CN116937593A - 一种海岛微电网群短期电压稳定评估方法及系统 - Google Patents

一种海岛微电网群短期电压稳定评估方法及系统 Download PDF

Info

Publication number
CN116937593A
CN116937593A CN202310887142.3A CN202310887142A CN116937593A CN 116937593 A CN116937593 A CN 116937593A CN 202310887142 A CN202310887142 A CN 202310887142A CN 116937593 A CN116937593 A CN 116937593A
Authority
CN
China
Prior art keywords
voltage
loop control
control loop
time sequence
current
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310887142.3A
Other languages
English (en)
Inventor
向真
杨昆
欧仲曦
曹健
侯祖锋
黄珊
赵晓燕
李沛聪
黄志新
张政
梁苑
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 Power Grid Co Ltd
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Power Grid Co Ltd, Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202310887142.3A priority Critical patent/CN116937593A/zh
Publication of CN116937593A publication Critical patent/CN116937593A/zh
Pending legal-status Critical Current

Links

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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力电压评估技术领域，公开了一种海岛微电网群短期电压稳定评估方法及系统，其方法通过对海岛微电网群的结构进行仿真建模，并仿真不同的预设典型电压故障类型，得到不同的预设典型电压故障类型分别对应的运行时序数据，构建仿真数据集，搭建时序卷积神经网络，并通过海岛微电网群内的电压外环控制状态和电流内环控制状态分别对应的时间尺度确定时序卷积神经网络的卷积核的尺寸，从而使得训练精度更高，通过仿真数据集对时序卷积神经网络进行训练，利用训练好的海岛微电网群短期电压稳定评估模型对待评估的运行时序数据进行短期电压稳定评估，并输出相应的典型电压故障类型，从而提高了短期电压稳定问题的评估的准确度。

