CN110932274A - 一种电力***测量与负荷参数分析辨识方法 - Google Patents
一种电力***测量与负荷参数分析辨识方法 Download PDFInfo
- Publication number
- CN110932274A CN110932274A CN201911307051.8A CN201911307051A CN110932274A CN 110932274 A CN110932274 A CN 110932274A CN 201911307051 A CN201911307051 A CN 201911307051A CN 110932274 A CN110932274 A CN 110932274A
- Authority
- CN
- China
- Prior art keywords
- load
- algorithm
- parameter
- parameters
- load model
- 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.)
- Withdrawn
Links
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
- 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
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- 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
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种电力***测量与负荷参数分析辨识方法,涉及一种电力***参数辨识方法,包括下步骤:首先根据负荷量测信息对负荷聚类分析,确定负荷记录装置安装地点;其次,构建电动机并联静特性负荷的综合负荷模型,建立辨识目标函数;然后通过负荷记录装置的实测数据,采用蚁群算法与梯度算法相结合的混合优化算法进行参数辨识;并利用Kriging算法的无偏、最优估计特性,对多次辨识结果进行参数优选;最后统计不同站点的负荷模型,形成负荷模型参数库。本发明提高参数辨识的速度,对多次辨识结果采用Kriging算法实现参数优选,提高参数辨识的精度。该方法可对电力专项规划、电力***稳定分析和电力***能效评估等领域的研究提供模型基础。
Description
技术领域
本发明涉及一种电力***参数辨识方法,特别是涉及一种电力***测量与负荷参数分析辨识方法。
背景技术
电力***的发展和大区联网的实现,使得电力***规模日益扩大、电网结构更加复杂,为国民经济带来显著效益的同时,也使电力***运行点越来越接近稳定极限,整个***发生电压失稳甚至电压崩溃的危险不断增加。同时,在智能电网背景下,电力***信息化与互动化所带来的实时运行数据与各种分布式电源的并网给电力***运行、规划、设计带来了新的挑战。电力***仿真技术是分析研究电力***运行机理的重要科学工具之一,已经成为电力***规划、运行及控制中不可缺少的手段。电力***仿真研究和各种具体分析都是建立在相应的数学模型基础上,实现良好的负荷建模及参数辨识,在电力***的运行、控制、计算中具有重要意义。
目前,负荷建模走向实用化过程中面临两个关键性难题:一是负荷的时变性,即使对同一负荷节点,其负荷构成随时间季节变化,不同时刻呈现不同的负荷特性;二是负荷的地域差异性,电力负荷的地域分布非常广泛,负荷构成不同使得各负荷节点的负荷特性存在差异。从提高负荷模型的精度来说,如果能建立针对不同负荷节点,不同时段的各种负荷模型当然是最理想的了,但在实际中这点很难做到,且电网仿真计算要求所采用的负荷模型应尽可能少而简化。
目前,我国在负荷参数辨识方面主要是采用负荷特性记录仪对负荷进行实测的方法。电力负荷的地域分布非常广泛,一个省级电网的22OkV负荷变电站也能有数十上百个,负荷构成不同使得各负荷节点的综合负荷特性存在差异。如何实现在众多的负荷点中选出合理的安装负荷记录装置的安装点,就是将不同负荷点负荷特征接近或相似的负荷归类,进行聚类分析。
针对今后广域电力***负荷建模以及电力***整体建模的发展趋势,当待辨识的参数大量增多时,要求算法有较高的效率。同时,由于电力***负荷建模工作的在线化甚至实时化发展的需要,要求参数辨识的计算速度加快。这些需求促使电力负荷模型参数辨识方法的研究需要更进一步。
