CN117081158A - 变速抽水蓄能机组无撬棒故障穿越控制方法及装置 - Google Patents
变速抽水蓄能机组无撬棒故障穿越控制方法及装置 Download PDFInfo
- Publication number
- CN117081158A CN117081158A CN202311322134.0A CN202311322134A CN117081158A CN 117081158 A CN117081158 A CN 117081158A CN 202311322134 A CN202311322134 A CN 202311322134A CN 117081158 A CN117081158 A CN 117081158A
- Authority
- CN
- China
- Prior art keywords
- current
- historical data
- power grid
- prediction model
- fault
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 95
- 230000000694 effects Effects 0.000 claims abstract description 74
- 230000005284 excitation Effects 0.000 claims abstract description 40
- 230000015654 memory Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- H02J3/38—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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/22—Current control, e.g. using a current control loop
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了变速抽水蓄能机组无撬棒故障穿越控制方法及装置,涉及电机故障穿越技术领域,通过训练评估电流跟踪效果的电流跟踪预测模型、训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型、训练预测电网穿越故障的概率的故障穿越预测模型,在待控制电网出现故障时,使用Actor‑Critic网络模型中的Actor网络输出选择的励磁电流值,并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor‑Critic网络模型进行训练;在电网出现故障时,通过调节励磁电流参数,从而在无撬棒的情况下,增大电网穿越故障的可能。
Description
技术领域
本发明涉及电机故障穿越技术领域,具体是变速抽水蓄能机组无撬棒故障穿越控制方法及装置。
背景技术
在电力系统中,变速抽水蓄能机组是一种重要的资源,用于平衡电力网络的供需关系和维持稳定运行。然而,当电力系统发生故障,例如电网短路等情况,需要电机机组能够快速响应并提供所需的电流来稳定电网。通常情况下,电机机组可以通过调节励磁电流来实现这一目标,但在某些情况下,如机组无法使用撬棒来进行励磁电流的调节时,可能会遇到困难。
无撬棒的情况下,机组可能无法满足电网故障时所需的电流要求,这可能会导致电网不稳定或甚至发生停电等问题。因此,需要采取其他高级控制策略,以调节机组的励磁电流或采用其他方法来应对电网故障,确保电力系统的稳定性和可靠性。这种情况下的挑战在于,需要准确地控制机组的输出,以适应电网故障的需要,同时避免对电网产生不必要的干扰。因此,寻找有效的控制策略对于维护电力系统的稳定性至关重要。而目前尚缺乏准确的调节励磁电流以增大电网穿越故障概率的方法;
申请公开号为CN116436043A的中国专利公开了一种多台变流器不对称故障穿越控制方法,变流器的峰值电流限制在变流器的额定电流内,同时有功功率振荡为零或是总输出有功功率不振荡;其中变流器的峰值电流限制在变流器的额定电流内,当出现电网电压跌落或者不平衡时,变流器产生正序电流的控制参数应当趋于无穷大或变流器产生负序电流的控制参数应当趋于零,但该方法仅考虑了对变流器的控制,未能进一步的参考对电机中的励磁电流的控制方法;
为此,本发明提出变速抽水蓄能机组无撬棒故障穿越控制方法及装置。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出变速抽水蓄能机组无撬棒故障穿越控制方法及装置,在电网出现故障时,通过调节励磁电流参数,从而在无撬棒的情况下,增大电网穿越故障的可能。
为实现上述目的,根据本发明的实施例1提出变速抽水蓄能机组无撬棒故障穿越控制方法,包括以下步骤:
收集励磁电流参数历史数据;
收集电流跟踪特征历史数据以及跟踪效果标签历史数据,并以电流跟踪特征历史数据和励磁电流参数历史数据为输入,以跟踪效果标签历史数据为输出,训练评估电流跟踪效果的电流跟踪预测模型;
收集电网电流特征历史数据以及电网电流标签历史数据,并以电网电流特征历史数据为输入,以电网电流标签历史数据和励磁电流参数历史数据为输出,训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型;
收集电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据,以电流跟踪效果历史数据、电流容量差值历史数据为输入,以故障穿越结果标签数据为输出,训练预测电网穿越故障的概率的故障穿越预测模型;
在待控制电网出现故障时,实时获取电流跟踪特征数据和电网电流特征数据;使用Actor-Critic网络模型中的Actor网络输出选择的励磁电流值,并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor-Critic网络模型进行训练;
