CN115291520A - 微电网群分析控制中模型降阶方法、系统及存储介质 - Google Patents

微电网群分析控制中模型降阶方法、系统及存储介质 Download PDF

Info

Publication number
CN115291520A
CN115291520A CN202211021552.1A CN202211021552A CN115291520A CN 115291520 A CN115291520 A CN 115291520A CN 202211021552 A CN202211021552 A CN 202211021552A CN 115291520 A CN115291520 A CN 115291520A
Authority
CN
China
Prior art keywords
model
state
microgrid
dynamics
order
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.)
Granted
Application number
CN202211021552.1A
Other languages
English (en)
Other versions
CN115291520B (zh
Inventor
罗熙
赵卓立
伍均桦
谢金典
宫绍庆
倪强
赖来利
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202211021552.1A priority Critical patent/CN115291520B/zh
Publication of CN115291520A publication Critical patent/CN115291520A/zh
Application granted granted Critical
Publication of CN115291520B publication Critical patent/CN115291520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • 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]
    • 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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出一种微电网群分析控制中模型降阶方法、系统及存储介质，涉及微电网群控制的技术领域，建立微电网群全阶模型，将微电网群状态矩阵的所有特征值和特征向量组成矩阵，计算获得参与因子，选择系统主导模式并辨识主导慢动态和快动态，通过经典奇异摄动法建立微电网群系统边界层并实现双时间尺度下的模型降阶，挑选出具有最大参与因子数值的快动态并设为混合动态，循环加回双时间尺度降阶模型中观察，直至主导模式与全阶模型相符合，得到混合动态并放入双时间尺度降阶模型中重建，获得保留了微电网群全局主导慢动态与混合动态最终降阶模型，保障稳定分析建模精度，为微电网系统进一步的宏观调节提供指导性建议，保障电力运行的可靠性。

Description

微电网群分析控制中模型降阶方法、系统及存储介质
技术领域
本发明涉及微电网群稳定控制分析的技术领域，更具体地，涉及一种微电网群分析控制中模型降阶方法、系统及存储介质。
背景技术
随着新能源发电技术的进步和国家对新能源激励政策的宣传，电力系统中新能源发电占比越来越高。理论上，微电网群不仅有利于新能源运行于就地消纳模式，还可以为可再生能源分布式发电模式提供有效的解决方案。有关微电网与微电网群的稳定性分析已受到许多研究者的关注，在大多数研究中，建立状态空间模型是进行微电网运行稳定性分析的一种重要手段，在状态空间模型的基础上可以形成大信号模型与小信号模型，用以描述微电网系统暂态过程。
当微电网互联形成微电网群时，稳定控制的分析难度显著提高，小时间步长与长时间模拟的迫切需求向微电网群数字仿真提出了较高的要求，微电网群分析计算的负担急剧上升，稳定控制分析的结果也会受到不利干扰，而对微电网及微电网群进行适当的模型降阶，可以有效简化微电网系统和降低计算负担。奇异摄动法能有效应用于模型简化与降阶，此方法可被应用于以同步发电机为主导的传统电力系统，利用双时间尺度特性，将系统分为快动态与慢动态，认为慢动态主导了系统的性能因而可以忽略快动态，从而实现系统双时间尺度降阶。如现有技术中公开了一种弱电网下双馈风力发电机在故障穿越期间的降阶建模方法，在该方案中利用了奇异摄动法，将系统全阶模型表达为多时间尺度下奇异摄动模型的形式；并基于此，令奇异摄动参数为零，得到系统全阶模型的极限慢系统模型，引入快时间尺度变量得到系统全阶模型的极限快系统模型，采用多时间尺度法，通过对传统双馈风力发电机的全阶模型进行降阶简化，使得模型阶数降低、通用性增强，极大简化双馈风力发电机在弱电网故障穿越期间的暂态建模和暂态分析过程。但在该方案中，针对模型降阶利用的是经典奇异摄动和双时间尺度方法，假设的是快、慢时间尺度足够分离，没有考虑快动态与慢动态之间的耦合交互，实际上在微电网群系统中，存在大量电力电子变换器接口，电力电子接口的新能源机组存在从微秒到秒的宽时间尺度特征，此类发电单元的快慢动态在时间尺度上可能不足够分离甚至产生耦合交互，从而展现出混合动态的特征，因此，仅直接消去快动态可能导致某些系统动态的消失而影响仿真建模精度，对稳定分析结果产生不利影响。
发明内容
为解决当前针对微电网或微电网群降阶采用直接消去快动态的方法导致微电网群动态的消失，影响稳定分析建模精度的问题，本发明提出一种微电网群分析控制中模型降阶方法、系统及存储介质，保留了微电网群全局主导慢动态与混合动态，能够实现全阶模型主导模式的精确保存，保障稳定分析建模精度，从而为电力企业对微电网系统进一步的宏观调节提供指导性建议，保障电力运行的可靠性。
