CN109494733B - 一种电力负荷模型的辨识参数优化方法及*** - Google Patents
一种电力负荷模型的辨识参数优化方法及*** Download PDFInfo
- Publication number
- CN109494733B CN109494733B CN201811572072.8A CN201811572072A CN109494733B CN 109494733 B CN109494733 B CN 109494733B CN 201811572072 A CN201811572072 A CN 201811572072A CN 109494733 B CN109494733 B CN 109494733B
- Authority
- CN
- China
- Prior art keywords
- voltage sag
- data
- voltage
- optimization
- sag data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012216 screening Methods 0.000 claims abstract description 24
- 238000012806 monitoring device Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 13
- 238000004364 calculation method Methods 0.000 abstract description 11
- 230000003068 static effect Effects 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 3
- 208000025274 Lightning injury Diseases 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
-
- 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
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力负荷模型的辨识参数优化方法及***,包括:获取电压暂降数据,筛选所述电压暂降数据,剔除由于负荷侧大扰动而产生的电压暂降数据,剔除不合理的电压暂降数据,使得计算结果更加准确;为了简化优化过程,选取几个待优化的辨识参数;根据所述筛选电压暂降数据和所述待优化的辨识参数,利用优化目标函数计算拟合误差,判断所述拟合误差是否小于预设优化目标值,如果所述拟合误差小于优化目标值,获取所述待优化的辨识参数的数值,完成辨识参数的优化过程。本发明提供的辨识参数优化方法,涉及数据筛选和简化优化过程的方法使得计算结果更加准确,参数优化方法也更加简化,同时不止针对BPA模型,通用性好。
Description
技术领域
本发明涉及供电技术领域,特别涉及一种电力负荷模型的辨识参数优化方法及***。
背景技术
随着电力***规模的不断扩大以及新型用电设备不断出现,电力负荷的动特性也变得越来越复杂。负荷模型的过分粗糙已经很难准确地描述负荷特性,从而阻碍了整个电力***模拟精度的进一步提高,并且降低了改善发电机和输电网络模型的价值。负荷模型对于***潮流计算、小信号动态稳定、暂态稳定以及电压稳定的结果都具有不同程度的影响,在临界情况下,甚至会发生质的变化,因此负荷模型已经成为了提高电力***仿真精度的瓶颈。
对于负荷建模现有技术方法主要分为统计综合法和总体辨识法。统计综合法负荷建模指的是在已知各类负荷构成数据、负荷类型数据以及负荷元件平均特性的基础上,通过加权综合来得到综合负荷模型的参数。统计综合法的优点在于建模时不需要进行一些现场的实际测量,但是取而代之的是要对现场进行大量调查。该方法的缺点是工作量大、准确性及时变性差。总体测辨法负荷建模指的是依据现场采集到的母线综合负荷的电压、频率、有功、无功,然后确定负荷模型的结构,最后通过辨识算法确定模型参数。
采用总体辨识法最重要的是需要实测数据,数据源主要包括PMU数据、故障录波数据、电能质量监测数据三大类。PMU数据主要取自500kV或220kV变电站,由于其主要靠近电网侧而不是负荷侧,因此,其数据质量并不是特别好,除非是为了采集用户侧数据而专门在用户侧安装PMU装置,但该情况并不多见。故障录波数据的触发条件通常是依据电流是否达到了设定值,即,记录监测故障点下游的故障电气量,也不是特别适用于负荷模型辨识。电能质量数据是近年来开始研究的新方案,但现有的基于电能质量监测的负荷建模技术存在如下问题:不涉及数据筛选方法、没有对待辨识参数进行筛选而导致辨识过程过于复杂、只是针对BPA模型校核等。
发明内容
本申请提供了一种电力负荷模型的辨识参数优化方法及***,以解决现有技术中负荷建模方法存在不涉及数据筛选方法、没有对待辨识参数进行筛选而导致辨识过程过于复杂、只是针对BPA模型校核等问题。
为了解决上述技术问题本发明第一方面提供一种电力负荷模型的辨识参数优化方法,所述方法包括:
在变电站的用户出线处安装电能质量在线监测装置,通过电能质量在线监测装置获取电压暂降数据;
筛选所述电压暂降数据,得到筛选后电压暂降数据;
选取待优化的辨识参数;