所述收集励磁电流参数历史数据的方式为:
通过变速抽水蓄能机组中内置的,与励磁回路相连接的电流传感器,收集测试变速抽水蓄能机组在过去运转过程中,每一单位时间产生的历史励磁电流,并将历史励磁电流按收集的时间顺序排序,获得历史励磁电流序列;所述励磁电流参数历史数据包括历史励磁电流序列;
所述收集电流跟踪特征历史数据以及跟踪效果标签历史数据的方式为:
在采集励磁电流参数历史数据的过程中,同步收集与测试变速抽水蓄能机组相连的电网的电流跟踪特征历史数据以及跟踪效果标签历史数据;
收集每一单位时间的电网中的电压信息、电网状态信息、电机参数以及电网负载;
收集每一单位时间的,电网中的实际电流大小与电网中期望电流大小之间的差值作为电流差值;
将每一单位时间的电压信息、电网状态信息、电机参数以及电网负载组成一组电流跟踪特征集合;
将所有单位时间的电流跟踪特征集合按时间顺序排序,获得电流跟踪特征历史数据;
将所有电流差值按时间顺序排序,获得跟踪效果标签历史数据;
所述训练评估电流跟踪效果的电流跟踪预测模型的方式为:
将励磁电流参数历史数据以及电流跟踪特征历史数据中,每一单位时间的历史励磁电流以及电流跟踪特征集合作为电流跟踪预测模型的输入,所述电流跟踪预测模型以对每一单位时间的电流差值的预测值作为输出,以跟踪效果标签历史数据中,每一单位时间对应的电流差值作为预测目标,以最小化对所有电流差值的预测误差之和作为训练目标;对电流跟踪预测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据励磁电流和电网中的电流跟踪特征集合,输出预测的电流跟踪效果的电流跟踪预测模型;所述电流跟踪预测模型是多项式回归模型;
所述收集电网电流特征历史数据以及电网电流标签历史数据的方式为:
在采集励磁电流参数历史数据的过程中,同步收集电网中变流器的实时容量;
将电网中每一单位时间的电压信息、电网状态信息、电机参数以及变流器实时容量组成一组容量差值特征集合;
将所有单位时间的容量差值特征集合按时间顺序排序组成电网电流特征历史数据;
收集每一单位时间的电网中的实际电流大小和变流器容量之间的差值作为容量差值;
将所有单位时间的容量差值按时间顺序排序组成电网电流标签历史数据;
训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型的方式为:
将励磁电流参数历史数据以及电网电流特征历史数据中,每一单位时间的历史励磁电流以及容量差值特征集合作为容量差值预测模型的输入,所述容量差值预测模型以对每一单位时间的容量差值的预测值作为输出,以电网电流标签历史数据中,每一单位时间对应的容量差值作为预测目标,以最小化对所有容量差值的预测误差之和作为训练目标;对容量差值预测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据励磁电流和电网中的容量差值特征集合,输出预测的容量差值的容量差值预测模型;所述容量差值预测模型是多项式回归模型;
收集电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据的方式为:
在测试变速抽水蓄能机组出现电网故障的时间,收集该时间的电流差值和容量差值;
将电流差值作为电流跟踪效果历史数据;
将容量差值作为电流容量差值历史数据;
收集每次电网故障后,穿越故障的穿越结果概率,所述穿越结果概率的取值范围为[0,1],将每次电网故障对应的穿越结果概率作为故障穿越结果标签数据;在每次电网故障时,未出现人为干预的情况,将该次故障的穿越结果概率标记为1,若出现人为干预的情况,将该次故障的穿越结果概率标记为0;
所述训练预测电网穿越故障的概率的故障穿越预测模型的方式为:
将每次电网故障时的电流跟踪效果历史数据以及电流容量差值历史数据作为故障穿越预测模型的输入,所述故障穿越预测模型以对每次电网故障的穿越结果概率的预测值作为输出,以故障穿越结果标签数据中,每次电网故障对应的穿越结果概率作为预测目标,以最小化对所有穿越结果概率的预测误差之和作为训练目标;对故障穿越预测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据电流差值和容量差值,输出预测的能够穿越电网故障的概率的故障穿越预测模型;所述故障穿越预测模型是逻辑回归模型;
所述实时获取电流跟踪特征数据和电网电流特征数据的方式为:
收集待控制电网的实时的电压信息、电网状态信息、电机参数以及电网负载作为电流跟踪特征数据;
收集待控制电网的实时的电压信息、电网状态信息、电机参数以及变流器实时容量作为电网电流特征数据;
使用Actor-Critic网络模型中的Actor网络输出选择的励磁电流值,并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor-Critic网络模型进行训练包括:
初始化Actor网络和Critic网络的参数;
在判断为待控制电网出现故障时,执行以下步骤:
步骤11:将电流跟踪特征数据和电网电流特征数据作为当前状态;
步骤12:Actor网络输出选择的励磁电流值;
以下一单位时间的电流跟踪特征数据和电网电流特征数据作为下一个状态;
步骤13:计算实际的奖励值Q;所述实际的奖励值Q为每次在电网故障时,调整励磁电流后获得的奖励;
所述奖励值Q的计算公式为:
设置励磁电流变量x;
将训练完成后的电流跟踪预测模型对应的函数表达式标记为F(x);
将训练完成后的容量差值预测模型对应的函数表达式标记为G(x);
将训练完成的故障穿越预测模型对应的函数表达式标记为C(f,g);
则奖励值Q的计算公式为Q=C(F(x),G(x));
步骤14:使用Critic网络的更新公式更新奖励值函数的值,以调整对决策结果的实际奖励值Q的估计;
步骤15:使用Actor网络的更新公式更新Actor网络的参数,以提高在给定状态下选择高奖励决策结果的概率。
根据本发明的实施例2提出变速抽水蓄能机组无撬棒故障穿越控制装置,包括训练数据收集模块、模型训练模块以及故障穿越控制模块;其中,各个模块之间通过电性连接;