为了达到上述技术效果，本发明的技术方案如下：
一种微电网群分析控制中模型降阶方法，包括：
S1.建立微电网群的全阶状态空间模型；
S2.确定微电网群的状态矩阵及特征值，基于微电网群的状态矩阵及特征值，求解微电网群的系统特征值、左特征向量与右特征向量，进一步获取所有特征值的参与因子；
S3.基于微电网群的全阶状态空间模型，选择微电网群系统主导模式并辨识主导慢动态与快动态；
S4.建立微电网群系统边界层，保留已辨识的主导慢动态并消去快动态，实现双时间尺度下的模型降阶，获得双时间尺度降阶模型；
S5.辨识微电网群系统的混合动态，将其在双时间尺度降阶模型中重建，得到最终降阶模型，用于微电网群稳定分析。
优选地，在步骤S1中，微电网群中单个微电网内设有双馈风电机组、光伏发电机组、电池储能机组，双馈风电机组、光伏发电机组、电池储能机组在微电网线路中的交流微网母线上并联运行，若干个单个微电网及其之间的联络线构成所述的微电网群；
针对双馈风电机组，建立如下以状态方程表示的模型：
Figure BDA0003814367530000021
其中，ΔvbDQ1为双馈机组公共坐标系中的连接点电压；Δωcom为本地和公共坐标系之间频率偏差的附加输入信号；ΔxDFIGi为第i个双馈风力发电机组的所有状态变量，其中包含了下垂控制器状态变量ΔxDroop、风力机机械部件状态变量ΔxSM、异步发电机状态变量ΔxAG、LCL滤波器状态变量ΔxLCL、转子侧功率变换器状态变量ΔxRSC和网侧功率变换器状态变量ΔxGSC；
Figure BDA00038143675300000310
为双馈机组状态变量的积分；ADFIG为双馈机组的状态矩阵，BDFIG和Bcomi分别为双馈机组和公共坐标系的输入矩阵，均由相应控制器表示的常微分方程得到；
针对光伏发电机组，建立如下以状态方程表示的模型：
Figure BDA0003814367530000031
其中，ΔvbDQ2为光伏机组公共坐标系中的连接点电压；ΔxPVi为第i个光伏机组的所有状态变量，其中包含了下垂控制器状态变量ΔxDroop、光伏直流电压Δvdc、LCL滤波器状态变量ΔxLCL、逆变器电压外环状态变量
Figure BDA0003814367530000032
和逆变器电流内环状态变量
Figure BDA0003814367530000033
Figure BDA0003814367530000034
为光伏机组状态变量的积分；APV为光伏机组的状态矩阵，BPV和Bcomi分别为光伏机组和公共坐标系的输入矩阵，均可以由相应控制器表示的常微分方程得到；
针对电池储能机组，建立如下以状态方程表示的模型：
Figure BDA0003814367530000035
其中，ΔvbDQ3为储能机组公共坐标系中的连接点电压；ΔxBESSi为第i个储能机组的所有状态变量，其中包含了下垂控制器状态变量ΔxDroop、LCL滤波器状态变量ΔxLCL、逆变器电压外环状态变量
Figure BDA0003814367530000036
和逆变器电流内环状态变量
Figure BDA0003814367530000037
Figure BDA0003814367530000038
为储能状态变量的积分；ABESS为储能单元的状态矩阵，BBESS和Bcomi分别为储能单元和公共坐标系下的输入矩阵，均可以由相应控制器表示的常微分方程得到；
基于双馈风电机组、光伏发电机组及电池储能机组的状态方程，建立单个微电网的全阶模型：
Figure BDA0003814367530000039
其中，ΔxMGi表示第i个微电网的所有状态变量，其中，包括储能单元、光伏发电单元和双馈风力发电单元的所有状态变量，以及微电网内馈线的状态变量Δxline、负载的状态变量Δxload；
Figure BDA0003814367530000041
为微电网状态变量的积分；AMGi为单微电网的状态矩阵；
基于单个微电网的全阶模型，建立微电网群的全阶模型：
Figure BDA0003814367530000042
其中，ΔxMGC为微电网群的所有状态变量，其中包括所有微电网的状态变量与联络线状态变量Δxtie；
Figure BDA0003814367530000043
为微电网群状态变量的积分；AMGC为微电网群的状态矩阵。
优选地，在步骤S2中，设微电网群的状态矩阵为AMGC，微电网群的某一特征值为λi，求取微电网群的系统特征值、左特征向量与右特征向量，求取表达式为：
Figure BDA0003814367530000044
其中，λi为微电网群的某一特征值；vi为状态矩阵AMGC关于特征值λi的右特征向量；ui为状态矩阵AMGC关于特征值λi的左特征向量；利用所有的特征值与所有的左特征向量、右特征向量进行运算，得到：
Figure BDA0003814367530000045
其中，λ为微电网群的所有特征值组成的对角矩阵；v为所有右特征向量组成的矩阵；u为所有左特征向量组成的矩阵；进而可以求得参与因子：
pki＝ukivki
其中，uki为所有左特征向量组成的矩阵中，第k行第i列的元素；vki为所有右特征向量组成的矩阵中，第k行第i列的元素；pki为参与因子，度量了第i个特征值与第k个状态变量之间的相互参与程度。
优选地，在步骤S3中，获得参与因子后，基于建立的全阶状态空间模型选择系统主导模式，选择的过程为：
将低频和超低频振荡模式确定为系统主导模式，每一个主导模式对应一对主导特征值，除与主导特征值对应的系统的主导模式外，其余振荡模式被确定为高频高阻尼振荡模式，高频高阻尼振荡模式不参与后续的降阶过程；基于系统主导模式对应的特征值，进行参与因子分析以辨识系统主导模式的多时间尺度特性，确定主导特征值中的参与因子，设置参与因子阈值，将主导特征值中参与因子数值大于参与因子阈值的状态变量挑选出，辨识为主导慢动态，其余的即为快动态。
优选地，在步骤S4中，通过经典奇异摄动法来建立微电网群系统边界层并实现双时间尺度下的模型降阶，保留已辨识的主导慢动态并消去快动态，将微电网群系统状态划分为如下形式：
