CN111965424A - 一种新型电力***广域信号的预测补偿方法 - Google Patents
一种新型电力***广域信号的预测补偿方法 Download PDFInfo
- Publication number
- CN111965424A CN111965424A CN202010715731.XA CN202010715731A CN111965424A CN 111965424 A CN111965424 A CN 111965424A CN 202010715731 A CN202010715731 A CN 202010715731A CN 111965424 A CN111965424 A CN 111965424A
- Authority
- CN
- China
- Prior art keywords
- wide area
- component
- control signal
- area control
- chaotic
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R25/00—Arrangements for measuring phase angle between a voltage and a current or between voltages or currents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种新型电力***广域信号的预测补偿方法,先采用CEEMDAN将PMU量测信号分解为多个具有不同时频特性的IMF分量;再使用C‑C法对各IMF分量进行相空间重构,使用wolf法判断各IMF分量的混沌特性;应用奇异谱分析(SSA)对已判明混沌的各阶分量的进行奇异谱分析与重构,舍弃混沌分量中低奇异值分量对应的噪声,以及低相关性信息;这种分解方案在保持混沌分量的总体趋势的同时,消除极小振幅的快速变化,使混沌分量变得更加平滑,提高预测补偿的精度;采用灰色Verhulst预测方法分别对非混沌分量以及奇异谱分析重构后的混沌分量进行预测,将预测求和后得出统一时标的控制器输入信号,完成对电力***广域信号的预测补偿。
Description
技术领域
本发明属于电力***技术领域,更为具体地讲,涉及一种新型电力***广域信号的预测补偿方法。
背景技术
随着电网规模的扩大,各地相量测量单元具有较大的地理跨度。因此,基于相量量测单元(Phasor Measurement Unit,PMU)的电力***广域测控信号不可避免地存在由于通信传输带来的时延甚至丢包问题。如果将带有时延或丢包的信号用于广域反馈控制,将导致广域控制器的有效性显著降低。因此为了充分利用PMU的量测信号,构建更为有效的广域闭环控制***,必须采用补偿的方式降低量测信号时延与丢包对控制效果造成的负面影响。
预测补偿是其中一种常用的方法。它与被动接受通信约束,通过对控制器参数设计补偿时延影响的方案不同,预测补偿是一种主动补偿的方案,它从广域信号传输的角度出发,利用从相量数据集中器(Phasor Data Concentrator,PDC)接收的历史数据,预测***未来的控制输入,使控制器的输入信号信号尽可能的接近无时延,无丢包的原信号,从而极大的减弱通信***时滞对广域控制器造成的不良影响。
然而在已有的预测补偿设计中,通信场景设计较为简单,没有考虑不同时延分布特性对***鲁棒性的影响,不能完全反映现场复杂的时延情况。另一方面,目前大多数设计在利用PMU量测信号时未能综合考虑现场复杂通信场景中可能出现的由于信号采样,传输过程中产生的噪声、随机时延、数据丢包以及混沌时间序列造成信号失真等因素对***控制效果的影响。若能设计一种适用于现场复杂通信场景下电力***广域信号的预测补偿方案将能进一步提高广域控制的有效性与鲁棒性。
发明内容
本发明的目的在于克服现有技术的不足,提供一种新型电力***广域信号的预测补偿方法,对含有时延与数据丢包的PMU量测信号进行预测补偿,使补偿后的信号尽可能的接近无时延,丢包的原信号。
为实现上述发明目的,本发明一种新型电力***广域信号的预测补偿方法,其特征在于,包括以下步骤:
(1)、相量量测单元PMU采集复杂通信场景中的广域控制信号,然后每间隔Δt向控制器发送带有时标的广域控制信号,控制器接收端接收广域控制信号并按照时标的顺序储存在队列中;
(2)、若控制器接收端接收到新的广域控制信号,则更新步骤(1)中的队列;若无新的广域控制信号输入且尚未超过最大时延,则判定发生丢包,然后通过等维新息递补的方法对广域控制信号进行预测补偿,使步骤(1)的队列中始终含有最新的广域控制信号;若超过最大时延,则算法停止;
(3)、使用多尺度的奇异谱分析对队列中的广域控制信号进行分解与重构;