其中,所述训练数据收集模块主要用于收集励磁电流参数历史数据、电流跟踪特征历史数据、跟踪效果标签历史数据、电网电流特征历史数据电网电流标签历史数据、电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据,并将励磁电流参数历史数据、电流跟踪特征历史数据、跟踪效果标签历史数据、电网电流特征历史数据电网电流标签历史数据、电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据发送至模型训练模块;
其中,所述模型训练模块主要用于以电流跟踪特征历史数据和励磁电流参数历史数据为输入,以电流跟踪效果历史数据为输出,训练评估电流跟踪效果的电流跟踪预测模型;以电网电流标签历史数据和励磁电流参数历史数据为输出,训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型;以电流跟踪效果历史数据、电流容量差值历史数据为输入,以故障穿越结果标签数据为输出,训练预测电网穿越故障的概率的故障穿越预测模型,并将电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型发送至故障穿越控制模块;
其中,所述故障穿越控制模块主要用于在待控制电网出现故障时,实时获取电流跟踪特征数据和电网电流特征数据;使用Actor-Critic网络模型中的Actor网络输出选择的励磁电流值,并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor-Critic网络模型进行训练。
根据本发明的实施例3提出的一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的变速抽水蓄能机组无撬棒故障穿越控制方法。
根据本发明的实施例4提出的一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行上述的变速抽水蓄能机组无撬棒故障穿越控制方法。
与现有技术相比,本发明的有益效果是:
本发明通过收集励磁电流参数历史数据,收集电流跟踪特征历史数据以及跟踪效果标签历史数据,并以电流跟踪特征历史数据和励磁电流参数历史数据为输入,以电流跟踪效果历史数据为输出,训练评估电流跟踪效果的电流跟踪预测模型,收集电网电流特征历史数据以及电网电流标签历史数据,并以电网电流特征历史数据为输入,以电网电流标签历史数据和励磁电流参数历史数据为输出,训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型,收集电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据,以电流跟踪效果历史数据、电流容量差值历史数据为输入,以故障穿越结果标签数据为输出,训练预测电网穿越故障的概率的故障穿越预测模型,在待控制电网出现故障时,实时获取电流跟踪特征数据和电网电流特征数据,使用Actor-Critic网络模型中的Actor网络输出选择的励磁电流值,并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor-Critic网络模型进行训练;以在电网出现故障时,通过调节励磁电流参数,从而在无撬棒的情况下,增大电网穿越故障的可能。
附图说明
图1为本发明的变速抽水蓄能机组无撬棒故障穿越控制方法的流程图;
图2为本发明的变速抽水蓄能机组无撬棒故障穿越控制装置的模块连接图;
图3为本发明实施例3中的电子设备结构示意图;
图4为本发明实施例4中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
如图1所示,变速抽水蓄能机组无撬棒故障穿越控制方法,包括以下步骤:
步骤一:收集励磁电流参数历史数据;
步骤二:收集电流跟踪特征历史数据以及跟踪效果标签历史数据,并以电流跟踪特征历史数据和励磁电流参数历史数据为输入,以跟踪效果标签历史数据为输出,训练评估电流跟踪效果的电流跟踪预测模型;
步骤三:收集电网电流特征历史数据以及电网电流标签历史数据,并以电网电流特征历史数据为输入,以电网电流标签历史数据和励磁电流参数历史数据为输出,训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型;
步骤四:收集电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据,以电流跟踪效果历史数据、电流容量差值历史数据为输入,以故障穿越结果标签数据为输出,训练预测电网穿越故障的概率的故障穿越预测模型;
步骤五:在待控制电网出现故障时,实时获取电流跟踪特征数据和电网电流特征数据;使用Actor-Critic网络模型中的Actor网络输出选择的励磁电流值,并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor-Critic网络模型进行训练;以在电网出现故障时,调节励磁电流参数,从而为电网提供穿越故障的可能;
其中,所述收集励磁电流参数历史数据的方式为:
通过变速抽水蓄能机组中内置的,与励磁回路相连接的电流传感器,收集测试变速抽水蓄能机组在过去运转过程中,每一单位时间产生的历史励磁电流,并将历史励磁电流按收集的时间顺序排序,获得历史励磁电流序列;所述励磁电流参数历史数据包括历史励磁电流序列;需要说明的是,收集励磁电流参数历史数据所使用的测试变速抽水蓄能机组既可以是待控制的变速抽水蓄能机组,也可以采用同型号的一个或多个变速抽水蓄能机组,以提高历史数据采集的效率;
可以理解的是,因为该电流传感器是与励磁回路相连接,因此,该电流传感器测量的是电机内的励磁电流;
其中,所述收集电流跟踪特征历史数据以及跟踪效果标签历史数据的方式为:
在采集励磁电流参数历史数据的过程中,同步收集与测试变速抽水蓄能机组相连的电网的电流跟踪特征历史数据以及跟踪效果标签历史数据;
