CN113178898A - 一种分布式电源出力状态的估计方法、装置、设备及介质 - Google Patents
一种分布式电源出力状态的估计方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113178898A CN113178898A CN202110639193.5A CN202110639193A CN113178898A CN 113178898 A CN113178898 A CN 113178898A CN 202110639193 A CN202110639193 A CN 202110639193A CN 113178898 A CN113178898 A CN 113178898A
- Authority
- CN
- China
- Prior art keywords
- state
- doubly
- target
- fed induction
- distributed power
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005259 measurement Methods 0.000 claims abstract description 67
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 230000006698 induction Effects 0.000 claims description 137
- 239000011159 matrix material Substances 0.000 claims description 71
- 230000008569 process Effects 0.000 claims description 23
- 238000010248 power generation Methods 0.000 claims description 19
- 239000000243 solution Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004907 flux Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 36
- 230000000694 effects Effects 0.000 description 13
- 238000004804 winding Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 6
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008685 targeting 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种分布式电源出力状态的估计方法，包括：建立目标分布式电源的目标数学等效模型；获取目标分布式电源的状态方程和量测方程；将状态方程和量测方程输入至目标数学等效模型，并基于容积卡尔曼滤波算法对目标数学等效模型进行迭代求解，以对目标分布式电源在配电网中的出力状态进行估计。显然，通过该方法就可以达到对分布式电源在配电网中出力情况进行估计的目的。相应的，本申请所提供的一种分布式电源出力状态的估计装置、设备及介质，同样具有上述有益效果。
Description
技术领域
本发明涉及分布式电源技术领域，特别涉及一种分布式电源出力状态的估计方法、装置、设备及介质。
背景技术
随着新能源技术的不断发展，大量的分布式电源接入了配电网中，这样就导致原有辐射性配电网的结构发生了改变，从而使得配电网的结构更加复杂多变。在此情况下，如果想要对结构发生改变的配电网进行控制，就需要获取得到分布式电源在配电网中的出力情况。但是，目前还没有一种方法能够估计出分布式电源在配电网中的出力情况。这一技术问题亟待本领域技术人员解决。
发明内容
有鉴于此，本发明的目的在于提供一种分布式电源出力状态的估计方法、装置、设备及介质，以对分布式电源的出力状态进行估计。其具体方案如下：
一种分布式电源出力状态的估计方法，包括：
建立目标分布式电源的目标数学等效模型；
获取所述目标分布式电源的状态方程和量测方程；
将所述状态方程和所述量测方程输入至所述目标数学等效模型，并基于容积卡尔曼滤波算法对所述目标数学等效模型进行迭代求解，以对所述目标分布式电源在配电网中的出力状态进行估计。
优选的，所述目标分布式电源具体为风力发电***或光伏发电***。
优选的，所述获取所述目标分布式电源的状态方程和量测方程的过程之后，还包括：
分别在所述状态方程和所述量测方程中添加高斯噪声。
优选的，所述建立目标分布式电源的目标数学等效模型的过程，包括：
建立目标风力发电***中双馈感应发电机的第一数学等效模型。
优选的，所述建立目标风力发电***中双馈感应发电机的第一数学等效模型的过程，包括：
