CN115980453B - 电网阻抗智能感知方法、系统、计算机设备及存储介质 - Google Patents
电网阻抗智能感知方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115980453B CN115980453B CN202310278366.4A CN202310278366A CN115980453B CN 115980453 B CN115980453 B CN 115980453B CN 202310278366 A CN202310278366 A CN 202310278366A CN 115980453 B CN115980453 B CN 115980453B
- Authority
- CN
- China
- Prior art keywords
- impedance
- positive sequence
- power grid
- fundamental wave
- wave positive
- 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
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000008859 change Effects 0.000 claims abstract description 102
- 238000003062 neural network model Methods 0.000 claims abstract description 86
- 238000012544 monitoring process Methods 0.000 claims abstract description 69
- 238000002347 injection Methods 0.000 claims abstract description 19
- 239000007924 injection Substances 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 145
- 238000012549 training Methods 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 31
- 230000004913 activation Effects 0.000 claims description 29
- 238000004088 simulation Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 9
- 210000002364 input neuron Anatomy 0.000 claims description 7
- ILSQBBRAYMWZLQ-UHFFFAOYSA-N n-(1,3-benzothiazol-2-ylsulfanyl)-n-propan-2-ylpropan-2-amine Chemical group C1=CC=C2SC(SN(C(C)C)C(C)C)=NC2=C1 ILSQBBRAYMWZLQ-UHFFFAOYSA-N 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 13
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010248 power generation Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000003213 activating effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002847 impedance measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Landscapes
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明属于电力自动化领域，公开了一种电网阻抗智能感知方法、系统、计算机设备及存储介质，包括：获取监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位；根据监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位，调用预设的阻抗感知神经网络模型，得到电网阻抗变化类型；当电网阻抗变化类型为变化小时，不获取电网的宽频阻抗；当电网阻抗变化类型为变化大时，采用谐波注入法获取电网的宽频阻抗。通过阻抗感知神经网络模型实现阻抗变化的实时监测，采用谐波注入法实现电网宽频带阻抗的精确获取，保证了宽频阻抗的测量精度，又避免频繁注入宽频段谐波电流对电网的污染。
Description
技术领域
本发明属于电力自动化领域，涉及一种电网阻抗智能感知方法、系统、计算机设备及存储介质。
背景技术
随着新能源系统的大力发展，大量新能源发电设备接入电网后，与电网及其他新能源发电设备进行相互作用，继而导致电网出现宽频带范围内的复杂振荡现象，系统安全稳定面临严峻挑战。其中，新能源发电设备和电网之间的稳定性取决于两者的阻抗关系，所以准确的测量阻抗很重要。
目前的阻抗测量方法主要有干预式与非干预式两种。非干预式是只利用系统本身的参数，比如电压和电流等，通过数学统计算法得到系统谐波阻抗，但由于其本身需要测量大量数据，使用范围和测量精度大大减小。如中国专利申请CN114611676A，公开了一种基于神经网络的新能源发电系统阻抗模型辨识方法及系统，利用扫频方法获得不同稳态工作点下新能源发电系统的训练数据集和测试数据集并归一化；利用训练数据集训练神经网络，得到具有新能源发电系统阻抗特性的神经网络；将测试数据集的样本输入数据输入到神经网络中得到阻抗辨识结果；结合测试数据集的输出数据求取均方误差，调整神经网络隐藏层数目及各隐藏层神经元数目，使得均方差小于设定阈值；向得到的神经网络中输入任意稳态工作点下的样本输入数据，得到对应工作点下的阻抗输出。该方法通过测量稳态工作点数据即可获取对应工作点下的发电系统阻抗特性。但是，该方法仅适用于中低频段（0~100Hz）阻抗的低精度测量，对于宽频（0~3KHz）阻抗的测量，由于测量噪声的影响，精度无法保证。
