CN120638346A - 一种电能质量管理方法、系统、设备、介质及产品 - Google Patents

一种电能质量管理方法、系统、设备、介质及产品

Info

Publication number
CN120638346A
CN120638346A CN202510590179.9A CN202510590179A CN120638346A CN 120638346 A CN120638346 A CN 120638346A CN 202510590179 A CN202510590179 A CN 202510590179A CN 120638346 A CN120638346 A CN 120638346A
Authority
CN
China
Prior art keywords
power
power grid
grid state
state parameter
voltage
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
CN202510590179.9A
Other languages
English (en)
Inventor
张建
刘盼
关静恩
崔庆傲
张兴龙
卢中钧
刘奔
孙露
杨秋昀
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.)
Yunnan Electric Power Technology Co ltd
Original Assignee
Yunnan Electric Power Technology 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 Yunnan Electric Power Technology Co ltd filed Critical Yunnan Electric Power Technology Co ltd
Priority to CN202510590179.9A priority Critical patent/CN120638346A/zh
Publication of CN120638346A publication Critical patent/CN120638346A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; 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
    • H02J3/04—Arrangements for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling the transfer of power between connected networks; Controlling load sharing between connected networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; 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—Arrangements for adjusting voltage in AC networks by changing a characteristic of the network load
    • H02J3/16—Arrangements for adjusting voltage in AC networks by changing a characteristic of the network load by adjustment of reactive power
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; 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 feeding a single network from two or more generators or sources in parallel; Arrangements for feeding already energised networks from additional generators or sources in parallel
    • H02J3/46—Controlling the sharing of generated power between the generators, sources or networks
    • H02J3/50—Controlling the sharing of reactive power
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2101/00—Supply or distribution of decentralised, dispersed or local electric power generation
    • H02J2101/20—Dispersed power generation using renewable energy sources
    • H02J2101/22—Solar energy
    • H02J2101/24—Photovoltaics