Figure BDA0003814367530000051
其中，xMGC·s与xMGC·f分别为微电网群主导慢动态与微电网群快动态；u为系统的输入；ε为奇异摄动参数；
将奇异摄动参数ε设置为0，并获得下式：
Figure BDA0003814367530000052
由此，保留主导慢动态并将快动态边界层线性保存，实现双时间尺度降阶，得到双时间尺度降阶模型：
Figure BDA0003814367530000053
优选地，在步骤S5中，在获得双时间尺度降阶模型后，通过辨识已被忽略的混合动态并将混合动态在降阶模型中重建，将在双时间尺度降阶中被忽略的快动态的参与因子数值以升序排列，挑选出具有最大参与因子数值的快动态，若选取的数量不足，则循环该步骤进行挑选；将其初步假设为混合动态，进而将所选的混合动态重新加回双时间尺度降阶模型中，观察主导模式的特征值分布是否与全阶模式相符合，判断标准为：二者的特征值分布位置基本重合即为相符合，否则为不符合；重复上述操作，直至主导模式与全阶模型相符合，所选的所有快动态即为混合动态；
将所辨识的混合动态在双时间尺度降阶模型中重建，获得最终降阶模型：
Figure BDA0003814367530000054
其中，xH为已辨识的混合动态，
Figure BDA0003814367530000055
为除去混合动态部分的微电网群快动态。
在此，充分考虑了微电网群系统的快动态与慢动态耦合交互而存在的混合动态，刻画了微电网群系统多时间尺度特征，同时有效提高了计算效率。
本申请还提出一种微电网群分析控制中模型降阶的设备，其特征在于，所述设备包括存储器、处理器及存储在存储器上并能在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时，用于实现微电网群分析控制中模型降阶方法的步骤。
本申请还提出一种计算机存储介质，用于计算机可读存储，所述计算机存储介质上存储有微电网群分析控制中模型降阶的程序，所述微电网群分析控制中模型降阶的程序被处理器执行时，用于实现所述的微电网群分析控制中模型降阶方法的步骤。
本申请还提出一种微电网群分析控制中模型降阶的系统，所述系统包括：
全阶模型建立模块，用于建立微电网群的全阶模型；
参与因子计算模块，用于基于微电网群的状态矩阵求取微电网群的系统特征值、左特征向量与右特征向量，进而通过所有的特征值与所有的左特征向量、右特征向量计算获得参与因子；
选择辨识模块，用于基于主导模式对应特征值进行参与因子分析，以辨识系统主导模式的多时间尺度特性；
双时间尺度降阶模块，用于建立微电网群系统边界层并实现双时间尺度下的模型降阶；
辨识混合动态模块，用于将被忽略的混合动态重新放回双时间降阶模型中进行重建，直至主导模式与全阶模型相符合，并得到最终的降阶模型；
降阶模块，保留了全局主导慢动态与混合动态，用于实现全阶模型主导模式的精确保存。
在本技术方案中，利用全阶模型模块获得双馈风电机组模型、光电发电机组模型和电池储能机组模型，进而建立单微电网全阶模型和微电网群全阶模型，利用参与因子计算模块处理微电网群的状态矩阵，获得微电网群所有特征值组成的对角矩阵、右特征向量组成的矩阵和左特征向量组成的矩阵，进而获得参与因子，然后利用选择辨识模块，基于建立的全阶状态空间模型选择系统主导模式并辨识出主导慢动态和快动态，利用双时间尺度降阶模块通过经典奇异摄动法来建立微电网群系统边界层并实现双时间尺度下的模型降阶，再利用辨识混合动态模块挑选出初步混合动态并循环加回双时间尺度降阶模型中观察，直至主导模式与全阶模型相符合，将所辨识的混合动态在双时间尺度降阶模型中重建，最终得到的降阶模块可保留全局主导慢动态与混合动态，能够实现全阶模型主导模式的精确保存。
与现有技术相比，本发明技术方案的有益效果是：
本发明提出一种微电网群分析控制中模型降阶方法、系统及存储介质，首先建立双馈风电机组模型、光电发电机组模型和电池储能机组模型，进而建立单微电网全阶模型和微电网群全阶模型，计算获得微电网群状态矩阵的所有特征值以及左特征向量、右特征向量，通过组成的矩阵计算得到参与因子，基于建立的全阶状态空间模型选择系统主导模式并辨识出主导慢动态和快动态，通过经典奇异摄动法来建立微电网群系统边界层并实现双时间尺度下的模型降阶，将挑选出的具有最大参与因子数值的快动态设为混合动态，将其重新循环加回双时间尺度降阶模型中并进行观察，直至主导模式与全阶模型相符合，得到混合动态，将所辨识的混合动态在双时间尺度降阶模型中重建，最后获得的最终降阶模型保留了微电网群全局主导慢动态与混合动态，能够实现全阶模型主导模式的精确保存，保障稳定分析建模精度，为微电网系统进一步的宏观调节提供指导性建议，保障电力运行的可靠性和效率。
附图说明
图1表示本发明实施例1中提出的微电网群分析控制中模型降阶方法的流程示意图；
图2表示本发明实施例1中提出的微电网群分析控制中模型降阶方法的程序框图；
图3表示本发明实施例1中提出的微电网群系统拓扑图；
图4表示本发明实施例2中提出的微电网群分析控制中模型降阶的设备结构示意图；
图5表示本发明实施例3中提出的微电网群分析控制中模型降阶的系统的整体结构示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好地说明本实施例，附图某些部位会有省略、放大或缩小，并不代表实际尺寸；
对于本领域技术人员来说，附图中某些公知内容说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
附图中描述位置关系的仅用于示例性说明，不能理解为对本专利的限制；
实施例1
如图1及图2所示，本实施例提出一种微电网群分析控制中模型降阶方法，参见图1，所述方法包括以下步骤：
S1.建立微电网群的全阶状态空间模型；
微电网群中单个微电网内设有双馈风电机组、光伏发电机组、电池储能机组，双馈风电机组、光伏发电机组、电池储能机组在微电网线路中的交流微网母线上并联运行，若干个单个微电网及其之间的联络线构成所述的微电网群，如图3所示；
针对双馈风电机组，建立如下以状态方程表示的模型：