干预式是指对系统注入电流或电压扰动，测量系统相对应的电压或电流响应，再利用相应的数学算法得到系统谐波阻抗，其使用了系统中现有的设备，进一步降低了测量成本，而且复合信号下也可以实现阻抗的快速实时测量。干预式的常用方法是谐波注入法，虽然该方法测量精度高，但是对电网有污染。同时，新能源的间歇性使系统运行状态具有不确定性，其系统阻抗测量也变得更具动态性，导致在使用谐波注入法进行电网的阻抗监测时，谐波注入频率会大幅增加，进而加剧对电网的污染，影响电网的安全稳定运行。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种电网阻抗智能感知方法、系统、计算机设备及存储介质。
为达到上述目的，本发明采用以下技术方案予以实现：
本发明第一方面，提供一种电网阻抗智能感知方法，包括：获取监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位；根据监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位，调用预设的阻抗感知神经网络模型，得到电网阻抗变化类型；其中，电网阻抗变化类型包括变化大和变化小，变化小表示电网的阻抗变化量小于预设阈值，变化大表示电网的阻抗变化量不小于预设阈值；当电网阻抗变化类型为变化小时，不获取电网的宽频阻抗；当电网阻抗变化类型为变化大时，采用谐波注入法获取电网的宽频阻抗。
可选的，所述获取监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位包括：获取监测点的三相电压和三相电流；根据监测点的三相电压和三相电流，得到监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位。
可选的，所述阻抗感知神经网络模型通过下述方式构建得到：获取若干训练样本；各训练样本均包括样本输入数据和样本标签数据，其中，样本输入数据包括基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位；样本标签数据为电网阻抗变化类型；构建以基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位为输入，以电网阻抗变化类型为输出的ELM神经网络模型；根据若干训练样本，确定ELM神经网络模型的输入权值矩阵、阈值矩阵以及输出权值矩阵，并将输入权值矩阵、阈值矩阵以及输出权值矩阵应用至ELM神经网络模型，得到阻抗感知神经网络模型。
可选的，所述获取若干训练样本包括：构建电网仿真模型；重复若干次生成步骤，得到若干训练样本；其中，生成步骤包括：随机调整电网仿真模型的阻抗，并检测电网仿真模型的监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位，得到样本输入数据；获取电网仿真模型的阻抗调整量，当电网仿真模型的阻抗调整量大于预设阈值时，电网阻抗变化类型为变化大；否则，电网阻抗变化类型为变化小，将电网阻抗变化类型作为样本标签数据；组合样本输入数据和样本标签数据得到训练样本。
可选的，所述根据若干训练样本，确定ELM神经网络模型的输入权值矩阵、阈值矩阵以及输出权值矩阵包括：随机生成输入权值矩阵W，维度为N×P；其中，N为ELM神经网络模型的隐层神经元个数，P为ELM神经网络模型的输入神经元的个数；随机生成阈值矩阵B，维度为N×M；其中，M为训练样本的数量；通过下式计算秩序矩阵H，维度为N×M：
H=WX+B
其中，X为各训练样本的样本输入数据逐列排布组成的输入矩阵，维度为P×M。
通过ELM神经网络模型的激活函数，将秩序矩阵H激活为激活秩序矩阵
；根据下式得到输出权值矩阵/>
，维度为N×Q：
其中，
为激活秩序矩阵/>
的广义逆矩阵，Q为电网阻抗变化类型数量，/>
为各训练样本的样本标签数据逐列排布组成的输出矩阵，维度为M×Q。
可选的，所述ELM神经网络模型的激活函数为Sigmoid激活函数：
；其中，/>
为代入变量，通过将秩序矩阵H作为代入变量带入Sigmoid激活函数得激活秩序矩阵
。
可选的，所述当电网阻抗变化类型为变化大时，采用谐波注入法获取电网的宽频阻抗包括：生成阻抗获取指令发送至电网的SVG以及阻抗感知单元；其中，阻抗获取指令用于触发SVG生成扰动谐波电流并注入电网，以及触发阻抗感知单元采集监测点的三相电压和三相电流，并根据监测点的三相电压和三相电流得到电网的宽频阻抗；其中，扰动谐波电流采用多正弦信号形式或DIBS信号形式，扰动谐波电流包括若干不同频率的谐波电流，若干不同频率的谐波电流包括三组，第一组中的谐波电流的频率范围为0~10Hz，第二组中的谐波电流的频率范围为10~100Hz，第三组中的谐波电流的频率范围为100~3kHz。
本发明第二方面，提供一种电网阻抗智能感知系统，包括：数据获取模块，用于获取监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位；变化类型确定模块，用于根据监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位，调用预设的阻抗感知神经网络模型，得到电网阻抗变化类型；阻抗确定模块，用于当电网阻抗变化类型为变化小时，不获取电网的宽频阻抗；当电网阻抗变化类型为变化大时，采用谐波注入法获取电网的宽频阻抗。