Description

一种海岛微电网群短期电压稳定评估方法及系统
技术领域
本发明涉及电力电压评估技术领域，尤其涉及一种海岛微电网群短期电压稳定评估方法及系统。
背景技术
海岛作为陆地的延伸，在海洋战略中起到前哨作用。海岛大多数远离大陆，因为地理位置的因素，大多数无法由陆地铺设海底电缆进行并网供电，一直以来以柴油发电机作为主要的电能供应来源。随着“双碳”战略的提出，新能源发电技术广泛的布局在海岛微电网，大量电力电子变换器被接入配电网中，导致海岛微电网电力系统的运行工况和动态特性变得复杂多变，源荷耦合、微源间耦合、微电网动态特性向着多时间尺度转变，电压失稳机理也随之变得模糊不清，难以判断。为了保证海岛微电网群电力系统能够安全稳定的运行，亟需对短期电压稳定问题进行快速、准确的评估。
短期电压稳定是在电力系统遭遇到大扰动后母线电压维持稳定电压的能力。时域仿真法和直接法是研究短期电压稳定的常用方法。时域仿真法需要对电力系统进行数学建模，需要求解微分代数方程，确定状态量的变化曲线，并需要考虑各个元件的动态模型。模型复杂，计算量大。虽然计算结果准确，但是无法应用在大规模的电力系统中。直接法是通过简化数学模型以适应复杂电力系统，在提高运算能力的同时，牺牲了模型和计算结果的精准度。对于系统内高度耦合，含有大量电力电子装备的微电网，时域仿真法一方面无法构造出多时间尺度的数学模型，一方面计算量也是无法接受的。直接法对于失稳界限模糊不清的微电网，计算结果的精准度致使误判率大大增加。
随着人工智能技术的发展以及电力系统测量装置同步相量测量单元(PhasorMeasurement Unit,PMU)的发展，数据驱动可以使短期电压稳定评估的实时性和准确性方面得到飞跃发展。传统的数据驱动方法决策树、卷积神经网络、支持向量机等方法均忽略了电压失稳问题中时间序列数据的问题。电力系统在运行过程中，每时每刻都在产生运行状态数据。时序数据不仅包含了系统过去和当前的运行状态信息，还存在数据间隐含的因果联系，容易导致传统数据驱动方法对于短期电压稳定问题的评估的准确度较低。
发明内容
本发明提供了一种海岛微电网群短期电压稳定评估方法及系统，解决了传统数据驱动方法对于短期电压稳定问题的评估的准确度较低的技术问题。
有鉴于此，本发明第一方面提供了一种海岛微电网群短期电压稳定评估方法，包括以下步骤：
对海岛微电网群的结构进行仿真建模，搭建海岛微电网群仿真模型，通过对所述海岛微电网群仿真模型仿真不同的预设典型电压故障类型，得到不同的预设典型电压故障类型分别对应的运行时序数据；
根据不同的预设典型电压故障类型以及其分别对应的运行时序数据构建仿真数据集；
搭建时序卷积神经网络，根据海岛微电网群内的电压外环控制状态和电流内环控制状态分别对应的时间尺度确定所述时序卷积神经网络的卷积核的尺寸；
通过所述仿真数据集对所述时序卷积神经网络进行训练，得到训练好的海岛微电网群短期电压稳定评估模型；
通过训练好的海岛微电网群短期电压稳定评估模型对待评估的运行时序数据进行短期电压稳定评估，并输出相应的典型电压故障类型。
优选地，所述运行时序数据包括电压时序数据、有功功率时序数据和无功功率时序数据。
优选地，搭建时序卷积神经网络，根据海岛微电网群内的电压外环控制状态和电流内环控制状态分别对应的时间尺度确定所述时序卷积神经网络的卷积核的尺寸的步骤，具体包括：
搭建时序卷积神经网络，所述时序卷积神经网络包括依次连接的输入层、四层隐藏层、两层全连接层和输出层，每个所述隐藏层包括依次连接的若干个卷积核；
获取海岛微电网群中电压源型变流器并网的控制环路结构，所述控制环路结构包括电压外环控制环路、电流内环控制环路和电能传输环路，所述电压外环控制环路和所述电流内环控制环路通过所述电能传输环路与所述电压源型变流器连接；
根据所述电压源型变流器以及其并网的控制环路结构构建物理模型，所述物理模型包括VSC时间尺度信号模型、VSC锁相环模型、VSC控制延时模型和电能传输模型；
将所述物理模型进行线性化，并确定海岛微电网群的状态变量矩阵；
对海岛微电网群的状态变量矩阵进行时序处理，得到VSC参数矩阵、电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值；
根据电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值确定电压外环控制环路的时间尺度和电流内环控制环路的时间尺度，并计算所述时序卷积神经网络的卷积核的尺寸。
优选地，本方法还包括：
利用所述时序卷积神经网络中的第一个隐藏层中的卷积核对所述电压时序数据、所述有功功率时序数据和所述无功功率时序数据进行卷积操作，得到三个特征值向量，将三个所述特征值向量拼接成一个列特征值向量，将所述列特征值向量作为后一个隐藏层的输入量。
优选地，所述控制环路结构具体结构为：
所述电压源型变流器的直流侧并联至直流母线，所述电压源型变流器的交流侧的电压u通过交流滤波Lf后输出端电压ut和滤波电感电流i，端电压ut输入至变压器内输出变压器高压侧电压uT，变压器高压侧电压uT依次经过并网线路电感Ll输出输电线路电流il后，输电线路电流il进入并网线路电阻Rl输出并网电压ul至配电网，滤波电感电流i经过旋转坐标器变换生成dq0坐标系下的d轴电流分量id和q轴电流分量iq；
采用锁相环PLL获取端电压ut的相位θ，直流母线电压udc和直流母线电压参考值u* dc之差经过一个比例调节器输出滤波电感电流i在dq0旋转坐标系下d轴分量参考值i* d，滤波电感电流在dq0旋转坐标系下d轴分量参考值i* d和滤波电感电流i在dq0坐标系下的d轴电流分量id之差经过一个比例调节器输出DVC系统输出的电压在dq0旋转坐标系下d轴分量幅值u* d；
端电压ut和端电压参考值u* t之差经过一个比例调节器输出滤波电感电流i在dq0旋转坐标系下q轴分量参考值i* q，滤波电感电流i在dq0旋转坐标系下q轴分量参考值i* q和滤波电感电流i在dq0坐标系下的q轴电流分量iq之差经过一个比例调节器输出DVC系统输出的电压在dq0旋转坐标系下q轴分量幅值u* q；
