CN114400680A - 广域测点振幅加权拟合误差最小为目标的数据窗寻优方法 - Google Patents
广域测点振幅加权拟合误差最小为目标的数据窗寻优方法 Download PDFInfo
- Publication number
- CN114400680A CN114400680A CN202111494432.9A CN202111494432A CN114400680A CN 114400680 A CN114400680 A CN 114400680A CN 202111494432 A CN202111494432 A CN 202111494432A CN 114400680 A CN114400680 A CN 114400680A
- Authority
- CN
- China
- Prior art keywords
- cur
- error
- data window
- amplitude
- injection power
- 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
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
-
- 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
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
Landscapes
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
广域测点振幅加权拟合误差最小为目标的数据窗寻优方法,包括:检测各厂站注入功率的波动并计算波动振幅,最大振幅对应初始频率;当前时刻,利用初始频率获得当前数据窗并对注入功率进行Prony分析得到振荡模式组合以及振荡模态分解误差,作为多测点振幅加权拟合误差;其与预设误差限值的比较结果,对当前时刻tcur和多测点振幅加权拟合误差进行修正,根据修正后得到的时刻确定本周期数据窗集;以移动的采样步长最大为约束条件,以多测点振幅加权拟合误差修正值最小为优化目标,在本周期数据窗集内获取最优数据窗。本发明实现稳定的在线振荡分群,支撑电网调控中心对电网振荡过程进行全景观测,为电网振荡事件处置决策和事后分析提供依据。
Description
技术领域
本发明涉及电力系统安全稳定分析技术领域,更具体地,涉及广域测点振幅加权拟合误差最小为目标的数据窗寻优方法。
背景技术
低频振荡是电力系统的经典问题之一,已有许多研究提出低频振荡分析的算法,然而低频振荡在线监视与分析类应用在工程化方面还存在不足。现有的振荡监测应用通过FFT、Prony、EMD等频谱分析算法在线计算主导振荡模式的振幅、频率等信息,当计算模态满足预设振幅门槛时,发出低频振荡告警。但由于电网运行过程中存在各种干扰成分,一次振荡过程存在多种振荡模式、主导振荡模式随时间发生变化,导致难以准确进行实时频谱分析,持续分析过程中获得的模态参数不稳定,难以用于对广域电网低频振荡的发生、发展过程以及区域间影响进行在线展示与分析,不利于调度运行人员准确认知电网振荡态势与快速处置决策。
现有技术1(CN101447676B)“一种电力系统低频振荡分析方法”,使用高性能的数字滤波器对原始数据滤波;用短时傅里叶算法识别滤波后数据的频谱及主导振荡;再使用Prony算法分析振荡模态、识别主导振荡。
现有技术2(CN110311392A)“一种基于SPDMD的电力系统振荡模式及模态辨识方法”,利用时间振幅系数表征各振荡模式对应的能量权重,筛选出能量权重较大的振荡模式与振荡模态;对前N-1列量测数据序列构成的矩阵进行变换计算初始振幅系数,在Frobenius范数项上引入罚函数项并结合ADMM确定初始振幅系数内部非零元素的位置,对初始振幅系数进行矩阵编码,采用拉式乘子法调整其内部非零元素数值大小以得到最优振幅系数;通过最优振幅系数中非零元素与各振荡模式间的对应关系确定主导振荡模式,完成主导振荡模态、主导参与因子与同调机群的协同辨识评估。本发明实现了电力系统振荡模式及模态辨识,弥补了DMD算法无法确定主导振荡模式数量的缺陷。