获取所述双馈感应发电机的注入功率模型以及磁链模型；
利用所述注入功率模型和所述磁链模型获取所述双馈感应发电机的所述第一数学等效模型。
优选的，所述基于容积卡尔曼滤波算法对所述目标数学等效模型进行迭代求解，以对所述目标分布式电源在配电网中的出力状态进行估计的过程，包括：
步骤S301：对所述双馈感应发电机在第k-1时刻目标状态变量的协方差矩阵Pk-1|k-1进行Cholesky分解，得到平方根矩阵Sk-1|k-1；其中，所述协方差矩阵Pk-1|k-1为已知矩阵；
步骤S302：基于所述平方根矩阵Sk-1|k-1和所述状态方程中的状态变量选取第一容积点，并利用所述状态方程对所述第一容积点进行传播，得到所述双馈感应发电机在第k时刻的状态预测值
其中，k≥1；
步骤S303：根据所述状态预测值
获取所述双馈感应发电机在第k时刻的状态预测误差协方差矩阵Pk|k-1；
步骤S304：对所述状态预测误差协方差矩阵Pk|k-1进行Cholesky分解，得到平方根矩阵Sk|k-1；
步骤S305：基于所述状态预测值
和所述平方根矩阵Sk|k-1选取第二容积点，并利用所述量测方程对所述第二容积点进行传播，得到第三容积点；
步骤S306：利用所述第三容积点获取所述双馈感应发电机在第k时刻的观测预测值
步骤S307：根据所述观测预测值
和所述第三容积点获取所述双馈感应发电机在第k时刻的量测量自相关协方差矩阵Pzz；
步骤S308：获取所述状态预测值
和所述观测预测值
之间的互相关协方差矩阵Pxz；
步骤S309：根据所述量测量自相关协方差矩阵Pzz和所述互相关协方差矩阵Pxz获取卡尔曼增益值，并根据所述量测方程获取所述双馈感应发电机在第k时刻的量测值zk；
步骤S310：利用所述第一数学等效模型、所述卡尔曼增益值、所述量测值zk、所述状态预测值
和所述观测预测值
对所述双馈感应发电机在所述配电网中第k时刻的出力状态进行估计；
步骤S311：根据所述状态预测误差协方差矩阵Pk|k-1、所述卡尔曼增益值和所述量测量自相关协方差矩阵Pzz获取所述双馈感应风力发电机在第k时刻的状态预测误差协方差矩阵Pk|k；
步骤S312：将所述协方差矩阵Pk-1|k-1替换为所述状态预测误差协方差矩阵Pk|k，并重复执行步骤S301至步骤S312，以对所述双馈感应发电机在所述配电网中各个时刻的出力状态进行估计。
相应的，本发明还公开了一种分布式电源出力状态的估计装置，包括：
模型建立模块，用于建立目标分布式电源的目标数学等效模型；
方程获取模块，用于获取所述目标分布式电源的状态方程和量测方程；
状态估计模块，用于将所述状态方程和所述量测方程输入至所述目标数学等效模型，并基于容积卡尔曼滤波算法对所述目标数学等效模型进行迭代求解，以对所述目标分布式电源在配电网中的出力状态进行估计。
相应的，本发明还公开了一种分布式电源出力状态的估计设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如前述所公开的一种分布式电源出力状态的估计方法的步骤。
相应的，本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述所公开的一种分布式电源出力状态的估计方法的步骤。
可见，在本发明中，为了对目标分布式电源在配电网中的出力情况进行估计，首先是建立目标分布式电源的目标数学等效模型，然后，再获取目标分布式电源的状态方程和量测方程，最后，再将状态方程和量测方程输入至目标数学等效模型，并基于容积卡尔曼滤波算法对目标数学等效模型进行求解，以对目标分布式电源在配电网中的出力状态进行估计。显然，通过该方法就可以达到对分布式电源在配电网中出力情况进行估计的目的。相应的，本发明所提供的一种分布式电源出力状态的估计装置、设备及介质，同样具有上述有益效果。
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，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种分布式电源出力状态的估计方法的流程图；
图2为含有双馈感应风力发电机电力***的结构图；
图3为本发明实施例所提供的双馈感应风力发电机在配电网中出力状态的程序实现原理图；
图4为改进配电网IEEE-33***的结构图；
图5为对双馈感应风力发电机输入到电力***的有功功率估计效果图；
图6为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；
图7为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；
图8为对双馈感应风力发电机输入到电力***的无功功率估计效果图；
图9为双馈感应风力发电机的无功功率估计值和量测值分别与真实值之间的偏差图；
图10为双馈感应风力发电机的无功功率估计值与真实值之间的偏差图；