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2101/00—Supply or distribution of decentralised, dispersed or local electric power generation
    • H02J2101/20—Dispersed power generation using renewable energy sources
    • H02J2101/28—Wind energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2103/00—Details of circuit arrangements for mains or AC distribution networks
    • H02J2103/30—Simulating, planning, modelling, reliability check or computer assisted design [CAD] of electric power networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2103/00—Details of circuit arrangements for mains or AC distribution networks
    • H02J2103/30—Simulating, planning, modelling, reliability check or computer assisted design [CAD] of electric power networks
    • H02J2103/35—Grid-level management of power transmission or distribution systems, e.g. load flow analysis or active network management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/30—Reactive power compensation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种电能质量管理方法、系统、设备、介质及产品，涉及电能质量管理领域，该方法包括获取光伏与风电接入点的电网状态参数；根据电网状态参数和历史电网状态参数，确定电网状态参数数据集；根据电网状态参数数据集，利用改进的快速傅里叶变换算法和小波变换，确定异常特征向量；进而基于贝叶斯网络的概率推理方法，确定故障源类型以及溯源对应的故障源；根据溯源的故障源，生成对应的优化调度参数；利用优化调度参数对光伏与风电功率调度策略和无功补偿策略进行调整；本申请能够实现新能源接入电网后的电能质量优化，提升电网的安全性、稳定性和经济性。

Description

一种电能质量管理方法、系统、设备、介质及产品
技术领域
本申请涉及电能质量管理领域，特别是涉及一种电能质量管理方法、系统、设备、介质及产品。
背景技术
为了应对新能源发电带来的电能质量问题，技术人员提出了多种解决方案，例如同步相量测量技术(Phasor Measurement Unit，PMU)、电能质量监测与评估技术、智能无功补偿装置(静止无功发生器(Static Var Generator，SVG)和用于电力系统中动态调节无功功率的设备(Static Var Compensator，SVC))、分布式储能系统以及基于大数据和人工智能的电网优化调度方法。这些技术手段虽然在一定程度上提升了新能源电网的稳定性，但仍存在监测滞后、异常检测精度不足、故障溯源困难、调度优化响应速度慢等问题，因此难以适应高比例新能源电网对电能质量管理的更高要求。
现有的电能质量管理技术在新能源高占比接入场景下还存在很多不足，首先，在电能质量监测方面，传统监测手段依赖于数据采集与监视控制系统(Supervisory Controland Data Acquisition System，SCADA)或固定测点的采样设备，数据采集周期较长，难以实现毫秒级的实时监测，导致异常电能质量事件的检测存在滞后性。其次，在电压异常识别方面，常规的快速傅里叶变换(Fast Fourier Transform，FFT)方法受限于频域分辨率，难以准确捕捉短时电压波动信号，而时域分析方法在处理复杂扰动时精度有限，导致对新能源发电引起的电压波动识别能力不足。
此外，在故障源溯源与调度优化方面，基于规则的传统方法难以适应新能源电网的非线性特性和动态变化，导致故障溯源准确率较低，进而使得调度策略难以快速调整。最后，在无功补偿控制方面，现有的补偿策略往往依赖预设的参数阈值，响应速度较慢，难以满足新能源高频波动对快速补偿的需求，进而影响电网运行的稳定性。
因此，基于上述问题，亟需提供一种新的电能质量管理方法，以实现新能源接入电网后的电能质量优化，提升电网的安全性、稳定性和经济性。
发明内容
本申请的目的是提供一种电能质量管理方法、系统、设备、介质及产品，能够实现新能源接入电网后的电能质量优化，提升电网的安全性、稳定性和经济性。
为实现上述目的，本申请提供了如下方案：
第一方面，本申请提供了一种电能质量管理方法，电能质量管理方法包括：
获取光伏与风电接入点的电网状态参数；所述电网状态参数包括：电压、电流、频率和相位角；