电力负荷模型是非线性化的数学模型,非线性***的参数辨识方法目前大都是以优化方法为基础,其主要过程是寻找一组最优的参数向量,使得预定的误差目标函数值达到最小,误差目标函数为需要辨识的参数的函数。解决电力***优化问题有多种算法:如梯度类算法,具有很强的局部搜索效率,但全局鲁棒性较差;模拟进化类算法,具有很强的全局搜索能力,但局部搜索效率较差。电力负荷模型参数辨识算法主要有遗传算法、蚁群算法、粒子群算法和梯度算法等,其中蚁群算法模拟了自然界中真实蚂蚁的觅食行为,优点是全局性能及正反馈性、协同性好,但所需计算时间长。
发明内容
本发明的目的在于提供一种电力***测量与负荷参数分析辨识方法,该方法为一种基于多算法融合的电力***测量与负荷模型辨识方法,实现电力***能效评估,电力负荷辨识参数优选,提高参数辨识的精度。适于在电力专项规划领域、电力***稳定分析技术领域和电力***能效评估领域应用。
本发明的目的是通过以下技术方案实现的:
一种电力***测量与负荷参数分析辨识方法,所述方法包括以下步骤:
S1:根据负荷量测信息聚类分析,确定负荷记录装置安装点;
S2:负荷模型采用综合负荷模型,其结构为电动机并联静特性负荷模型,反映负荷动态特性;该模型共有14个参数,即感应电动机定子电阻和定子电抗、励磁电抗、转子电阻和转子电抗、转子惯性时间常数、转矩方程常数A和B、感应电动机初始有功功率占负荷总初始有功功率的比例、感应电动机初始负荷率,以及静特性负荷模型中恒阻抗、恒功率的有功功率和无功功率所占的比例系数为电动机初始有功功率,P为所测负荷点在暂态过程中所消耗的有功功率;为额定初始负荷率系数,是感应电动机的额定容量,是负荷基准电压,是暂态过程中负荷母线电压初始值;为负荷模型的独立待辨识参数向量,为可以通过电机稳态条件和求得的辨识参数向量,为电动机初始的暂态电压,为电动机的转差率,为定子和转子之间的同步电抗,为负载率;
S3:进行负荷模型参数辨识,具体步骤包括:
混合优化算法的基本思想是结合蚁群算法与梯度类算法,综合利用蚁群算法全局寻优性能好而梯度类算法局部收敛快的特点,形成一种新的参数辨识算法;即采用蚁群算法起步迭代,在某一适当的时刻选取若干个当前较优的蚂蚁,切换为梯度类算法进行搜索迭代,直至收敛;
S4:负荷模型参数优选
S5:负荷特征库更新
对综合负荷模型的14个待辨识参数分别进行Kriging算法的参数优选,计算在实测数据下各参数的无偏、最优估计值,即可得到一组反映实测数据统计特征的负荷模型参数;当现场记录了若干新的实测数据时,对这些实测数据进行曲线辨识,然后将新辨识的负荷模型参数加入负荷参数集里,重新进行Kriging算法的参数优选,用来取代原来的模型参数;
所述的一种电力***测量与负荷参数分析辨识方法,负荷聚类方法,采用SOM神经网络的聚类分析方法,获胜神经元及其邻域神经元的连接权调整按照下式确定:
所述的一种电力***测量与负荷参数分析辨识方法,所述步骤S3.2中,混合优化算法中不同算法的切换条件,因蚁群算法在局部迭代时逐步逼近最优解的速度变慢,因此根据蚁群算法相邻两步之间最佳目标函数值之间的相对值小于某一程度来切换算法,即按下式确定:
所述的一种电力***测量与负荷参数分析辨识方法,根据负荷模型参数优选,所建的的负荷模型参数集,分别对每列参数采用Kriging算法进行估计,达到参数优选的目的;对某一负荷模型参数变量的Kriging算法估计值按下式确定:
本发明的优点与效果是:
1.本发明根据负荷的量测信息,采用SOM神经网络方法对电力负荷实现聚类分析,给出较优的负荷记录装置安装地点,具有代表性;
2.本发明采用蚁群算法与梯度算法相结合的混合优化算法进行负荷模型参数辨识,给出算法切换条件,综合利用蚁群算法全局寻优性能好而梯度算法局部收敛快的特点,提高参数辨识的速度;
3.本发明对多次辨识结果利用Kriging算法无偏、最优估计特性,实现负荷辨识参数优选,提高参数辨识的精度。
附图说明
图1是本发明基于多算法融合的电力***负荷参数辨识方法的一种具体实施方式流程图;
图2是本发明中负荷参数辨识的混合优化算法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
本发明包括以下步骤:
首先根据负荷量测信息聚类分析,确定负荷记录装置安装点;采用SOM神经网络的聚类分析方法,其步骤为:初始化网络、提供输入模式、计算连接权向量与输入模式之间的距离、确定获胜神经元、对获胜神经元及其邻域神经元的连接权进行调整、选取新的输入模式;重复计算连接权向量与输入模式之间的距离、确定获胜神经元、对获胜神经元及其邻域神经元的连接权进行调整步骤;直到所有的样本都被学习了一遍、更新学习率以及邻域函数、完成一次网络学习,返回提供输入模式步骤;直到达到设置的学习次数为止;
构建负荷模型,其结构为电动机并联静特性负荷模型,共14个独立待辨识参数;
采用蚁群算法与梯度算法相结合的混合优化算法进行负荷模型参数辨识,具体步骤包括:初始化蚁群、信息量计算、子区间蚁数分布计算、确定移动方向并移动、计算目标函数、判断是否满足算法切换;若是,进入梯度算法步骤;若否,进入信息量计算步骤、梯度算法、判断是否达到最优;若是,进入输出辨识结果步骤;若否,进入梯度算法步骤;