Figure BDA0003814367530000081
其中，ΔvbDQ1为双馈机组公共坐标系中的连接点电压；Δωcom为本地和公共坐标系之间频率偏差的附加输入信号；ΔxDFIGi为第i个双馈风力发电机组的所有状态变量，其中包含了下垂控制器状态变量ΔxDroop、风力机机械部件状态变量ΔxSM、异步发电机状态变量ΔxAG、LCL滤波器状态变量ΔxLCL、转子侧功率变换器状态变量ΔxRSC和网侧功率变换器状态变量ΔxGSC；
Figure BDA0003814367530000082
为双馈机组状态变量的积分；ADFIG为双馈机组的状态矩阵，BDFIG和Bcomi分别为双馈机组和公共坐标系的输入矩阵，均由相应控制器表示的常微分方程得到；
针对光伏发电机组，建立如下以状态方程表示的模型：
Figure BDA0003814367530000083
其中，ΔvbDQ2为光伏机组公共坐标系中的连接点电压；ΔxPVi为第i个光伏机组的所有状态变量，其中包含了下垂控制器状态变量ΔxDroop、光伏直流电压Δvdc、LCL滤波器状态变量ΔxLCL、逆变器电压外环状态变量
Figure BDA0003814367530000084
和逆变器电流内环状态变量
Figure BDA0003814367530000085
Figure BDA0003814367530000086
为光伏机组状态变量的积分；APV为光伏机组的状态矩阵，BPV和Bcomi分别为光伏机组和公共坐标系的输入矩阵，均可以由相应控制器表示的常微分方程得到；
针对电池储能机组，建立如下以状态方程表示的模型：
Figure BDA0003814367530000091
其中，ΔvbDQ3为储能机组公共坐标系中的连接点电压；ΔxBESSi为第i个储能机组的所有状态变量，其中包含了下垂控制器状态变量ΔxDroop、LCL滤波器状态变量ΔxLCL、逆变器电压外环状态变量
Figure BDA0003814367530000092
和逆变器电流内环状态变量
Figure BDA0003814367530000093
Figure BDA0003814367530000094
为储能状态变量的积分；ABESS为储能单元的状态矩阵，BBESS和Bcomi分别为储能单元和公共坐标系下的输入矩阵，均可以由相应控制器表示的常微分方程得到；
基于双馈风电机组、光伏发电机组及电池储能机组的状态方程，建立单个微电网的全阶模型：
Figure BDA0003814367530000095
其中，ΔxMGi表示第i个微电网的所有状态变量，其中，包括储能单元、光伏发电单元和双馈风力发电单元的所有状态变量，以及微电网内馈线的状态变量Δxline、负载的状态变量Δxload；
Figure BDA0003814367530000096
为微电网状态变量的积分；AMGi为单微电网的状态矩阵；
基于单个微电网的全阶模型，建立微电网群的全阶模型：
Figure BDA0003814367530000097
其中，ΔxMGC为微电网群的所有状态变量，其中包括所有微电网的状态变量与联络线状态变量Δxtie；
Figure BDA0003814367530000098
为微电网群状态变量的积分；AMGC为微电网群的状态矩阵。
S2.确定微电网群的状态矩阵及特征值，基于微电网群的状态矩阵及特征值，求解微电网群的系统特征值、左特征向量与右特征向量，进一步获取所有特征值的参与因子；
在本实施例中，设微电网群的状态矩阵为AMGC，微电网群的某一特征值为λi，求取微电网群的系统特征值、左特征向量与右特征向量，求取表达式为：
Figure BDA0003814367530000099
其中，λi为微电网群的某一特征值；vi为状态矩阵AMGC关于特征值λi的右特征向量；ui为状态矩阵AMGC关于特征值λi的左特征向量；利用所有的特征值与所有的左特征向量、右特征向量进行运算，得到：
Figure BDA0003814367530000101
其中，λ为微电网群的所有特征值组成的对角矩阵；v为所有右特征向量组成的矩阵；u为所有左特征向量组成的矩阵；进而可以求得参与因子：
pki＝ukivki
其中，uki为所有左特征向量组成的矩阵中，第k行第i列的元素；vki为所有右特征向量组成的矩阵中，第k行第i列的元素；pki为参与因子，度量了第i个特征值与第k个状态变量之间的相互参与程度。
S3.基于微电网群的全阶状态空间模型，选择微电网群系统主导模式并辨识主导慢动态与快动态；
获得参与因子后，基于建立的全阶状态空间模型选择系统主导模式，选择的过程为：
针对所建立的全阶状态空间模型，求取其系统矩阵的所有特征值，所有特征值会分布在横轴为特征值实部、纵轴为特征值虚部的复平面内，其中横轴和纵轴分别为实轴和虚轴；在分布了特征值的复平面内，除了位于实轴的实根以外，其余的特征值均成对出现，每一对特征值对应一种振荡模式，其中出现的一簇非常靠近实轴与虚轴的特征值，被称为主导特征值，主导特征值表现为欠阻尼的振荡模式，对应着多个低频和超低频振荡模式；将上述多个低频和超低频振荡模式确定为系统主导模式，除与主导特征值对应的系统的主导模式外，其余振荡模式被确定为高频高阻尼振荡模式，高频高阻尼振荡模式不参与后续的降阶过程；基于系统主导模式对应的特征值，进行参与因子分析以辨识系统主导模式的多时间尺度特性，确定主导特征值中的参与因子，设置参与因子阈值，将主导特征值中参与因子数值大于参与因子阈值的状态变量挑选出，辨识为主导慢动态，其余的即为快动态；其中，慢动态即为具有较长时间尺度的动态，在系统受扰动后变化程度较小，在本实施例中被认为在系统受扰瞬间基本为稳态不变，需要较长时间才能到达受扰动后的稳态点；快动态即为具有较短时间尺度的动态，在系统受扰动瞬间变化程度较大，只需短暂时间即可到达下一个稳态点。
S4.建立微电网群系统边界层，保留已辨识的主导慢动态并消去快动态，实现双时间尺度下的模型降阶，获得双时间尺度降阶模型；
通过经典奇异摄动法来建立微电网群系统边界层并实现双时间尺度下的模型降阶，保留已辨识的主导慢动态并消去快动态，将微电网群系统状态划分为如下形式：