根据所述电网状态参数和历史电网状态参数，确定电网状态参数数据集；所述历史电网状态参数包括：历史电压、历史电流、历史频率和历史相位角；
根据所述电网状态参数数据集，利用改进的快速傅里叶变换算法和小波变换，确定异常特征向量；
根据所述异常特征向量，基于贝叶斯网络的概率推理方法，确定故障源类型以及溯源对应的故障源；
根据溯源的故障源，生成对应的优化调度参数；
利用优化调度参数对光伏与风电功率调度策略和无功补偿策略进行调整。
可选地，所述根据所述电网状态参数数据集，利用改进的快速傅里叶变换算法和小波变换，确定异常特征向量，具体包括：
根据所述电网状态参数数据集，利用改进的快速傅里叶变换算法，确定电压波动的主要频率成分；
根据所述电网状态参数数据集，利用小波变换进行时频分析；
根据所述主要频率成分和时频分析结果，确定异常特征向量。
可选地，所述根据所述主要频率成分和时频分析结果，确定异常特征向量，具体包括：
利用公式F(Q)＝{fdom，Ew，σ(U)，Δ2U，PF}确定异常特征向量F(Q)；其中，fdom为电压波动的主要频率成分，Ew为局部小波能量，σ(U)为电压标准差，Δ2U为二阶电压变化率，PF为功率因数。
可选地，所述利用优化调度参数对光伏与风电功率调度策略和无功补偿策略进行调整，具体包括：
根据优化调度参数，基于历史负荷数据、实时负荷数据以及天气数据，采用短期负荷预测模型对光伏与风电功率调度策略进行调整；所述天气数据包括：光照强度、日照时长、风向和风速；
根据优化调度参数，采用动态模糊决策方法对无功补偿策略进行调整。
可选地，所述根据优化调度参数，基于历史负荷数据、实时负荷数据以及天气数据，采用短期负荷预测模型对光伏与风电功率调度策略进行调整，具体包括：
根据优化调度参数，基于历史负荷数据和实时负荷数据，采用短期负荷预测模型对未来负荷变化进行预测；
根据天气数据，对未来光伏与风电出力变化进行预测；
根据未来负荷变化预测结果和未来光伏与风电出力变化预测结果，对光伏与风电功率调度策略进行调整。
可选地，所述根据优化调度参数，采用动态模糊决策方法对无功补偿策略进行调整，具体包括：
利用公式ΔQ＝k1·fdom+k2·Ew+k3·σ(U)+k4·Δ2U+k5·PF确定无功功率调整量ΔQ；
利用公式确定补偿电流Icomp；
其中，k1为第一权重，k2为第二权重，k3为第三权重，k4为第四权重，k5为第五权重，fdom为电压波动的主要频率成分，Ew为局部小波能量，σ(U)为电压标准差，Δ2U为二阶电压变化率，PF为功率因数，U为补偿设备接入点的电压。
第二方面，本申请提供了一种电能质量管理系统，所述电能质量管理系统包括：
电网状态参数获取模块，用于获取光伏与风电接入点的电网状态参数；所述电网状态参数包括：电压、电流、频率和相位角；
电网状态参数数据集确定模块，用于根据所述电网状态参数和历史电网状态参数，确定电网状态参数数据集；所述历史电网状态参数包括：历史电压、历史电流、历史频率和历史相位角；
异常特征向量确定模块，用于根据所述电网状态参数数据集，利用改进的快速傅里叶变换算法和小波变换，确定异常特征向量；
故障源溯源模块，用于根据所述异常特征向量，基于贝叶斯网络的概率推理方法，确定故障源类型以及溯源对应的故障源；
优化调度参数确定模块，用于根据溯源的故障源，生成对应的优化调度参数；
策略调整模块，用于利用优化调度参数对光伏与风电功率调度策略和无功补偿策略进行调整。
第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在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以实现上述中任一项所述的电能质量管理方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的电能质量管理方法的步骤。
第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的电能质量管理方法的步骤。
根据本申请提供的具体实施例，本申请具有了以下技术效果：
本申请提供了一种电能质量管理方法、系统、设备、介质及产品，通过电网状态参数数据集，利用改进的快速傅里叶变换算法和小波变换，确定异常特征向量，即本申请采用改进的快速傅里叶变换(FFT)算法提取电压波动特征，并结合小波变换(WT)分析短时电压变化趋势，生成异常特征向量，提高电压异常识别的准确性和电网运行的安全性；根据异常特征向量，基于贝叶斯网络回溯故障源类型以及溯源对应的故障源，提高电网异常分析的智能化水平；利用优化调度参数对光伏与风电功率调度策略和无功补偿策略进行调整，两者同时对策略进行调整，形成互补，进一步提高电网运行的安全性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例中一种电能质量管理方法的流程示意图；
图2为本申请一实施例中一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
在一个示例性的实施例中，如图1所示，提供了一种电能质量管理方法，包括以下S1-S6。电能质量管理方法包括：
S1：获取光伏与风电接入点的电网状态参数。
实时获取光伏与风电接入点的电网状态参数能够确保光伏和风电的协同调控，能够精准、快速地响应电网运行变化。
在一示例性实施例中，采用同步相量测量(PhasorMeasurementUnit，PMU)设备和边缘计算终端进行数据采集和初步处理，以保证数据的实时性和准确性。