可选的，所述阻抗感知神经网络模型通过下述方式构建得到：获取若干训练样本；各训练样本均包括样本输入数据和样本标签数据，其中，样本输入数据包括基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位；样本标签数据为电网阻抗变化类型；构建以基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位为输入，以电网阻抗变化类型为输出的ELM神经网络模型；根据若干训练样本，确定ELM神经网络模型的输入权值矩阵、阈值矩阵以及输出权值矩阵，并将输入权值矩阵、阈值矩阵以及输出权值矩阵应用至ELM神经网络模型，得到阻抗感知神经网络模型。
可选的，所述根据若干训练样本，确定ELM神经网络模型的输入权值矩阵、阈值矩阵以及输出权值矩阵包括：随机生成输入权值矩阵W，维度为N×P；其中，N为ELM神经网络模型的隐层神经元个数，P为ELM神经网络模型的输入神经元的个数；随机生成阈值矩阵B，维度为N×M；其中，M为训练样本的数量；通过下式计算秩序矩阵H，维度为N×M：
H=WX+B
其中，X为各训练样本的样本输入数据逐列排布组成的输入矩阵，维度为P×M。
通过ELM神经网络模型的激活函数，将秩序矩阵H激活为激活秩序矩阵
；根据下式得到输出权值矩阵/>
，维度为N×Q：
其中，
为激活秩序矩阵/>
的广义逆矩阵，Q为电网阻抗变化类型数量，/>
为各训练样本的样本标签数据逐列排布组成的输出矩阵，维度为M×Q。
可选的，所述ELM神经网络模型的激活函数为Sigmoid激活函数：
；其中，/>
为代入变量，通过将秩序矩阵H作为代入变量带入Sigmoid激活函数得激活秩序矩阵
。
可选的，所述阻抗确定模块具体用于：生成阻抗获取指令发送至电网的SVG以及阻抗感知单元；其中，阻抗获取指令用于触发SVG生成扰动谐波电流并注入电网，以及触发阻抗感知单元采集监测点的三相电压和三相电流，并根据监测点的三相电压和三相电流得到电网的宽频阻抗；其中，扰动谐波电流采用多正弦信号形式或DIBS信号形式，扰动谐波电流包括若干不同频率的谐波电流，若干不同频率的谐波电流包括三组，第一组中的谐波电流的频率范围为0~10Hz，第二组中的谐波电流的频率范围为10~100Hz，第三组中的谐波电流的频率范围为100~3kHz。
本发明第三方面，提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述电网阻抗智能感知方法的步骤。
本发明第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述电网阻抗智能感知方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明电网阻抗智能感知方法，通过采集监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位，进而通过阻抗感知神经网络模型实现阻抗变化的实时监测，充分利用神经网络模型的特征分析能力，保证对电网阻抗变化类型的精确识别。并且，当电网阻抗变化类型为变化小时，说明电网的阻抗波动较为平稳，电网运行状态良好，不需要通过谐波注入法来准确获取电网的宽频阻抗。而当电网阻抗变化类型为变化大时，即感知结果为电网的阻抗变化量超过预设阈值时，直接采用谐波注入法实现电网宽频带阻抗的精确获取，采用主动感知与被动测量相结合的方式，既保证了宽频阻抗的测量精度，又极大的降低了谐波注入的频率，有效避免频繁注入宽频段谐波电流对电网的污染，可用于电网宽频阻抗的实时监测，为新能源接入系统的稳定性分析提供依据。
附图说明
图1为本发明实施例的电网阻抗智能感知方法流程图。
图2为本发明实施例的电网阻抗智能感知系统结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
参见图1，本发明一实施例中，提供一种电网阻抗智能感知方法，结合了机器学习智能感知和谐波注入法精确测量的优点，即保证了宽频阻抗的测量精度，又避免了对电网的污染，可用于新能源接入系统的阻抗智能感知。
具体的，该电网阻抗智能感知方法包括以下步骤：
S1：获取监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位。
S2：根据监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位，调用预设的阻抗感知神经网络模型，得到电网阻抗变化类型；其中，电网阻抗变化类型包括变化大和变化小，变化小表示电网的阻抗变化量小于预设阈值，变化大表示电网的阻抗变化量不小于预设阈值。
S3：当电网阻抗变化类型为变化小时，不获取电网的宽频阻抗；当电网阻抗变化类型为变化大时，采用谐波注入法获取电网的宽频阻抗。
具体的，本发明电网阻抗智能感知方法，通过采集监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位，进而通过阻抗感知神经网络模型实现阻抗变化的实时监测。同时，当电网阻抗变化类型为变化大时，即阻抗变化大时，采用谐波注入法实现电网宽频带阻抗的精确获取，保证了宽频阻抗的测量精度，又避免频繁注入宽频段谐波电流对电网的污染，可用于电网宽频阻抗的实时监测，为新能源接入系统的稳定性分析提供依据。
在一种可能的实施方式中，所述获取监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位包括：获取监测点的三相电压和三相电流；根据监测点的三相电压和三相电流，得到监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位。
具体的，首先根据监测点的三相电压和三相电流，由下式得到监测点一个基波周期T内的三相电压基波余弦分量和基波正弦分量以及三相电流基波余弦分量和基波正弦分量：
其中，f 1为基波频率，
为监测点的/>
相电压基波余弦分量，/>
为监测点的/>
相电压基波正弦分量，/>
为监测点的/>
相电压基波余弦分量，/>
为监测点的/>
相电压基波正弦分量，/>
为监测点的/>
相电压基波余弦分量，/>
为监测点的/>
相电压基波正弦分量；/>
为监测点的/>
相电流基波余弦分量，/>
为监测点的/>
相电流基波正弦分量，
为监测点的/>
相电流基波余弦分量，/>
为监测点的/>
相电流基波正弦分量，/>
为监测点的/>
相电流基波余弦分量，/>