根据所述筛选后电压暂降数据和所述待优化的辨识参数,利用随机优化算法优化目标函数计算拟合误差;
判断所述拟合误差是否小于预设优化目标值,如果所述拟合误差小于优化目标值,获取所述待优化的辨识参数的数值。
优选的,利用电能质量在线监测装置或电能质量在线监测***采集所需的电压数据;
采用单周波算法计算电压方均根值;
判断所述电压单周波方均根值是否小于0.95*Ue,如果所述电压单周方波均根值小于0.95*Ue,触发所述获取电压暂降数据。
判断电压暂降源是否来自监测点上游,如果所述电压暂降源来自监测点上游,保留所述电压暂降数据,否则舍弃所述电压暂降数据。
优选的,所述待优化的辨识参数包括:P_MP、K_L、Q_U、Rr。
优选的,所述选取待优化的辨识参数还包括:将Xr、Xm、Xs、Rs、A、B、H以及P_U作典型参数赋值,其中,Xr=0.12、Xm=3.5、Xs=0.2、Rs=0.02、A=0.85、B=0、H=1.0、P_U=1.2。
优选的,所述优化目标函数为:
本申请第一方面提供的电力负荷模型的辨识参数优化方法包括:首先获取电压暂降数据,用于数据拟合;筛选所述电压暂降数据,得到筛选电压暂降数据,由于获取的电压暂降数据主要靠近电网侧而不是负荷侧,数据质量并不是特别好,对获取的电压暂降数据进行筛选能够使得计算结果更加准确;选取待优化的辨识参数,负荷模型涉及很多参数,为了简化优化过程,选取几个待优化的辨识参数;根据所述筛选电压暂降数据和所述待优化的辨识参数,利用优化目标函数计算拟合误差,判断所述拟合误差是否小于预设优化目标值,如果所述拟合误差小于优化目标值,获取所述待优化的辨识参数的数值,完成辨识参数的优化过程。相比较于现有技术,本发明提供的辨识参数优化方法,涉及数据筛选方法使得计算结果更加准确,参数优化方法也更加简化,同时不止针对BPA模型,通用性好。
本申请第二方面提供一种电力负荷模型的辨识参数优化***,用于执行上述的优化方法,所述***包括:电能质量在线监测装置、筛选装置以及参数辨识装置,所述电能质量监测装置设置于变电站的用户出线处,所述筛选装置与所述电能质量在线监测装置电连接,所述参数辨识装置与所述筛选装置电连接。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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为本发明实施例提供的电力负荷模型的辨识参数优化方法的流程示意图;
图2为本发明实施例提供的电力负荷模型的辨识参数优化***的整体示意图。
具体实施方式
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、完整的描述,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作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。
请参阅图1,为本发明实施例提供的电力负荷模型的辨识参数优化方法的流程示意图。所述方法包括:
步骤S101,在变电站的用户出线处安装电能质量在线监测装置,通过电能质量在线监测装置获取电压暂降数据。
根据IEEE1159-1995标准,将均方根值下降为额定值的10%-90%,持续时间为0.5个周波至1分钟的短视电压变动现象定义为电压暂降。电压暂降的三大特征量包括电压幅值、持续时间以及相位跳变。短路故障时产生电压暂降的最重要原因,除短路故障和雷击外,***中其他因素引起的电压暂降波及范围较小,对***中其他负荷造成的危害较轻。由于雷击产生的电压的暂降具有波及区域大且持续时间长的特点,对于***中其他负荷的工作状态有很大影响。电压暂降问题一直伴随着电力***,只要***中存在短路故障,电压暂降问题就不可回避。所以本发明通过获取电压暂降数据,根据电压暂降数据对电力负荷模型的辨识参数进行优化。
具体的,所述获取电压暂降数据包括:
利用电能质量在线监测装置或电能质量在线监测***采集所需的电压数据;
采用单周波算法计算电压方均根值;
判断所述电压单周波方均根值是否小于0.95*Ue,如果所述电压单周方波均根值小于0.95*Ue,触发所述获取电压暂降数据。其中,Ue表示电压额定值,通过设置触发条件实现电压暂降数据的记录与存储。
步骤S102,筛选所述电压暂降数据,得到筛选后电压暂降数据。
电压暂降数据源主要包括PMU数据、故障录波数据、电能质量监测数据三大类。PMU数据主要取自500kV或220kV变电站,由于其主要靠近电网侧而不是负荷侧,因此,其数据质量并不是特别好,除非是为了采集用户侧数据而专门在用户侧安装PMU装置,但该情况并不多见。故障录波数据广泛应用于110kV及以上电压等级的变电站内,其数据可以被用于负荷模型辨识,但其问题主要有:1)采样率低,只有1k的采集率;2)对于用户侧出线往往只有主变低压侧的电压数据和电流数据,而没有用户侧的电流测量数据,因此也并不适合。本发明通过筛选所述电压暂降数据,得到经过筛选的电压暂降数据,使得计算结果更加准确。
具体的,所述筛选所述电压暂降数据包括:判断所述电压暂降数据的是否大于0.4且小于0.98,如果所述电压暂降数据的大于0.4且小于0.98,保留所述电压暂降数据,否则舍弃所述电压暂降数据。判断电压暂降源是否来自监测点上游,如果所述电压暂降源来自监测点上游,保留所述电压暂降数据,否则舍弃所述电压暂降数据。其中,为视在功率因数。