DVC系统输出的电压在dq0旋转坐标系下d轴分量幅值u* d和q轴分量幅值u* q叠加端电压ut的相位θ生成调制电压，调制电压经过脉冲宽度调制器生成电压源型变流器的触发脉冲发送至电压源型变流器中。
优选地，所述VSC时间尺度信号模型为：
式中，Pf为新能源机组向电压源型变流器输入的有功功率，Ps为电压源型变流器输出的有功功率，Qs电压源型变流器输出的无功功率，ud、uq分别为电压源型变流器输出的电压在dq0旋转坐标系下的d轴、q轴分量；
所述VSC锁相环模型为：
式中，utd、utq分别为端电压ut在dq0旋转坐标系下的d分量、q分量，Δω为积分控制器的计算增益，ωn为基频，s为VSC锁相环的响应时间；
所述VSC控制延时模型为：
式中，s0表示脉冲宽度调制器的调制时间，Td(s0)表示脉冲宽度调制器的调制时间s0对应的延时；
所述电能传输模型基在dq0旋转坐标系下进行建模，得到：
式中，uTq、uTd分别为变压器高压侧电压uT在dq0旋转坐标系下的d分量、q分量，ulq、uld分别为并网电压ul在dq0旋转坐标系下的d分量、q分量，ild、ilq分别为输电线路电流il在dq0旋转坐标系下的d分量、q分量。
优选地，对海岛微电网群的状态变量矩阵进行时序处理，得到VSC参数矩阵、电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值的步骤具体包括：
对海岛微电网群的状态变量矩阵进行时序处理为：
式中，d为偏导运算符号，Δ为状态变量矩阵，t为时间，A为VSC参数矩阵，其中，
Δ＝[Δudc Δut Δθ Δid Δiq Δutd Δutq Δild Δilq ΔTd]
其中，Δudc为直流母线电压状态变量，Δut为端电压变量，Δθ为锁相环输出的相位状态变量，Δid为滤波电感电流在dq0旋转坐标系下d轴分量状态变量，Δiq为滤波电感电流在dq0旋转坐标系下q轴分量状态变量，Δutd为端电压变量在dq0旋转坐标系下d轴分量状态变量，Δutq端电压变量在dq0旋转坐标系下q轴分量状态变量，Δild为输电线路电流在dq0旋转坐标系下d轴分量状态变量，Δilq为输电线路电流在dq0旋转坐标系下q轴分量状态变量，ΔTd为VSC控制延时状态变量；
根据VSC参数矩阵通过下式确定电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值：
A＝λDVC*ΔDVC
A＝λACC*ΔACC
式中，λDVC为电压外环控制环路的时间尺度特征值，λACC为电流内环控制环路的时间尺度特征值，ΔDVC为电压外环控制环路的状态变量矩阵，ΔACC为电流内环控制环路的状态变量矩阵，其中，
ΔDVC＝[Δudc Δut Δθ Δutd Δutq Δild Δilq ΔTd]
ΔACC＝[Δut Δθ Δid Δiq Δutd Δutq Δild Δilq ΔTd]。
优选地，根据电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值确定电压外环控制环路的时间尺度和电流内环控制环路的时间尺度，并计算所述时序卷积神经网络的卷积核的尺寸的步骤，具体包括：
将电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值分别转换为二阶系统的表达式，并确定电压外环控制环路和电流内环控制环路分别对应的阻尼值；
根据电压外环控制环路和电流内环控制环路分别对应的阻尼值确定电压外环控制环路和电流内环控制环路分别对应的时间尺度；
根据电压外环控制环路和电流内环控制环路分别对应的时间尺度以及预设的采样周期计算所述时序卷积神经网络的卷积核的尺寸。
优选地，通过训练好的海岛微电网群短期电压稳定评估模型对待评估的运行时序数据进行短期电压稳定评估，并输出相应的典型电压故障类型的步骤之后，还包括：
若待评估的运行时序数据的短期电压的评估结果为不稳定，则发出预警信号，并记录相应的待评估的运行时序数据为故障数据。
第二方面，本发明还提供了一种海岛微电网群短期电压稳定评估系统，包括：
建模仿真模块，用于对海岛微电网群的结构进行仿真建模，搭建海岛微电网群仿真模型，通过对所述海岛微电网群仿真模型仿真不同的预设典型电压故障类型，得到不同的预设典型电压故障类型分别对应的运行时序数据；
数据集构建模块，用于根据不同的预设典型电压故障类型以及其分别对应的运行时序数据构建仿真数据集；
卷积核尺度计算模块，用于搭建时序卷积神经网络，根据海岛微电网群内的电压外环控制状态和电流内环控制状态分别对应的时间尺度确定所述时序卷积神经网络的卷积核的尺寸；
模型训练模块，用于通过所述仿真数据集对所述时序卷积神经网络进行训练，得到训练好的海岛微电网群短期电压稳定评估模型；
电压评估模块，用于通过训练好的海岛微电网群短期电压稳定评估模型对待评估的运行时序数据进行短期电压稳定评估，并输出相应的典型电压故障类型。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过对海岛微电网群的结构进行仿真建模，并仿真不同的预设典型电压故障类型，得到不同的预设典型电压故障类型分别对应的运行时序数据，构建仿真数据集，搭建时序卷积神经网络，并通过海岛微电网群内的电压外环控制状态和电流内环控制状态分别对应的时间尺度确定时序卷积神经网络的卷积核的尺寸，从而使得训练精度更高，通过仿真数据集对时序卷积神经网络进行训练，利用训练好的海岛微电网群短期电压稳定评估模型对待评估的运行时序数据进行短期电压稳定评估，并输出相应的典型电压故障类型，从而提高了短期电压稳定问题的评估的准确度。
附图说明
图1为本发明实施例提供的一种海岛微电网群短期电压稳定评估方法的流程图；
图2为本发明实施例提供的电压源型变流器并网的控制环路结构示意图；