为监测点的/>
相电流基波正弦分量。
通过下式得到监测点的基波正序分量的电压矢量余弦分量和正弦分量以及电流矢量余弦分量和正弦分量：
其中，
为监测点的基波正序分量的电压矢量余弦分量，/>
为监测点的基波正序分量的电压矢量正弦分量，/>
为监测点的基波正序分量的电流矢量余弦分量，/>
为监测点的基波正序分量的电流矢量正弦分量。
通过下式得到监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位：
其中，
为监测点的基波正序电流幅值，/>
为监测点的基波正序电流相位，
为监测点的基波正序电压幅值，/>
为监测点的基波正序电压相位。
在一种可能的实施方式中，所述阻抗感知神经网络模型通过下述方式构建得到：获取若干训练样本；各训练样本均包括样本输入数据和样本标签数据，其中，样本输入数据包括基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位；样本标签数据为电网阻抗变化类型；构建以基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位为输入，以电网阻抗变化类型为输出的ELM神经网络模型；根据若干训练样本，确定ELM神经网络模型的输入权值矩阵、阈值矩阵以及输出权值矩阵，并将输入权值矩阵、阈值矩阵以及输出权值矩阵应用至ELM神经网络模型，得到阻抗感知神经网络模型。
需要说明的是，本实施方式中，采用ELM（Extreme Learning Machine，极限学习机）神经网络模型作为阻抗感知神经网络模型的基础架构。同样的，也可以采用LSTM（LongShort-Term Memory，长短期记忆网络）和MLP（Multilayer Perceptron，多层感知机）等神经网络模型作为阻抗感知神经网络模型的基础架构。
具体的，ELM，是由黄广斌提出来的求解单隐层神经网络的算法，是单隐层前馈神经网络中一种很有效的学习算法。ELM神经网络模型可以实现多分类，且当隐层神经元不断增加时，训练速度相比其他神经网络依然保持很快，且ELM神经网络模型的输入权值矩阵及阈值矩阵都是随机选取，在已知隐含层的输出矩阵下，输出权值矩阵可以利用广义逆矩阵求得。
其中，输入权值矩阵由连接输入结点与隐层结点的权值向量组成，输出权值矩阵由连接隐层结点与输出结点的权值向量组成。
在一种可能的实施方式中，所述获取若干训练样本包括：构建电网仿真模型；重复若干次生成步骤，得到若干训练样本；其中，生成步骤包括：随机调整电网仿真模型的阻抗，并检测电网仿真模型的监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位，得到样本输入数据；获取电网仿真模型的阻抗调整量，当电网仿真模型的阻抗调整量大于预设阈值时，电网阻抗变化类型为变化大；否则，电网阻抗变化类型为变化小，将电网阻抗变化类型作为样本标签数据；组合样本输入数据和样本标签数据得到训练样本。
其中，可以基于Matlab/Simulink搭建电网仿真模型。此外，对于训练样本的获取，也可以采用现场模拟数据或电网历史运行数据得到。
在一种可能的实施方式中，所述根据若干训练样本，确定ELM神经网络模型的输入权值矩阵、阈值矩阵以及输出权值矩阵包括：随机生成输入权值矩阵W，维度为N×P；其中，N为ELM神经网络模型的隐层神经元个数，P为ELM神经网络模型的输入神经元的个数；随机生成阈值矩阵B，维度为N×M；其中，M为训练样本的数量；通过下式计算秩序矩阵H，维度为N×M：H=WX+B；其中，X为各训练样本的样本输入数据逐列排布组成的输入矩阵，维度为P×M；通过ELM神经网络模型的激活函数，将秩序矩阵H激活为激活秩序矩阵
；根据下式得到输出权值矩阵/>
，维度为N×Q：/>
；其中，/>
为激活秩序矩阵/>
的广义逆矩阵，Q为电网阻抗变化类型数量，/>
为各训练样本的样本标签数据逐列排布组成的输出矩阵，维度为M×Q。
可选的，所述ELM神经网络模型的激活函数为Sigmoid激活函数：
；其中，/>
为代入变量，通过将秩序矩阵H作为代入变量带入Sigmoid激活函数得激活秩序矩阵
。
在一种可能的实施方式中，所述当电网阻抗变化类型为变化大时，采用谐波注入法获取电网的宽频阻抗包括：生成阻抗获取指令发送至电网的SVG以及阻抗感知单元；其中，阻抗获取指令用于触发SVG生成扰动谐波电流并注入电网，以及触发阻抗感知单元采集监测点的三相电压和三相电流，并根据监测点的三相电压和三相电流得到电网的宽频阻抗。
具体的，当电网阻抗变化类型为变化大时，生成阻抗获取指令并通过预设的通讯方式，如104规约/Modbus/TCP等告知电网的SVG（动态无功补偿及谐波治理装置）和阻抗感知单元，进而触发电网的SVG的控制运算模块，叠加谐波丰富的宽频谐波正序电流或负序电流作为扰动谐波电流，一般的，扰动谐波电流选用多正弦信号（由多个正弦信号组成）形式或DIBS信号（discreteinterval binary sequence，离散区间二进制序列，即可独立设计每一谐波电流的幅值，可采用等频率间隔或不等的方式）形式。其中，扰动谐波电流包括若干不同频率的谐波电流，若干不同频率的谐波电流包括三组，第一组中的谐波电流的频率范围为0~10Hz，第二组中的谐波电流的频率范围为10~100Hz，第三组中的谐波电流的频率范围为100~3kHz。本实施方式中，若干不同频率的谐波电流的选取方式为：在0~10Hz的频率范围内，每隔0.1Hz一个频点；在10~100Hz的频率范围内，每隔1Hz选取一个频点；在100~3kHz的频率范围内，每隔10Hz选取一个频点，并将谐波电流的幅值设置为并网电流的10%。
然后，触发电网的SVG的补偿输出模块将扰动谐波电流注入电网。同时，在扰动谐波电流注入后，触发阻抗感知单元采集监测点的三相电压和三相电流，并基于监测点的三相电压和三相电流计算电网的宽频阻抗。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未披露的细节，请参照本发明方法实施例。