步骤S103,选取待优化的辨识参数。采用经典动态模型,需要辨识的参数据包括:感应电动机参数{Xr,Xm,Xs,Rs,Rr,A,B,H};采用幂函数静态模型,需要辨识的参数有{P_U,Q_U};此外还考虑了电动机比例和初始值{P_MP,K_L};其中,Xr表示转子电抗,Xm表示激磁电抗,Xs表示定子电抗,Rs表示定子电阻,Rr表示转子电阻,A表示转子平方的阻力矩***,B表示与转速成正比的阻力矩***,H表示惯性时间常数,P_MP表示电动机比例系数,K_L表示电动机初始负载率,P_U表示有功恒阻抗比例系数,Q_U表示无功恒阻抗比例系数。为了简化优化过程,选取待优化的辨识参数,而其他参数则作为典型参数赋值。
具体的,选取P_MP、K_L、Q_U、Rr四个参数作为待优化的辨识参数。另外其他参数作为典型参数赋值,包括:Xr、Xm、Xs、Rs、A、B、H以及P_U作典型参数赋值,其中,Xr=0.12、Xm=3.5、Xs=0.2、Rs=0.02、A=0.85、B=0、H=1.0、P_U=1.2。
步骤S104,根据所述筛选后电压暂降数据和所述待优化的辨识参数,利用随机优化算法优化目标函数计算拟合误差。
步骤S105,判断所述拟合误差是否小于预设优化目标值,如果所述拟合误差小于优化目标值,获取所述待优化的辨识参数的数值。
其中,Pc、Qc的计算公式为Pc(k)=Pm(k)+Ps(k),Qc(k)=Qm(k)+Qs(k),P(k),Q(k)为测量已知的值,表示母线实际有功功率与无功功率,Pc(k),Qc(k)为输入电压暂降数据U(k)后通过模型计算得到的有功功率和无功功率。:Pm(k)为模型电动机部分的有功功率,Ps(k)为模型静态部分的有功功率。Qm(k)为模型电动机部分的无功功率,Qs(k)为模型静态部分的无功功率。
电动机部分的有功功率Pm(k)和电动机部分的无功功率Qm(k)的计算公式分别为:其中,Uq,Ud分别为派克变换后的q轴和d轴电压;Iq,Id分别为派克变换后的q轴和d轴电流。Uq,Ud已知,Iq,Id未知。另外,PLO为负荷初始功率,ULO为负荷初始电压,SBS为***基准容量,SBM为电动机自身容量。因此,只要求得Iq,Id就可以计算得到Pm(k)和Qm(k)。
计算Iq,Id的过程如下:
通过计算公式,
计算得到E'q和E'd,其中,E'd为等值电动机d轴暂态电势,E'q为等值电动机q轴暂态电势,w为等值电动机的转速,H为转子惯性时间常数,To为初始机械转矩,pi=3.14,T'do为转子回路时间常数,A、B、C为机械转矩系数。
代入下式后:
之后,计算Ps(k)、Qs(k),Ps(k)=Po(U/Uo)P_U,Qs(k)=Qo(U/Uo)Q_U,Ps(k)为静态部分的有功功率,Qs(k)为静态部分的无功功率,Po为***初始有功功率,Qo为***初始无功功率,Uo为***初始电压,U为***实际测量电压。
最后根据优化目标函数:优化目标函数计算的是拟合误差,判断所述拟合误差是否小于预设优化目标值,本实施例取预设优化目标值为0.1,当拟合误差小于0.1时,获取当前的待优化的辨识参数P_MP、K_L、Q_U、Rr的数值,完成辨识参数的优化过程。辨识参数的优化次数可以设定一定的次数,当优化次数达到设定的最大值时,停止优化过程,这样便获得多个辨识参数的优化数值,可以从中选择最优的优化数值,使得整个辨识参数优化达到最佳的优化效果。
由以上技术方案可知,本申请提供的电力负荷模型的辨识参数优化方法包括:首先获取电压暂降数据,用于数据拟合;筛选所述电压暂降数据,得到筛选电压暂降数据,由于获取的电压暂降数据主要靠近电网侧而不是负荷侧,数据质量并不是特别好,对获取的电压暂降数据进行筛选能够使得计算结果更加准确;选取待优化的辨识参数,负荷模型涉及很多参数,为了简化优化过程,选取几个待优化的辨识参数;根据所述筛选电压暂降数据和所述待优化的辨识参数,利用优化目标函数计算拟合误差,判断所述拟合误差是否小于预设优化目标值,如果所述拟合误差小于优化目标值,获取所述待优化的辨识参数的数值,完成辨识参数的优化过程。相比较于现有技术,本发明提供的辨识参数优化方法,涉及数据筛选方法使得计算结果更加准确,参数优化方法也更加简化,同时不止针对BPA模型,通用性好。
本申请实施例还示出了一种电力负荷模型的辨识参数优化***,请参阅图2,所述***用于执行上述的优化方法,所述***包括:电能质量在线监测装置、筛选装置以及参数辨识装置,所述电能质量监测装置设置于变电站的用户出线处,所述筛选装置与所述电能质量在线监测装置电连接,所述参数辨识装置与所述筛选装置电连接。具体的,辨识参数优化***可以是用户出线处通过CT(电流互感器)获取35KV用户出线的电流相关数据,通过PT(电压互感器)获取35KV母线上的电压暂降数据,35KV母线通过110KV/35KV变压器获取110KV母线上的电能。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (5)
1.一种电力负荷模型的辨识参数优化方法,其特征在于,所述方法包括:
在变电站的用户出线处安装电能质量在线监测装置,通过电能质量在线监测装置获取电压暂降数据;
筛选所述电压暂降数据,得到筛选后电压暂降数据;
选取待优化的辨识参数;
根据所述筛选后电压暂降数据和所述待优化的辨识参数,利用随机优化算法优化目标函数计算拟合误差;