输出辨识结果;
采用Kriging算法对负荷模型参数优选;
负荷特征库更新。
实施例
图1是本发明基于多算法融合的电力***负荷参数辨识方法的一种具体实施方式流程图。如图1所示,本发明基于多算法融合的电力***负荷参数辨识方法包括以下步骤:
S1:根据负荷量测信息聚类分析,确定负荷记录装置安装点:
如何实现在众多的负荷点中选出合理的安装负荷记录装置的安装点,就是将不同负荷点负荷特征接近或相似的负荷归类,进行聚类分析。本发明采用SOM神经网络的聚类分析方法,其步骤为:
S1.1:初始化网络,确定输入层神经元个数n(负荷量测点数),竞争层神经元个数m和采用的拓扑结构,将输出层每个连接权值赋于[0,l]区间内的随机值,设置网络学习次数T,当网络总的学习次数达到T后就停止学习。
S1.5:对获胜神经元及其邻域神经元的连接权进行调整
S1.6:选取新的输入模式,重复步骤(3),(4),(5),直到所有的样本都被学习了一遍。
S1.7:更新学习率以及邻域函数
S2:构建负荷模型
负荷模型采用综合负荷模型,其结构为电动机并联静特性负荷模型,其在电力***仿真和实际辨识中得到了广泛的应用,具有机理性强、能够较好反映负荷动态特性的优点。该模型共有14个参数,即感应电动机定子电阻和定子电抗、励磁电抗、转子电阻和转子电抗、转子惯性时间常数、转矩方程常数A和B、感应电动机初始有功功率占负荷总初始有功功率的比例、感应电动机初始负荷率,以及静特性负荷模型中恒阻抗、恒功率的有功功率和无功功率所占的比例系数为电动机初始有功功率,P为所测负荷点在暂态过程中所消耗的有功功率;为额定初始负荷率系数,是感应电动机的额定容量,是负荷基准电压,是暂态过程中负荷母线电压初始值。
S3:进行负荷模型参数辨识
电力负荷模型是非线性化的数学模型,非线性***的参数辨识方法目前大都是以优化方法为基础,其主要过程是寻找一组最优的参数向量,使得预定的误差目标函数值达到最小,误差目标函数为需要辨识的参数的函数。为寻找使得目标函数与辨识值误差最小,电力负荷模型参数辨识准则为:
本发明采用蚁群算法与梯度类算法相结合的混合优化算法,即采用蚁群算法起步迭代,在某一适当的时刻选取若干个当前较优的蚂蚁,切换为梯度算法进行搜索迭代,直至收敛。图2是本发明中负荷参数辨识的混合优化算法流程图,具体过程为:
S3.3:通过信息分布函数在每一个子空间内的积分求得当前蚁群总信息量的分布情况,根据当前信息量总和占整个问题总和的比例,以及当前的蚁群规模,决定各子区间内应有的蚁数分布。每个子区间应有的蚂蚁数按下式计算:
S3.4:根据各子区间内应有的蚁群分布状况和当前蚁群分布状况之间的差别,决定蚁群的移动方向,并加以移动,更改当前蚂蚁坐标。在蚂蚁完成一次整体移动之后,再进行相应的信息量分布计算和蚁群移动操作;
S3.5:计算目标函数;
S3.6:判断是否满足算法切换;若是,进入步骤S3.7;若否进入步骤S3.2。考虑到蚁群算法在局部迭代时逐步逼近最优解的速度变慢,因此本发明根据蚁群算法相邻两步之间最佳目标函数值下降的相对值小于某一程度来切换算法,即按下式确定:其中,为目标函数值,为迭代次数,为切换门坎。
S3.7:梯度算法,梯度法是将目标函数的负梯度方向作为每一步迭代的搜索方向,且每一步都取负梯度方向的最优步长进行迭代,迭代公式按下式确定:
S3.8:判断是否达到最优;若是,进入步骤S3.9;若否进入步骤S3.7;
S3.9:输出辨识结果。
S4:模型参数优选
根据所建的的负荷模型参数集,分别对每列参数采用Kriging算法进行估计,达到参数优选的目的。Kriging算法从统计意义上说,是从参数相关性和变异性出发,在有限区域内对参数取值进行无偏、最优估计的一种方法,是一种特定的滑动加权平均法。对于综合负荷模型参数的次辨识结果,它们之间具有相关性,适合采用Kriging算法进行无偏、最优估计。
保证无偏、最优估计,即保证下式:
S5:负荷特征库更新
对综合负荷模型的14个待辨识参数分别进行Kriging算法的参数优选,计算在实测数据下各参数的无偏、最优估计值,即可得到一组反映实测数据统计特征的负荷模型参数。当现场记录了若干新的实测数据时,对这些实测数据进行曲线辨识,然后将新辨识的负荷模型参数加入负荷参数集里,重新进行Kriging算法的参数优选,用来取代原来的模型参数。
Claims (4)
1.一种电力***测量与负荷参数分析辨识方法,其特征在于,所述方法包括以下步骤:
S1:根据负荷量测信息聚类分析,确定负荷记录装置安装点;