参见图2，本发明再一实施例中，提供一种电网阻抗智能感知系统，能够用于实现上述的电网阻抗智能感知方法，具体的，该电网阻抗智能感知系统包括数据获取模块、变化类型确定模块以及阻抗确定模块。
其中，数据获取模块用于获取监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位；变化类型确定模块用于根据监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位，调用预设的阻抗感知神经网络模型，得到电网阻抗变化类型；其中，电网阻抗变化类型包括变化大和变化小，变化小表示电网的阻抗变化量小于预设阈值，变化大表示电网的阻抗变化量不小于预设阈值；阻抗确定模块用于当电网阻抗变化类型为变化小时，不获取电网的宽频阻抗；当电网阻抗变化类型为变化大时，采用谐波注入法获取电网的宽频阻抗。
在一种可能的实施方式中，所述获取监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位包括：获取监测点的三相电压和三相电流；根据监测点的三相电压和三相电流，得到监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位。
在一种可能的实施方式中，所述阻抗感知神经网络模型通过下述方式构建得到：获取若干训练样本；各训练样本均包括样本输入数据和样本标签数据，其中，样本输入数据包括基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位；样本标签数据为电网阻抗变化类型；构建以基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位为输入，以电网阻抗变化类型为输出的ELM神经网络模型；根据若干训练样本，确定ELM神经网络模型的输入权值矩阵、阈值矩阵以及输出权值矩阵，并将输入权值矩阵、阈值矩阵以及输出权值矩阵应用至ELM神经网络模型，得到阻抗感知神经网络模型。
在一种可能的实施方式中，所述获取若干训练样本包括：构建电网仿真模型；重复若干次生成步骤，得到若干训练样本；其中，生成步骤包括：随机调整电网仿真模型的阻抗，并检测电网仿真模型的监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位，得到样本输入数据；获取电网仿真模型的阻抗调整量，当电网仿真模型的阻抗调整量大于预设阈值时，电网阻抗变化类型为变化大；否则，电网阻抗变化类型为变化小，将电网阻抗变化类型作为样本标签数据；组合样本输入数据和样本标签数据得到训练样本。
在一种可能的实施方式中，所述根据若干训练样本，确定ELM神经网络模型的输入权值矩阵、阈值矩阵以及输出权值矩阵包括：随机生成输入权值矩阵W，维度为N×P；其中，N为ELM神经网络模型的隐层神经元个数，P为ELM神经网络模型的输入神经元的个数；随机生成阈值矩阵B，维度为N×M；其中，M为训练样本的数量；通过下式计算秩序矩阵H，维度为N×M：H=WX+B；其中，X为各训练样本的样本输入数据逐列排布组成的输入矩阵，维度为P×M；通过ELM神经网络模型的激活函数，将秩序矩阵H激活为激活秩序矩阵
；根据下式得到输出权值矩阵/>
，维度为N×Q：/>
；其中，/>
为激活秩序矩阵/>
的广义逆矩阵，Q为电网阻抗变化类型数量，/>
为各训练样本的样本标签数据逐列排布组成的输出矩阵，维度为M×Q。
在一种可能的实施方式中，所述ELM神经网络模型的激活函数为Sigmoid激活函数：
；其中，/>
为代入变量，通过将秩序矩阵H作为代入变量带入Sigmoid激活函数得激活秩序矩阵/>
。
在一种可能的实施方式中，所述阻抗确定模块具体用于：生成阻抗获取指令发送至电网的SVG以及阻抗感知单元；其中，阻抗获取指令用于触发SVG生成扰动谐波电流并注入电网，以及触发阻抗感知单元采集监测点的三相电压和三相电流，并根据监测点的三相电压和三相电流得到电网的宽频阻抗。
其中，扰动谐波电流采用多正弦信号形式或DIBS信号形式，扰动谐波电流包括若干不同频率的谐波电流，若干不同频率的谐波电流包括三组，第一组中的谐波电流的频率范围为0~10Hz，第二组中的谐波电流的频率范围为10~100Hz，第三组中的谐波电流的频率范围为100~3kHz。
前述的电网阻抗智能感知方法的实施例涉及的各步骤的所有相关内容均可以援引到本发明施例中的电网阻抗智能感知系统所对应的功能模块的功能描述，在此不再赘述。
本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于电网阻抗智能感知方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质（Memory），所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序（包括程序代码）。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关电网阻抗智能感知方法的相应步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种电网阻抗智能感知方法，其特征在于，包括：
获取监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位；
根据监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位，调用预设的阻抗感知神经网络模型，得到电网阻抗变化类型；其中，电网阻抗变化类型包括变化大和变化小，变化小表示电网的阻抗变化量小于预设阈值，变化大表示电网的阻抗变化量不小于预设阈值；
当电网阻抗变化类型为变化小时，不获取电网的宽频阻抗；当电网阻抗变化类型为变化大时，采用谐波注入法获取电网的宽频阻抗；
所述阻抗感知神经网络模型通过下述方式构建得到：
获取若干训练样本；各训练样本均包括样本输入数据和样本标签数据，其中，样本输入数据包括基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位；样本标签数据为电网阻抗变化类型；