判断所述拟合误差是否小于预设优化目标值,如果所述拟合误差小于优化目标值,获取所述待优化的辨识参数的数值;
判断电压暂降源是否来自监测点上游,如果所述电压暂降源来自监测点上游,保留所述电压暂降数据,否则舍弃所述电压暂降数据;
2.如权利要求1所述的辨识参数优化方法,其特征在于,所述获取电压暂降数据包括:
利用电能质量在线监测装置或电能质量在线监测***采集所需的电压数据;
采用单周波算法计算电压方均根值;
判断所述电压单周方波均根值是否小于0.95*Ue,如果所述电压单周方波均根值小于0.95*Ue,触发所述获取电压暂降数据;
其中,Ue表示电压额定值。
3.如权利要求1所述的辨识参数优化方法,其特征在于,所述待优化的辨识参数包括:P_MP、K_L、Q_U、Rr;
其中,P_MP表示电动机比例系数,K_L表示电动机初始负载率,Q_U表示无功恒阻抗比例系数,Rr表示转子电阻。
4.如权利要求1所述的辨识参数优化方法,其特征在于,所述选取待优化的辨识参数还包括:将Xr、Xm、Xs、Rs、A、B、H以及P_U作典型参数赋值,其中,Xr=0.12、Xm=3.5、Xs=0.2、Rs=0.02、A=0.85、B=0、H=1.0、P_U=1.2;
其中,Xr表示转子电抗,Xm表示激磁电抗,Xs表示定子电抗,Rs表示定子电阻,A表示转子平方的阻力矩***,B表示与转速成正比的阻力矩***,H表示惯性时间常数,P_U表示有功恒阻抗比例系数。
5.一种电力负荷模型的辨识参数优化***,用于执行权利要求1至4任意一项权利要求所述的优化方法,其特征在于,所述***包括:电能质量在线监测装置、筛选装置以及参数辨识装置,所述电能质量监测装置设置于变电站的用户出线处,所述筛选装置与所述电能质量在线监测装置电连接,所述参数辨识装置与所述筛选装置电连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811572072.8A CN109494733B (zh) | 2018-12-21 | 2018-12-21 | 一种电力负荷模型的辨识参数优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811572072.8A CN109494733B (zh) | 2018-12-21 | 2018-12-21 | 一种电力负荷模型的辨识参数优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109494733A CN109494733A (zh) | 2019-03-19 |
CN109494733B true CN109494733B (zh) | 2022-06-07 |
Family
ID=65711274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811572072.8A Active CN109494733B (zh) | 2018-12-21 | 2018-12-21 | 一种电力负荷模型的辨识参数优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109494733B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297145B (zh) * | 2019-07-29 | 2021-03-02 | 广东电网有限责任公司 | 一种基于多用户电能量数据深度分析的电压暂降检测方法 |
CN115085369A (zh) * | 2022-06-01 | 2022-09-20 | 深圳博浩远科技有限公司 | 一种光伏逆变器的智能光伏数据采集*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102377180A (zh) * | 2011-08-17 | 2012-03-14 | 广东电网公司电力科学研究院 | 基于电能质量监测***的电力***负荷建模方法 |
CN102982394A (zh) * | 2012-11-20 | 2013-03-20 | 电子科技大学 | 配电网负荷参数辨识方法及*** |
CN103401238A (zh) * | 2013-08-02 | 2013-11-20 | 深圳市双合电气股份有限公司 | 一种基于总体测辨法的电力负荷建模方法 |
CN104158189A (zh) * | 2014-09-02 | 2014-11-19 | 贵州电网公司电网规划研究中心 | 一种基于参数辨识的电气化铁路牵引供电负荷建模方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101232180B (zh) * | 2008-01-24 | 2012-05-23 | 东北大学 | 一种配电***负荷模糊建模装置及方法 |
-
2018
- 2018-12-21 CN CN201811572072.8A patent/CN109494733B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102377180A (zh) * | 2011-08-17 | 2012-03-14 | 广东电网公司电力科学研究院 | 基于电能质量监测***的电力***负荷建模方法 |