其中，PMU设备的作用是以高精度的同步时间基准(如GPS信号)获取光伏与风电接入点的电网状态参数，电网状态参数包括电压U(t)、电流I(t)、频率f(t)、相位角等，并以高采样率(如30-60Hz)对电网状态参数进行连续采样。PMU设备能够提供微秒级的时间同步，确保不同测量点的数据可以精准对齐，为后续的数据解析融合和策略优化调整奠定基础。
边缘计算终端主要部署在光伏发电站、风电场以及关键变电站的并网点，负责接收PMU设备上传的数据，并进行本地预处理。具体的，边缘计算终端会执行信号降噪(如基于卡尔曼滤波或小波变换的噪声抑制)，同时利用短时傅里叶变换(Short-Time FourierTransform，STFT)方法对电网状态参数的短周期变化趋势进行分析，以识别异常波动信号。
S2：根据电网状态参数和历史电网状态参数，确定电网状态参数数据集Q(t)。
电网状态参数数据集形成过程中，由于光伏和风电场受外部环境(如天气变化、风速波动等)影响较大，采集的电网状态参数可能存在噪声，因此首先对电网状态参数进行异常值剔除和数据平滑处理。例如，可采用卡尔曼滤波去除短时高频噪声，或基于小波阈值去噪方法剔除测量误差。
在一示例性实施例中，经PMU设备采集和边缘计算终端处理的电网状态参数进一步经过解析和融合处理，形成可用于后续分析的电网状态参数数据集，电网状态参数数据集包括电网状态参数和历史电网状态参数，电网状态参数包括：电压、电流、频率、相位角，历史电网状态参数包括：历史电压、历史电流、历史频率和历史相位角，电网状态参数数据集用于后续的故障源溯源与策略优化调整。
本申请利用PMU设备和边缘计算终端，实现了光伏与风电接入点的高精度数据采集和实时监测。即本申请能够在毫秒级时间内获取电压、电流、频率及相位角，并结合历史电网状态参数构建电网状态参数数据集，进一步实现电网运行状态的高效感知。
S3：根据电网状态参数数据集，利用改进的快速傅里叶变换算法和小波变换，确定异常特征向量。
在一示例性实施例中，对电网状态参数数据集进行处理，提取电压波动特征以精准识别由于光电和光伏波动导致的电压异常特征，并构建异常特征向量。为此，首先需要从电网状态参数数据集中提取电压参数，并构建用于信号分析的特征矩阵。
具体的，设光伏和风电接入点的电压U(t)计算公式为：
U(t)＝{U1,U2，...,Un}。
其中，n为采样点总数，Ui为第i个采样点的电压值，i为采样点编号。
光伏和风电接入点的电压来自PMU设备，由于PMU设备提供GPS时间同步信号，因此所有测量点的数据可以基于时间戳对齐，以便后续计算。
通过计算滑动时间窗内的电压统计特征，形成用于信号分析的特征矩阵V(t)，计算公式如下：
其中，ΔUi＝Ui-Ui-1为第i个采样点的电压变化率，即相邻电压点的变化差值(可用于计算电压骤变)，Δ2Ui＝ΔUi-ΔUi-1为第i个采样点的电压的二阶导数，即第i个采样点的二阶电压变化率，反映突发电压异常情况，ΔUi-1为第i-1个采样点的电压变化率，σ(U)i为第i个采样点过去nt秒内的电压标准差，用于衡量电压稳定性。
S3具体包括：
S31：根据电网状态参数数据集，利用改进的快速傅里叶变换算法，确定电压波动的主要频率成分。
在一示例性实施例中，由于电压波动通常包含不同频率成分，因此本申请采用改进的快速傅里叶变换算法(FFT)，对电压波动信号进行频谱分析，并确定主要频率成分。可以采用汉宁窗减少频谱泄漏，提高低频信号分辨率，并结合变分模态分解去除谐波干扰，使改进的FFT计算结果更准确。
通过改进的FFT计算得到电压波动的主要频率成分fdom，即电压异常的主导频，若fdom<第一频率阈值，表明电压波动源于光伏/风电的低频出力波动；若fdom>第二频率阈值，表明电网存在谐波污染或电力电子设备干扰；若第一频率阈值<fdom<第二频率阈值，则可能是无功功率波动或切换过程引起。
S32：根据所述电网状态参数数据集，利用小波变换进行时频分析。
由于改进的FFT适用于周期信号分析，但风电和光伏出力波动往往是短时非周期性变化，因此引入小波变换(WT)进行时频分析，以检测电压突变点和局部波动趋势。
S33：根据主要频率成分和时频分析结果，确定异常特征向量。
基于改进的FFT和小波变换计算结果，提取关键电压异常特征，并构建异常特征向量F(Q)，计算公式如下：
F(Q)＝{fdom,Ew，σ(U),Δ2U,PF}。
其中，Ew为局部小波能量，表示电压异常的强度，由小波变换计算得到，σ(U)为电压标准差，Δ2U为二阶电压变化率，PF为功率因数。
二阶电压变化率Δ2U主要用于检测突发性电压扰动，如短时冲击负载接入或风速突变引起的电压骤变。
功率因数PF可以通过以下公式进行计算：
其中，P为有功功率，Q为无功功率。若PF过低，表明系统无功补偿不足，可能导致电压稳定性降低；若PF过高，说明无功需求较小，无需额外补偿。
在一示例性实施例中，利用改进的FFT算法快速的从电网状态参数数据集中提取电压异常信号，并结合小波变换提高短时电压波动的识别精度，适用于新能源出力波动导致的复杂扰动；本申请不仅能够识别电压波动，还能生成异常特征向量，进一步区分短时电压扰动和长期电压偏差，为后续的故障溯源和优化调度参数的确定提供基础数据支持。相比传统的静态电压监测方法，本申请能够实时分析动态变化趋势，提高电压异常识别的准确性，避免误判，提升电网运行的安全性。
S4：根据异常特征向量，基于贝叶斯网络的概率推理方法，确定故障源类型以及溯源对应的故障源。