图3为本发明实施例提供的一种海岛微电网群短期电压稳定评估系统的结构示意图。
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他实施例，都属于本发明保护的范围。
为了便于理解，请参阅图1，本发明提供的一种海岛微电网群短期电压稳定评估方法，包括以下步骤：
步骤一、对海岛微电网群的结构进行仿真建模，搭建海岛微电网群仿真模型，通过对海岛微电网群仿真模型仿真不同的预设典型电压故障类型，得到不同的预设典型电压故障类型分别对应的运行时序数据。
其中，典型电压故障类型包括公共电网电压暂降、传输线路故障、并网的其他设备电压故障，而上述的故障类型又细分为单相接地故障、两相接地故障和三相接地故障。
其中，可以通过建模软件对海岛微电网群的结构进行建模，然后，设定故障情形进行仿真，从而得到不同的预设典型电压故障类型分别对应的运行时序数据。
其中，运行时序数据包括电压时序数据、有功功率时序数据和无功功率时序数据。
步骤二、根据不同的预设典型电压故障类型以及其分别对应的运行时序数据构建仿真数据集。
其中，不同的预设典型电压故障类型存在对应的运行时序数据。
步骤三、搭建时序卷积神经网络，根据海岛微电网群内的电压外环控制状态和电流内环控制状态分别对应的时间尺度确定时序卷积神经网络的卷积核的尺寸。
需要说明的是，设计时序卷积神经网络时，可以依据海岛微电网群内的电压外环控制状态和电流内环控制状态的时间尺度动态调整卷积核尺寸大小，卷积核尺寸可以与不同的特征值测量量进行匹配，避免了采取人工经验值导致神经网络训练结果精度降低的后果。
同时，通过推导时序数据相对应的时间尺度，计算出与之适配的卷积核。极大的减少了神经网络依照经验值反复调试的工作，使本发明可依据不同的实际运行场景的快速的调整神经网络参数，适配范围更广，并通过以大规模处理时序因果数据的能力，能够对过去时刻影响未来结果的时间序列数据在毫秒级别进行预测，极大的减少了时序数据特征值提取工作耗时。使得计算量相比传统的神经网络更小，更加精确，其适合于布置在海岛微电网群中计算能一般的边缘计算单元中。
步骤四、通过仿真数据集对时序卷积神经网络进行训练，得到训练好的海岛微电网群短期电压稳定评估模型。
其中，时序卷积神经网络在训练过程中，是以运行时序数据为输入量，以典型电压故障类型为输出量进行训练。
步骤五、通过训练好的海岛微电网群短期电压稳定评估模型对待评估的运行时序数据进行短期电压稳定评估，并输出相应的典型电压故障类型。
其中，待评估的运行时序数据采集于海岛微电网群母线上的同步测量单元，用于在线评估海岛微电网群短期电压是否稳定，并判断出典型电压故障类型。
需要说明的是，本发明提供的一种海岛微电网群短期电压稳定评估方法，通过对海岛微电网群的结构进行仿真建模，并仿真不同的预设典型电压故障类型，得到不同的预设典型电压故障类型分别对应的运行时序数据，构建仿真数据集，搭建时序卷积神经网络，并通过海岛微电网群内的电压外环控制状态和电流内环控制状态分别对应的时间尺度确定时序卷积神经网络的卷积核的尺寸，从而使得训练精度更高，通过仿真数据集对时序卷积神经网络进行训练，利用训练好的海岛微电网群短期电压稳定评估模型对待评估的运行时序数据进行短期电压稳定评估，并输出相应的典型电压故障类型，从而提高了短期电压稳定问题的评估的准确度。
在一个具体实施例中，步骤三具体包括：
301、搭建时序卷积神经网络，时序卷积神经网络包括依次连接的输入层、四层隐藏层、两层全连接层和输出层，每个隐藏层包括依次连接的若干个卷积核。
302、获取海岛微电网群中电压源型变流器并网的控制环路结构，控制环路结构包括电压外环控制环路、电流内环控制环路和电能传输环路，电压外环控制环路和电流内环控制环路通过电能传输环路与电压源型变流器连接；
具体地，如图2所示，图2示意了电压源型变流器并网的控制环路结构示意图，电压源型变流器的直流侧并联至直流母线，电压源型变流器的交流侧的电压u通过交流滤波Lf后输出端电压ut和滤波电感电流i，端电压ut输入至变压器内输出变压器高压侧电压uT，变压器高压侧电压uT依次经过并网线路电感Ll输出输电线路电流il后，输电线路电流il进入并网线路电阻Rl输出并网电压ul至配电网，滤波电感电流i经过旋转坐标器变换生成dq0坐标系下的d轴电流分量id和q轴电流分量iq；
其中，直流母线并联一个直流母线电容C，交流滤波Lf与变压器之间的线路还引出一个电容Cf接地。
采用锁相环PLL获取端电压ut的相位θ，直流母线电压udc和直流母线电压参考值u* dc之差经过一个比例调节器输出滤波电感电流i在dq0旋转坐标系下d轴分量参考值i* d，滤波电感电流在dq0旋转坐标系下d轴分量参考值i* d和滤波电感电流i在dq0坐标系下的d轴电流分量id之差经过一个比例调节器输出DVC系统输出的电压在dq0旋转坐标系下d轴分量幅值u* d；
端电压ut和端电压参考值u* t之差经过一个比例调节器输出滤波电感电流i在dq0旋转坐标系下q轴分量参考值i* q，滤波电感电流i在dq0旋转坐标系下q轴分量参考值i* q和滤波电感电流i在dq0坐标系下的q轴电流分量iq之差经过一个比例调节器输出DVC系统输出的电压在dq0旋转坐标系下q轴分量幅值u* q；
DVC系统输出的电压在dq0旋转坐标系下d轴分量幅值u* d和q轴分量幅值u* q叠加端电压ut的相位θ生成调制电压，调制电压经过脉冲宽度调制器生成电压源型变流器的触发脉冲发送至电压源型变流器中。
其中，电压外环控制环路为直流电压控制(DC-link Voltage Control,DVC)，其作用是让直流侧电容两端的直流电压稳定在标准值。在本实施例中，电压外环控制环路包括端电压ut和端电压参考值u* t之差经过一个比例调节器输出滤波电感电流i在dq0旋转坐标系下q轴分量参考值i* q。
其中，电流内环控制环路为交流电流控制(Alternating Current Control,ACC)，其作用是让交流测电流稳定在标准值。
其中，电能传输环路用于电能传输，包括脉冲宽度调制器。