Figure BDA0003814367530000111
其中，xMGC·s与xMGC·f分别为微电网群主导慢动态与微电网群快动态；u为系统的输入；ε为奇异摄动参数；
将奇异摄动参数ε设置为0，并获得下式：
Figure BDA0003814367530000112
由此，保留主导慢动态并将快动态边界层线性保存，实现双时间尺度降阶，得到双时间尺度降阶模型：
Figure BDA0003814367530000113
S5.辨识微电网群系统的混合动态，将其在双时间尺度降阶模型中重建，得到最终降阶模型，用于微电网群稳定分析。
在获得双时间尺度降阶模型后，通过辨识已被忽略的混合动态并将混合动态在降阶模型中重建；其中，快动态与慢动态在时间尺度上不足够分离而产生耦合交互，混合动态即为快动态与慢动态交互耦合的动态，混合动态可能以快动态的形式表现，因此需要用一定的方法进行辨识：首先将在双时间尺度降阶中被忽略的快动态的参与因子数值以升序排列，挑选出具有最大参与因子数值的快动态，若选取的数量不足，则循环该步骤进行挑选；将具有最大参与因子数值的快动态初步假设为混合动态，进而将所选的混合动态重新加回双时间尺度降阶模型中，观察主导模式的特征值分布是否与全阶模式相符合，判断标准为：二者的特征值分布位置重合即为相符合，否则为不符合；重复上述操作，直至主导模式与全阶模型相符合，所选的所有快动态即为混合动态；
将所辨识的混合动态在双时间尺度降阶模型中重建，获得最终降阶模型：
Figure BDA0003814367530000114
其中，xH为已辨识的混合动态，
Figure BDA0003814367530000115
为除去混合动态部分的微电网群快动态。
实施例2
在本实施例中，提出了一种微电网群分析控制中模型降阶的计算机设备，如图4所示，所述计算机设备包括存储器1、处理器2及存储在存储器1上并能在所述处理器2上运行的计算机程序，所述计算机程序被所述处理器2执行时，实现实施例1所述的微电网群分析控制中模型降阶的方法的步骤。基于此，还提出一种计算机存储介质，用于计算机可读存储，所述计算机存储介质上存储有微电网群分析控制中模型降阶的程序，所述微电网群分析控制中模型降阶的程序被处理器2执行时，用于实现实施例1所述的微电网群分析控制中模型降阶的方法的步骤。
实施例3
在本实施例中，如图5所示，提出了一种微电网群分析控制中模型降阶的系统，所述系统包括：
全阶模型建立模块101，用于建立微电网群的全阶模型；
参与因子计算模块102，用于基于微电网群的状态矩阵求取微电网群的系统特征值、左特征向量与右特征向量，进而通过所有的特征值与所有的左特征向量、右特征向量计算获得参与因子；
选择辨识模块103，用于基于主导模式对应特征值进行参与因子分析，以辨识系统主导模式的多时间尺度特性；
双时间尺度降阶模块104，用于建立微电网群系统边界层并实现双时间尺度下的模型降阶；
辨识混合动态模块105，用于将被忽略的混合动态重新放回双时间降阶模型中进行重建，直至主导模式与全阶模型相符合，并得到最终的降阶模型；
降阶模块106，保留了全局主导慢动态与混合动态，用于实现全阶模型主导模式的精确保存。
整体上，利用全阶模型模块101获得双馈风电机组模型、光电发电机组模型和电池储能机组模型，进而建立单微电网全阶模型和微电网群全阶模型，利用参与因子计算模块102处理微电网群的状态矩阵，获得微电网群所有特征值组成的对角矩阵、右特征向量组成的矩阵和左特征向量组成的矩阵，进而获得参与因子，然后利用选择辨识模块103，基于建立的全阶状态空间模型选择系统主导模式并辨识出主导慢动态和快动态，利用双时间尺度降阶模块104通过经典奇异摄动法来建立微电网群系统边界层并实现双时间尺度下的模型降阶，再利用辨识混合动态模块105挑选出初步混合动态并循环加回双时间尺度降阶模型中观察，直至主导模式与全阶模型相符合，将所辨识的混合动态在双时间尺度降阶模型中重建，最终得到的降阶模块106可保留全局主导慢动态与混合动态，能够实现全阶模型主导模式的精确保存。
显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种微电网群分析控制中模型降阶方法，其特征在于，包括：
S1.建立微电网群的全阶状态空间模型；
S2.确定微电网群的状态矩阵及特征值，基于微电网群的状态矩阵及特征值，求解微电网群的系统特征值、左特征向量与右特征向量，进一步获取所有特征值的参与因子；
S3.基于微电网群的全阶状态空间模型，选择微电网群系统主导模式并辨识主导慢动态与快动态；
S4.建立微电网群系统边界层，保留已辨识的主导慢动态并消去快动态，实现双时间尺度下的模型降阶，获得双时间尺度降阶模型；
S5.辨识微电网群系统的混合动态，将其在双时间尺度降阶模型中重建，得到最终降阶模型，用于微电网群稳定分析。
2.根据权利要求1所述的微电网群分析控制中模型降阶方法，其特征在于，在步骤S1中，微电网群中单个微电网内设有双馈风电机组、光伏发电机组、电池储能机组，双馈风电机组、光伏发电机组、电池储能机组在微电网线路中的交流微网母线上并联运行，若干个单个微电网及其之间的联络线构成所述的微电网群；
针对双馈风电机组，建立如下以状态方程表示的模型：
Figure FDA0003814367520000011
其中，ΔvbDQ1为双馈机组公共坐标系中的连接点电压；Δωcom为本地和公共坐标系之间频率偏差的附加输入信号；ΔxDFIGi为第i个双馈风力发电机组的所有状态变量，其中包含了下垂控制器状态变量ΔxDroop、风力机机械部件状态变量ΔxSM、异步发电机状态变量ΔxAG、LCL滤波器状态变量ΔxLCL、转子侧功率变换器状态变量ΔxRSC和网侧功率变换器状态变量ΔxGSC；
Figure FDA0003814367520000012
为双馈机组状态变量的积分；ADFIG为双馈机组的状态矩阵，BDFIG和Bcomi分别为双馈机组和公共坐标系的输入矩阵，均由相应控制器表示的常微分方程得到；