在一示例性实施例中，对异常特征向量进行分析，识别电压异常类型，并确定故障源类型以及溯源对应的故障源，传统方法往往依赖固定的阈值判断，难以准确区分短时电压扰动与持续性电压偏差。本申请基于数据驱动的贝叶斯网络，结合历史电网状态参数和当前电压异常类型，实现故障源的精准识别和智能优化调度。历史电网状态参数提供了电网在不同时间段的运行状况，对于故障源溯源具有重要意义，进而精准区分短时电压扰动与持续性电压偏差。
在一示例性实施例中，将预处理后的异常特征向量作为贝叶斯网络的输入变量，确定故障源类型以及溯源对应的故障源。
贝叶斯网络是一种概率图模型，由节点和有向边组成。节点表示不同的电网状态变量(如电压偏差、电压变化率、无功功率分布等)，而有向边表示变量之间的因果关系。
在贝叶斯网络模型中，不同故障源会形成不同的电压异常类型，这些模式通过训练数据学习得到。其中，训练数据来自历史电网状态参数、运行事件日志、现场测量数据。
具体的，对异常特征向量进行分类分析，以区分两种电压异常类型，电压异常类型包括：短时电压扰动和持续性电压偏差。
短时电压扰动持续时间通常在几毫秒至几秒内，对应的故障源类型包括：光伏云影效应、风速突变、大功率负载切换等。故障源类型导致的故障源包括：高速率电压变化、小波能量在短时间内快速波动、低频成分变化较小、短时电压突变剧烈。
持续性电压偏差持续时间可达数分钟至数小时，对应的故障源类型包括：风电/光伏长期波动、无功功率缺乏、电网运行方式调整、电力电子设备影响等，故障源类型导致的故障源包括：电压偏移幅值持续超标、低频扰动、电网谐波畸变率成分较高。
本申请采用基于贝叶斯网络的概率推理方法，结合历史电网状态参数和实时测量数据，确定当前电压异常类型，即计算短时电压扰动和持续性电压偏差的概率，选择最大概率对应的类别。例如：
若P(T1F(Q))>P(T2F(Q))则判断为持续性电压偏差，反之，则判断为短时电压扰动，其中，T1为短时电压扰动阈值，T2为持续性电压偏差阈值。
输入异常特征向量后，贝叶斯网络通过条件概率溯源故障源，P(Gx|F(Q))表示在给定异常特征向量的情况下，各类故障源Gx发生的概率；Gx表示第x类故障源；选取最大概率对应的故障源作为溯源结果。
电压异常类型与故障源类型之间存在对应关系，即不同的故障源类型会导致不同的电压异常类型。
S5：根据溯源的故障源，生成对应的优化调度参数。
在一示例性实施例中，根据溯源的故障源生成对应的优化调度参数以调整光伏与风电功率调度策略和无功补偿策略，提高电网电能质量的恢复能力。
具体的，若故障源为光伏长期波动导致的，则调整最大功率点跟踪控制策略(MaximumPowerPointTracking，MPPT)，避免功率输出剧烈变化；并优化以下调度参数：
1、减少功率跟踪步长，避免输出功率剧烈变化。
2、设置合理的功率爬坡率，抑制短时功率剧烈波动。
3、调整有功功率调节速率，提升对电压异常的自适应能力。
若故障源为风速突变导致的，则利用风机惯量调节，优化以下调度参数：
1、风机惯量调节系数，利用风机惯量缓冲风速突变带来的功率波动，优化功率变化曲线。
2、设置风机出力变化速率约束，平滑风电出力，降低电网冲击。
若故障源为无功功率缺乏导致的，则优化以下调度参数：
1、动态调整静止无功补偿装置的输出，提高电压支撑能力。
2、优化柔性交流输电装置(Flexible Alternative Current TransmissionSystem，FACTS)对不同区域的无功补偿分配，提高无功支撑效率。
3、根据电网负荷波动情况调整无功备用容量，提高电网在不同运行状态下的稳定性。
若故障源为大功率负载切换导致的，则优化以下调度参数：
1、优化电容器组或动态无功补偿设备(如动态电压恢复器和静止同步补偿器)的投切策略，提高局部电压稳定性。
2、调整电网不同负载区域的无功补偿设备启停顺序，降低负荷波动对电压的冲击。
3、设定负载侧无功补偿的动态调节门槛，提高无功补偿的自适应能力。
本申请能够智能分析故障源，区分不同类型的电压异常类型，并回溯导致电压异常的具体设备或新能源出力变化，提高电网异常分析的智能化水平。基于溯源分析，本申请能够针对不同类型的电压波动问题，自动调整无功补偿策略，实现对新能源电力波动的智能优化调度，提高电网运行的稳定性。通过精准故障定位和优化调度策略，本申请能够显著缩短异常电压恢复时间，减少电网因电能质量问题造成的损失，提高整体供电可靠性。
S6：利用优化调度参数对光伏与风电功率调度策略和无功补偿策略进行调整。
S6具体包括：
S61：根据优化调度参数，基于历史负荷数据、实时负荷数据以及天气数据，采用短期负荷预测模型对光伏与风电功率调度策略进行调整。
S61具体包括：
S611：根据优化调度参数，基于历史负荷数据和实时负荷数据，采用短期负荷预测模型对未来负荷变化进行预测。
历史负荷数据包括历史有功功率数据、历史无功功率数据和负荷曲线，负荷曲线包括：工作日、节假日、不同时段的负荷变化规律和负荷峰谷特性，负荷峰谷特性包括：负荷的日间和夜间变化趋势等；实时负荷数据包括：实时有功功率、实时无功功率、电压、频率、功率因数和电流等。
为了避免因负荷突变引发电压偏差或频率漂移，在一示例性实施例中，利用短期负荷预测模型，例如采用长短时记忆网络(Long Short-Term Memory，LSTM)或时间序列回归模型(Autoregressive Integrated Moving Average，ARIMA)，根据历史负荷数据和实时负荷数据预测未来负荷变化趋势，预测结果用于对光伏与风电功率调度策略进行前瞻性调整，避免超前或滞后的调控问题。
S612：根据天气数据，对未来光伏与风电出力变化进行预测。