303、根据电压源型变流器以及其并网的控制环路结构构建物理模型，物理模型包括VSC时间尺度信号模型、VSC锁相环模型、VSC控制延时模型和电能传输模型。
其中，VSC时间尺度信号模型对直流母线部分关系式为：
式中，Pf为新能源机组向电压源型变流器输入的有功功率，Ps为电压源型变流器输出的有功功率，Qs电压源型变流器输出的无功功率，ud、uq分别为电压源型变流器输出的电压在dq0旋转坐标系下的d轴、q轴分量；
VSC锁相环模型为：
式中，utd、utq分别为端电压ut在dq0旋转坐标系下的d分量、q分量，Δω为积分控制器的计算增益，ωn为基频，s为VSC锁相环的响应时间；
其中，VSC锁相环采用基于同步坐标系q轴端电压控制。
VSC控制延时模型为：
式中，s0表示脉冲宽度调制器的调制时间，Td(s0)表示脉冲宽度调制器的调制时间s0对应的延时；
电能传输模型基在dq0旋转坐标系下进行建模，得到：
式中，uTq、uTd分别为变压器高压侧电压uT在dq0旋转坐标系下的d分量、q分量，ulq、uld分别为并网电压ul在dq0旋转坐标系下的d分量、q分量，ild、ilq分别为输电线路电流il在dq0旋转坐标系下的d分量、q分量。
其中，VSC的脉冲宽度调制器SPWM过程会引入控制延时，采用二阶Pade可以代替控制延时。
304、将物理模型进行线性化，并确定海岛微电网群的状态变量矩阵。
其中，将物理模型进行线性化是在稳定工作点处对公式作泰勒展开，并忽略非线性的高阶项。
305、对海岛微电网群的状态变量矩阵进行时序处理，得到VSC参数矩阵、电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值。
具体地，步骤305具体包括：
3051、对海岛微电网群的状态变量矩阵进行时序处理为：
式中，d为偏导运算符号，Δ为状态变量矩阵，t为时间，A为VSC参数矩阵，其中，
Δ＝[Δudc Δut Δθ Δid Δiq Δutd Δutq Δild Δilq ΔTd]
其中，Δudc为直流母线电压状态变量，Δut为端电压变量，Δθ为锁相环输出的相位状态变量，Δid为滤波电感电流在dq0旋转坐标系下d轴分量状态变量，Δiq为滤波电感电流在dq0旋转坐标系下q轴分量状态变量，Δutd为端电压变量在dq0旋转坐标系下d轴分量状态变量，Δutq端电压变量在dq0旋转坐标系下q轴分量状态变量，Δild为输电线路电流在dq0旋转坐标系下d轴分量状态变量，Δilq为输电线路电流在dq0旋转坐标系下q轴分量状态变量，ΔTd为VSC控制延时状态变量；
3052、根据VSC参数矩阵通过下式确定电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值：
A＝λDVC*ΔDVC
A＝λACC*ΔACC
式中，λDVC为电压外环控制环路的时间尺度特征值，λACC为电流内环控制环路的时间尺度特征值，ΔDVC为电压外环控制环路的状态变量矩阵，ΔACC为电流内环控制环路的状态变量矩阵，其中，
ΔDVC＝[Δudc Δut Δθ Δutd Δutq Δild Δilq ΔTd]
ΔACC＝[Δut Δθ Δid Δiq Δutd Δutq Δild Δilq ΔTd]。
306、根据电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值确定电压外环控制环路的时间尺度和电流内环控制环路的时间尺度，并计算时序卷积神经网络的卷积核的尺寸。
具体地，步骤306具体包括：
3061、将电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值分别转换为二阶系统的表达式，并确定电压外环控制环路和电流内环控制环路分别对应的阻尼值。
其中，二阶系统的表达式为：
λ＝σ±jω
式中，λ表示特征值，σ表示阻尼，j表示系数，ω表示衰减后的震荡频率。
其中，特征值λ是基于电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值进行选取。
3062、根据电压外环控制环路和电流内环控制环路分别对应的阻尼值确定电压外环控制环路和电流内环控制环路分别对应的时间尺度。
其中，通过下式确定电压外环控制环路和电流内环控制环路分别对应的时间尺度为：
式中，T为时间尺度，C表示常数值，根据精度的不同，选取不同。
3063、根据电压外环控制环路和电流内环控制环路分别对应的时间尺度以及预设的采样周期计算时序卷积神经网络的卷积核的尺寸。
其中，通过下式计算时序卷积神经网络的卷积核的尺寸为：
式中，k为卷积核的尺寸，Ts为预设的采样周期。
同时，由电压源型变流器并网的控制环路结构以及控制模式可知，电压时序数据的时间尺度与DVC相关，有功功率特征量与无功功率时序数据的时间尺度均与ACC相关，则电压时序数据的卷积核尺寸计算过程为：
电压时序数据的时间尺度T电压＝c/σDVC，电压时序数据的卷积核尺寸k电压＝T电压/Ts；
有功功率时序数据的卷积核尺寸计算过程为：
有功功率时序数据的时间尺度T有功功率＝c/σACC，电压时序数据的卷积核尺寸k有功功率＝T有功功率/Ts；
无功功率时序数据的卷积核尺寸计算过程为：
无功功率时序数据的时间尺度T无功功率＝c/σACC，电压时序数据的卷积核尺寸k无功功率＝T无功功率/Ts；
其中，由于三个时序数据的数值大小不同，为了提高精度，对于C的选取也有所不同。
在一个具体实施例中，本方法还包括：
利用时序卷积神经网络中的第一个隐藏层中的卷积核对电压时序数据、有功功率时序数据和无功功率时序数据进行卷积操作，得到三个特征值向量，将三个特征值向量拼接成一个列特征值向量，将列特征值向量作为后一个隐藏层的输入量。