针对光伏发电机组，建立如下以状态方程表示的模型：
Figure FDA0003814367520000021
其中，ΔvbDQ2为光伏机组公共坐标系中的连接点电压；ΔxPVi为第i个光伏机组的所有状态变量，其中包含了下垂控制器状态变量ΔxDroop、光伏直流电压Δvdc、LCL滤波器状态变量ΔxLCL、逆变器电压外环状态变量
Figure FDA00038143675200000211
和逆变器电流内环状态变量
Figure FDA0003814367520000022
Figure FDA0003814367520000023
为光伏机组状态变量的积分；APV为光伏机组的状态矩阵，BPV和Bcomi分别为光伏机组和公共坐标系的输入矩阵，均可以由相应控制器表示的常微分方程得到；
针对电池储能机组，建立如下以状态方程表示的模型：
Figure FDA0003814367520000024
其中，ΔvbDQ3为储能机组公共坐标系中的连接点电压；ΔxBESSi为第i个储能机组的所有状态变量，其中包含了下垂控制器状态变量ΔxDroop、LCL滤波器状态变量ΔxLCL、逆变器电压外环状态变量
Figure FDA0003814367520000025
和逆变器电流内环状态变量
Figure FDA0003814367520000026
Figure FDA0003814367520000027
为储能状态变量的积分；ABESS为储能单元的状态矩阵，BBESS和Bcomi分别为储能单元和公共坐标系下的输入矩阵，均可以由相应控制器表示的常微分方程得到；
基于双馈风电机组、光伏发电机组及电池储能机组的状态方程，建立单个微电网的全阶模型：
Figure FDA0003814367520000028
其中，ΔxMGi表示第i个微电网的所有状态变量，其中，包括储能单元、光伏发电单元和双馈风力发电单元的所有状态变量，以及微电网内馈线的状态变量Δxline、负载的状态变量Δxload；
Figure FDA0003814367520000029
为微电网状态变量的积分；AMGi为单微电网的状态矩阵。
3.根据权利要求2所述的微电网群分析控制中模型降阶方法，其特征在于，在步骤S1中，基于单个微电网的全阶模型，建立微电网群的全阶模型：
Figure FDA00038143675200000210
其中，ΔxMGC为微电网群的所有状态变量，其中包括所有微电网的状态变量与联络线状态变量Δxtie；
Figure FDA0003814367520000031
为微电网群状态变量的积分；AMGC为微电网群的状态矩阵。
4.根据权利要求3所述的微电网群分析控制中模型降阶方法，其特征在于，在步骤S2中，设微电网群的状态矩阵为AMGC，微电网群的某一特征值为λi，求取微电网群的系统特征值、左特征向量与右特征向量，求取表达式为：
Figure FDA0003814367520000032
其中，λi为微电网群的某一特征值；vi为状态矩阵AMGC关于特征值λi的右特征向量；ui为状态矩阵AMGC关于特征值λi的左特征向量；利用所有的特征值与所有的左特征向量、右特征向量进行运算，得到：
Figure FDA0003814367520000033
其中，λ为微电网群的所有特征值组成的对角矩阵；v为所有右特征向量组成的矩阵；u为所有左特征向量组成的矩阵；进而可以求得参与因子：
pki＝ukivki
其中，uki为所有左特征向量组成的矩阵中，第k行第i列的元素；vki为所有右特征向量组成的矩阵中，第k行第i列的元素；pki为参与因子，度量了第i个特征值与第k个状态变量之间的相互参与程度。
5.根据权利要求4所述的微电网群分析控制中模型降阶方法，其特征在于，在步骤S3中，获得参与因子后，基于建立的全阶状态空间模型选择系统主导模式，选择的过程为：
将低频和超低频振荡模式确定为系统主导模式，每一个主导模式对应一对主导特征值，除与主导特征值对应的系统的主导模式外，其余振荡模式被确定为高频高阻尼振荡模式，高频高阻尼振荡模式不参与后续的降阶过程；基于系统主导模式对应的特征值，进行参与因子分析以辨识系统主导模式的多时间尺度特性，确定主导特征值中的参与因子，设置参与因子阈值，将主导特征值中参与因子数值大于参与因子阈值的状态变量挑选出，辨识为主导慢动态，其余的即为快动态。
6.根据权利要求5所述的微电网群分析控制中模型降阶方法，其特征在于，在步骤S4中，通过经典奇异摄动法来建立微电网群系统边界层并实现双时间尺度下的模型降阶，保留已辨识的主导慢动态并消去快动态，将微电网群系统状态划分为如下形式：
Figure FDA0003814367520000041
其中，xMGC·s与xMGC·f分别为微电网群主导慢动态与微电网群快动态；u为系统的输入；ε为奇异摄动参数；
将奇异摄动参数ε设置为0，并获得下式：
Figure FDA0003814367520000042
由此，保留主导慢动态并将快动态边界层线性保存，实现双时间尺度降阶，得到双时间尺度降阶模型：
Figure FDA0003814367520000043
7.根据权利要求6所述的微电网群分析控制中模型降阶方法，其特征在于，在步骤S5中，在获得双时间尺度降阶模型后，通过辨识已被忽略的混合动态并将混合动态在降阶模型中重建，将在双时间尺度降阶中被忽略的快动态的参与因子数值以升序排列，挑选出具有最大参与因子数值的快动态，若选取的数量不足，则循环该步骤进行挑选；将具有最大参与因子数值的快动态初步假设为混合动态，进而将所选的混合动态重新加回双时间尺度降阶模型中，观察主导模式的特征值分布是否与全阶模式相符合，判断标准为：二者的特征值分布位置重合即为相符合，否则为不符合；重复上述操作，直至主导模式与全阶模型相符合，所选的所有快动态即为混合动态；
将所辨识的混合动态在双时间尺度降阶模型中重建，获得最终降阶模型：
Figure FDA0003814367520000044
其中，xH为已辨识的混合动态，
Figure FDA0003814367520000045
为除去混合动态部分的微电网群快动态。