由于可再生能源的波动性主要受天气因素影响，因此优化调度过程中，需考虑气象数据对光伏与风电功率调度策略进行调整。
其中，主要气象数据包括：光照强度和日照时长、风速和风向、环境温度和湿度、天气状态等；若光照强度下降或天气状态为阴天，预测光伏出力将降低，需提前增加储能充电或提高风电出力以补偿功率缺口；若风速预测增加，表明风电功率会上升，可能导致电网电压波动，需调整储能放电策略或优化风电机组变桨角以降低功率扰动；若天气状态为风暴，表明风电波动剧烈，需降低风电并网功率或优化惯量控制以维持稳定性。
S613：根据未来负荷变化预测结果和未来光伏与风电出力变化预测结果，对光伏与风电功率调度策略进行调整。
本申请可结合不同天气、负荷波动等因素，动态调整光伏与风电功率调度策略，确保电网在各种运行环境下都能保持高稳定性；通过预测性负荷调整，本申请能够提升风光出力的协调性，减少新能源出力波动带来的调度难度，提高新能源消纳能力。即本申请采用分层优化调度策略，通过预测未来负荷变化和未来光伏与风电出力变化，在功率波动发生前主动调整设备运行状态，确保功率分配符合当前负荷需求，避免突发性电压偏差。
S62：根据优化调度参数，采用动态模糊决策方法对无功补偿策略进行调整。
为了在毫秒级时间内调整无功补偿量，在一示例性实施例中，首先确保电压波动控制在允许范围，随后采用动态模糊决策方法，计算无功功率调整量ΔQ，计算公式如下：
ΔQ＝k1·fdom+k2·Ew+k3·σ(U)+k4·Δ2U+k5·PF。
其中，k1为第一权重，k2为第二权重，k3为第三权重，k4为第四权重，k5为第五权重，基于历史负荷数据优化。
根据无功功率调整量确定每个补偿设备的目标输出功率，生成最终补偿指令，补偿设备包括：无功补偿装置，分布式储能设备和柔性交流输电装置。
若电压波动主要为低频扰动，则优先调节动态无功补偿装置，低频扰动是由风电/光伏长期波动、无功功率缺乏等因素导致的电压的低频成分显著变化，属于持续性电压偏差类型；若短时电压突变剧烈，则优先调用分布式储能设备提供无功支撑，短时电压突变剧烈是由光伏云影效应、风速突变、大功率负载切换这类事件发生快速且短暂导致的，属于短时电压扰动类型；若电网谐波畸变率成分较高，则结合FACTS进行精细调节，电网谐波畸变率成分较高是由电力电子设备的影响(例如逆变器)导致的，属于持续性电压偏差类型。
进一步的，接收到最终补偿指令后，在毫秒级时间内控制无功补偿装置。
补偿电流计算公式如下：
其中，U为补偿设备接入点的电压，采用脉宽调制(PWM)控制调节补偿电流，确保无功功率精准匹配电压需求。
若电压骤降，指令储能设备快速释放无功功率，增强电网支撑能力；若电压过高，指令储能设备吸收无功功率，降低电压过冲；调节串联/并联补偿设备，提高电网动态调节能力。最终，电压波动幅值被有效降低，电能质量得到增强。
相比传统的固定无功补偿策略，本申请基于实时数据计算补偿需求，并利用FACTS等先进设备实现毫秒级响应，提高补偿控制的动态适应性。通过动态模糊决策方法，本申请能够自适应调整补偿量，确保补偿效果最优，避免过补偿或补偿滞后问题，提高电网电压质量。能够在新能源接入引起电压波动时，精准调控无功补偿设备，减少电压跌落，提高电能质量，增强电网运行的稳定性和可靠性。
在一个示例性的实施例中，提供了一种电能质量管理系统，电能质量管理系统包括：
电网状态参数获取模块，用于获取光伏与风电接入点的电网状态参数；所述电网状态参数包括：电压、电流、频率和相位角；
电网状态参数数据集确定模块，用于根据所述电网状态参数和历史电网状态参数，确定电网状态参数数据集；所述历史电网状态参数包括：历史电压、历史电流、历史频率和历史相位角；
异常特征向量确定模块，用于根据所述电网状态参数数据集，利用改进的快速傅里叶变换算法和小波变换，确定异常特征向量；
故障源溯源模块，用于根据所述异常特征向量，基于贝叶斯网络的概率推理方法，确定故障源类型以及溯源对应的故障源；
优化调度参数确定模块，用于根据溯源的故障源，生成对应的优化调度参数；
策略调整模块，用于利用优化调度参数对光伏与风电功率调度策略和无功补偿策略进行调整。
本申请实现了新能源接入电网时的电能质量保障和电网运行稳定性提升。相比传统的电能质量管理方法，本申请具有更高的实时性、精准性和智能化水平。本申请利用PMU设备实现毫秒级电能质量监测，确保电网状态的实时感知，提高异常检测的精准度；其次，改进的FFT和小波变换方法能够高效提取电压波动特征，提高电压异常的识别精度；同时，利用贝叶斯网络进行溯源分析，能够准确定位电网故障源，并优化新能源出力调度，有效提升电能质量恢复能力。此外，本申请结合FACTS技术，实现快速无功补偿，降低电压波动的同时提高了供电质量；结合天气与负荷预测等数据，优化风光出力，提高了新能源消纳能力，增强了电网的稳定性和经济性。
综上，本申请实现了新能源接入电网后的电能质量优化，提升了电网安全性、稳定性和经济效益，为高比例新能源电网提供了可靠的技术支撑。
在一示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器或者终端，其内部结构图可以如图2所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电能质量管理数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电能质量管理方法。
