CN106208055B - 一种基于二进制粒子群优化和压缩感知的谐波源辨识方法 - Google Patents
一种基于二进制粒子群优化和压缩感知的谐波源辨识方法 Download PDFInfo
- Publication number
- CN106208055B CN106208055B CN201610564847.1A CN201610564847A CN106208055B CN 106208055 B CN106208055 B CN 106208055B CN 201610564847 A CN201610564847 A CN 201610564847A CN 106208055 B CN106208055 B CN 106208055B
- Authority
- CN
- China
- Prior art keywords
- node
- harmonic
- formula
- matrix
- harmonic source
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 229910002056 binary alloy Inorganic materials 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000002950 deficient Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 18
- 239000002245 particle Substances 0.000 claims description 15
- 238000013459 approach Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims 1
- 239000000243 solution Substances 0.000 description 7
- 238000012850 discrimination method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012360 testing method 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
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- 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]
-
- 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
- Y02E40/40—Arrangements for reducing harmonics
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于二进制粒子群优化和压缩感知的谐波源辨识方法,首先利用二进制粒子群对***网络的量测装置进行优化配置,使电力***网络可观。然后以支路谐波电流为量测量、节点注入谐波电流为状态量,采用压缩感知算法实现了量测方程欠定条件下的谐波源辨识。本发明提高了谐波源辨识的精确性,并且克服了量测配置经济成本高的难题。
Description
技术领域
本发明涉及一种精确的谐波源辨识方法,属于电力***领域。
背景技术
随着大量的非线性负荷,冲击负荷的投运以及自身非线性元件的增多,电力***的谐波污染日趋严重。谐波含量增加,会使电力***电压畸变,电力设备温升过高,甚至引起电力断路器误动作,不仅会使接入该电网的设备不能进行正常的工作或故障,而且还会使供电线路超载发热,影响电力正常输送。因此,迫切需要一种精确的谐波源辨识方法,明确谐波源的分布,为谐波源的治理提供依据。
现阶段国内外研究中,谐波源辨识方法主要有两大类:第一类是基于等效电路模型的辨识方法,该方法模型缺乏整体性,主要用于单谐波源的辨识,适用性较为局限;第二类是基于谐波状态估计的辨识方法,该方法所需的量测数量少,辨识结果相对精确,具有整体可观性,适合多谐波源辨识,应用比较广泛,是当前的技术热点。
为获取电力***的谐波状态、实现对全网谐波的实时监视,可在***中的每条母线和线路上安装谐波量测设备,但昂贵的设备成本使这种方法难以实现。因此,考虑经济因素,需要对谐波量测装置进行合理的配置使***达到可观。在实现电力***可观的前提下,谐波源辨识问题转变为采用已知的少量量测估计***所有节点注入谐波电流的问题,然而传统的最小二乘法已经不能解决这类量测方程欠定的谐波源辨识。鉴于此,有必要提出一种辨识精确且量测配置经济的谐波源辨识方法。
发明内容
本发明的目的是提供一种辨识精确且量测配置经济的谐波源辨识方法。
本发明为实现其发明目的,所采用的技术方案为:
一种基于二进制粒子群优化和压缩感知的谐波源辨识方法,首先利用二进制粒子群优化对量测装置的数量及位置进行配置,使谐波源嫌疑区域的量测配置达到可观以保证电力***可观的前提下降低经济成本;然后以支路谐波电流为量测量、节点注入谐波电流为状态量,采用压缩感知完成量测方程欠定条件下的谐波源辨识,包含如下主要步骤:
A、基于二进制粒子群优化的可观性量测
A1、确定谐波源嫌疑区域
电网***中有m个节点,其中有n个节点是可能出现谐波源的区域,即为谐波源嫌疑区域;显然有,m大于等于n;
A2、建立可观性量测模型
A21、形成描述各节点i是否放有量测装置的向量x(i),即量测节点向量,如式(1)所示:
A22、形成描述节点μ与节点η之间连接关系的矩阵,即关联矩阵T,
对T中元素进行如式(2)所示定义:
A23、形成目标函数和约束条件(适应度函数),以***安装的量测装置数量最少且量测冗余最大为目标,以***完全可观为约束条件,如式(3)所示:
式中,若由步骤A1中确定的谐波源嫌疑区域节点数为n,则U为n*1维的单位矩阵,T为n*n维的关联矩阵,矩阵x为步骤A21中确定的量测节点向量x(i),J1=xT·x为量测装置的数量,J2=(N-T·x)T·(N-T·x)为量测冗余度,其中T*x表示对应节点被观测的次数,N表示对应节点的被观测期望值,此处为n*1的单位矩阵,w1和w2为权重系数;
A3、基于二进制粒子群优化的可观性量测流程
基于二进制粒子群优化的可观性量测的过程是:首先在解空间中随机初始化一群粒子X,每一个粒子代表一种量测配置方式,即为步骤A21中的量测节点向量x(i),然后将这些粒子带入步骤A2的模型中,求取关联矩阵T、建立适应度函数和约束条件;粒子在解空间中移动,每次迭代时,粒子通过追踪“个体极值Pbest”和“全局极值Gbest”来更新自己,产生新的粒子群,通过约束条件判断***是否可观,若可观,则生成相应的x(i),即为可观性量测配置方案;若不可观,则返回到适应度函数中,再次更新求解;直至得出***可观性量测配置方案;
B、基于压缩感知的谐波源辨识
B1、谐波源辨识压缩感知模型的建立
取A所得可观性量测配置方案中装有量测装置的节点相连支路的谐波电流(I′)为量测量,以***的节点注入谐波电流(Ik)为状态量,建立谐波源辨识方程,如式(4)所示:
式中:A11为***中已知支路谐波电流与未知的节点注入谐波电流之间的关系矩阵;
将式(4)转化为拉格朗日乘数目标函数
式中:拉格朗日因子τ>0
B2、计算压缩感知算法所需步长和
引入向量u和v,其中u表示正数部分,v表示负数部分,则有
I′=u-v,u≥0,v≥0 (6)
将式(6)带入式(5)中,可得
将式(7)转化为受限二次规划的标准形式:
式中:
对上述函数表达式f(z),可用泰勒表示为下面的式子:
f(z)=f(zk)+[▽f(zk)]T(z-zk)+0.5(z-zk)THk(z-zk) (9)
其中Hk表示函数f(z)的二次微分矩阵,又称海森矩阵,即为H=▽2f(z),对函数的泰勒展开式求导得:
▽f(z)=▽f(zk)+Hk(z-zk) (10)
令Δg=f(z)-f(zk),可得:
再令Δz=z-zk可得:
Δg=HΔz (12)
由于海森矩阵为对称矩阵,可用一个矩阵α-1J来逼近海森矩阵,其中α>0,J为单位矩阵,则要求下式成立:
求解式(11)可得步长:
这里的符号<a,b>表示两个向量的内积;
同理,式(12)可表示为:
Δz=H-1Δg (15)
根据对称性,可用一个矩阵αJ来逼近H-1,可得另一个步长:
B3、利用压缩感知算法计算出z值,即为所求的节点注入谐波电流,若节点的注入谐波电流不为0,说明该节点是谐波源,反之则不是,从而实现谐波源的精确辨识。
这样,在A1阶段进行谐波源辨识前,通过常开联络开关将配电网***分成多个小区域,由其谐波电流的信息大致判断出谐波嫌疑区域,缩小网络节点的范围。设电网***中有m个节点,其中有n个节点是可能出现谐波源的区域,即为谐波源嫌疑区域。
在A2阶段考虑到经济因素,在实际工程中不可能每个节点都配有量测装置,即量测点数量一般小于***嫌疑节点数量。鉴于此,采用电力***可观性量测法使嫌疑区域的量测达到可观。电力***可观性是指已知***中少量的量测装置的数量和分布情况来求解整个***的当前状态。
进一步地,步骤B3中对基于压缩感知的谐波源辨识的具体操作是:
B31、初始化:选择初始点z,初始化线性加权因子β∈(0,1),设置计数器k=0;
B32、计算步长:和交替使用,使zk更快的逼近收敛值;
B33、线搜索:使用简单的线性回溯进行收缩,和交替使用,使得下式成立:
F((zk-αk▽F(zk))+≤F(zk)-μ▽F(zk)T(zk-((zk-αk▽F(zk))+))
然后采用得到的新的迭代点zk+1=(zk-αk▽F(zk))+替代zk,继续迭代计算;
B34、判断是否满足终止条件若满足则停止计算,否则跳转到B32继续进行迭代。
与现有技术相比,本发明的有益效果是:
本发明首先利用二进制粒子群优化对量测装置的数量及位置进行配置,使谐波源嫌疑区域的量测配置达到可观,从而在保证电力***可观的前提下大大降低了经济成本;然后以支路谐波电流为量测量、节点注入谐波电流为状态量,采用压缩感知法进行量测方程欠定条件下的谐波源辨识。该方法提高了谐波源辨识的精确性,且能有效克服量测经济成本大的难题。
下面结合附图和具体实施方式对本发明做进一步的详细说明。
附图说明
图1为基于二进制粒子群优化的可观性量测流程图。
图2为本发明的仿真***节点拓扑图(IEEE-123节点***)。
图3为关联矩阵T。
图4为可观性量测配置方案列表。
图5为二种算法的谐波源电流估计结果(5次谐波电流)。
图6为二种算法的谐波源电流估计结果(9次谐波电流)。
图7为二种算法的谐波源电流估计结果(13次谐波电流)。
图中:电网***中的节点m数为123,其中用黑圈圈起来的36个节点(18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,115,118,122)构成谐波源嫌疑区域,即步骤A1中的n=36。
具体实施方式
实施例
图2示出,本发明的一种具体实施方式是,一种基于二进制粒子群优化和压缩感知的谐波源辨识方法,其步骤为:
A、基于二进制粒子群优化的可观性量测
A1、确定谐波源嫌疑区域
在进行谐波源辨识前,通过常开联络开关将配电网***分成很多小区域,由其谐波电流的信息大致判断出谐波嫌疑区域,缩小网络节点的范围。如图2的配电网***中有123个节点,其中有被黑圈圈起来的36个节点是可能出现谐波源的区域,即为谐波源嫌疑区域。
A2、建立可观性量测模型
考虑到经济因素,在实际工程中不可能每个节点都配有量测装置,即量测点数量一般小于***嫌疑节点数量。鉴于此,采用电力***可观性量测法使嫌疑区域的量测达到可观。电力***可观性是指已知***中少量的量测装置的数量和分布情况来求解整个***的当前状态。
A21、形成描述各节点i是否放有量测装置的向量x(i),即量测节点向量,如式(1)所示:
A22、形成描述节点μ与节点η之间连接关系的矩阵,即关联矩阵T,对T中元素进行如式(2)所示定义:
关联矩阵T中的元素如图3所示。
A23、形成目标函数(适应度函数)和约束条件,以***安装的量测装置数量最少且量测冗余最大为目标,以***完全可观为约束条件,如式(3)所示:
式中,若由步骤A1中确定的谐波源嫌疑区域节点数为36,则U为36*1维的单位矩阵,T为36*36维的关联矩阵,矩阵x为步骤A21中确定的量测节点向量x(i),J1=xT·x为量测装置的数量,J2=(N-T·x)T·(N-T·x)为量测冗余度,其中T*x表示对应节点被观测的次数,N表示对应节点的被观测期望值,此处为36*1的单位矩阵,权重系数w1和w2分别取0.5和0.5。
A3、基于二进制粒子群优化的可观性量测流程
基于二进制粒子群优化的可观性量测的过程是:首先在解空间中随机初始化一群粒子X,每一个粒子代表一种量测配置方式,即为步骤A21中的量测节点向量x(i),然后将这些粒子带入步骤A2的模型中,求取关联矩阵T、建立适应度函数和约束条件。粒子在解空间中移动,每次迭代时,粒子通过追踪“个体极值Pbest”和“全局极值Gbest”来更新自己,产生新的粒子群,通过约束条件判断***是否可观,若可观,则生成相应的x(i),即为可观性量测配置方案;若不可观,则返回到适应度函数中,再次更新求解。基于二进制粒子群优化的可观性量测流程如图1所示:
最后,得出***可观性量测配置方案。
B、基于压缩感知的谐波源辨识
B1、谐波源辨识压缩感知模型的建立
取上述可观性量测配置方案中装有量测装置的节点相连支路的谐波电流(I′)为量测量,以***的节点注入谐波电流(Ik)为状态量,建立谐波源辨识方程,如式(4)所示:
式中:A11为***中已知支路谐波电流与未知的节点注入谐波电流之间的关系矩阵。
将式(4)转化为拉格朗日乘数目标函数
式中:拉格朗日因子τ>0;
B2、计算压缩感知算法所需步长和
引入向量u和v,其中u表示正数部分,v表示负数部分,则有
I′=u-v,u≥0,v≥0 (6)
将式(6)带入式(5)中,可得
将式(7)转化为受限二次规划的标准形式:
式中:
对上述函数表达式f(z),可用泰勒表示为下面的式子:
f(z)=f(zk)+[▽f(zk)]T(z-zk)+0.5(z-zk)THk(z-zk) (9)
其中Hk表示函数f(z)的二次微分矩阵,又称海森矩阵,即为H=▽2f(z),对函数的泰勒展开式求导得:
▽f(z)=▽f(zk)+Hk(z-zk) (10)
令Δg=f(z)-f(zk),可得:
再令Δz=z-zk可得:
Δg=HΔz (12)
由于海森矩阵为对称矩阵,可用一个矩阵α-1J来逼近海森矩阵,其中α>0,J为单位矩阵,则要求下式成立:
求解式(11)可得步长:
这里的符号<a,b>表示两个向量的内积。
同理,式(12)可表示为:
Δz=H-1Δg (15)