其中，电压时序数据V＝[V11,V12,V13,...,V1n]，有功功率时序数据P＝[P21,P22,P23,...,P1n]，无功功率时序数据Q＝[Q31,Q32,Q33,...,Q1n]，其中，n为时序数据样本个数，n＝(tc-to)/Ts，其中，to为故障发生时刻；tc为故障清除时刻。对海岛微电网群故障区间每一轮采样的三个时序数据为一个矩阵，多轮形成的矩阵共同构成数据集。在时间卷积神经网络中的Hidden Layer中，使用时序数据各自的卷积核对时序数据进行卷积得到特征值，然后把三个特征值向量拼接成一个列向量，即经过卷积核卷积后，特征值数量总和。
在一个具体实施例中，步骤五之后，还包括：
步骤六、若待评估的运行时序数据的短期电压的评估结果为不稳定，则发出预警信号，并记录相应的待评估的运行时序数据为故障数据。
以上为本发明提供的一种海岛微电网群短期电压稳定评估方法的实施例的详细描述，以下为本发明提供的一种海岛微电网群短期电压稳定评估系统的实施例的详细描述。
为了便于理解，请参阅图3，本发明还提供了一种海岛微电网群短期电压稳定评估系统，包括：
建模仿真模块100，用于对海岛微电网群的结构进行仿真建模，搭建海岛微电网群仿真模型，通过对海岛微电网群仿真模型仿真不同的预设典型电压故障类型，得到不同的预设典型电压故障类型分别对应的运行时序数据；
数据集构建模块200，用于根据不同的预设典型电压故障类型以及其分别对应的运行时序数据构建仿真数据集；
卷积核尺度计算模块300，用于搭建时序卷积神经网络，根据海岛微电网群内的电压外环控制状态和电流内环控制状态分别对应的时间尺度确定时序卷积神经网络的卷积核的尺寸；
模型训练模块400，用于通过仿真数据集对时序卷积神经网络进行训练，得到训练好的海岛微电网群短期电压稳定评估模型；
电压评估模块500，用于通过训练好的海岛微电网群短期电压稳定评估模型对待评估的运行时序数据进行短期电压稳定评估，并输出相应的典型电压故障类型。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种海岛微电网群短期电压稳定评估方法，其特征在于，包括以下步骤：
对海岛微电网群的结构进行仿真建模，搭建海岛微电网群仿真模型，通过对所述海岛微电网群仿真模型仿真不同的预设典型电压故障类型，得到不同的预设典型电压故障类型分别对应的运行时序数据；
根据不同的预设典型电压故障类型以及其分别对应的运行时序数据构建仿真数据集；
搭建时序卷积神经网络，根据海岛微电网群内的电压外环控制状态和电流内环控制状态分别对应的时间尺度确定所述时序卷积神经网络的卷积核的尺寸；
通过所述仿真数据集对所述时序卷积神经网络进行训练，得到训练好的海岛微电网群短期电压稳定评估模型；
通过训练好的海岛微电网群短期电压稳定评估模型对待评估的运行时序数据进行短期电压稳定评估，并输出相应的典型电压故障类型。
2.根据权利要求1所述的海岛微电网群短期电压稳定评估方法，其特征在于，所述运行时序数据包括电压时序数据、有功功率时序数据和无功功率时序数据。
3.根据权利要求1所述的海岛微电网群短期电压稳定评估方法，其特征在于，搭建时序卷积神经网络，根据海岛微电网群内的电压外环控制状态和电流内环控制状态分别对应的时间尺度确定所述时序卷积神经网络的卷积核的尺寸的步骤，具体包括：
搭建时序卷积神经网络，所述时序卷积神经网络包括依次连接的输入层、四层隐藏层、两层全连接层和输出层，每个所述隐藏层包括依次连接的若干个卷积核；
获取海岛微电网群中电压源型变流器并网的控制环路结构，所述控制环路结构包括电压外环控制环路、电流内环控制环路和电能传输环路，所述电压外环控制环路和所述电流内环控制环路通过所述电能传输环路与所述电压源型变流器连接；
根据所述电压源型变流器以及其并网的控制环路结构构建物理模型，所述物理模型包括VSC时间尺度信号模型、VSC锁相环模型、VSC控制延时模型和电能传输模型；
将所述物理模型进行线性化，并确定海岛微电网群的状态变量矩阵；
对海岛微电网群的状态变量矩阵进行时序处理，得到VSC参数矩阵、电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值；
根据电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值确定电压外环控制环路的时间尺度和电流内环控制环路的时间尺度，并计算所述时序卷积神经网络的卷积核的尺寸。
4.根据权利要求3所述的海岛微电网群短期电压稳定评估方法，其特征在于，还包括：
利用所述时序卷积神经网络中的第一个隐藏层中的卷积核对所述电压时序数据、所述有功功率时序数据和所述无功功率时序数据进行卷积操作，得到三个特征值向量，将三个所述特征值向量拼接成一个列特征值向量，将所述列特征值向量作为后一个隐藏层的输入量。
5.根据权利要求4所述的海岛微电网群短期电压稳定评估方法，其特征在于，所述控制环路结构具体结构为：
所述电压源型变流器的直流侧并联至直流母线，所述电压源型变流器的交流侧的电压u通过交流滤波Lf后输出端电压ut和滤波电感电流i，端电压ut输入至变压器内输出变压器高压侧电压uT，变压器高压侧电压uT依次经过并网线路电感Ll输出输电线路电流il后，输电线路电流il进入并网线路电阻Rl输出并网电压ul至配电网，滤波电感电流i经过旋转坐标器变换生成dq0坐标系下的d轴电流分量id和q轴电流分量iq；
采用锁相环PLL获取端电压ut的相位θ，直流母线电压udc和直流母线电压参考值u* dc之差经过一个比例调节器输出滤波电感电流i在dq0旋转坐标系下d轴分量参考值i* d，滤波电感电流在dq0旋转坐标系下d轴分量参考值i* d和滤波电感电流i在dq0坐标系下的d轴电流分量id之差经过一个比例调节器输出DVC系统输出的电压在dq0旋转坐标系下d轴分量幅值u* d；
端电压ut和端电压参考值u* t之差经过一个比例调节器输出滤波电感电流i在dq0旋转坐标系下q轴分量参考值i* q，滤波电感电流i在dq0旋转坐标系下q轴分量参考值i* q和滤波电感电流i在dq0坐标系下的q轴电流分量iq之差经过一个比例调节器输出DVC系统输出的电压在dq0旋转坐标系下q轴分量幅值u* q；