(3.1)、使用完整集成经验模态分解(Complete Ensemble EmpiricalDecomposition with Adaptive Noise,CEEMDAN)将从PMU端获得的量测信号序列s(n)分解为不同时间尺度的分量;
(3.1.1)、定义Ek(·)为使用经验模式分解(Empirical Mode Decomposition,EMD)算法得到第k个IMF分量的算子;si(n)为第i次添加噪声后的广域控制信号序列,si(n)=s(n)+εkvi'(n),其中:εk为第k个信噪比,vi(n)表示第i次添加的白噪声序列,i=1,2,…,I,I表示实验次数,;
对应的第k个余项可表示为:
rk(n)=rk-1-IMFk(n)
(3.1.5)、对第k个余项rk(n)继续进行分解,当分解到第m次后,余项rm(n)不能继续分解,此时余项rm(n)的极值点小于2,则将广域控制信号序列s(n)经CEEMDAN分解后表示为:
(3.2.1.2)、计算分解所得所有子序列的统计量X(d,N,r,τw)为:
其中,d为相空间重构维数,r为重构半径,τw为嵌入窗宽,Cl是第l个子序列的关联积分,定义为:
其中,λ≠j,θ(·)为Heaviside单位函数,P(λ)代表相空间重构后的第λ维分量;
(3.2.1.3)、定义差量ΔX(m,N,t)=max[X(m,N,r,t)]-min[X(m,N,r,t)];
设重构半径r的取值范围为[σ/2,2σ],σ为子序列的均方差;d的取值范围为2~5;根据统计学的原理,由以下经验方程计算Xcor(t);
(3.2.1.4)、对模态分量{sIMFi(n),n=1,2,…,N}进行相空间重构得:
其中,ε为设定值;
(3.2.2.2)、保留并在的附近找最近临点两点间的距离记为L1,然后继续对这两点按时间顺序进行演化,直到t1时刻,两点间演化后的距离记为然后以此类推,直到两点间演化后的距离小于ε,则演化迭代停止,并计算最大李雅普诺夫系数
其中,M表示演化迭代总次数;
取K个向量构成轨迹矩阵S:
(3.3.2)、将S值进行奇异值分解:
其中,p=1,2,…,P,q=1,2,…,Q;Evq=U是SST的特征向量,apv是时间主成分:
(4)、将分解后的广域控制信号序列s(n)送入灰色Verhulst预测模型进行预测补偿;
(4.1)、根据灰色Verhulst预测算法,对广域控制信号序列s(n)最终分解后的每一个子序列进行预测,从而预测出各分量由tf到tf+τmax时刻每间隔Δt所对应的每一点的数据;其中,在时刻tf,记某一个子序列为s′(n),预测出的数据记为s′(f),那么共有τmax/tf个,表示为:
(4.2)、将广域控制信号各阶分量的预测结果求和,构成预测数据数组:
(5)、WAPSS开启工作线程,每隔Δt从预测数据数组中选出与WAPSS当前时刻tg所对应的数据s′g,再生成控制数据用于调节励磁***。
本发明的发明目的是这样实现的:
本发明一种新型电力***广域信号的预测补偿方法,使用多尺度的奇异谱分析对复杂通信场景中的广域信号进行分解与重构:首先采用CEEMDAN将PMU量测信号分解为多个具有不同时频特性的IMF分量;之后使用C-C法对各IMF分量进行相空间重构,使用wolf法判断各IMF分量的混沌特性;应用奇异谱分析(SSA)对已判明混沌的各阶分量的进行奇异谱分析与重构,舍弃混沌分量中低奇异值分量对应的噪声,以及低相关性信息;这种分解方案在保持混沌分量的总体趋势的同时,消除极小振幅的快速变化,使混沌分量变得更加平滑,提高预测补偿的精度;采用灰色Verhulst预测方法分别对非混沌分量以及奇异谱分析重构后的混沌分量进行预测,将预测求和后得出统一时标的控制器输入信号,完成对电力***广域信号的预测补偿。
附图说明
图1是本发明一种新型电力***广域信号的预测补偿方法流程图;
图2是IEEE10机39节点模型图;
图3是复杂通信场景下的反馈信号CEEMDAN分解结果图;
图4是混沌IMF分量奇异谱分析,重构结果图;
图5是复杂通信场景下,反馈信号的预测补偿结果图;
图6是复杂通信场景下,使用本发明预测补偿结构的***功角曲线图。
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。
实施例
在本实施例中,以图2所示的使用IEEE10机39节点模型进行仿真验证。该***有10台发电机、39条总线和46条线路。输电***被建模为无源电路,而负载为恒定的阻抗。为简便起见,每台发电机的机械功率输出被当作一个常数值。
本发明将WAPSS装设在G1,G5,G10处,接收广域信号,进行阻尼控制,其余机组只安装使用本地信号作为反馈的传统PSS。WAPSS所用传递函数参数为:
该***在25号母线与26号母线之间靠近25号母线处发生三项短路故障,故障在1s时发生,1.1时切除。仿真时长12s,仿真步长Δt=0.01s。由于角速度曲线具有较好的平滑性,可预测性良好,具有较好的可观性。因此本文以区间相对角速度作为广域阻尼控制器的输入信号,并对其进行预测补偿。