本领域技术人员可以理解，图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个示例性的实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个示例性的实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(DynamicRandomAccess Memory，DRAM)等。
本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种电能质量管理方法，其特征在于，所述电能质量管理方法包括：
获取光伏与风电接入点的电网状态参数；所述电网状态参数包括：电压、电流、频率和相位角；
根据所述电网状态参数和历史电网状态参数，确定电网状态参数数据集；所述历史电网状态参数包括：历史电压、历史电流、历史频率和历史相位角；
根据所述电网状态参数数据集，利用改进的快速傅里叶变换算法和小波变换，确定异常特征向量；
根据所述异常特征向量，基于贝叶斯网络的概率推理方法，确定故障源类型以及溯源对应的故障源；
根据溯源的故障源，生成对应的优化调度参数；
利用优化调度参数对光伏与风电功率调度策略和无功补偿策略进行调整。
2.根据权利要求1所述的电能质量管理方法，其特征在于，所述根据所述电网状态参数数据集，利用改进的快速傅里叶变换算法和小波变换，确定异常特征向量，具体包括：
根据所述电网状态参数数据集，利用改进的快速傅里叶变换算法，确定电压波动的主要频率成分；
根据所述电网状态参数数据集，利用小波变换进行时频分析；
根据所述主要频率成分和时频分析结果，确定异常特征向量。
3.根据权利要求2所述的电能质量管理方法，其特征在于，所述根据所述主要频率成分和时频分析结果，确定异常特征向量，具体包括：
利用公式F(Q)＝{fdom，Ew，σ(U)，Δ2U，PF}确定异常特征向量F(Q)；其中，fdom为电压波动的主要频率成分，Ew为局部小波能量，σ(U)为电压标准差，Δ2U为二阶电压变化率，PF为功率因数。
4.根据权利要求1所述的电能质量管理方法，其特征在于，所述利用优化调度参数对光伏与风电功率调度策略和无功补偿策略进行调整，具体包括：
根据优化调度参数，基于历史负荷数据、实时负荷数据以及天气数据，采用短期负荷预测模型对光伏与风电功率调度策略进行调整；所述天气数据包括：光照强度、日照时长、风向和风速；
根据优化调度参数，采用动态模糊决策方法对无功补偿策略进行调整。
5.根据权利要求4所述的电能质量管理方法，其特征在于，所述根据优化调度参数，基于历史负荷数据、实时负荷数据以及天气数据，采用短期负荷预测模型对光伏与风电功率调度策略进行调整，具体包括：
根据优化调度参数，基于历史负荷数据和实时负荷数据，采用短期负荷预测模型对未来负荷变化进行预测；
根据天气数据，对未来光伏与风电出力变化进行预测；
根据未来负荷变化预测结果和未来光伏与风电出力变化预测结果，对光伏与风电功率调度策略进行调整。
6.根据权利要求4所述的电能质量管理方法，其特征在于，所述根据优化调度参数，采用动态模糊决策方法对无功补偿策略进行调整，具体包括：
利用公式ΔQ＝k1·fdom+k2·Ew+k3·σ(U)+k4·Δ2U+k5·PF确定无功功率调整量ΔQ；
利用公式确定补偿电流Icomp；
其中，k1为第一权重，k2为第二权重，k3为第三权重，k4为第四权重，k5为第五权重，fdom为电压波动的主要频率成分，Ew为局部小波能量，σ(U)为电压标准差，Δ2U为二阶电压变化率，PF为功率因数，U为补偿设备接入点的电压。
7.一种电能质量管理系统，其特征在于，所述电能质量管理系统包括：
电网状态参数获取模块，用于获取光伏与风电接入点的电网状态参数；所述电网状态参数包括：电压、电流、频率和相位角；
电网状态参数数据集确定模块，用于根据所述电网状态参数和历史电网状态参数，确定电网状态参数数据集；所述历史电网状态参数包括：历史电压、历史电流、历史频率和历史相位角；
异常特征向量确定模块，用于根据所述电网状态参数数据集，利用改进的快速傅里叶变换算法和小波变换，确定异常特征向量；
故障源溯源模块，用于根据所述异常特征向量，基于贝叶斯网络的概率推理方法，确定故障源类型以及溯源对应的故障源；
优化调度参数确定模块，用于根据溯源的故障源，生成对应的优化调度参数；
策略调整模块，用于利用优化调度参数对光伏与风电功率调度策略和无功补偿策略进行调整。
8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在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以实现权利要求1-6中任一项所述的电能质量管理方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的电能质量管理方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的电能质量管理方法。
CN202510590179.9A 2025-05-08 2025-05-08 一种电能质量管理方法、系统、设备、介质及产品 Pending CN120638346A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510590179.9A CN120638346A (zh) 2025-05-08 2025-05-08 一种电能质量管理方法、系统、设备、介质及产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510590179.9A CN120638346A (zh) 2025-05-08 2025-05-08 一种电能质量管理方法、系统、设备、介质及产品