DVC系统输出的电压在dq0旋转坐标系下d轴分量幅值u* d和q轴分量幅值u* q叠加端电压ut的相位θ生成调制电压，调制电压经过脉冲宽度调制器生成电压源型变流器的触发脉冲发送至电压源型变流器中。
6.根据权利要求5所述的海岛微电网群短期电压稳定评估方法，其特征在于，所述VSC时间尺度信号模型为：
式中，Pf为新能源机组向电压源型变流器输入的有功功率，Ps为电压源型变流器输出的有功功率，Qs电压源型变流器输出的无功功率，ud、uq分别为电压源型变流器输出的电压在dq0旋转坐标系下的d轴、q轴分量；
所述VSC锁相环模型为：
式中，utd、utq分别为端电压ut在dq0旋转坐标系下的d分量、q分量，Δω为积分控制器的计算增益，ωn为基频，s为VSC锁相环的响应时间；
所述VSC控制延时模型为：
式中，s0表示脉冲宽度调制器的调制时间，Td(s0)表示脉冲宽度调制器的调制时间s0对应的延时；
所述电能传输模型基在dq0旋转坐标系下进行建模，得到：
式中，uTq、uTd分别为变压器高压侧电压uT在dq0旋转坐标系下的d分量、q分量，ulq、uld分别为并网电压ul在dq0旋转坐标系下的d分量、q分量，ild、ilq分别为输电线路电流il在dq0旋转坐标系下的d分量、q分量。
7.根据权利要求6所述的海岛微电网群短期电压稳定评估方法，其特征在于，对海岛微电网群的状态变量矩阵进行时序处理，得到VSC参数矩阵、电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值的步骤具体包括：
对海岛微电网群的状态变量矩阵进行时序处理为：
式中，d为偏导运算符号，Δ为状态变量矩阵，t为时间，A为VSC参数矩阵，其中，
Δ＝[Δudc Δut Δθ Δid Δiq Δutd ΔutqΔild Δilq ΔTd]
其中，Δudc为直流母线电压状态变量，Δut为端电压变量，Δθ为锁相环输出的相位状态变量，Δid为滤波电感电流在dq0旋转坐标系下d轴分量状态变量，Δiq为滤波电感电流在dq0旋转坐标系下q轴分量状态变量，Δutd为端电压变量在dq0旋转坐标系下d轴分量状态变量，Δutq端电压变量在dq0旋转坐标系下q轴分量状态变量，Δild为输电线路电流在dq0旋转坐标系下d轴分量状态变量，Δilq为输电线路电流在dq0旋转坐标系下q轴分量状态变量，ΔTd为VSC控制延时状态变量；
根据VSC参数矩阵通过下式确定电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值：
A＝λDVC*ΔDVC
A＝λACC*ΔACC
式中，λDVC为电压外环控制环路的时间尺度特征值，λACC为电流内环控制环路的时间尺度特征值，ΔDVC为电压外环控制环路的状态变量矩阵，ΔACC为电流内环控制环路的状态变量矩阵，其中，
ΔDVC＝[Δudc Δut Δθ Δutd Δutq Δild Δilq ΔTd]
ΔACC＝[Δut Δθ Δid Δiq Δutd Δutq Δild Δilq ΔTd]。
8.根据权利要求7所述的海岛微电网群短期电压稳定评估方法，其特征在于，根据电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值确定电压外环控制环路的时间尺度和电流内环控制环路的时间尺度，并计算所述时序卷积神经网络的卷积核的尺寸的步骤，具体包括：
将电压外环控制环路的时间尺度特征值和电流内环控制环路的时间尺度特征值分别转换为二阶系统的表达式，并确定电压外环控制环路和电流内环控制环路分别对应的阻尼值；
根据电压外环控制环路和电流内环控制环路分别对应的阻尼值确定电压外环控制环路和电流内环控制环路分别对应的时间尺度；
根据电压外环控制环路和电流内环控制环路分别对应的时间尺度以及预设的采样周期计算所述时序卷积神经网络的卷积核的尺寸。
9.根据权利要求8所述的海岛微电网群短期电压稳定评估方法，其特征在于，通过训练好的海岛微电网群短期电压稳定评估模型对待评估的运行时序数据进行短期电压稳定评估，并输出相应的典型电压故障类型的步骤之后，还包括：
若待评估的运行时序数据的短期电压的评估结果为不稳定，则发出预警信号，并记录相应的待评估的运行时序数据为故障数据。
10.一种海岛微电网群短期电压稳定评估系统，其特征在于，包括：
建模仿真模块，用于对海岛微电网群的结构进行仿真建模，搭建海岛微电网群仿真模型，通过对所述海岛微电网群仿真模型仿真不同的预设典型电压故障类型，得到不同的预设典型电压故障类型分别对应的运行时序数据；
数据集构建模块，用于根据不同的预设典型电压故障类型以及其分别对应的运行时序数据构建仿真数据集；
卷积核尺度计算模块，用于搭建时序卷积神经网络，根据海岛微电网群内的电压外环控制状态和电流内环控制状态分别对应的时间尺度确定所述时序卷积神经网络的卷积核的尺寸；
模型训练模块，用于通过所述仿真数据集对所述时序卷积神经网络进行训练，得到训练好的海岛微电网群短期电压稳定评估模型；
电压评估模块，用于通过训练好的海岛微电网群短期电压稳定评估模型对待评估的运行时序数据进行短期电压稳定评估，并输出相应的典型电压故障类型。
CN202310887142.3A 2023-07-19 2023-07-19 一种海岛微电网群短期电压稳定评估方法及系统 Pending CN116937593A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310887142.3A CN116937593A (zh) 2023-07-19 2023-07-19 一种海岛微电网群短期电压稳定评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310887142.3A CN116937593A (zh) 2023-07-19 2023-07-19 一种海岛微电网群短期电压稳定评估方法及系统