根据对称性,可用一个矩阵αJ来逼近H-1,可得另一个步长:
B3、利用压缩感知算法计算出z值,即为所求的节点注入谐波电流,若节点的注入谐波电流不为0,说明该节点是谐波源,反之则不是,从而实现谐波源的精确辨识。
本例中所述的步骤B3中对基于压缩感知的谐波源辨识的具体操作是:
B31、初始化:选择初始点z,初始化线性加权因子β∈(0,1),设置计数器k=0;
B32、计算步长:和交替使用,使zk更快的逼近收敛值;
B33、线搜索:使用简单的线性回溯思想进行收缩,和交替使用,使得下式成立:
F((zk-αk▽F(zk))+≤F(zk)-μ▽F(zk)T(zk-((zk-αk▽F(zk))+))
然后采用得到的新的迭代点zk+1=(zk-αk▽F(zk))+替代zk,继续迭代计算;
B34、判断是否满足终止条件若满足则停止计算,否则跳转到B32继续进行迭代。
为验证本发明基于二进制粒子群优化和压缩感知的谐波源辨识的精确定性,在如图2所示的IEEE123节点***中进行仿真测试,该***的额定电压为4.16kV,按标准模型设置其线路长度。线路基频阻抗为0.2807+j0.6608Ω/km,线路电纳为j3.4786μs/km,电力线路的谐波阻抗计算式:Rh=R1[1+0.646h2/(192+0.518h2)]。其中,h谐波次数,Rh为线路在h次谐波下的电阻,R1为基频下的线路电阻。线路谐波电抗和电纳为基频参数乘以谐波次数。首先利用二进制粒子群优化求得多组等效的可观性量测配置方案,结果如图4所示。
在IEEE123***节点中分别通入大小为1+j1A的3个5次,3个9次,3个13次谐波源,其信噪比为20dB,在图4方案中任意选一组量测配置方案,采用最小二乘法和本发明方法对节点注入谐波电流进行估算,估算结果如图5~7所示。
由图4~7中可以看出,量测装置从36个节点配置到15个节点,大大的节省了经济成本。同时,本发明方法能有效提高谐波电流估计的精确度,实现高精度的谐波源辨识。
Claims (2)
1.一种基于二进制粒子群优化和压缩感知的谐波源辨识方法,首先利用二进制粒子群优化对量测装置的数量及位置进行配置,使谐波源嫌疑区域的量测配置达到可观以保证电力***可观的前提下降低经济成本;然后以支路谐波电流为测量值、节点注入谐波电流为状态量,采用压缩感知完成量测方程欠定条件下的谐波源辨识,包含如下主要步骤:
A、基于二进制粒子群优化的可观性量测
A1、确定谐波源嫌疑区域
电网***中有m个节点,其中有n个节点是可能出现谐波源的区域,即为谐波源嫌疑区域;显然有,m大于等于n;
A2、建立可观性量测模型
A21、形成描述各节点i是否放有量测装置的向量x(i),即量测节点向量,如式(1)所示:
A22、形成描述节点μ与节点η之间连接关系的矩阵,即关联矩阵T,对T中元素tμ,η进行如式(2)所示定义:
A23、形成目标函数和约束条件,以***安装的量测装置数量最少且量测冗余最大为目标,以***完全可观为约束条件,如式(3)所示:
式中,若由步骤A1中确定的谐波源嫌疑区域节点数为n,则U为n*1维的单位矩阵,T为n*n维的关联矩阵,矩阵x为步骤A21中确定的量测节点向量x(i),J1=xT·x为量测装置的数量,J2=(N-T·x)T·(N-T·x)为量测冗余度,其中T·x表示对应节点被观测的次数,N表示对应节点的被观测期望值,此处为n*1的单位矩阵,w1和w2为权重系数;
A3、基于二进制粒子群优化的可观性量测流程
基于二进制粒子群优化的可观性量测的过程是:首先在解空间中随机初始化一群粒子X,每一个粒子代表一种量测配置方式,即为步骤A21中的量测节点向量x(i),然后将这些粒子带入步骤A2的模型中,求取关联矩阵T、建立适应度函数和约束条件;粒子在解空间中移动,每次迭代时,粒子通过追踪“个体极值Pbest”和“全局极值Gbest”来更新自己,产生新的粒子群,通过约束条件判断***是否可观,若可观,则生成相应的x(i),即为可观性量测配置方案;若不可观,则返回到适应度函数中,再次更新求解;直至得出***可观性量测配置方案;
B、基于压缩感知的谐波源辨识
B1、谐波源辨识压缩感知模型的建立
取A所得可观性量测配置方案中装有量测装置的节点相连支路的谐波电流(I′)为量测量,以***的节点注入谐波电流(Ik)为状态量,建立谐波源辨识方程,如式(4)所示:
式中:A11为***中已知支路谐波电流与未知的节点注入谐波电流之间的关系矩阵;
将式(4)转化为拉格朗日乘数目标函数
式中:拉格朗日因子τ>0;
B2、计算压缩感知算法所需步长和
引入向量u和v,其中u表示正数部分,v表示负数部分,则有
I′=u-v,u≥0,v≥0 (6)
将式(6)带入式(5)中,可得
将式(7)转化为受限二次规划的标准形式:
式中:
对上述函数表达式f(z),用泰勒表示为下面的式子:
其中,Hk表示函数f(z)的二次微分矩阵,又称海森矩阵,即为对函数的泰勒展开式求导得:
令△g=f(z)-f(zk),可得:
再令△z=z-zk可得:
△g=H△z (12)
由于海森矩阵为对称矩阵,用一个矩阵α-1J来逼近海森矩阵,其中α>0,J为单位矩阵,则要求下式成立:
求解式(11)可得步长:
这里的符号<a,b>表示两个向量的内积;
同理,式(12)可表示为:
△z=H-1△g (15)
根据对称性,用一个矩阵αJ来逼近H-1,可得另一个步长:
B3、利用压缩感知算法计算出z值,即为所求的节点注入谐波电流,若节点的注入谐波电流不为0,说明该节点是谐波源,反之则不是,从而实现谐波源的精确辨识。
2.如权利要求1所述的基于二进制粒子群优化和压缩感知的谐波源辨识方法,其特征在于;步骤B3中利用压缩感知算法计算出z值的具体操作是:
B31、初始化:选择初始点z,初始化线性加权因子β∈(0,1),设置计数器k=0;
B32、计算步长:和交替使用,使zk更快的逼近收敛值;
B33、线搜索:使用简单的线性回溯进行收缩,和交替使用,使得下式成立:
式中,然后采用得到的新的迭代点替代zk,继续迭代计算;
B34、判断是否满足终止条件若满足则停止计算,否则跳转到B32继续进行迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610564847.1A CN106208055B (zh) | 2016-07-18 | 2016-07-18 | 一种基于二进制粒子群优化和压缩感知的谐波源辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610564847.1A CN106208055B (zh) | 2016-07-18 | 2016-07-18 | 一种基于二进制粒子群优化和压缩感知的谐波源辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106208055A CN106208055A (zh) | 2016-12-07 |
CN106208055B true CN106208055B (zh) | 2019-03-29 |
Family
ID=57492998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610564847.1A Expired - Fee Related CN106208055B (zh) | 2016-07-18 | 2016-07-18 | 一种基于二进制粒子群优化和压缩感知的谐波源辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106208055B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106849063A (zh) * | 2017-03-01 | 2017-06-13 | 西南交通大学 | 一种基于支撑集和平滑零范数的谐波源识别方法 |
CN107576866B (zh) * | 2017-08-22 | 2019-08-20 | 西南交通大学 | 一种基于光滑逼近稀疏重构与内点法的多谐波源辨识方法 |
CN114336795B (zh) * | 2022-01-18 | 2024-03-22 | 华南理工大学 | 一种适用于交直流混联电网谐波状态的综合优化配置方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5708590A (en) * | 1995-04-17 | 1998-01-13 | Siemens Energy & Automation, Inc. | Method and apparatus for real time recursive parameter energy management system |
CN104022501A (zh) * | 2014-05-27 | 2014-09-03 | 桂林电子科技大学 | 基于模糊理论的配电网状态估计方法 |
CN105512502A (zh) * | 2016-01-13 | 2016-04-20 | 重庆大学 | 一种基于残差归一化的权函数最小二乘状态估计方法 |
CN105514978A (zh) * | 2015-11-27 | 2016-04-20 | 华北电力大学 | 一种混合整数二次规划形式的抗差状态估计方法 |
-
2016
- 2016-07-18 CN CN201610564847.1A patent/CN106208055B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5708590A (en) * | 1995-04-17 | 1998-01-13 | Siemens Energy & Automation, Inc. | Method and apparatus for real time recursive parameter energy management system |