S2:负荷模型采用综合负荷模型,其结构为电动机并联静特性负荷模型,反映负荷动态特性;该模型共有14个参数,即感应电动机定子电阻和定子电抗、励磁电抗、转子电阻和转子电抗、转子惯性时间常数、转矩方程常数A和B、感应电动机初始有功功率占负荷总初始有功功率的比例、感应电动机初始负荷率,以及静特性负荷模型中恒阻抗、恒功率的有功功率和无功功率所占的比例系数为电动机初始有功功率,P为所测负荷点在暂态过程中所消耗的有功功率;为额定初始负荷率系数,是感应电动机的额定容量,是负荷基准电压,是暂态过程中负荷母线电压初始值;
S3:进行负荷模型参数辨识,具体步骤包括:
混合优化算法的基本思想是结合蚁群算法与梯度类算法,综合利用蚁群算法全局寻优性能好而梯度类算法局部收敛快的特点,形成一种新的参数辨识算法;即采用蚁群算法起步迭代,在某一适当的时刻选取若干个当前较优的蚂蚁,切换为梯度类算法进行搜索迭代,直至收敛;
梯度法的迭代公式按下式确定:
S4:负荷模型参数优选
S5:负荷特征库更新
对综合负荷模型的14个待辨识参数分别进行Kriging算法的参数优选,计算在实测数据下各参数的无偏、最优估计值,即可得到一组反映实测数据统计特征的负荷模型参数;当现场记录了若干新的实测数据时,对这些实测数据进行曲线辨识,然后将新辨识的负荷模型参数加入负荷参数集里,重新进行Kriging算法的参数优选,用来取代原来的模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911307051.8A CN110932274A (zh) | 2019-12-18 | 2019-12-18 | 一种电力***测量与负荷参数分析辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911307051.8A CN110932274A (zh) | 2019-12-18 | 2019-12-18 | 一种电力***测量与负荷参数分析辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110932274A true CN110932274A (zh) | 2020-03-27 |
Family
ID=69864216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911307051.8A Withdrawn CN110932274A (zh) | 2019-12-18 | 2019-12-18 | 一种电力***测量与负荷参数分析辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110932274A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111725804A (zh) * | 2020-06-10 | 2020-09-29 | 国网新疆电力有限公司 | 一种综合负荷模型参数辨识方法和计算机可读存储介质 |
CN111835016A (zh) * | 2020-08-15 | 2020-10-27 | 杨银平 | 一种电网失稳分析方法 |
CN111835014A (zh) * | 2020-08-15 | 2020-10-27 | 杨银平 | 一种多节点电网稳压控制*** |
CN111835015A (zh) * | 2020-08-15 | 2020-10-27 | 杨银平 | 一种电力设备协调控制*** |
CN112039051A (zh) * | 2020-06-30 | 2020-12-04 | 长沙理工大学 | 一种含双馈风力发电机接入变电站母线负荷的实时建模方法 |
CN112419093A (zh) * | 2020-11-26 | 2021-02-26 | 清华大学 | 基于聚类算法的负荷模型特征参数提取方法和装置 |
CN112836320A (zh) * | 2020-12-15 | 2021-05-25 | 国网江苏省电力有限公司 | 一种电力负荷在线建模修正方法 |
CN112883632A (zh) * | 2021-01-13 | 2021-06-01 | 合肥工业大学 | 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法 |
CN113159150A (zh) * | 2021-04-12 | 2021-07-23 | 浙江工业大学 | 一种基于多算法集成的分歧介入珍珠分拣方法 |
WO2021243930A1 (zh) * | 2020-06-05 | 2021-12-09 | 中国电力科学研究院有限公司 | 母线负荷构成辨识方法及机器可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125685A1 (en) * | 2009-11-24 | 2011-05-26 | Rizvi Syed Z | Method for identifying Hammerstein models |
