CN114552580B - 一种基于同步相量的次/超同步振荡智能辨识方法 - Google Patents
一种基于同步相量的次/超同步振荡智能辨识方法 Download PDFInfo
- Publication number
- CN114552580B CN114552580B CN202210436951.8A CN202210436951A CN114552580B CN 114552580 B CN114552580 B CN 114552580B CN 202210436951 A CN202210436951 A CN 202210436951A CN 114552580 B CN114552580 B CN 114552580B
- Authority
- CN
- China
- Prior art keywords
- oscillation
- order
- data
- mode
- training
- 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
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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
- H02J3/00125—Transmission line or load transient problems, e.g. overvoltage, resonance or self-excitation of inductive loads
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于同步相量的次/超同步振荡智能辨识方法,属于人工智能技术领域。所述辨识方法包括次/超同步振荡训练数据生成、离线训练支持向量机(SVM)定阶模型和卷积神经网络(CNN)智能参数辨识模型、在线辨识过程。首先生成不同振荡模态阶次、频率、阻尼、幅值、相位的训练数据,接着使用数据离线训练SVM定阶模型和CNN智能参数辨识模型,最后应用于实际振荡参数辨识:①数据采集;②数据处理;③模态定阶;④模态分解;⑤参数辨识。本发明能解决基于主站同步相量数据无法辨识次/超同步振荡参数的问题,具有辨识快、精度高的特点。
Description
技术领域
本发明涉及电力系统广域监测技术,具体是一种基于同步相量的次/超同步振荡智能辨识方法,属于人工智能技术领域。
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,次/超同步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到数十Hz的电力系统次/超同步振荡进行有效监测与分析是该领域面临的重要挑战。
目前,基于子站数据的次/超同步振荡辨识的方法非常丰富,按技术手段可分为基于数字信号分解的检测方法和基于信号模型估计的检测方法。以傅里叶变换为代表的信号分解方法存在栅栏效应和频谱泄露问题,分析时存在较大误差。以经验模态分解为代表的模态分解方法在分解两频率接近而能量相差大的模态时会出现模态混叠的情况。针对这信号分解方法存在的问题,演化出许多改进方案,在一定程度上提高了辨识的精度,但并没有从根本上解决问题。常见的信号模型估计方法有Prony算法、ESPRIT算法等,这类方法易受实际系统中噪音的影响,从而影响辨识精度;此外,这类方法在分析前需要提前确定信号阶数,不符合实际需求。基于子站数据的分析方法还存在数据难以获取的问题,且无法从全局角度分析振荡的传播和发展过程。基于主站数据进行检测是一种具有优势的解决方案,但传统分析难度大、耗时久、不精准。此外需要关注的是,主站数据受采样频率限制,很多基于子站数据的分析方法不能适用。目前基于主站数据进行次同步振荡辨识研究所提出的方法不能完整辨识振荡模态,且辨识不精确;基于主站数据的超同步振荡受限于采样定理无法辨识。
为此,本发明提出了一种基于同步相量的次/超同步振荡智能辨识方法,一方面可以提高次同步振荡的辨识精度,另一方面可以解决超同步振荡受限于采样频率无法辨识的问题。
发明内容
本发明的目的在于提供一种基于同步相量的次/超同步振荡智能辨识方法,通过在主站对采集的次/超同步振荡数据进行分析,实现广域电力系统次/超同步振荡的准确辨识,解决目前基于主站同步相量数据无法准确辨识的问题。
本发明的目的可以通过以下技术方案实现:
一种基于同步相量的次/超同步振荡智能辨识方法,所述辨识方法包括次/超同步振荡训练数据生成、离线训练支持向量机(Support Vector Machine,SVM)定阶模型和卷积神经网络(Convolutional Neural Network,CNN)智能参数辨识模型、在线辨识过程:
所述训练数据生成过程包括:
S1:选择振荡模态阶次n、振荡模态频率f i范围、阻尼α i范围、幅值A i范围、相位范围φ i、子站采样频率f s 、子站上传频率f u ;
S2:根据选择的参数及范围和振荡信号的数学模型,通过参数之间的自由组合,以频率f s 生成次/超同步振荡的时序信号;
S3:将S2得到的时序信号数据转化为同步相量数据;
S4:以频率f u 对S3得到的同步相量数据进行采样得到不同模态阶次的次/超同步振荡训练数据和不同振荡模态频率、阻尼、幅值、相位的1阶次/超同步振荡训练数据。