因此,需要研究一种以广域多测点振幅加权拟合误差最小为目标的数据窗寻优方法。
发明内容
为解决现有技术中存在的不足,本发明的目的在于,提供广域测点振幅加权拟合误差最小为目标的数据窗寻优方法,能够在计算量可控的情况下,获得每个分析步长内全网节点注入功率振荡模态总体误差最小的分析结果,应用工程可用的振荡模态进行全网振荡态势分析,进而实现振荡过程中稳定的在线振荡分群,支撑电网调控中心的运行分析人员对电网振荡过程进行全景观测,辅助判别振荡源位置,为电网振荡事件处置决策和事后分析提供依据。
本发明采用如下的技术方案。
广域测点振幅加权拟合误差最小为目标的数据窗寻优方法,所述方法包括:
步骤1,获取各厂站输入电网的注入功率;
步骤2,对各厂站注入功率的波动进行检测,当检测到至少1个厂站注入功率的波动超过预设限值后,计算各厂站注入功率的波动振幅;
步骤3,对各厂站注入功率的波动振幅从大到小进行排序,选取前n个厂站的注入功率和波动振幅,并将振幅最大厂站的频率记为初始频率f0;
步骤4,根据当前时刻tcur,利用初始频率f0获得当前数据窗;
步骤5,利用当前数据窗对注入功率进行Prony分析,得到注入功率的振荡模式组合;基于振荡模式组合,计算得到振荡模态分解的误差;
步骤6,利用振荡模态分解的误差与归一化振幅的乘积,作为多测点振幅加权拟合误差;
步骤7,基于当前时刻tcur和当前数据窗,根据多测点振幅加权拟合误差与预设误差限值的比较结果,对当前时刻tcur和多测点振幅加权拟合误差进行修正,根据修正后得到的时刻确定本周期数据窗集;
步骤8,以移动的采样步长最大为约束条件,以多测点振幅加权拟合误差修正值最小为优化目标,在本周期数据窗集内获取最优数据窗。
优选地,步骤1包括:
步骤1.1,以配置有相量测量装置的电网一次设备,形成监测设备集;监测设备集包括:厂站、交流线路、变压器以及发电机;
步骤1.2,以固定采样周期Tchk,从监控平台的时序实时库中,以初始窗口长度Tdef获取监测设备集内各设备的当前有功功率;其中,固定采样周期Tchk选取1至10秒中的整数秒;通过监控平台的关系数据库配置和修改固定采样周期Tchk;其中,初始窗口长度Tdef不小于10秒;
步骤1.3,利用各设备的有功功率计算得到各厂站输入电网的注入功率。
优选地,步骤2包括:
步骤2.1,以初始窗口长度Tdef对各厂站注入功率进行波动检测,窗口长度取值为1至60秒中的整数秒;其中,针对低频振荡,初始窗口长度Tdef不小于10秒;通过监控平台的关系数据库配置和修改初始窗口长度;
步骤2.2,当检测到至少1个注入功率的波动超过预设限值后,以FFT算法计算各厂站注入功率的波动振幅;其中,预设限制的取值范围为1MW至10MW。
优选地,步骤3包括:
步骤3.1,对各厂站注入功率的波动振幅从大到小进行排序,选取排在前n个的厂站的注入功率和波动振幅,分别形成注入功率集P={P1,P2,…Pj…,Pn}和振幅集A={A1,A2,…Aj…,An},其中,Pj和Aj分别表示第j个厂站的注入功率和振幅,j=1,2,…,n;
步骤3.2,计算拥有最大振幅A1的厂站的频谱,将最大振幅A1对应的频率记为初始频率f0。
优选地,步骤4包括:
步骤4.2,以当前时刻tcur前推一个周期窗口的长度T0得到当前数据窗(tcur-T0,tcur]。
优选地,步骤5包括:
步骤5.1,利用当前数据窗(tcur-T0,tcur]对注入功率集P={P1,P2,…Pj…,Pn}进行Prony分析,得到注入功率的振荡模式组合;
步骤5.2,利用百分比误差公式计算振荡模态分解的误差,得到误差集PE={PE1,PE2,…PEj…,PEn},PEj表示第j个厂站的振荡模态分解的误差,j=1,2,…,n。
优选地,步骤6包括:
步骤6.1,对振幅集A进行归一化处理,得到归一化振幅集Anom={Anom_1,Anom_2,…Anom_j…,Anom_n},Anom_j表示第j个厂站的归一化振幅,j=1,2,…,n;
步骤6.2,利用误差集PE与归一化振幅集Anom的乘积,作为多测点振幅加权拟合误差PEcur,满足如下关系式:
其中,多测点振幅加权拟合误差PEcur为当前数据窗(tcur-T0,tcur]下的误差值。
优选地,步骤7包括:
步骤7.1,将多测点振幅加权拟合误差PEcur与第一预设误差限值Eset1进行比较,
其中,第一预设误差限值Eset1为1%;通过监控平台关系数据库配置和修改第一预设误差限值Eset1;
步骤7.2,当PEcur≤Eset1时,以当前数据窗(tcur-T0,tcur]作为周期数据窗;当PEcur>Eset1时,将当前时刻tcur分别向后移动i个采样步长,得到第i修正时刻tcur-ik,并且进入步骤7.3,其中每个采样步长为k,i=1,2,…,m,m……;并且ik不大于固定采样周期Tchk;
步骤7.3,利用第i修正时刻tcur-ik,重复步骤4至6,得到多测点振幅加权拟合的第i修正误差PEcur-ik;
步骤7.4,从相邻的修正误差中寻找修正误差的极小值,即修正误差的极小值PEcur-ik满足PEcur-(i-1)k≥PEcur-ik≤PEcur-(i+1)k;并且将修正误差的极小值PEcur-ik与第二预设误差限值Eset2进行比较,
其中,第二预设误差限值Eset2为10%;通过监控平台关系数据库配置和修改第二预设误差限值Eset2;
步骤7.5,当PEcur-ik≤Eset2时,则以第i修正时刻tcur-ik对应的数据窗(tcur-ik-T0,tcur-ik]作为周期数据窗;反之,则返回步骤4,利用第i+1修正时刻tcur-(i+1)k和初始频率f0获得当前数据窗,并重复步骤5至7;
步骤7.6,经过上述步骤,最终获得周期数据窗集W={Wi},其中,Wi为第i修正时刻tcur-ik对应的周期数据窗(tcur-ik-T0,tcur-ik],周期数据窗Wi对应修正误差PEcur-ik。
优选地,步骤8包括:
步骤8.1,通过监控平台的关系数据库配置和修改最大采样步长kmax,其中最大采样步长kmax不超过1个周期数据窗的长度T0;
步骤8.3,在移动的采样步长k达到最大采样步长kmaxx的约束条件下,当修正误差集中任一元素均不超过第二预设误差限值Eset2时,以修改误差集中最小值元素对应的周期数据窗作为最优数据窗;反之,则没有最优数据窗,返回步骤4。
优选地,步骤8还包括:选取最优数据窗对各厂站的注入功率进行频谱分析,得到全部厂站注入功率的振荡模式结果。
本发明的有益效果在于,与现有技术相比,本发明通过以广域多测点振幅加权拟合误差最小为目标,进行低频振荡模态分解的数据窗寻优,获得分析步长范围内广域电网厂站注入功率振荡模态分解误差最小的分析数据窗,使用该分析窗进行全网振荡模态的分析,能够在计算量可控的情况下,获得每个分析步长内全网节点注入功率振荡模态总体误差最小的分析结果,应用工程可用的振荡模态进行全网振荡态势跟踪,进而实现振荡过程中稳定的在线振荡分群,支撑辅助判别振荡源。
还通过对广域厂站注入功率按振幅初筛并进行连续的振荡模态分解,以振幅加权拟合误差最小为目标确定广域电网振荡模态分析的最优数据窗,实现广域最优的振荡模态在线分解,准确识别超低频、低频、中高频等多类型振荡事件对电网的影响。
附图说明
图1是广域测点振幅加权拟合误差最小为目标的数据窗寻优方法的步骤框图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1,广域测点振幅加权拟合误差最小为目标的数据窗寻优方法,所述方法包括步骤1至8。
步骤1,获取各厂站输入电网的注入功率。
优选地,步骤1包括:
步骤1.1,以配置有相量测量装置的电网一次设备,形成监测设备集;监测设备集包括但不限于:厂站、交流线路、变压器以及发电机;
步骤1.2,以固定采样周期Tchk,从监控平台的时序实时库中,以初始窗口长度Tdef获取监测设备集内各设备的当前有功功率;其中,固定采样周期Tchk选取1至10秒中的整数秒,固定采样周期Tchk优选为1秒;通过监控平台的关系数据库配置和修改固定采样周期Tchk;其中,初始窗口长度Tdef不小于10秒;
步骤1.3,利用各设备的有功功率计算得到各厂站输入电网的注入功率。
步骤2,对各厂站注入功率的波动进行检测,当检测到至少1个厂站注入功率的波动超过预设限值后,计算各厂站注入功率的波动振幅。
