | 西安科技大学 | 适用于工矿企业的谐波责任评定方法 |
CN110244185A (zh) * | 2019-07-08 | 2019-09-17 | 厦门理工学院 | 一种多源谐波责任划分方法、终端设备及存储介质 |
CN110443358A (zh) * | 2019-07-19 | 2019-11-12 | 国网山西省电力公司电力科学研究院 | 一种基于加权正则化极限学习机的谐波源辨识方法 |
US20210232977A1 (en) * | 2019-08-20 | 2021-07-29 | Washington University | Resonant machine learning algorithms, architecture and applications |
CN110648088A (zh) * | 2019-11-26 | 2020-01-03 | 国网江西省电力有限公司电力科学研究院 | 一种基于鸟群算法与svm的电能质量扰动源判断方法 |
CN113193654A (zh) * | 2021-05-20 | 2021-07-30 | 北京邮电大学 | 一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方法 |
CN113627065A (zh) * | 2021-07-26 | 2021-11-09 | 国网福建省电力有限公司福州供电公司 | 一种考虑分布式新能源的分场景诺顿等效谐波源模型辨识方法 |
Non-Patent Citations (1)
Title |
---|
张逸等: "《基于监测数据相关性分析的用户谐波责任划分方法》", 《电力自动化》, vol. 44, no. 2, pages 189 - 197 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gupta et al. | Optimized switching scheme of cascaded H-bridge multilevel inverter using PSO | |
Li et al. | Dynamic equivalent modeling of two-staged photovoltaic power station clusters based on dynamic affinity propagation clustering algorithm | |
CN104794541B (zh) | 一种基于模拟退火和锥优化的配电网运行优化方法 | |
Tran The et al. | Distribution network reconfiguration for power loss reduction and voltage profile improvement using chaotic stochastic fractal search algorithm | |
Pertl et al. | Voltage estimation in active distribution grids using neural networks | |
Mohammadi et al. | PSO algorithm for sitting and sizing of distributed generation to improve voltage profile and decreasing power losses | |
Alghamdi et al. | An artificial neural network based harmonic distortions estimator for grid-connected power converter-based applications | |
CN109600064A (zh) | 模块化多电平换流器交流不对称故障主回路计算方法、系统 | |
Li et al. | A data-driven approach to grid impedance identification for impedance-based stability analysis under different frequency ranges | |
CN114236281A (zh) | 工业用户谐波污染分布情况辨识方法 | |
Lin et al. | Ultra-high-power arc furnace model for low frequency non-stationary inter-harmonics | |
Seker et al. | Power quality measurement and analysis in electric arc furnace for Turkish electricity transmission system | |
Mahajan et al. | Power quality problems with renewable energy integration | |
Mahfuz-Ur-Rahman et al. | An energy management strategy with advanced power electronic converter and control to achieve energy resiliency and minimum operating cost | |
Mahdavi et al. | Evaluation of GA performance in TNEP considering voltage level, network losses and number of bundle lines | |
Carpinelli et al. | A Decision Theory Approach for the Multi-objective Optimal Allocation of Active Filters in Smart Grids | |
Leon et al. | Designing optimal harmonic filters in power systems using greedy adaptive Differential Evolution | |
CN112595932A (zh) | 一种适用于中压直流配电网的单极故障选线方法 | |
Chaitra et al. | Dispersed generations (DG) for improvement of power performance using UPQC based on a machine learning | |
Urooj et al. | An Adaptive Neuro-Fuzzy based Methodology for Harmonic Analysis of a Power Transformer. | |
Kuralkar et al. | A Survey on the Investigation and Analysis for a Power System (Micro-Grid) with Stochastic Harmonic Distortion of Multiple Converters | |
Haidar et al. | Parameters extraction of unified power quality conditioner on the calculation of a membership function | |
Deng et al. | Comparison between ideal and frequency-dependent Norton equivalent model of inverter-based resources for harmonic studies | |
CN109193704A (zh) | 风火打捆经直流外送次同步振荡就地保护整定方法及装置 | |
Mahdi et al. | A security assessment for slow coherency based defensive islanding |
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 |