所述离线训练SVM定阶模型的过程包括:
S5:根据步骤S1、S2、S3、S4生成的不同模态阶次的次/超同步振荡训练数据,将对应的模态阶次n记作训练数据的标签;
S6:从步骤S5得到的数据中筛选出ni阶的数据和nj阶的数据,用筛选后的数据训练得到能判定模态阶次为ni阶或nj阶的SVM分类器,其中ni,nj∈[1,n],且ni≠nj;
S7:多次重复步骤S6得到Nsorter个SVM分类器,将这些分类器组合成SVM定阶模型,用于判定振荡模态阶次。
所述离线训练CNN智能参数辨识模型的过程包括:
S8:根据步骤S1、S2、S3、S4生成的不同振荡模态频率、阻尼、幅值、相位的1阶次/超同步振荡训练数据,包含Nt个同步相量数据,将对应的振荡模态参数记作训练数据的标签;
S9:制定CNN的网络结构,损失函数及优化目标,并搭建CNN模型;
S10:用步骤S8得到的数据训练CNN模型,得到能辨识振荡模态频率、阻尼、幅值、相位的CNN智能参数辨识模型。
所述在线辨识过程包括:
S11:采集主站同步相量数据;
S12:从同步相量中过滤掉基频分量;
S13:使用离线训练生成的SVM定阶模型判定振荡模态阶次N;
S14:根据步骤S13确定的振荡模态阶次N进行模态分解,得到N个模态的信号;
S15:使用离线训练生成的CNN智能参数辨识模型分别对分解得到的N个信号进行参数辨识,辨识出每个振荡模态的频率、阻尼、幅值、相位信息。
进一步地,步骤S2所述振荡信号的数学模型为:
其中A 0为基频幅值,f 0为基频频率,φ 0为基频相位,A i为振荡幅值,α i为振荡阻尼,f i为振荡频率,φ i为振荡相位,t为以振荡发生的某一时刻为起点的相对时间;
进一步地,步骤S5所述的不同模态阶次的振荡数据,其阶次由主导振荡模态的个数Nmode确定,分为一阶、二阶、…、Nmode阶数据。
进一步地,步骤S7所述的Nsorter个SVM分类器,其中分类器的个数Nsorter由主导振荡模态的个数Nmode确定,共Nmode*(Nmode-1)/2个。
进一步地,步骤S9所述的CNN信号参数辨识模型包含一个输入层、四个卷积层、四个池化层、一个展开层和一个输出层。输入层的维度为(m,NH,NW),其中m是批量训练的样本数;NH = 2,表示输入矩阵的第一个维度,对应同步相量的实部和虚部2个部分;NW < Nt,表示输入矩阵的第二个维度,对应同步相量的个数。输出层的维度为(m,Noutput),其中Noutput =4,对应信号的四个参数。CNN模型的损失函数为均方根误差RMSE。
进一步地,所述步骤S11采集的同步相量数据为复数形式,不同于针对同步相量幅值数据的参数辨识方法,本方法能辨识出振荡模态的完整信息。
进一步地,步骤S13所述的振荡模态定阶由所有的SVM分类器投票决定,最终得票最多的阶次确定为振荡模态阶次N。
进一步地,所述步骤S14使用的模态分解方法包括经验模态分解(Empirical ModeDecomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、互补集合经验模态分解(Complementary Ensemble Empirical ModeDecomposition,CEEMD)、自适应噪声完备集合经验模态分解(Complete EnsembleEmpirical Mode Decomposition with Adaptive Noise,CEEMDAN)和变分模态分解(Variational Mode Decomposition,VMD)。
本发明的有益效果:
1、本发明公开的智能参数辨识方法避免了传统分析方法的“维数灾”问题,大大缩减了辨识的周期;
2、本发明公开的智能参数辨识方法解决了传统方法基于主站同步相量不能完整准确辨识次同步振荡参数,无法辨识超同步振荡参数的问题;
3、本发明公开的智能参数辨识方法具有辨识速度快、辨识精度高、鲁棒性强的优点,可满足在线辨识需求。
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振荡频率为14.5Hz的次同步振荡主站同步相量数据实部还原波形图;
图3是本发明实施例一中振荡频率为14.5Hz的次同步振荡主站同步相量数据虚部还原波形图;
图4是本发明实施例一中振荡频率为14.5Hz的次同步振荡子站时序数据还原波形图;
图5是本发明实施例一中振荡频率为80.0Hz的超同步振荡主站同步相量数据实部还原波形图;
图6是本发明实施例一中振荡频率为80.0Hz的超同步振荡主站同步相量数据虚部还原波形图;
图7是本发明实施例一中振荡频率为80.0Hz的超同步振荡子站时序数据还原波形图。
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做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1000Hz,子站上传频率为100Hz,采样时间为2.0s。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,在系统中注入不同频率、幅值、阻尼、相位大小的正弦扰动信号,仿真出实施例所需的次/超同步振荡样本。将采集的电力系统次/超同步振荡信号进行预处理过滤掉基频分量,输入SVM定阶模型判定振荡模态阶次,根据模态阶次进行模态分解,将分解后的信号输入CNN智能参数辨识模型,完成次/超同步振荡辨识。下面结合一个实施例对本方法做进一步说明。