本发明设计如下通信场景模拟PMU量测信号传输时所处现场的复杂通信场景:
添加服从均值100ms,200ms,方差为20ms,30ms的双峰分布τ1,其概率分布密度函数为:
其中,μ1=100ms,μ2=200ms;σ1=20ms,σ2=30ms;
考虑到PMU实际现场采样获得的数据往往包含有一定量的噪声,因此本发明在通信场景中加入了均方差为0.0001rad/s的白噪声;
考虑广域信号在传输过程中可能遇到数据丢包的问题,本发明在通信场景中进一步加入丢包率γ0=0.2的数据丢包。
图1是本发明一种新型电力***广域信号的预测补偿方法流程图。
在本实施例中,如图1所示,本发明一种新型电力***广域信号的预测补偿方法,包括以下步骤:
S1、相量量测单元PMU采集复杂通信场景中的广域控制信号,然后每间隔Δt向控制器发送带有时标的广域控制信号,控制器接收端接收广域控制信号并按照时标的顺序储存在队列中;
S2、若控制器接收端接收到新的广域控制信号,则更新步骤S1中的队列;若无新的广域控制信号输入且尚未超过最大时延,则判定发生丢包,然后通过等维新息递补的方法对广域控制信号进行预测补偿,使步骤S1的队列中始终含有最新的广域控制信号;若超过最大时延,则算法停止;
S3、使用多尺度的奇异谱分析对复杂通信场景中的广域信号进行分解与重构。
S3.1、使用CEEMDAN将从PMU端获得的量测信号序列s(n)分解为不同时间尺度的分量
对复杂通信场景下的反馈信号ΔωG1-G3进行CEEMDAN分解,按照步骤(3.1.1)~(3.1.5)将复杂的原始信号分解在不同的尺度上,使其转化为一组从高频到低频,相对简单的分量组合,得到九个IMF分量和一个余项,分解所得结果如图3所示;
S3.2、对分解所得的各阶分量进行混沌分析
S3.2.1、使用C-C法求得分量的相空间重构参数,进行相空间重构;
S3.2.1.2、计算分解所得所有子序列的统计量X(d,N,r,τw)为:
其中,d为相空间重构维数,r为重构半径,τw为嵌入窗宽,Cl是第l个子序列的关联积分,定义为:
其中,λ≠j,θ(·)为Heaviside单位函数,P(λ)代表相空间重构后的第λ维分量;
S3.2.1.3、定义差量ΔX(m,N,t)=max[X(m,N,r,t)]-min[X(m,N,r,t)];
设重构半径r的取值范围为[σ/2,2σ],σ为子序列的均方差;d的取值范围为2~5;根据统计学的原理,由以下经验方程计算Xcor(t);
其中,ε为设定值;
S3.2.2.2、保留并在的附近找最近临点两点间的距离记为L1,然后继续对这两点按时间顺序进行演化,直到t1时刻,两点间演化后的距离记为然后以此类推,直到两点间演化后的距离小于ε,则演化迭代停止,并计算最大李雅普诺夫系数
表1
S3.3、利用SSA对混沌分量IMF1,IMF2,IMF4,IMF5进行分析和重构
取K个向量构成轨迹矩阵S:
S3.3.2、将S值进行奇异值分解:
其中,p=1,2,…,P,q=1,2,…,Q;Evq=U是SST的特征向量,apv是时间主成分:
奇异谱分析的结果如图4所示;
S4、将广域控制信号序列s(n)分解,重构后所得的各阶分量送入灰色Verhulst预测模型进行预测补偿
S4.1、根据灰色Verhulst预测算法,对广域控制信号序列s(n)最终分解后的每一个子序列进行预测,从而预测出各分量由tf到tf+τmax时刻每间隔Δt所对应的每一点的数据;其中,在时刻tf,记某一个子序列为s′(n),预测出的数据记为s′(f),那么共有τmax/tf个,表示为:
S4.2、将广域控制信号各阶分量的预测结果求和,构成预测数据数组:
S5、WAPSS开启工作线程,每隔Δt从预测数据数组中选出与WAPSS当前时刻tg所对应的数据s′g,再生成控制数据用于调节励磁***,从而实现复杂通信场景下电力***广域信号的预测补偿。
复杂通信场景下,反馈信号的预测补偿结果如图5所示,在具有噪声和随机时延和丢包的通信场景下,通过本专利设计预测补偿结构基本消除了噪声以及扰动对信号的扭曲,很好地补偿了由时延和丢包造成的反馈信号幅值变化与相位的偏移,补偿后的曲线基本接近理想无时延,无扰动曲线。
复杂通信场景下,使用本发明预测补偿结构的***功角曲线如图6所示,采用了本专利提出的预测补偿结构后,由于对输入信号进行了预测补偿,降低了时滞与丢包带来的负面影响,使得WAPSS的控制效果与理想无时滞与丢包情况相接近。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种新型电力***广域控制信号的预测补偿方法,其特征在于,包括以下步骤:
(1)、相量量测单元PMU采集复杂通信场景中的广域控制信号,然后每间隔Δt向控制器发送带有时标的广域控制信号,控制器接收端接收广域控制信号并按照时标的顺序储存在队列中;