CN103872678A (zh) * | 2014-03-06 | 2014-06-18 | 国家电网公司 | 一种基于变电站量测的负荷模型辨识方法 |
CN104880992A (zh) * | 2014-12-23 | 2015-09-02 | 湘潭大学 | 基于Kriging代理模型的磁控电弧传感器参数优化方法 |
CN106055918A (zh) * | 2016-07-26 | 2016-10-26 | 天津大学 | 一种电力***负荷数据辨识及修复方法 |
CN106650206A (zh) * | 2016-09-28 | 2017-05-10 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的高血压预测方法和预测*** |
-
2019
- 2019-12-18 CN CN201911307051.8A patent/CN110932274A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125685A1 (en) * | 2009-11-24 | 2011-05-26 | Rizvi Syed Z | Method for identifying Hammerstein models |
CN103872678A (zh) * | 2014-03-06 | 2014-06-18 | 国家电网公司 | 一种基于变电站量测的负荷模型辨识方法 |
CN104880992A (zh) * | 2014-12-23 | 2015-09-02 | 湘潭大学 | 基于Kriging代理模型的磁控电弧传感器参数优化方法 |
CN106055918A (zh) * | 2016-07-26 | 2016-10-26 | 天津大学 | 一种电力***负荷数据辨识及修复方法 |
CN106650206A (zh) * | 2016-09-28 | 2017-05-10 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的高血压预测方法和预测*** |
Non-Patent Citations (2)
Title |
---|
秦川 等: "电力负荷模型参数辨识的混合优化算法" * |
高铭 等: "支持向量机在地统计学中的应用研究" * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021243930A1 (zh) * | 2020-06-05 | 2021-12-09 | 中国电力科学研究院有限公司 | 母线负荷构成辨识方法及机器可读存储介质 |
CN111725804A (zh) * | 2020-06-10 | 2020-09-29 | 国网新疆电力有限公司 | 一种综合负荷模型参数辨识方法和计算机可读存储介质 |
CN112039051A (zh) * | 2020-06-30 | 2020-12-04 | 长沙理工大学 | 一种含双馈风力发电机接入变电站母线负荷的实时建模方法 |
CN111835016A (zh) * | 2020-08-15 | 2020-10-27 | 杨银平 | 一种电网失稳分析方法 |
CN111835014A (zh) * | 2020-08-15 | 2020-10-27 | 杨银平 | 一种多节点电网稳压控制*** |
CN111835015A (zh) * | 2020-08-15 | 2020-10-27 | 杨银平 | 一种电力设备协调控制*** |
CN111835016B (zh) * | 2020-08-15 | 2021-11-02 | 杨银平 | 一种电网失稳分析方法 |
CN112419093A (zh) * | 2020-11-26 | 2021-02-26 | 清华大学 | 基于聚类算法的负荷模型特征参数提取方法和装置 |
CN112836320A (zh) * | 2020-12-15 | 2021-05-25 | 国网江苏省电力有限公司 | 一种电力负荷在线建模修正方法 |
CN112836320B (zh) * | 2020-12-15 | 2022-10-25 | 国网江苏省电力有限公司 | 一种电力负荷在线建模修正方法 |
CN112883632A (zh) * | 2021-01-13 | 2021-06-01 | 合肥工业大学 | 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法 |