8.一种微电网群分析控制中模型降阶的设备，其特征在于，所述设备包括存储器、处理器及存储在存储器上并能在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1～6任意一项所述的微电网群分析控制中模型降阶方法。
9.一种计算机存储介质，用于计算机可读存储，其特征在于，所述计算机存储介质上存储有微电网群分析控制中模型降阶的程序，所述微电网群分析控制中模型降阶的程序被处理器执行时，用于实现权利要求1～6任意一项所述的微电网群分析控制中模型降阶的方法的步骤。
10.一种微电网群分析控制中模型降阶的计算机系统，其特征在于，包括：
全阶模型建立模块，用于建立微电网群的全阶模型；
参与因子计算模块，用于基于微电网群的状态矩阵求取微电网群的系统特征值、左特征向量与右特征向量，进而通过所有的特征值与所有的左特征向量、右特征向量计算获得参与因子；
选择辨识模块，用于基于主导模式对应特征值进行参与因子分析，以辨识系统主导模式的多时间尺度特性；
双时间尺度降阶模块，用于建立微电网群系统边界层并实现双时间尺度下的模型降阶；
辨识混合动态模块，用于将被忽略的混合动态重新放回双时间降阶模型中进行重建，直至主导模式与全阶模型相符合，并得到最终的降阶模型；
降阶模块，保留了全局主导慢动态与混合动态，用于实现全阶模型主导模式的精确保存。
CN202211021552.1A 2022-08-24 2022-08-24 微电网群分析控制中模型降阶方法、系统及存储介质 Active CN115291520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211021552.1A CN115291520B (zh) 2022-08-24 2022-08-24 微电网群分析控制中模型降阶方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211021552.1A CN115291520B (zh) 2022-08-24 2022-08-24 微电网群分析控制中模型降阶方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN115291520A true CN115291520A (zh) 2022-11-04
CN115291520B CN115291520B (zh) 2024-06-07

Family

ID=83832986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211021552.1A Active CN115291520B (zh) 2022-08-24 2022-08-24 微电网群分析控制中模型降阶方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN115291520B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117559528A (zh) * 2023-11-15 2024-02-13 兰州理工大学 一种基于微电网降阶模型的微电网稳定域确定方法和系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110233503A (zh) * 2019-07-10 2019-09-13 华北电力大学（保定） 并网光伏逆变器控制参数优化方法
CN110262236A (zh) * 2019-06-20 2019-09-20 合肥工业大学 一种电力电子接口并网系统模型降阶的降阶变量选取方法
CN110912180A (zh) * 2019-06-11 2020-03-24 贵州电网有限责任公司 基于选择模式分析的双馈风机模型降阶方法
CN111210145A (zh) * 2020-01-05 2020-05-29 浙江大学 一种基于耦合评价指标的电力系统暂态稳定性分析方法
CN112597736A (zh) * 2020-12-10 2021-04-02 天津大学 直流微电网高频振荡稳定性分析方法
CN113094936A (zh) * 2021-05-25 2021-07-09 华北电力大学（保定） 一种适用于次同步振荡分析的改进直驱风电场奇异摄动降阶方法
CN113193594A (zh) * 2021-04-29 2021-07-30 华中科技大学 弱电网下双馈风力发电机在故障穿越期间的降阶建模方法
CN113783183A (zh) * 2021-08-11 2021-12-10 华中科技大学 弱电网下双馈风机在故障穿越期间的暂态稳定性评估方法
CN114744625A (zh) * 2022-06-13 2022-07-12 华北电力大学 一种风电机组模型降阶方法及系统
CN114825481A (zh) * 2022-06-14 2022-07-29 广东工业大学 一种风电微网系统和控制方法
CN114912285A (zh) * 2022-05-25 2022-08-16 华北电力大学 一种适用于大型风电场动态稳定性分析的降阶方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110912180A (zh) * 2019-06-11 2020-03-24 贵州电网有限责任公司 基于选择模式分析的双馈风机模型降阶方法
CN110262236A (zh) * 2019-06-20 2019-09-20 合肥工业大学 一种电力电子接口并网系统模型降阶的降阶变量选取方法
CN110233503A (zh) * 2019-07-10 2019-09-13 华北电力大学（保定） 并网光伏逆变器控制参数优化方法
CN111210145A (zh) * 2020-01-05 2020-05-29 浙江大学 一种基于耦合评价指标的电力系统暂态稳定性分析方法