构建以基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位为输入，以电网阻抗变化类型为输出的ELM神经网络模型；
根据若干训练样本，确定ELM神经网络模型的输入权值矩阵、阈值矩阵以及输出权值矩阵，并将输入权值矩阵、阈值矩阵以及输出权值矩阵应用至ELM神经网络模型，得到阻抗感知神经网络模型；
所述根据若干训练样本，确定ELM神经网络模型的输入权值矩阵、阈值矩阵以及输出权值矩阵包括：
随机生成输入权值矩阵W，维度为N×P；其中，N为ELM神经网络模型的隐层神经元个数，P为ELM神经网络模型的输入神经元的个数；
随机生成阈值矩阵B，维度为N×M；其中，M为训练样本的数量；
通过下式计算秩序矩阵H，维度为N×M：
H=WX+B
其中，X为各训练样本的样本输入数据逐列排布组成的输入矩阵，维度为P×M；
通过ELM神经网络模型的激活函数，将秩序矩阵H激活为激活秩序矩阵
；
根据下式得到输出权值矩阵
，维度为N×Q：
其中，
为激活秩序矩阵/>
的广义逆矩阵，Q为电网阻抗变化类型数量，/>
为各训练样本的样本标签数据逐列排布组成的输出矩阵，维度为M×Q。
2.根据权利要求1所述的电网阻抗智能感知方法，其特征在于，所述获取监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位包括：
获取监测点的三相电压和三相电流；
根据监测点的三相电压和三相电流，得到监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位。
3.根据权利要求1所述的电网阻抗智能感知方法，其特征在于，所述获取若干训练样本包括：
构建电网仿真模型；
重复若干次生成步骤，得到若干训练样本；其中，生成步骤包括：随机调整电网仿真模型的阻抗，并检测电网仿真模型的监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位，得到样本输入数据；获取电网仿真模型的阻抗调整量，当电网仿真模型的阻抗调整量大于预设阈值时，样本标签数据电网阻抗变化类型为变化大；否则，样本标签数据电网阻抗变化类型为变化小，将电网阻抗变化类型作为样本标签数据；组合样本输入数据和样本标签数据得到训练样本。
4.根据权利要求1所述的电网阻抗智能感知方法，其特征在于，所述ELM神经网络模型的激活函数为Sigmoid激活函数：
；其中，/>
为代入变量，通过将秩序矩阵H作为代入变量带入Sigmoid激活函数得激活秩序矩阵/>
。
5.根据权利要求1所述的电网阻抗智能感知方法，其特征在于，所述当电网阻抗变化类型为变化大时，采用谐波注入法获取电网的宽频阻抗包括：
生成阻抗获取指令发送至电网的SVG以及阻抗感知单元；其中，阻抗获取指令用于触发SVG生成扰动谐波电流并注入电网，以及触发阻抗感知单元采集监测点的三相电压和三相电流，并根据监测点的三相电压和三相电流得到电网的宽频阻抗；其中，扰动谐波电流采用多正弦信号形式或DIBS信号形式，扰动谐波电流包括若干不同频率的谐波电流，若干不同频率的谐波电流包括三组，第一组中的谐波电流的频率范围为0~10Hz，第二组中的谐波电流的频率范围为10~100Hz，第三组中的谐波电流的频率范围为100~3kHz。
6.一种电网阻抗智能感知系统，其特征在于，包括：
数据获取模块，用于获取监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位；
变化类型确定模块，用于根据监测点的基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位，调用预设的阻抗感知神经网络模型，得到电网阻抗变化类型；其中，电网阻抗变化类型包括变化大和变化小，变化小表示电网的阻抗变化量小于预设阈值，变化大表示电网的阻抗变化量不小于预设阈值；
阻抗确定模块，用于当电网阻抗变化类型为变化小时，不获取电网的宽频阻抗；当电网阻抗变化类型为变化大时，采用谐波注入法获取电网的宽频阻抗；
所述阻抗感知神经网络模型通过下述方式构建得到：
获取若干训练样本；各训练样本均包括样本输入数据和样本标签数据，其中，样本输入数据包括基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位；样本标签数据为电网阻抗变化类型；
构建以基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位为输入，以电网阻抗变化类型为输出的ELM神经网络模型；
根据若干训练样本，确定ELM神经网络模型的输入权值矩阵、阈值矩阵以及输出权值矩阵，并将输入权值矩阵、阈值矩阵以及输出权值矩阵应用至ELM神经网络模型，得到阻抗感知神经网络模型；
所述根据若干训练样本，确定ELM神经网络模型的输入权值矩阵、阈值矩阵以及输出权值矩阵包括：
随机生成输入权值矩阵W，维度为N×P；其中，N为ELM神经网络模型的隐层神经元个数，P为ELM神经网络模型的输入神经元的个数；
随机生成阈值矩阵B，维度为N×M；其中，M为训练样本的数量；
通过下式计算秩序矩阵H，维度为N×M：
H=WX+B
其中，X为各训练样本的样本输入数据逐列排布组成的输入矩阵，维度为P×M；
通过ELM神经网络模型的激活函数，将秩序矩阵H激活为激活秩序矩阵
；
根据下式得到输出权值矩阵
，维度为N×Q：
其中，
为激活秩序矩阵/>
的广义逆矩阵，Q为电网阻抗变化类型数量，/>
为各训练样本的样本标签数据逐列排布组成的输出矩阵，维度为M×Q。
7.根据权利要求6所述的电网阻抗智能感知系统，其特征在于，所述阻抗感知神经网络模型通过下述方式构建得到：
获取若干训练样本；各训练样本均包括样本输入数据和样本标签数据，其中，样本输入数据包括基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位；样本标签数据为电网阻抗变化类型；
构建以基波正序电流幅值、基波正序电流相位、基波正序电压幅值和基波正序电压相位为输入，以电网阻抗变化类型为输出的ELM神经网络模型；