CN113159150A (zh) * | 2021-04-12 | 2021-07-23 | 浙江工业大学 | 一种基于多算法集成的分歧介入珍珠分拣方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110932274A (zh) | 一种电力***测量与负荷参数分析辨识方法 | |
CN112510707B (zh) | 一种配电台区电力阻抗拓扑图生成方法及*** | |
CN108155648A (zh) | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 | |
Nichiforov et al. | Deep learning techniques for load forecasting in large commercial buildings | |
CN103544525A (zh) | 一种基于改进粒子群优化算法的同步风力发电机参数辨识方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
Dong et al. | Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting | |
CN107103184A (zh) | 一种高压电缆接头温度预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
CN113177600B (zh) | 一种电力***自适应鲁棒状态估计方法 | |
CN112994017A (zh) | 基于配电网概率潮流计算的分布式光伏电源选址优化方法 | |
Han et al. | Multi‐objective robust dynamic VAR planning in power transmission girds for improving short‐term voltage stability under uncertainties | |
Dong et al. | Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building | |
Yang et al. | Multi-objective optimization of contactor’s characteristics based on RBF neural networks and hybrid method | |
CN104811336A (zh) | 基于智能优化的分布式网络流量预测方法 | |
CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
CN112446175B (zh) | 基于配电网概率潮流计算的分布式电源选址优化方法 | |
Sun et al. | Support vector machines with PSO algorithm for short-term load forecasting | |
Jiang et al. | Two‐level area‐load modelling for OPF of power system using reinforcement learning | |
Nichiforov et al. | Efficient Load Forecasting Model Assessment for Embedded Building Energy Management Systems | |
CN113285440B (zh) | 一种低压台区降损优化方法 | |
CN113408160B (zh) | 一种基于多目标优化的电机参数设计方法 | |
CN115688535A (zh) | 基于波形相似性分析的功率数据组合插值方法及*** | |
Matsumoto et al. | Connection Phase Estimation of Pole Mounted Distribution Transformers by Integer Form of Population Based Incremental Learning Considering Measurement Errors and Outliers by Correntropy | |
CN113361187A (zh) | 一种电网线路运行安全优化方法、***及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200327 |
|
WW01 | Invention patent application withdrawn after publication |