具体的,收集每一单位时间的电网中的电压信息、电网状态信息、电机参数以及电网负载;
需要说明的是,所述电压信息包括但不限于电网内电压的幅值、相位和频率等参数;
所述电网状态信息包括但不限于电网的电压、频率等;
所述电机参数包括但不限于变速抽水蓄能机组的额定功率、额定电流、电机的励磁时间常数等;
所述电网负载为电网中承接的外部电力负载所需要的电流大小;可以理解的是,电网负载可以理解为电网中的期望电流大小;而变速抽水蓄能机组的对电流的一个控制目标即为无静差电流跟踪,即保持电网中的电流与电网中的期望电流尽可能的保持一致;
进一步的,收集每一单位时间的,电网中的实际电流大小与电网中期望电流大小之间的差值作为电流差值;
将每一单位时间的电压信息、电网状态信息、电机参数以及电网负载组成一组电流跟踪特征集合;
将所有单位时间的电流跟踪特征集合按时间顺序排序,获得电流跟踪特征历史数据;
将所有电流差值按时间顺序排序,获得跟踪效果标签历史数据;
优选的,所述训练评估电流跟踪效果的电流跟踪预测模型的方式为:
将励磁电流参数历史数据以及电流跟踪特征历史数据中,每一单位时间的历史励磁电流以及电流跟踪特征集合作为电流跟踪预测模型的输入,所述电流跟踪预测模型以对每一单位时间的电流差值的预测值作为输出,以跟踪效果标签历史数据中,每一单位时间对应的电流差值作为预测目标,以最小化对所有电流差值的预测误差之和作为训练目标;对电流跟踪预测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据励磁电流和电网中的电流跟踪特征集合,输出预测的电流跟踪效果的电流跟踪预测模型;所述电流跟踪预测模型是多项式回归模型;
进一步的,所述收集电网电流特征历史数据以及电网电流标签历史数据的方式为:
在采集励磁电流参数历史数据的过程中,同步收集电网中变流器的实时容量;需要说明的是,所述变流器的实时容量通过电网中配置的容量监测软件获得;
将电网中每一单位时间的电压信息、电网状态信息、电机参数以及变流器实时容量组成一组容量差值特征集合;
将所有单位时间的容量差值特征集合按时间顺序排序组成电网电流特征历史数据;
进一步的,收集每一单位时间的电网中的实际电流大小和变流器容量之间的差值作为容量差值;显然,当容量差值为正时,说明电网中的电流大小超出了变流器的容量,可能会导致无法穿越电网故障;
将所有单位时间的容量差值按时间顺序排序组成电网电流标签历史数据;
优选的,训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型的方式为:
将励磁电流参数历史数据以及电网电流特征历史数据中,每一单位时间的历史励磁电流以及容量差值特征集合作为容量差值预测模型的输入,所述容量差值预测模型以对每一单位时间的容量差值的预测值作为输出,以电网电流标签历史数据中,每一单位时间对应的容量差值作为预测目标,以最小化对所有容量差值的预测误差之和作为训练目标;对容量差值预测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据励磁电流和电网中的容量差值特征集合,输出预测的容量差值的容量差值预测模型;所述容量差值预测模型是多项式回归模型;
收集电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据的方式为:
在测试变速抽水蓄能机组出现电网故障的时间,收集该时间的电流差值和容量差值;所述电网故障包括但不限于电网短路、过载、快速波动等电网中常见的故障类型;
将电流差值作为电流跟踪效果历史数据;
将容量差值作为电流容量差值历史数据;
收集每次电网故障后,穿越故障的穿越结果概率,所述穿越结果概率的取值范围为[0,1],将每次电网故障对应的穿越结果概率作为故障穿越结果标签数据;具体的,在每次电网故障时,未出现人为干预的情况,将该次故障的穿越结果概率标记为1,若出现人为干预的情况,将该次故障的穿越结果概率标记为0;可以理解的是,在电网故障发生的瞬间,若通过控制励磁电流的大小,保证了电网的稳定性,说明成功的穿越了当次电网故障;
进一步的,所述训练预测电网穿越故障的概率的故障穿越预测模型的方式为:
将每次电网故障时的电流跟踪效果历史数据以及电流容量差值历史数据作为故障穿越预测模型的输入,所述故障穿越预测模型以对每次电网故障的穿越结果概率的预测值作为输出,以故障穿越结果标签数据中,每次电网故障对应的穿越结果概率作为预测目标,以最小化对所有穿越结果概率的预测误差之和作为训练目标;对故障穿越预测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据电流差值和容量差值,输出预测的能够穿越电网故障的概率的故障穿越预测模型;所述故障穿越预测模型是逻辑回归模型;
进一步的需要说明的是,判断待控制电网出现故障的方式可以是通过监测电网中的电流或电压的波动情况,在电流或电压的波动大于预设的波动阈值时,判断为待控制电网出现故障;
其中,所述实时获取电流跟踪特征数据和电网电流特征数据的方式为:
收集待控制电网的实时的电压信息、电网状态信息、电机参数以及电网负载作为电流跟踪特征数据;
收集待控制电网的实时的电压信息、电网状态信息、电机参数以及变流器实时容量作为电网电流特征数据;
使用Actor-Critic网络模型中的Actor网络输出选择的励磁电流值,并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor-Critic网络模型进行训练包括:
初始化Actor网络和Critic网络的参数;参数包括但不限于Actor网络的状态输入层的维度、隐藏层数量和大小、动作输出层的维度、Critic网络的状态输入层的维度、隐藏层的数量和大小和奖励值函数输出层的维度、学习率、折扣因子以及网络优化算法(梯度下降法或Adam优化算法等);
在判断为待控制电网出现故障时,执行以下步骤:
步骤11:将电流跟踪特征数据和电网电流特征数据作为当前状态;
步骤12:Actor网络输出选择的励磁电流值;