优选地,步骤2包括:
步骤2.1,以初始窗口长度Tdef对各厂站注入功率进行波动检测,窗口长度取值为1至60秒中的整数秒;其中,针对低频振荡,初始窗口长度Tdef不小于10秒;通过监控平台的关系数据库配置和修改初始窗口长度,针对低频振荡,初始窗口长度Tdef优选为10秒;
步骤2.2,当检测到至少1个注入功率的波动超过预设限值后,以FFT算法计算各厂站注入功率的波动振幅;其中,预设限制的取值范围为1MW至10MW。
步骤3,对各厂站注入功率的波动振幅从大到小进行排序,选取前n个厂站的注入功率和波动振幅,并将振幅最大厂站的频率记为初始频率f0。
优选地,步骤3包括:
步骤3.1,对各厂站注入功率的波动振幅从大到小进行排序,选取排在前n个的厂站的注入功率和波动振幅,分别形成注入功率集P={P1,P2,…Pj…,Pn}和振幅集A={A1,A2,…Aj…,An},其中,Pj和Aj分别表示第j个厂站的注入功率和振幅,j=1,2,…,n;
步骤3.2,计算拥有最大振幅A1的厂站的频谱,将最大振幅A1对应的频率记为初始频率f0。
步骤4,根据当前时刻tcur,利用初始频率f0获得当前数据窗。
优选地,步骤4包括:
步骤4.2,以当前时刻tcur前推一个周期窗口的长度T0得到当前数据窗(tcur-T0,tcur]。
步骤5,利用当前数据窗对注入功率进行Prony分析,得到注入功率的振荡模式组合;基于振荡模式组合,计算得到振荡模态分解的误差。
优选地,步骤5包括:
步骤5.1,利用当前数据窗(tcur-T0,tcur]对注入功率集P={P1,P2,…Pj…,Pn}进行Prony分析,得到注入功率的振荡模式组合;
步骤5.2,利用百分比误差公式计算振荡模态分解的误差,得到误差集PE={PE1,PE2,…PEj…,PEn},PEj表示第j个厂站的振荡模态分解的误差,j=1,2,…,n。
步骤6,利用振荡模态分解的误差与归一化振幅的乘积,作为多测点振幅加权拟合误差。
优选地,步骤6包括:
步骤6.1,对振幅集A进行归一化处理,得到归一化振幅集Anom={Anom_1,Anom_2,…Anom_j…,Anom_n},Anom_j表示第j个厂站的归一化振幅,j=1,2,…,n;
步骤6.2,利用误差集PE与归一化振幅集Anom的乘积,作为多测点振幅加权拟合误差PEcur,满足如下关系式:
其中,多测点振幅加权拟合误差PEcur为当前数据窗(tcur-T0,tcur]下的误差值。
步骤7,基于当前时刻tcur和当前数据窗,根据多测点振幅加权拟合误差与预设误差限值的比较结果,对当前时刻tcur和多测点振幅加权拟合误差进行修正,根据修正后得到的时刻确定本周期数据窗集。
优选地,步骤7包括:
步骤7.1,将多测点振幅加权拟合误差PEcur与第一预设误差限值Eset1进行比较,
其中,第一预设误差限值Eset1优选为1%;通过监控平台关系数据库配置和修改第一预设误差限值Eset1;
步骤7.2,当PEcur≤Eset1时,以当前数据窗(tcur-T0,tcur]作为周期数据窗;当PEcur>Eset1时,将当前时刻tcur分别向后移动i个采样步长,得到第i修正时刻tcur-ik,并且进入步骤7.3,其中每个采样步长为k,i=1,2,…,m,m……;并且ik不大于固定采样周期Tchk;
步骤7.3,利用第i修正时刻tcur-ik,重复步骤4至6,得到多测点振幅加权拟合的第i修正误差PEcur-ik;
步骤7.4,从相邻的修正误差中寻找修正误差的极小值,即修正误差的极小值PEcur-ik满足PEcur-(i-1)k≥PEcur-ik≤PEcur-(i+1)k;并且将修正误差的极小值PEcur-ik与第二预设误差限值Eset2进行比较,
其中,第二预设误差限值Eset2优选为10%;通过监控平台关系数据库配置和修改第二预设误差限值Eset2;
步骤7.5,当PEcur-ik≤Eset2时,则以第i修正时刻tcur-ik对应的数据窗(tcur-ik-T0,tcur-ik]作为周期数据窗;反之,则返回步骤4,利用第i+1修正时刻tcur-(i+1)k和初始频率f0获得当前数据窗,并重复步骤5至7;
