CN115291520B - 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 PDFInfo
- Publication number
- CN115291520B CN115291520B CN202211021552.1A CN202211021552A CN115291520B CN 115291520 B CN115291520 B CN 115291520B CN 202211021552 A CN202211021552 A CN 202211021552A CN 115291520 B CN115291520 B CN 115291520B
- Authority
- CN
- China
- Prior art keywords
- micro
- model
- grid group
- dynamics
- state
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 79
- 238000004458 analytical method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 238000004146 energy storage Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 24
- 230000010355 oscillation Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000556 factor analysis Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013016 damping Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
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：
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；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：
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和逆变器电流内环状态变量/> 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：
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和逆变器电流内环状态变量/> 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：
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；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：
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；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：
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：
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：
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：
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：
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：
其中，xH为已辨识的混合动态，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：
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；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：
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和逆变器电流内环状态变量/> 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：
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和逆变器电流内环状态变量/> 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：
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；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：
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；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：
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：
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：
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：
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：
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：
其中，xH为已辨识的混合动态，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 (9)
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；
所述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：
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；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：
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和逆变器电流内环状态变量/> 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：
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和逆变器电流内环状态变量/> 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：
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；为微电网状态变量的积分；AMGi为单微电网的状态矩阵；
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；
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，基于单个微电网的全阶模型，建立微电网群的全阶模型：
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；为微电网群状态变量的积分；AMGC为微电网群的状态矩阵。
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：
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：
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。
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。
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：
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：
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：
。
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：
其中，xH为已辨识的混合动态，为除去混合动态部分的微电网群快动态。
7.一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。
8.一种计算机存储介质，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方法的步骤。
9.一种应用权利要求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。
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 CN115291520A (zh) | 2022-11-04 |
| CN115291520B true 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) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117559528B (zh) * | 2023-11-15 | 2024-08-16 | 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)
| 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 |
-
2022
- 2022-08-24 CN CN202211021552.1A patent/CN115291520B/zh active Active
Patent Citations (11)
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115291520A (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN105703393B (zh) | 一种基于分布式预测控制策略的微电网电压恢复方法 | |
| CN107069814B (zh) | 配网分布式电源容量布点的模糊机会约束规划方法与系统 | |
| CN110970906B (zh) | 一种协调控制风电场无功电压的方法和系统 | |
| Zhang et al. | Self-adaptive secondary frequency regulation strategy of micro-grid with multiple virtual synchronous generators | |
| CN106487024B (zh) | 风电场无功补偿装置和风电机组的无功置换方法及装置 | |
| CN115291520B (zh) | 微电网群分析控制中模型降阶方法、系统及存储介质 | |
| Xiong et al. | Adaptive dual droop control of MTDC integrated offshore wind farms for fast frequency support | |
| CN112769149A (zh) | 混联风光微电网快速频率响应分布式协调控制方法及系统 | |
| Fang et al. | An optimal control strategy for reactive power in wind farms consisting of VSCF DFIG wind turbine generator systems | |
| US9871382B2 (en) | Method and controller for continuously operating a plurality of electric energy generating machines during a high voltage condition | |
| Dohler et al. | Droop control for power sharing and voltage and frequency regulation in parallel distributed generations on ac microgrid | |
| CN110311386A (zh) | 一种基于pso新能源电站自发无功和svg无功补偿的容量优化配置方法 | |
| CN108054753B (zh) | 一种计及低压穿越特性的直驱风电场机群划分方法 | |
| CN117526299A (zh) | 一种微电网有功无功功率协调控制系统及方法 | |
| Thanigaivel et al. | A hybrid DMO-RERNN based UPFC controller for transient stability analysis in grid connected wind-diesel-PV hybrid system | |
| Trinh et al. | A Novel Load Frequency Control Strategy for a Modern Power System by Considering State-Space Modeling and Stability Analysis | |
| Tamalouzt et al. | Variable speed wind generator associated with hybrid energy storage system-application for micro-grids | |
| Chen et al. | Unified Control Framework for Multi-Mode Operation of Wind Farm | |
| Rudresha et al. | Impact of DG integration in distribution system on voltage stability and loss reduction for different loading conditions | |
| Ufa et al. | Powerful oscillation damping controller for VSC renewable generators using hydrogen energy storage systems | |
| Yenealem | Mitigation of High Pv Penetration Effects in Electrical Grid Systems Using a Hybrid Particle Swarm and Grey Wolf Optimization Approach | |
| CN114221339B (zh) | 一种高风电占比系统的暂态稳定性判断方法 | |
| Egbomwan et al. | A Physics-Constrained TD3 Algorithm for Simultaneous Virtual Inertia and Damping Control of Grid-Connected Variable Speed DFIG Wind Turbines | |
| Zhang et al. | Automatic Generation Control Design of Doubly-Fed Induction Generator Integrated Power System Based on Distributed Model Predictive Control |
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 |