(2)、若控制器接收端接收到新的广域控制信号,则更新步骤(1)中的队列;若无新的广域控制信号输入且尚未超过最大时延,则判定发生丢包,然后通过等维新息递补的方法对广域控制信号进行预测补偿,使步骤(1)的队列中始终含有最新的广域控制信号;若超过最大时延,则算法停止;
(3)、使用多尺度的奇异谱分析对队列中的广域控制信号进行分解与重构;
(3.1)、使用完整集成经验模态分解(Complete Ensemble Empirical Decompositionwith Adaptive Noise,CEEMDAN)将从PMU端获得的量测信号序列s(n)分解为不同时间尺度的分量;
(3.1.1)、定义Ek(·)为使用经验模式分解(Empirical Mode Decomposition,EMD)算法得到第k个IMF分量的算子;si(n)为第i次添加噪声后的广域控制信号序列,si(n)=s(n)+εkvi'(n),其中:εk为第k个信噪比,vi(n)表示第i次添加的白噪声序列,i=1,2,…,I,I表示实验次数,;
对应的第k个余项可表示为:
rk(n)=rk-1-IMFk(n)
(3.1.5)、对第k个余项rk(n)继续进行分解,当分解到第m次后,余项rm(n)不能继续分解,此时余项rm(n)的极值点小于2,则将广域控制信号序列s(n)经CEEMDAN分解后表示为:
(3.2.1.2)、计算分解所得所有子序列的统计量X(d,N,r,τw)为:
其中,d为相空间重构维数,τw为嵌入窗宽,Cl是第l个子序列的关联积分,定义为:
其中,λ≠j,θ(·)为Heaviside单位函数,P(λ)代表相空间重构后的第λ维分量;
(3.2.1.3)、定义差量ΔX(m,N,t)=max[X(m,N,r,t)]-min[X(m,N,r,t)];
设重构半径r的取值范围为[σ/2,2σ],σ为子序列的均方差;d的取值范围为2~5;根据统计学的原理,由以下经验方程计算Xcor(t);
其中,ε为设定值;
(3.2.2.2)、保留并在的附近找最近临点两点间的距离记为L1,然后继续对这两点按时间顺序进行演化,直到t1时刻,两点间演化后的距离记为然后以此类推,直到两点间演化后的距离小于ε,则演化迭代停止,并计算最大李雅普诺夫系数
其中,M表示演化迭代总次数;
取K个向量构成轨迹矩阵S:
(3.3.2)、将S值进行奇异值分解:
其中,p=1,2,…,P,q=1,2,…,Q;Evq=U是SST的特征向量,apv是时间主成分:
(4)、将分解后的广域控制信号序列s(n)送入灰色Verhulst预测模型进行预测补偿;
(4.1)、根据灰色Verhulst预测算法,对广域控制信号序列s(n)最终分解后的每一个子序列进行预测,从而预测出各子序列由tf到tf+τmax时刻每间隔Δt所对应的每一点的数据;其中,在时刻tf,记某一个子序列为s′(n),预测出的数据记为s′(f),那么共有τmax/tf个,表示为:
(4.2)、将广域控制信号各阶分量的预测结果求和,构成预测数据数组:
(5)、WAPSS开启工作线程,每隔Δt从预测数据数组中选出与WAPSS当前时刻tg所对应的数据s′g,再生成控制数据用于调节励磁***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010715731.XA CN111965424B (zh) | 2020-09-16 | 2020-09-16 | 一种电力***广域信号的预测补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010715731.XA CN111965424B (zh) | 2020-09-16 | 2020-09-16 | 一种电力***广域信号的预测补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111965424A true CN111965424A (zh) | 2020-11-20 |
CN111965424B CN111965424B (zh) | 2021-07-13 |
Family
ID=73362591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010715731.XA Active CN111965424B (zh) | 2020-09-16 | 2020-09-16 | 一种电力***广域信号的预测补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111965424B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3845553B2 (ja) * | 2001-05-25 | 2006-11-15 | インターナショナル・ビジネス・マシーンズ・コーポレーション | データベースにおけるドキュメントのリトリーブ・ランク付けを実行するコンピュータ・システム、およびプログラム |