步骤7.6,经过上述步骤,最终获得周期数据窗集W={Wi},其中,Wi为第i修正时刻tcur-ik对应的周期数据窗(tcur-ik-T0,tcur-ik],周期数据窗Wi对应修正误差PEcur-ik。
步骤8,以移动的采样步长最大为约束条件,以多测点振幅加权拟合误差修正值最小为优化目标,在本周期数据窗集内获取最优数据窗。
优选地,步骤8包括:
步骤8.1,通过监控平台的关系数据库配置和修改最大采样步长kmax,其中最大采样步长kmax不超过1个周期数据窗的长度T0;其中,最大采样步长kmax优选为5,最大可设置为1个周期数据窗的长度T0对应的步长。
步骤8.3,在移动的采样步长k达到最大采样步长kmax的约束条件下,当修正误差集中任一元素均不超过第二预设误差限值Eset2时,以修改误差集中最小值元素对应的周期数据窗作为最优数据窗;反之,则没有最优数据窗,返回步骤4。
优选地,步骤8还包括:选取最优数据窗对各厂站的注入功率进行频谱分析,得到全部厂站注入功率的振荡模式结果。
本发明所提出的广域多测点振幅加权拟合误差最小为目标的数据窗寻优方法模块运行于调度自动化系统平台,该平台通过数据网通常以50帧/秒的速率接收位于厂站的宽频测量装置采集上送的电压相量、电流相量和功率,存储于平台的时序实时库和时序历史库中。以监测0.1Hz~1.0Hz低频振荡信号为例,说明调用本发明的广域多测点振幅加权拟合误差最小为目标的数据窗寻优方法进行实时在线振荡模态分析。
本发明的有益效果在于,与现有技术相比,本发明通过以广域多测点振幅加权拟合误差最小为目标,进行低频振荡模态分解的数据窗寻优,获得分析步长范围内广域电网厂站注入功率振荡模态分解误差最小的分析数据窗,使用该分析窗进行全网振荡模态的分析,能够在计算量可控的情况下,获得每个分析步长内全网节点注入功率振荡模态总体误差最小的分析结果,应用工程可用的振荡模态进行全网振荡态势跟踪,进而实现振荡过程中稳定的在线振荡分群,支撑辅助判别振荡源。
还通过对广域厂站注入功率按振幅初筛并进行连续的振荡模态分解,以振幅加权拟合误差最小为目标确定广域电网振荡模态分析的最优数据窗,实现广域最优的振荡模态在线分解,准确识别超低频、低频、中高频等多类型振荡事件对电网的影响。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.广域测点振幅加权拟合误差最小为目标的数据窗寻优方法,其特征在于,所述方法包括:
步骤1,获取各厂站输入电网的注入功率;
步骤2,对各厂站注入功率的波动进行检测,当检测到至少1个厂站注入功率的波动超过预设限值后,计算各厂站注入功率的波动振幅;
步骤3,对各厂站注入功率的波动振幅从大到小进行排序,选取前n个厂站的注入功率和波动振幅,并将振幅最大厂站的频率记为初始频率f0;
步骤4,根据当前时刻tcur,利用初始频率f0获得当前数据窗;
步骤5,利用当前数据窗对注入功率进行Prony分析,得到注入功率的振荡模式组合;基于振荡模式组合,计算得到振荡模态分解的误差;
步骤6,利用振荡模态分解的误差与归一化振幅的乘积,作为多测点振幅加权拟合误差;
步骤7,基于当前时刻tcur和当前数据窗,根据多测点振幅加权拟合误差与预设误差限值的比较结果,对当前时刻tcur和多测点振幅加权拟合误差进行修正,根据修正后得到的时刻确定本周期数据窗集;
步骤8,以移动的采样步长最大为约束条件,以多测点振幅加权拟合误差修正值最小为优化目标,在本周期数据窗集内获取最优数据窗。
2.根据权利要求1所述的广域测点振幅加权拟合误差最小为目标的数据窗寻优方法,其特征在于,
步骤1包括:
步骤1.1,以配置有相量测量装置的电网一次设备,形成监测设备集;监测设备集包括:厂站、交流线路、变压器以及发电机;
步骤1.2,以固定采样周期Tchk,从监控平台的时序实时库中,以初始窗口长度Tdef获取监测设备集内各设备的当前有功功率;其中,固定采样周期Tchk选取1至10秒中的整数秒;通过监控平台的关系数据库配置和修改固定采样周期Tchk;其中,初始窗口长度Tdef不小于10秒;
步骤1.3,利用各设备的有功功率计算得到各厂站输入电网的注入功率。
3.根据权利要求2所述的广域测点振幅加权拟合误差最小为目标的数据窗寻优方法,其特征在于,