以下一单位时间的电流跟踪特征数据和电网电流特征数据作为下一个状态;
步骤13:计算实际的奖励值Q;所述实际的奖励值Q为每次在电网故障时,调整励磁电流后获得的奖励;
所述奖励值Q的计算公式为:
设置励磁电流变量x;
将训练完成后的电流跟踪预测模型对应的函数表达式标记为F(x);
将训练完成后的容量差值预测模型对应的函数表达式标记为G(x);
将训练完成的故障穿越预测模型对应的函数表达式标记为C(f,g);
则奖励值Q的计算公式为Q=C(F(x),G(x));显然C(F(x),G(x))表示的是,励磁电流变量取值为x时,穿越电网故障的概率,当C(F(x),G(x))越大时,穿越电网故障的概率越大,从而越倾向于选择能使C(F(x),G(x))值更大的励磁电流变量;
步骤14:使用Critic网络的更新公式更新奖励值函数的值,以调整对决策结果的实际奖励值Q的估计;需要说明的是,所述更新公式可以为本领域技术人员的常用更新公式,例如:,其中,/>是当前状态a的奖励值函数估计;/>是学习率,控制更新的步长;/>是折扣因子,用于衡量未来奖励的重要性;/>是下一个状态;
步骤15:使用Actor网络的更新公式更新Actor网络的参数,以提高在给定状态下选择高奖励决策结果的概率。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
实施例2
如图2所示,变速抽水蓄能机组无撬棒故障穿越控制装置,包括训练数据收集模块、模型训练模块以及故障穿越控制模块;其中,各个模块之间通过电性连接;
其中,所述训练数据收集模块主要用于收集励磁电流参数历史数据、电流跟踪特征历史数据、跟踪效果标签历史数据、电网电流特征历史数据电网电流标签历史数据、电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据,并将励磁电流参数历史数据、电流跟踪特征历史数据、跟踪效果标签历史数据、电网电流特征历史数据电网电流标签历史数据、电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据发送至模型训练模块;
其中,所述模型训练模块主要用于以电流跟踪特征历史数据和励磁电流参数历史数据为输入,以电流跟踪效果历史数据为输出,训练评估电流跟踪效果的电流跟踪预测模型;以电网电流标签历史数据和励磁电流参数历史数据为输出,训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型;以电流跟踪效果历史数据、电流容量差值历史数据为输入,以故障穿越结果标签数据为输出,训练预测电网穿越故障的概率的故障穿越预测模型,并将电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型发送至故障穿越控制模块;
其中,所述故障穿越控制模块主要用于在待控制电网出现故障时,实时获取电流跟踪特征数据和电网电流特征数据;使用Actor-Critic网络模型中的Actor网络输出选择的励磁电流值,并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor-Critic网络模型进行训练。
实施例3
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示,根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中,存储器中存储有计算机可读代码,计算机可读代码当由一个或多个处理器运行时,可以执行如上所述的变速抽水蓄能机组无撬棒故障穿越控制方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示,电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备,例如ROM103或硬盘107可存储本申请提供的变速抽水蓄能机组无撬棒故障穿越控制方法。变速抽水蓄能机组无撬棒故障穿越控制方法可例如包括以下步骤:步骤一:收集励磁电流参数历史数据;步骤二:收集电流跟踪特征历史数据以及跟踪效果标签历史数据,并以电流跟踪特征历史数据和励磁电流参数历史数据为输入,以电流跟踪效果历史数据为输出,训练评估电流跟踪效果的电流跟踪预测模型;步骤三:收集电网电流特征历史数据以及电网电流标签历史数据,并以电网电流特征历史数据为输入,以电网电流标签历史数据和励磁电流参数历史数据为输出,训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型;步骤四:收集电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据,以电流跟踪效果历史数据、电流容量差值历史数据为输入,以故障穿越结果标签数据为输出,训练预测电网穿越故障的概率的故障穿越预测模型;步骤五:在待控制电网出现故障时,实时获取电流跟踪特征数据和电网电流特征数据;使用Actor-Critic网络模型中的Actor网络输出选择的励磁电流值,并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor-Critic网络模型进行训练;
进一步地,电子设备100还可包括用户界面108。当然,图3所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图3示出的电子设备中的一个或多个组件。
实施例4