US20150301101A1 (en) * | 2014-04-22 | 2015-10-22 | King Fahd University Of Petroleum And Minerals | Adaptive pmu-based fault location method for series-compensated lines |
CN105391059A (zh) * | 2015-11-23 | 2016-03-09 | 江苏省电力公司南通供电公司 | 一种基于电流量测变换的分布式发电***状态估计方法 |
CN106156737A (zh) * | 2016-07-05 | 2016-11-23 | 北京工业大学 | 基于二维空间的时间序列样本熵的计算方法及*** |
CN108573193A (zh) * | 2017-03-10 | 2018-09-25 | 唐山工业职业技术学院 | 一种滚动轴承多故障耦合机理与早期故障特征提取方法 |
CN109255728A (zh) * | 2018-09-27 | 2019-01-22 | 上海电力学院 | 混沌相空间优化重构的光伏发电功率神经网络预测法 |
CN111458141A (zh) * | 2020-04-10 | 2020-07-28 | 中国工程物理研究院机械制造工艺研究所 | 基于经验模态分解和奇异值分解的振源数估计方法 |
-
2020
- 2020-09-16 CN CN202010715731.XA patent/CN111965424B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3845553B2 (ja) * | 2001-05-25 | 2006-11-15 | インターナショナル・ビジネス・マシーンズ・コーポレーション | データベースにおけるドキュメントのリトリーブ・ランク付けを実行するコンピュータ・システム、およびプログラム |
US20150301101A1 (en) * | 2014-04-22 | 2015-10-22 | King Fahd University Of Petroleum And Minerals | Adaptive pmu-based fault location method for series-compensated lines |
CN105391059A (zh) * | 2015-11-23 | 2016-03-09 | 江苏省电力公司南通供电公司 | 一种基于电流量测变换的分布式发电***状态估计方法 |
CN106156737A (zh) * | 2016-07-05 | 2016-11-23 | 北京工业大学 | 基于二维空间的时间序列样本熵的计算方法及*** |
CN108573193A (zh) * | 2017-03-10 | 2018-09-25 | 唐山工业职业技术学院 | 一种滚动轴承多故障耦合机理与早期故障特征提取方法 |
CN109255728A (zh) * | 2018-09-27 | 2019-01-22 | 上海电力学院 | 混沌相空间优化重构的光伏发电功率神经网络预测法 |
CN111458141A (zh) * | 2020-04-10 | 2020-07-28 | 中国工程物理研究院机械制造工艺研究所 | 基于经验模态分解和奇异值分解的振源数估计方法 |
Non-Patent Citations (2)
Title |
---|
YUFENG LU等: "A Comparative Study of Singular Spectrum Analysis andEmpirical Mode Decomposition for Ultrasonic NDE", 《IEEE》 * |
陈 中等: "计及随机时滞与丢包的电力***广域信号预测补偿方法", 《电力***保护与控制》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111965424B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Application of hybrid model based on empirical mode decomposition, novel recurrent neural networks and the ARIMA to wind speed prediction | |