步骤2包括:
步骤2.1,以初始窗口长度Tdef对各厂站注入功率进行波动检测,窗口长度取值为1至60秒中的整数秒;其中,针对低频振荡,初始窗口长度Tdef不小于10秒;通过监控平台的关系数据库配置和修改初始窗口长度;
步骤2.2,当检测到至少1个注入功率的波动超过预设限值后,以FFT算法计算各厂站注入功率的波动振幅;其中,预设限制的取值范围为1MW至10MW。
4.根据权利要求3所述的广域测点振幅加权拟合误差最小为目标的数据窗寻优方法,其特征在于,
步骤3包括:
步骤3.1,对各厂站注入功率的波动振幅从大到小进行排序,选取排在前n个的厂站的注入功率和波动振幅,分别形成注入功率集P={P1,P2,…Pj…,Pn}和振幅集A={A1,A2,…Aj…,An},其中,Pj和Aj分别表示第j个厂站的注入功率和振幅,j=1,2,…,n;
步骤3.2,计算拥有最大振幅A1的厂站的频谱,将最大振幅A1对应的频率记为初始频率f0。
6.根据权利要求5所述的广域测点振幅加权拟合误差最小为目标的数据窗寻优方法,其特征在于,
步骤5包括:
步骤5.1,利用当前数据窗(tcur-T0,tcur]对注入功率集P={P1,P2,…Pj…,Pn}进行Prony分析,得到注入功率的振荡模式组合;
步骤5.2,利用百分比误差公式计算振荡模态分解的误差,得到误差集PE={PE1,PE2,…PEj…,PEn},PEj表示第j个厂站的振荡模态分解的误差,j=1,2,…,n。
8.根据权利要求7所述的广域测点振幅加权拟合误差最小为目标的数据窗寻优方法,其特征在于,
步骤7包括:
步骤7.1,将多测点振幅加权拟合误差PEcur与第一预设误差限值Eset1进行比较,
其中,第一预设误差限值Eset1为1%;通过监控平台关系数据库配置和修改第一预设误差限值Eset1;
步骤7.2,当PEcur≤Eset1时,以当前数据窗(tcur-T0,tcur]作为周期数据窗;当PEcur>Eset1时,将当前时刻tcur分别向后移动i个采样步长,得到第i修正时刻tcur-ik,并且进入步骤7.3,其中每个采样步长为k,i=1,2,…,m,m……;并且ik不大于固定采样周期Tchk;
步骤7.3,利用第i修正时刻tcur-ik,重复步骤4至6,得到多测点振幅加权拟合的第i修正误差PEcur-ik;
步骤7.4,从相邻的修正误差中寻找修正误差的极小值,即修正误差的极小值PEcur-ik满足PEcur-(i-1)k≥PEcur-ik≤PEcur-(i+1)k;并且将修正误差的极小值PEcur-ik与第二预设误差限值Eset2进行比较,
其中,第二预设误差限值Eset2为10%;通过监控平台关系数据库配置和修改第二预设误差限值Eset2;
步骤7.5,当PEcur-ik≤Eset2时,则以第i修正时刻tcur-ik对应的数据窗(tcur-ik-T0,tcur-ik]作为周期数据窗;反之,则返回步骤4,利用第i+1修正时刻tcur-(i+1)k和初始频率f0获得当前数据窗,并重复步骤5至7;
步骤7.6,经过上述步骤,最终获得周期数据窗集W={Wi},其中,Wi为第i修正时刻tcur-ik对应的周期数据窗(tcur-ik-T0,tcur-ik],周期数据窗Wi对应修正误差PEcur-ik。
10.根据权利要求9所述的广域测点振幅加权拟合误差最小为目标的数据窗寻优方法,其特征在于,
步骤8还包括:选取最优数据窗对各厂站的注入功率进行频谱分析,得到全部厂站注入功率的振荡模式结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111494432.9A CN114400680A (zh) | 2021-12-08 | 2021-12-08 | 广域测点振幅加权拟合误差最小为目标的数据窗寻优方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111494432.9A CN114400680A (zh) | 2021-12-08 | 2021-12-08 | 广域测点振幅加权拟合误差最小为目标的数据窗寻优方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114400680A true CN114400680A (zh) | 2022-04-26 |