Publications (1)

Publication Number Publication Date
CN120638346A true CN120638346A (zh) 2025-09-12

Family

ID=96968410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510590179.9A Pending CN120638346A (zh) 2025-05-08 2025-05-08 一种电能质量管理方法、系统、设备、介质及产品

Country Status (1)

Country Link
CN (1) CN120638346A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121332902A (zh) * 2025-10-27 2026-01-13 商洛学院 一种基于钒电池储能的并网逆变器监测管理系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121332902A (zh) * 2025-10-27 2026-01-13 商洛学院 一种基于钒电池储能的并网逆变器监测管理系统

Similar Documents

Publication Publication Date Title
Li et al. A wind speed interval prediction system based on multi-objective optimization for machine learning method
Kusiak et al. Dynamic control of wind turbines
CN118316029B (zh) 一种基于人工智能的配电箱智能功率调节方法和系统
Samet et al. Deep learning forecaster-based controller for SVC: Wind farm flicker mitigation
CN119443480A (zh) 一种基于大数据采集的建筑碳排放监测系统及方法
CN121036013B (zh) 一种区域电网新能源消纳容量计算方法和系统
CN120638346A (zh) 一种电能质量管理方法、系统、设备、介质及产品
CN120080750A (zh) 基于充电桩v2g的控制系统及方法
CN121094445A (zh) 基于人工智能的新能源接入地区电网平衡调度方法
Zhou et al. Long-term cost planning of data-driven wind-storage hybrid systems
Yang et al. Research on power system small signal stability analysis and correction based on LightGBM algorithm
CN119324466B (zh) 一种基于新能源消纳率的时序电网规划方法
CN119401870B (zh) 基于环境变化的水力发电机动态调控方法及系统
CN120073896A (zh) 一种适用于乡村的多能源微网控制方法
CN119602291A (zh) 一种基于深度学习的海上风电场无功电压调节方法
Vasilev et al. Regulation of renewable energy sources during short-termvoltage instabilities using maximum Lyapunov exponent
Xia et al. SCG and LM improved BP neural network load forecasting and programming network parameter settings and data preprocessing
CN121216555B (zh) 一种基于仿真优化的风光储能系统
CN119864817B (zh) 一种风电场无功电压控制方法及装置
Jie et al. Transient voltage stability margin prediction method based on LightGBM
Chen et al. Load forecasting analysis for regional and industry power systems-based on ARIMA model and LSTM model
CN120582242A (zh) 基于配电网分区管理技术的新能源消纳方法、装置、计算机设备和存储介质
CN122000928A (zh) 面向分布式电源的电能质量管理方法、设备及存储介质
CN121192706A (zh) 一种基于水光互补的水电站与光伏电站监控与协同调度的方法、系统、设备及介质
Choi et al. Research on machine learning-based curtailment analysis for optimal operation of wind farm

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