实施例一:系统次同步振荡和超同步振荡同时发生时的辨识分析
(1)、次/超同步振荡训练数据生成
确定振荡模态频率取值范围为1~100Hz,幅值取值范围为5~50MW,阻尼取值范围为0.01~1,相位取值范围为0~2Π rad,振荡模态阶次最高为3阶,生成1阶、2阶、3阶的次/超同步振荡数据。
(2)、离线训练支持向量机定阶模型
选择1阶、2阶、3阶的次/超同步振荡数据各5000个,共计15000个振荡数据作为原始样本;从1阶和2阶数据中各选2500个用来训练第一个SVM分类器,最终分类精度为98.1%,得到能区分1阶和2阶数据的SVM分类器;从1阶和3阶数据中各选2500个用来训练第二个SVM分类器,最终分类精度为99.3%,得到能区分1阶和3阶数据的SVM分类器;从2阶和3阶数据中各选2500个用来训练第三个SVM分类器,最终分类精度为98.3%,得到能区分2阶和3阶数据的SVM分类器;将这三个训练好的SVM分类器组合成所需的SVM定阶模型。
(3)、离线训练卷积神经网络智能参数辨识模型
选择1阶次/超同步振荡数据,共计200万个数据作为原始样本;使用Tensorflow框架搭建卷积神经网络模型,损失函数选择均方差损失函数,优化器选择Adam优化器;进行批训练,每批256个样本;最终模型在训练数据上的参数辨识误差为:频率0.01%,幅值0.18%,阻尼3.09%,相位0.78%;最终模型在训练数据上的参数辨识误差为:频率0.01%,幅值0.20%,阻尼4.05%,相位0.92%。将训练好的模型保存,即卷积神经网络智能参数辨识模型。
(4)、在线辨识过程
①在系统中同时施加频率为14.5Hz,幅值为10.0MW,阻尼为-0.2,相位为1.047rad的正弦扰动信号和频率为80.0Hz,幅值为10.0MW,阻尼为-0.5,相位为0.524rad的正弦扰动信号,触发系统次/超同步振荡;
②在主站采集同步相量,进行预处理过滤掉50Hz基频分量,输入SVM定阶模型判定振荡模态阶次为2阶,根据模态阶次进行变分模态分解得到2个振荡分量对应的信号,将分解后的信号输入CNN智能参数辨识模型分析出2个振荡分量的模态参数、
(5)、具体实施结果:次同步振荡分量同步相量的实部、虚部分解结果分别如图2和图3所示,次同步振荡辨识结果为频率14.459Hz,幅值10.007MW,阻尼比-0.197,相位1.034rad,信号还原波形如图4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。超同步振荡分量同步相量的实部、虚部分解结果分别如图5和图6所示,超同步振荡辨识结果为频率80.001Hz,幅值10.027MW,阻尼比-0.512,相位0.561rad,信号还原波形如图7所示,可看出超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/超同步振荡数据进行分析,实现广域电力系统次/超同步振荡的辨识分析。
电力系统次/超同步振荡信号还可以是系统各节点电压或传输线路电流。
本发明在分析次/超同步振荡时无须求解特征值,有效避免了求特征值计算慢、耗时长的问题。将整个辨识周期缩短到毫秒级,为振荡在线检测提供支撑。
本发明有效解决了传统方法基于主站同步相量不能完整准确辨识次同步振荡参数,无法辨识超同步振荡参数的问题,正确辨识了次/超同步振荡。
本发明基于主站进行分析,采集的数据量小,辨识速度快,辨识精度高,鲁棒性强。
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 (6)
1.一种基于同步相量的次/超同步振荡智能辨识方法,其特征在于,所述辨识方法包括次/超同步振荡训练数据生成、离线训练SVM定阶模型和CNN智能参数辨识模型、在线辨识过程:
所述次/超同步振荡训练数据生成过程包括:
S1:选择振荡模态阶次n、振荡模态频率f i范围、阻尼α i范围、幅值A i范围、相位范围φ i、子站采样频率f s 、子站上传频率f u ;
S2:根据步骤S1选择的参数和振荡信号的数学模型,通过参数之间的自由组合,以子站采样频率f s 生成次/超同步振荡的时序信号;
S3:将步骤S2得到的时序信号数据转化为同步相量数据;
S4:以子站上传频率f u 对步骤S3得到的同步相量数据进行采样得到不同模态阶次的次/超同步振荡训练数据和不同振荡模态频率、阻尼、幅值、相位的1阶次/超同步振荡训练数据;
所述离线训练SVM定阶模型的过程包括:
S5:根据步骤S1、S2、S3、S4生成的不同模态阶次的次/超同步振荡训练数据,将对应的模态阶次n记作训练数据的标签;
S6:从步骤S5得到的训练数据中筛选出ni阶的训练数据和nj阶的训练数据,用筛选后的训练数据训练得到能判定模态阶次为ni阶或nj阶的SVM分类器,其中ni,nj∈[1,n],且ni≠nj;
S7:多次重复步骤S6得到Nsorter个SVM分类器,将这些分类器组合成SVM定阶模型,用于判定振荡模态阶次;
所述离线训练CNN智能参数辨识模型的过程包括:
S8:根据步骤S1、S2、S3、S4生成的不同振荡模态频率、阻尼、幅值、相位的1阶次/超同步振荡训练数据,包含Nt个同步相量数据,将对应的振荡模态参数记作训练数据的标签;
S9:制定CNN的网络结构,损失函数及优化目标,并搭建CNN模型;