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示,是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时,可执行参照以上附图描述的根据本申请实施方式的变速抽水蓄能机组无撬棒故障穿越控制方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外,根据本申请的实施方式,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质存储有机器可读指令,所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令,在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本申请的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本申请实施为记录在记录介质中的程序,这些程序包括用于实现根据本申请的方法的机器可读指令。因而,本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外,本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
如上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是,以上所述仅为本发明的具体实施方式,并不用于限制本发明。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (13)
1.变速抽水蓄能机组无撬棒故障穿越控制方法,其特征在于,包括以下步骤:
收集励磁电流参数历史数据;
收集电流跟踪特征历史数据以及跟踪效果标签历史数据,并以电流跟踪特征历史数据和励磁电流参数历史数据为输入,以跟踪效果标签历史数据为输出,训练评估电流跟踪效果的电流跟踪预测模型;
收集电网电流特征历史数据以及电网电流标签历史数据,并以电网电流特征历史数据为输入,以电网电流标签历史数据和励磁电流参数历史数据为输出,训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型;
收集电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据,以电流跟踪效果历史数据、电流容量差值历史数据为输入,以故障穿越结果标签数据为输出,训练预测电网穿越故障的概率的故障穿越预测模型;
在待控制电网出现故障时,实时获取电流跟踪特征数据和电网电流特征数据;使用Actor-Critic网络模型中的Actor网络输出选择的励磁电流值,并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor-Critic网络模型进行训练。
2.根据权利要求1所述的变速抽水蓄能机组无撬棒故障穿越控制方法,其特征在于,所述收集励磁电流参数历史数据的方式为:
通过变速抽水蓄能机组中内置的,与励磁回路相连接的电流传感器,收集测试变速抽水蓄能机组在过去运转过程中,每一单位时间产生的历史励磁电流,并将历史励磁电流按收集的时间顺序排序,获得历史励磁电流序列;所述励磁电流参数历史数据包括历史励磁电流序列。
3.根据权利要求2所述的变速抽水蓄能机组无撬棒故障穿越控制方法,其特征在于,所述收集电流跟踪特征历史数据以及跟踪效果标签历史数据的方式为:
在采集励磁电流参数历史数据的过程中,同步收集与测试变速抽水蓄能机组相连的电网的电流跟踪特征历史数据以及跟踪效果标签历史数据;
收集每一单位时间的电网中的电压信息、电网状态信息、电机参数以及电网负载;
收集每一单位时间的,电网中的实际电流大小与电网中期望电流大小之间的差值作为电流差值;
将每一单位时间的电压信息、电网状态信息、电机参数以及电网负载组成一组电流跟踪特征集合;
将所有单位时间的电流跟踪特征集合按时间顺序排序,获得电流跟踪特征历史数据;
将所有电流差值按时间顺序排序,获得跟踪效果标签历史数据。
4.根据权利要求3所述的变速抽水蓄能机组无撬棒故障穿越控制方法,其特征在于,所述训练评估电流跟踪效果的电流跟踪预测模型的方式为:
将励磁电流参数历史数据以及电流跟踪特征历史数据中,每一单位时间的历史励磁电流以及电流跟踪特征集合作为电流跟踪预测模型的输入,所述电流跟踪预测模型以对每一单位时间的电流差值的预测值作为输出,以跟踪效果标签历史数据中,每一单位时间对应的电流差值作为预测目标,以最小化对所有电流差值的预测误差之和作为训练目标;对电流跟踪预测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据励磁电流和电网中的电流跟踪特征集合,输出预测的电流跟踪效果的电流跟踪预测模型;所述电流跟踪预测模型是多项式回归模型。
5.根据权利要求4所述的变速抽水蓄能机组无撬棒故障穿越控制方法,其特征在于,所述收集电网电流特征历史数据以及电网电流标签历史数据的方式为:
在采集励磁电流参数历史数据的过程中,同步收集电网中变流器的实时容量;
将电网中每一单位时间的电压信息、电网状态信息、电机参数以及变流器实时容量组成一组容量差值特征集合;
将所有单位时间的容量差值特征集合按时间顺序排序组成电网电流特征历史数据;
收集每一单位时间的电网中的实际电流大小和变流器容量之间的差值作为容量差值;
将所有单位时间的容量差值按时间顺序排序组成电网电流标签历史数据。
6.根据权利要求5所述的变速抽水蓄能机组无撬棒故障穿越控制方法,其特征在于,所述训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型的方式为:
将励磁电流参数历史数据以及电网电流特征历史数据中,每一单位时间的历史励磁电流以及容量差值特征集合作为容量差值预测模型的输入,所述容量差值预测模型以对每一单位时间的容量差值的预测值作为输出,以电网电流标签历史数据中,每一单位时间对应的容量差值作为预测目标,以最小化对所有容量差值的预测误差之和作为训练目标;对容量差值预测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据励磁电流和电网中的容量差值特征集合,输出预测的容量差值的容量差值预测模型;所述容量差值预测模型是多项式回归模型。
7.根据权利要求6所述的变速抽水蓄能机组无撬棒故障穿越控制方法,其特征在于,所述收集电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据的方式为:
在测试变速抽水蓄能机组出现电网故障的时间,收集该时间的电流差值和容量差值;
将电流差值作为电流跟踪效果历史数据;
将容量差值作为电流容量差值历史数据;
收集每次电网故障后,穿越故障的穿越结果概率,所述穿越结果概率的取值范围为[0,1],将每次电网故障对应的穿越结果概率作为故障穿越结果标签数据;在每次电网故障时,未出现人为干预的情况,将该次故障的穿越结果概率标记为1,若出现人为干预的情况,将该次故障的穿越结果概率标记为0。
8.根据权利要求7所述的变速抽水蓄能机组无撬棒故障穿越控制方法,其特征在于,所述训练预测电网穿越故障的概率的故障穿越预测模型的方式为:
将每次电网故障时的电流跟踪效果历史数据以及电流容量差值历史数据作为故障穿越预测模型的输入,所述故障穿越预测模型以对每次电网故障的穿越结果概率的预测值作为输出,以故障穿越结果标签数据中,每次电网故障对应的穿越结果概率作为预测目标,以最小化对所有穿越结果概率的预测误差之和作为训练目标;对故障穿越预测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据电流差值和容量差值,输出预测的能够穿越电网故障的概率的故障穿越预测模型;所述故障穿越预测模型是逻辑回归模型。
9.根据权利要求8所述的变速抽水蓄能机组无撬棒故障穿越控制方法,其特征在于,所述实时获取电流跟踪特征数据和电网电流特征数据的方式为:
收集待控制电网的实时的电压信息、电网状态信息、电机参数以及电网负载作为电流跟踪特征数据;
收集待控制电网的实时的电压信息、电网状态信息、电机参数以及变流器实时容量作为电网电流特征数据。
10.根据权利要求9所述的变速抽水蓄能机组无撬棒故障穿越控制方法,其特征在于,使用Actor-Critic网络模型中的Actor网络输出选择的励磁电流值,并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor-Critic网络模型进行训练包括:
初始化Actor网络和Critic网络的参数;
在判断为待控制电网出现故障时,执行以下步骤:
步骤11:将电流跟踪特征数据和电网电流特征数据作为当前状态;
步骤12:Actor网络输出选择的励磁电流值;
以下一单位时间的电流跟踪特征数据和电网电流特征数据作为下一个状态;
步骤13:计算实际的奖励值Q;所述实际的奖励值Q为每次在电网故障时,调整励磁电流后获得的奖励;
所述奖励值Q的计算公式为:
设置励磁电流变量x;
将训练完成后的电流跟踪预测模型对应的函数表达式标记为F(x);
将训练完成后的容量差值预测模型对应的函数表达式标记为G(x);
将训练完成的故障穿越预测模型对应的函数表达式标记为C(f,g);
则奖励值Q的计算公式为Q=C(F(x),G(x));
步骤14:使用Critic网络的更新公式更新奖励值函数的值,以调整对决策结果的实际奖励值Q的估计;
步骤15:使用Actor网络的更新公式更新Actor网络的参数,以提高在给定状态下选择高奖励决策结果的概率。
11.变速抽水蓄能机组无撬棒故障穿越控制装置,其基于权利要求1-10中任一项所述的变速抽水蓄能机组无撬棒故障穿越控制方法实现,其特征在于,包括训练数据收集模块、模型训练模块以及故障穿越控制模块;其中,各个模块之间通过电性连接;
其中,所述训练数据收集模块用于收集励磁电流参数历史数据、电流跟踪特征历史数据、跟踪效果标签历史数据、电网电流特征历史数据电网电流标签历史数据、电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据,并将励磁电流参数历史数据、电流跟踪特征历史数据、跟踪效果标签历史数据、电网电流特征历史数据电网电流标签历史数据、电流跟踪效果历史数据、电流容量差值历史数据以及故障穿越结果标签数据发送至模型训练模块;
其中,所述模型训练模块用于以电流跟踪特征历史数据和励磁电流参数历史数据为输入,以电流跟踪效果历史数据为输出,训练评估电流跟踪效果的电流跟踪预测模型;以电网电流标签历史数据和励磁电流参数历史数据为输出,训练预测变速抽水蓄能机组所连接的电网中的电流与变流器容量的差值的容量差值预测模型;以电流跟踪效果历史数据、电流容量差值历史数据为输入,以故障穿越结果标签数据为输出,训练预测电网穿越故障的概率的故障穿越预测模型,并将电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型发送至故障穿越控制模块;
其中,所述故障穿越控制模块用于在待控制电网出现故障时,实时获取电流跟踪特征数据和电网电流特征数据;使用Actor-Critic网络模型中的Actor网络输出选择的励磁电流值,并基于电流跟踪特征数据、电网电流特征数据、电流跟踪预测模型、容量差值预测模型以及故障穿越预测模型对Actor-Critic网络模型进行训练。
12.一种电子设备,其特征在于,包括:处理器和存储器,其中,
所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,在后台中执行权利要求1-10中任一项所述的变速抽水蓄能机组无撬棒故障穿越控制方法。
13.一种计算机可读存储介质,其特征在于,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行在后台中执行权利要求1-10中任一项所述的变速抽水蓄能机组无撬棒故障穿越控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322134.0A CN117081158B (zh) | 2023-10-13 | 2023-10-13 | 变速抽水蓄能机组无撬棒故障穿越控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322134.0A CN117081158B (zh) | 2023-10-13 | 2023-10-13 | 变速抽水蓄能机组无撬棒故障穿越控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117081158A true CN117081158A (zh) | 2023-11-17 |