Zhang et al. | A novel hybrid model for wind speed prediction based on VMD and neural network considering atmospheric uncertainties | |
CN111582551B (zh) | 风电场短期风速预测方法、***及电子设备 | |
EP3422518A1 (en) | A method for recognizing contingencies in a power supply network | |
Yang et al. | An adaptive PMU missing data recovery method | |
CN115062668B (zh) | 基于RAdam优化宽度学习的谐波参数检测方法和*** | |
EP3422517B1 (en) | A method for recognizing contingencies in a power supply network | |
CN114881318B (zh) | 基于生成对抗网络的锂电池健康状态预测方法及*** | |
Rizeakos et al. | Deep learning-based application for fault location identification and type classification in active distribution grids | |
Apon et al. | Power system harmonics estimation using hybrid Archimedes optimization algorithm-based least square method | |
CN111965424B (zh) | 一种电力***广域信号的预测补偿方法 | |
Zhu et al. | Wind Speed Short-Term Prediction Based on Empirical Wavelet Transform, Recurrent Neural Network and Error Correction | |
CN106650060B (zh) | 一种光伏电池内阻衰减系数预测方法 | |
CN115689358A (zh) | 一种基于数据降维的配电网状态估计方法及相关装置 | |
CN112132328A (zh) | 一种光伏输出功率超短期局域情绪重构神经网络预测方法 | |
CN116340724A (zh) | 一种基于icceemdan-lrtc的电力负荷补全方法、*** | |
Lee | Short-term prediction of wind farm output using the recurrent quadratic Volterra model | |
Lin et al. | Hpt-rl: Calibrating power system models based on hierarchical parameter tuning and reinforcement learning | |
Huang et al. | Nonparametric temporal downscaling of GHI clear-sky indices using Gaussian copula | |
Bon | Deep Learning Method for Fault Diagnosis in High Voltage Transmission Lines: A Case of the Vietnam 220kV Transmission Line | |
Wang et al. | Bayesian analysis for NHPP-based software fault detection and correction processes | |
Pan et al. | Short-term wind speed prediction model of VMD-FOAGRNN based on Lorenz disturbance | |
Zheng et al. | Networked synthetic dynamic PMU data generation: A generative adversarial network approach | |
Tian et al. | Fusion modeling for wind power forecasting based on redundant method elimination | |
CN117639107B (zh) | 配电网电能质量评估方法及*** |
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 |