根据若干训练样本，确定ELM神经网络模型的输入权值矩阵、阈值矩阵以及输出权值矩阵，并将输入权值矩阵、阈值矩阵以及输出权值矩阵应用至ELM神经网络模型，得到阻抗感知神经网络模型。
8.根据权利要求7所述的电网阻抗智能感知系统，其特征在于，所述根据若干训练样本，确定ELM神经网络模型的输入权值矩阵、阈值矩阵以及输出权值矩阵包括：
随机生成输入权值矩阵W，维度为N×P；其中，N为ELM神经网络模型的隐层神经元个数，P为ELM神经网络模型的输入神经元的个数；
随机生成阈值矩阵B，维度为N×M；其中，M为训练样本的数量；
通过下式计算秩序矩阵H，维度为N×M：
H=WX+B
其中，X为各训练样本的样本输入数据逐列排布组成的输入矩阵，维度为P×M；
通过ELM神经网络模型的激活函数，将秩序矩阵H激活为激活秩序矩阵
；
根据下式得到输出权值矩阵
，维度为N×Q：
其中，
为激活秩序矩阵/>
的广义逆矩阵，Q为电网阻抗变化类型数量，/>
为各训练样本的样本标签数据逐列排布组成的输出矩阵，维度为M×Q。
9.根据权利要求8所述的电网阻抗智能感知系统，其特征在于，所述ELM神经网络模型的激活函数为Sigmoid激活函数：
；其中，/>
为代入变量，通过将秩序矩阵H作为代入变量带入Sigmoid激活函数得激活秩序矩阵/>
。
10.根据权利要求6所述的电网阻抗智能感知系统，其特征在于，所述阻抗确定模块具体用于：
生成阻抗获取指令发送至电网的SVG以及阻抗感知单元；其中，阻抗获取指令用于触发SVG生成扰动谐波电流并注入电网，以及触发阻抗感知单元采集监测点的三相电压和三相电流，并根据监测点的三相电压和三相电流得到电网的宽频阻抗；其中，扰动谐波电流采用多正弦信号形式或DIBS信号形式，扰动谐波电流包括若干不同频率的谐波电流，若干不同频率的谐波电流包括三组，第一组中的谐波电流的频率范围为0~10Hz，第二组中的谐波电流的频率范围为10~100Hz，第三组中的谐波电流的频率范围为100~3kHz。
11.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述电网阻抗智能感知方法的步骤。
12.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述电网阻抗智能感知方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310278366.4A CN115980453B (zh) | 2023-03-21 | 2023-03-21 | 电网阻抗智能感知方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310278366.4A CN115980453B (zh) | 2023-03-21 | 2023-03-21 | 电网阻抗智能感知方法、系统、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115980453A CN115980453A (zh) | 2023-04-18 |
| CN115980453B true CN115980453B (zh) | 2023-07-11 |
Family
ID=85960006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310278366.4A Active CN115980453B (zh) | 2023-03-21 | 2023-03-21 | 电网阻抗智能感知方法、系统、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115980453B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107425520A (zh) * | 2017-06-12 | 2017-12-01 | 东南大学 | 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5587662A (en) * | 1995-02-10 | 1996-12-24 | North Carolina State University | Method and apparatus for nondisruptively measuring line impedance at frequencies which are relatively close to the line frequency |
| US8432149B2 (en) * | 2010-06-30 | 2013-04-30 | Life Technologies Corporation | Array column integrator |
| US9960599B1 (en) * | 2017-06-06 | 2018-05-01 | University Of Macau | Thyristor controlled LC compensator for compensating dynamic reactive power |
| CN112946363B (zh) * | 2019-12-11 | 2024-09-03 | 国网湖北省电力有限公司电力科学研究院 | 一种基于神经网络的电网阻抗在线辨识方法 |
| CN113872239B (zh) * | 2021-09-26 | 2023-09-08 | 华北电力大学（保定） | 一种基于知识和数据联合驱动的并网逆变器阻抗获取方法 |
| CN115015638A (zh) * | 2022-02-09 | 2022-09-06 | 国网新疆电力有限公司电力科学研究院 | 风电网宽频带谐波阻抗测试设备及谐波阻抗测试方法 |
-
2023