CN117081158B CN117081158B (zh) | 2024-02-23 |
Family
ID=88717349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311322134.0A Active CN117081158B (zh) | 2023-10-13 | 2023-10-13 | 变速抽水蓄能机组无撬棒故障穿越控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117081158B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103368184A (zh) * | 2013-07-19 | 2013-10-23 | 国家电网公司 | 大型风场无功补偿设备在低电压穿越中的控制方法 |
CN113281582A (zh) * | 2021-04-20 | 2021-08-20 | 中国电力科学研究院有限公司 | 一种测试变速抽蓄机组故障电压穿越特性的方法和系统 |
-
2023
- 2023-10-13 CN CN202311322134.0A patent/CN117081158B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103368184A (zh) * | 2013-07-19 | 2013-10-23 | 国家电网公司 | 大型风场无功补偿设备在低电压穿越中的控制方法 |
CN113281582A (zh) * | 2021-04-20 | 2021-08-20 | 中国电力科学研究院有限公司 | 一种测试变速抽蓄机组故障电压穿越特性的方法和系统 |
Non-Patent Citations (1)
Title |
---|
杨兴雄等: "基于BP神经网络模型的风电场送出变故障识别", 电力科学与工程, pages 23 - 31 * |
Also Published As
Publication number | Publication date |
---|---|
CN117081158B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3696401B1 (en) | Power control method and apparatus for wind power generator | |
US10466308B2 (en) | Fault level estimation method for power converters | |
US11042410B2 (en) | Resource management of resource-controlled system | |
US20200104536A1 (en) | Technologies for providing secure emergency power control of high voltage direct current transmission system | |
CN111159922A (zh) | 一种电力系统连锁故障的关键线路辨识方法和装置 | |
CN116565402A (zh) | 储能电池冷却系统及控制方法 | |
CN117227177B (zh) | 基于设备间监督的多任务打印控制方法及系统 | |
CN117081158B (zh) | 变速抽水蓄能机组无撬棒故障穿越控制方法及装置 | |
EP4137815A1 (en) | Failure prediction system | |
CN117521495A (zh) | 氧化锌避雷器运行状态的监测方法、装置、设备及介质 | |
CN112801533A (zh) | 一种考虑决策依赖不确定的电力系统运行可靠性评估方法 | |
EP3750223B1 (en) | Predicting voltage stability of a power system post-contingency | |
CN112418474A (zh) | 一种故障处理期限的预测方法及装置 | |
CN115630716A (zh) | 一种设备检修计划的智能生成方法及装置 | |
US20230012079A1 (en) | Renewable energy system stabilization system and system stabilization support method | |
CN110797906B (zh) | 风电基地最大装机容量的确定方法、装置及存储介质 | |
CN110232482B (zh) | 基于神经网络的设备管理方法及装置 | |
CN117792279B (zh) | 基于神经网络的分布式光伏监控系统 | |
CN113054690B (zh) | 基于事件触发的电压控制方法、系统及电子设备 | |
CN117638938A (zh) | 电力系统的控制方法、装置及电子设备 | |
CN117113212A (zh) | 一种避雷器缺陷识别方法、装置及电子设备 | |
CN114048113A (zh) | 数据中心监控报警故障自愈方法、装置和计算机设备 | |
CN116126654A (zh) | 一种平台监控数据的处理方法及装置 | |
CN116885801A (zh) | 无功功率管控方法及系统 | |
CN117713256A (zh) | 一种构网型控制方法、装置、电子设备和存储介质 |
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 |