CN104022501A (zh) * | 2014-05-27 | 2014-09-03 | 桂林电子科技大学 | 基于模糊理论的配电网状态估计方法 |
CN105514978A (zh) * | 2015-11-27 | 2016-04-20 | 华北电力大学 | 一种混合整数二次规划形式的抗差状态估计方法 |
CN105512502A (zh) * | 2016-01-13 | 2016-04-20 | 重庆大学 | 一种基于残差归一化的权函数最小二乘状态估计方法 |
Non-Patent Citations (1)
Title |
---|
基于二进制群智能算法的输电网故障诊断方法;臧天磊等;《电力***保护与控制》;20100716;第38卷(第14期);第16-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106208055A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liao et al. | Urban MV and LV distribution grid topology estimation via group lasso | |
Chan et al. | The available capacity computation model based on artificial neural network for lead–acid batteries in electric vehicles | |
Meliopoulos et al. | Multiphase power flow and state estimation for power distribution systems | |
CN106483470B (zh) | 一种基于未来运行工况预测的电池剩余放电能量预测方法 | |
CN101635457B (zh) | 一种基于状态估计残差参数灵敏度的电网参数估计方法 | |
CN102129013B (zh) | 一种利用自然频率和人工神经网络的配网故障测距方法 | |
CN112117763B (zh) | 一种低压配电网拓扑识别与参数估计方法 | |
CN106208055B (zh) | 一种基于二进制粒子群优化和压缩感知的谐波源辨识方法 | |
CN107453357A (zh) | 一种基于分层求解的配电网状态估计方法 | |
CN112510707B (zh) | 一种配电台区电力阻抗拓扑图生成方法及*** | |
CN106646103A (zh) | 一种基于多测点正序电压最优匹配的电压暂降源定位方法 | |
CN101599643A (zh) | 一种基于指数型目标函数的电力***抗差状态估计方法 | |
Jiang et al. | Identification of voltage stability critical injection region in bulk power systems based on the relative gain of voltage coupling | |
CN110518590A (zh) | 考虑负荷电压静特性的配电网线性潮流计算方法 | |
CN111460374A (zh) | 一种考虑节点差异性的配电网d-pmu优化配置方法 | |
CN109754013A (zh) | 一种基于无迹卡尔曼滤波的电力***混合量测融合方法 | |
CN103034787A (zh) | 一种微电网状态估计的方法 | |
CN110363334A (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN106443276A (zh) | 一种交流高压多回输电线路无线电干扰计算方法及*** | |
CN114389312B (zh) | 一种配电网分布式状态估计方法 | |
CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
CN109412145B (zh) | 一种基于同步测量数据的主动配电网动态特性评估方法 | |
CN104393588A (zh) | 一种基于最小均方误差的最优pmu布置方法 | |
CN106250658A (zh) | 基于径向基函数的负荷开关电磁机构快速计算方法 | |
CN109858061A (zh) | 面向电压功率灵敏度估计的配电网络等值与化简方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190329 |
|
CF01 | Termination of patent right due to non-payment of annual fee |