Publications (1)

Publication Number Publication Date
CN116937593A true CN116937593A (zh) 2023-10-24

Family

ID=88389067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310887142.3A Pending CN116937593A (zh) 2023-07-19 2023-07-19 一种海岛微电网群短期电压稳定评估方法及系统

Country Status (1)

Country Link
CN (1) CN116937593A (zh)

Similar Documents

Publication Publication Date Title
Asiminoaei et al. A digital controlled PV-inverter with grid impedance estimation for ENS detection
CN110556831B (zh) 一种多机多节点发电系统的稳定性评估方法及系统
Liu et al. Adaptive neural network based power system stabilizer design
CN113300383B (zh) 一种机电暂态建模方法、系统、设备及存储介质
CN112100962B (zh) 一种mmc的电磁暂态仿真方法及系统
CN107546769B (zh) 用于获得并网逆变型分布式电源的暂态稳定性的方法
CN107294527A (zh) 同步旋转坐标系锁相环及其测试方法、装置
US11709976B2 (en) Determining Thevenin equivalent model for a converter system
US20170180006A1 (en) Power Sharing for DC Microgrids
CN111239491A (zh) 采用实物控制器扰动注入的广义阻抗实时实验测量方法
CN111884218B (zh) 一种双馈入vsc输电系统稳定性评估方法及系统
Yuan et al. Dynamic equivalent model of VSC based on singular perturbation
Kaufhold et al. Comparison of solvers for time-domain simulations of single-phase photovoltaic systems
Keerthipala et al. Artificial neural network model for analysis of power system harmonics
Haro-Larrode et al. Impact of proportional resonant controller parameters of VSC connected to AC grids with variable X/R characteristic on the small signal stability
CN111157798A (zh) 一种基于实时仿真机和实物控制器的阻抗测量系统
Cao et al. Design and analysation of DC voltage synchronisation control for a VSC‐MTDC based on virtual synchronous generator
CN116937593A (zh) 一种海岛微电网群短期电压稳定评估方法及系统
CN111641229A (zh) 基于扩展谐波域模型的风力发电系统输出监测方法及系统
Zhang et al. Hardware-in-the-loop Based Grid Compatibility Test for Power Electronics Interface
Hu et al. AC side equivalent circuit-based method for harmonic analysis of a converter system
Kamwa et al. Sensorless ANN-based speed estimation of synchronous generators: Improved performance through physically motivated pre-filters
Chen et al. Modelling and simulation of AC–DC hybrid distribution network based on flexible DC interconnection
Brandl et al. HIL methods supporting the development process from simulations to real environment testing
Wen et al. Equivalent Modeling Based on Long Short-term Memory Neural Network for Virtual Synchronous Generator

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