Family
ID=81226515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111494432.9A Pending CN114400680A (zh) | 2021-12-08 | 2021-12-08 | 广域测点振幅加权拟合误差最小为目标的数据窗寻优方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114400680A (zh) |
-
2021
- 2021-12-08 CN CN202111494432.9A patent/CN114400680A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459778B (zh) | 运维系统异常指标检测模型优化方法、装置及存储介质 | |
US6240372B1 (en) | System for surveillance of spectral signals | |
CN113485268B (zh) | 一种基于工业物联网多场景分布式信息化控制系统 | |
CN113391239B (zh) | 一种基于边缘计算的互感器异常监测方法与系统 | |
CN115856204B (zh) | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 | |
CN117371339B (zh) | 基于物联网的变压器运行监测系统 | |
CN114358435A (zh) | 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法 | |
CN115993856B (zh) | 一种厂房多区域环境条件管控方法及系统 | |
CN114354783A (zh) | 基于在运数据的特高压油色谱监测装置健康度评估方法 | |
CN116800199A (zh) | 一种分布式光伏运行电能质量监测与分析方法 | |
CN116415723A (zh) | 一种面向铁路防灾系统的风速预测方法及装置 | |
CN112734141B (zh) | 一种多元化负荷区间预测方法及装置 | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
CN114400680A (zh) | 广域测点振幅加权拟合误差最小为目标的数据窗寻优方法 | |
CN111242347B (zh) | 基于历史权重更新的桥梁管养辅助决策系统 | |
CN116881661A (zh) | 一种基于低压电力电容器的性能自动化分析方法及系统 | |
CN111563236A (zh) | 一种短期风速预测方法及装置 | |
CN110956330A (zh) | 一种基于多维影响量对输电线路线损进行预测的方法及系统 | |
Wang et al. | Failure rate prediction based on AR model and residual correction | |
CN115481815A (zh) | 基于神经网络的火电厂负荷分配系统及方法 | |
CN110766248A (zh) | 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 | |
CN112329535B (zh) | 基于cnn的电力系统低频振荡模态特征的快速辨识方法 | |
CN116341993B (zh) | 一种用于聚苯乙烯生产过程中状态监测方法及系统 | |
CN117808157B (zh) | 基于智能识别的未报备停电行为预测分析系统 | |
CN116777086B (zh) | 基于多模数据的钢结构智能生产线预测性维护方法及系统 |
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 |