CN102982394A (zh) * | 2012-11-20 | 2013-03-20 | 电子科技大学 | 配电网负荷参数辨识方法及*** |
CN103401238A (zh) * | 2013-08-02 | 2013-11-20 | 深圳市双合电气股份有限公司 | 一种基于总体测辨法的电力负荷建模方法 |
CN104158189A (zh) * | 2014-09-02 | 2014-11-19 | 贵州电网公司电网规划研究中心 | 一种基于参数辨识的电气化铁路牵引供电负荷建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109494733A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102509159B (zh) | 基于用电信息采集***的配电网理论线损评估方法 | |
CN109001573B (zh) | 风电场集电线汇流母线短路容量的确定方法 | |
CN112907075B (zh) | 一种电力***综合负荷模型参数辨识方法 | |
Kopse et al. | Applying a wide-area measurement system to validate the dynamic model of a part of European power system | |
Lo et al. | Transformational benefits of AMI data in transformer load modeling and management | |
CN107069718A (zh) | 基于三相不平衡对线路损耗影响的低压配网线损计算方法 | |
CN109494733B (zh) | 一种电力负荷模型的辨识参数优化方法及*** | |
Shahsavari et al. | Distribution grid reliability analysis considering regulation down load resources via micro-PMU data | |
CN113285471A (zh) | 海上风电场次超同步振荡源感知与定位方法、装置及设备 | |
CN113609681B (zh) | 基于电能质量实测数据修正的电压暂降幅值评估方法 | |
Khadke et al. | Pilot relaying scheme based on differential admittance concept for FSC-compensated EHV transmission line | |
CN108896852B (zh) | 一种公共接入点短路容量在线测量方法及*** | |
Echternacht et al. | Optimized positioning of measurements in distribution grids | |
Alinejad et al. | PMU-based distribution network load modelling using Harmony Search Algorithm | |
CN105701265A (zh) | 一种双馈风电机组建模方法及装置 | |
CN116488241A (zh) | 一种基于分布式电源的配电网线损分析方法 | |
CN104267243B (zh) | 同步发电机内电势和电抗参数的测量方法及装置 | |
Rudion et al. | Non-linear load modeling—Requirements and preparation for measurement | |
Dong et al. | CIGRE WG C4. 605 recommendations on measurement based and component based load modelling practice | |
CN118140380A (zh) | 用于对测量单元的最佳布置进行确定以对物理配电网的状态进行估计的方法 | |
CN113156358B (zh) | 一种架空输电线路异常线损分析方法及*** | |
Biscaro et al. | Optimal phasor measurement units placement for fault location on overhead electric power distribution feeders | |
CN113987848A (zh) | 一种负荷构成智能识别及精准负荷建模方法及*** | |
CN108512214A (zh) | 一种基于负荷系数的电力线路的线损计算方法 | |
Grillo et al. | A method for online identification of a subset of synchronous generator fundamental parameters from monitoring systems data |
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 |