CN112597736A (zh) * 2020-12-10 2021-04-02 天津大学 直流微电网高频振荡稳定性分析方法
CN113193594A (zh) * 2021-04-29 2021-07-30 华中科技大学 弱电网下双馈风力发电机在故障穿越期间的降阶建模方法
CN113094936A (zh) * 2021-05-25 2021-07-09 华北电力大学（保定） 一种适用于次同步振荡分析的改进直驱风电场奇异摄动降阶方法
CN113783183A (zh) * 2021-08-11 2021-12-10 华中科技大学 弱电网下双馈风机在故障穿越期间的暂态稳定性评估方法
CN114912285A (zh) * 2022-05-25 2022-08-16 华北电力大学 一种适用于大型风电场动态稳定性分析的降阶方法及系统
CN114744625A (zh) * 2022-06-13 2022-07-12 华北电力大学 一种风电机组模型降阶方法及系统
CN114825481A (zh) * 2022-06-14 2022-07-29 广东工业大学 一种风电微网系统和控制方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117559528A (zh) * 2023-11-15 2024-02-13 兰州理工大学 一种基于微电网降阶模型的微电网稳定域确定方法和系统

Also Published As

Publication number Publication date
CN115291520B (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
Hosseinzadeh et al. Fault-tolerant supervisory controller for a hybrid AC/DC micro-grid
CN108363306B (zh) 基于线性二次型优化的微电网分布式控制器参数确定方法
CN110970906B (zh) 一种协调控制风电场无功电压的方法和系统
Pachanapan et al. Adaptive zone identification for voltage level control in distribution networks with DG
Fang et al. State-space modeling and control of grid-tied power converters with capacitive/battery energy storage and grid-supportive services
CN109638822B (zh) 计及暂态和静态约束的负荷恢复策略在线制定方法及系统
CN107968409A (zh) 一种考虑不平衡功率分配的概率潮流计算方法及系统
Abbassi et al. Optimal energy management strategy and novel control approach for DPGSs under unbalanced grid faults
CN115291520A (zh) 微电网群分析控制中模型降阶方法、系统及存储介质
Chao et al. A comprehensive review on dynamic equivalent modeling of large photovoltaic power plants
Wu et al. Equivalent modeling of photovoltaic power station based on canopy-FCM clustering algorithm
CN108879762A (zh) 基于二元树复小波变换的孤岛检测方法
CN107565550A (zh) 一种配电网分区方法和系统
CN114977273A (zh) 考虑系统一次频率响应特性的主动解列最优断面搜索方法
CN104268316B (zh) 基于离线计算和在线匹配的双馈风电场概率等值建模方法
CN112531756A (zh) 用于储能系统电量平衡的分布式控制方法及系统、设备
Zhang et al. Equivalent modeling and multi-parameter coupling optimization for DFIG-based wind farms considering SSO mode
Karad et al. Enhanced control of doubly fed induction generator based wind turbine system using soft computing assisted fractional order controller
Bidram et al. Distributed control for AC shipboard power systems
Rinaldi et al. Distributed super-twisting sliding mode observers for fault reconstruction and mitigation in power networks
CN111900738A (zh) 基于补偿算法的三相不平衡潮流计算方法
Yang et al. Dynamic Equivalent Research Based on Fuzzy C-means
CN110504677A (zh) 一种电力系统电气距离计算方法
Huang et al. Parameter Estimation of Diesel Generators And Application in a Micro-Grid System
CN114221339B (zh) 一种高风电占比系统的暂态稳定性判断方法

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