- 2023-03-21 CN CN202310278366.4A patent/CN115980453B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107425520A (zh) * | 2017-06-12 | 2017-12-01 | 东南大学 | 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115980453A (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Parameter estimation of power electronic converters with physics-informed machine learning | |
| Talaat et al. | Design and experimental investigation of a decentralized GA-optimized neuro-fuzzy power system stabilizer | |
| Molina et al. | Intelligent local area signals based damping of power system oscillations using virtual generators and approximate dynamic programming | |
| Halvorsen et al. | Electrochemical low-frequency impedance spectroscopy algorithm for diagnostics of PEM fuel cell degradation | |
| Bernieri et al. | On-line fault detection and diagnosis obtained by implementing neural algorithms on a digital signal processor | |
| CN115358079B (zh) | 风电场场站实时仿真模型的构建方法和阻抗特性评估方法 | |
| CN115980453B (zh) | 电网阻抗智能感知方法、系统、计算机设备及存储介质 | |
| CN113872239B (zh) | 一种基于知识和数据联合驱动的并网逆变器阻抗获取方法 | |
| Su et al. | An ultra-short-term wind power forecasting approach based on wind speed decomposition, wind direction and elman neural networks | |
| CN116451505B (zh) | 一种配电网线路参数校核方法、系统、设备及介质 | |
| Wu et al. | Fault diagnosis of three level inverter based on improved neural networks | |
| Wen et al. | Equivalent Modeling Based on Long Short-term Memory Neural Network for Virtual Synchronous Generator | |
| Hu et al. | A High Temporal-Spatial Resolution Power System State Estimation Method for Online DSA | |
| Qiang et al. | Distribution system state estimation based on pseudo measurement modeling using convolutional neural network | |
| Yu et al. | A reinforcement learning approach to power system stabilizer | |
| CN109103875A (zh) | 一种基于神经网络的自适应谐波振荡抑制方法与系统 | |
| Xie et al. | Harmonic State Estimation Based on Network Equivalence and Closed Loop GAN | |
| Suskis et al. | Converter state-space model estimation using dynamic mode decomposition | |
| Qiu et al. | An Intelligent Stability Prediction Method of Grid-Connected Inverter Considering Time-varying Parameters | |
| CN113884770A (zh) | 一种用于测试逆变器阻抗的方法及系统 | |
| Yao et al. | Online modeling for switched reluctance motors using adaptive network based fuzzy inference system | |
| CN103698629B (zh) | 一种直流微型电网特征参数的实时在线预测方法 | |
| Zhang et al. | Deep Neural Network-Based Stability Region Estimation for Grid-Converter Interaction Systems | |
| CN114740261B (zh) | 一种谐波感知方法、系统、装置及存储介质 | |
| Li et al. | Studies on Artificial Neural Network Based Wind Power Grid-connected Harmonic Resonant Frequency Detection |
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 |