S10:用步骤S8得到的数据训练CNN模型,得到能辨识振荡模态频率、阻尼、幅值、相位的CNN智能参数辨识模型;
所述在线辨识过程包括:
S11:采集主站同步相量数据;
S12:从同步相量中过滤掉基频分量;
S13:使用离线训练生成的SVM定阶模型判定振荡模态阶次N;
S14:根据步骤S13确定的振荡模态阶次N进行模态分解,得到N个模态的信号;
S15:使用离线训练生成的CNN智能参数辨识模型分别对分解得到的N个信号进行参数辨识,辨识出每个振荡模态的频率、阻尼、幅值、相位信息;
步骤S2所述振荡信号的数学模型为:
其中A 0为基频幅值,f 0为基频频率,φ 0为基频相位,A i为振荡幅值,α i为振荡阻尼,f i为振荡频率,φ i为振荡相位,t为以振荡发生的某一时刻为起点的相对时间;
步骤S9中CNN智能参数辨识模型包含一个输入层、四个卷积层、四个池化层、一个展开层和一个输出层;输入层的维度为(m,NH,NW),其中m是批量训练的样本数;NH = 2,表示输入矩阵的第一个维度,对应同步相量的实部和虚部2个部分;NW < Nt,表示输入矩阵的第二个维度,对应同步相量的个数;输出层的维度为(m,Noutput),其中Noutput = 4,对应信号的四个参数;CNN模型的损失函数为均方根误差RMSE。
2.根据权利要求1所述的一种基于同步相量的次/超同步振荡智能辨识方法,其特征在于,步骤S5所述的不同模态阶次的振荡数据,其阶次由主导振荡模态的个数Nmode确定,分为一阶、二阶、…、Nmode阶数据。
3.根据权利要求1所述的一种基于同步相量的次/超同步振荡智能辨识方法,其特征在于,步骤S7所述的Nsorter个SVM分类器,其中分类器的个数Nsorter由主导振荡模态的个数Nmode确定,共Nmode*(Nmode-1)/2个。
4.根据权利要求1所述的一种基于同步相量的次/超同步振荡智能辨识方法,其特征在于,所述步骤S11采集的同步相量数据为复数形式。
5.根据权利要求1所述的一种基于同步相量的次/超同步振荡智能辨识方法,其特征在于,步骤S13中振荡模态定阶由所有的SVM分类器投票决定,最终得票最多的阶次确定为振荡模态阶次N。
6.根据权利要求1所述的一种基于同步相量的次/超同步振荡智能辨识方法,其特征在于,所述步骤S14使用的模态分解方法包括经验模态分解、集合经验模态分解、互补集合经验模态分解、自适应噪声完备集合经验模态分解和变分模态分解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210436951.8A CN114552580B (zh) | 2022-04-25 | 2022-04-25 | 一种基于同步相量的次/超同步振荡智能辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210436951.8A CN114552580B (zh) | 2022-04-25 | 2022-04-25 | 一种基于同步相量的次/超同步振荡智能辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114552580A CN114552580A (zh) | 2022-05-27 |
CN114552580B true CN114552580B (zh) | 2022-07-26 |
Family
ID=81667105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210436951.8A Active CN114552580B (zh) | 2022-04-25 | 2022-04-25 | 一种基于同步相量的次/超同步振荡智能辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114552580B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207931A (zh) * | 2013-03-11 | 2013-07-17 | 武汉大学 | 基于mm和arma算法的次同步振荡模态辨识方法 |
CN110412349A (zh) * | 2019-08-27 | 2019-11-05 | 四川大学 | 基于插值dft的同步相量数据次同步振荡参数辨识法 |
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 |
-
2022
- 2022-04-25 CN CN202210436951.8A patent/CN114552580B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207931A (zh) * | 2013-03-11 | 2013-07-17 | 武汉大学 | 基于mm和arma算法的次同步振荡模态辨识方法 |
CN110412349A (zh) * | 2019-08-27 | 2019-11-05 | 四川大学 | 基于插值dft的同步相量数据次同步振荡参数辨识法 |
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 |
Non-Patent Citations (2)
Title |
---|
《人工智能在电力系统宽频振荡中的应用与挑战》;冯双等;《中国电机工程学报》;20211205;第41卷(第23期);第7889-7904页 * |
《电力系统低频振荡性质频域判别方法》;冯双等;《中国电机工程学报》;20160505;第36卷(第9期);第2357-2365页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114552580A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110718910B (zh) | 贝叶斯优化LightGBM的暂态稳定评估方法 | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN102539822B (zh) | 一种短期风速预测方法 | |
CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
CN112200038B (zh) | 一种基于cnn的电力系统振荡类型的快速辨识方法 | |
CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
Bai et al. | Measurement-based frequency dynamic response estimation using geometric template matching and recurrent artificial neural network | |
Xiaolan et al. | One-month ahead prediction of wind speed and output power based on EMD and LSSVM | |
Shi et al. | Short term wind power forecasting using Hilbert-Huang transform and artificial neural network | |
Sun et al. | PF-FEDG: An open-source data generator for frequency disturbance event detection with deep-learning reference classifiers | |
CN105939014A (zh) | 一种风电场站相关性指标获取方法 | |
CN114552580B (zh) | 一种基于同步相量的次/超同步振荡智能辨识方法 | |
CN111521905A (zh) | 一种基于多维数据故障度智能融合的电网故障诊断方法 | |
US20240019468A1 (en) | High-resolution electrical measurement data processing | |
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 | |
Xing et al. | Hydrological time series forecast by ARIMA+ PSO-RBF combined model based on wavelet transform | |
Yu et al. | Transmission line loss prediction by cross validation and gradient boosting decision tree | |
Hu et al. | Power grid's Intelligent Stability Analysis based on big data technology | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
Chen et al. | Automatic identification of power quality signal of distribution network based on HHT and RVM | |
CN107831383B (zh) | 一种电力系统厂站端的负荷参数辨识装置及其方法 | |
Dabou et al. | Supervised learning of overcomplete dictionaries for rapid response-based dynamic stability prediction | |
Ren et al. | Fault Diagnosis of UHVDC Transmission System Based on Gated Recurrent Unit | |
McDonald et al. | Investigating Machine Learning for Anomaly Detection in Phasor Measurement Unit Data | |
Fan et al. | Ultra-Short-Term Wind Power Forecasting Based on Fluctuation Pattern Clustering and Prediction |
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 |