图11为双馈感应风力发电机输入到电力***的有功功率估计的效果图；
图12为Bus-21发生三相接地故障时，双馈感应风力发电机输出有功功率的预测图；
图13为图12的局部放大图；
图14为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；
图15为双馈感应风力发电机的有功功率估计值与真实值之间的偏差图；
图16为双馈感应风力发电机的无功功率估计效果图；
图17为Bus-21发生三相接地故障时，双馈感应风力发电机输出无功功率的预测图；
图18为图17的局部放大图；
图19为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；
图20为双馈感应风力发电机的无功功率估计值与真实值之间的偏差图；
图21为对双馈感应风力发电机输入到电力***的有功功率估计的效果图；
图22为Bus-21发生单相接地故障时双馈感应风力发电机输入到电力***的有功出力估计图；
图23为图22的局部放大图；
图24为双馈感应风力发电机有功功率估计值和量测值分别与真实值之间的偏差图；
图25为双馈感应风力发电机的有功功率估计值与真实值之间的偏差图；
图26为双馈感应风力发电机无功功率估计的效果图；
图27为Bus-21发生单相接地故障时的预测图；
图28为图27的局部放大图；
图29为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；
图30为双馈感应风力发电机的无功功率估计值与真实值之间的偏差图；
图31为本发明实施例所提供的一种分布式电源出力状态的估计装置的结构图；
图32为本发明实施例所提供的一种分布式电源出力状态的估计设备的结构图。
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、完整地描述，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，都属于本发明保护的范围。
请参见图1，图1为本发明实施例所提供的一种分布式电源出力状态的估计方法的流程图，该估计方法包括：
步骤S11：建立目标分布式电源的目标数学等效模型；
步骤S12：获取目标分布式电源的状态方程和量测方程；
步骤S13：将状态方程和量测方程输入至目标数学等效模型，并基于容积卡尔曼滤波算法对目标数学等效模型进行迭代求解，以对目标分布式电源在配电网中的出力状态进行估计。
在本实施例中是提供了一种分布式电源出力状态的估计方法，利用该方法可以对分布式电源在配电网中的出力情况进行估计，从而达到对配电网进行控制的目的。
需要说明的是，因为容积卡尔曼滤波算法(Cubature Kalman Filtering，CKF)是一种性能优越的非线性滤波算法，其数学理论严谨、参数选取方便、收敛效果好，克服了其它非线性滤波算法所存在的问题，所以，在本实施例中，是利用容积卡尔曼滤波算法来对目标分布式电源在配电网中的出力状态进行估计。
为了对目标分布式电源在配电网中的出力状态进行估计，在本实施例中，首先是建立目标分布式电源的目标数学等效模型，并获取目标分布式电源的状态方程和量测方程。当获取得到目标分布式电源的目标数学等效模型、状态方程和量测方程之后，就相当于是获取得到了容积卡尔曼滤波算法所需要的所有计算量。
在此情况下，则将目标分布式电源的状态方程和量测方程输入至目标分布式电源的目标数学等效模型中，并基于容积卡尔曼滤波算法对目标数学等效模型进行迭代求解，这样就可以对目标分布式电源在配电网中的出力状态进行估计。
可见，在本实施例中，为了对目标分布式电源在配电网中的出力情况进行估计，首先是建立目标分布式电源的目标数学等效模型，然后，再获取目标分布式电源的状态方程和量测方程，最后，再将状态方程和量测方程输入至目标数学等效模型，并基于容积卡尔曼滤波算法对目标数学等效模型进行求解，以对目标分布式电源在配电网中的出力状态进行估计。显然，通过该方法就可以达到对分布式电源在配电网中出力情况进行估计的目的。
基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，目标分布式电源具体为风力发电***或光伏发电***。
可以理解的是，因为风力发电***和光伏发电***是现在日常生活中最为常见的两种分布式电源，所以，在本实施例中，既可以将目标分布式电源设置为风力发电***，也可以将目标分布式电源设置为光伏发电***。由此就可以相对提高本申请所提供分布式电源出力状态估计方法在实际应用中的普适性。
基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，上述步骤S12：获取目标分布式电源的状态方程和量测方程的过程之后，还包括：
分别在状态方程和量测方程中添加高斯噪声。
能够想到的是，通过数学模型所获取得到的目标分布式电源的状态方程和量测方程均是在理想状态下获取得到的，而在实际应用中，目标分布式电源的状态方程和量测方程都会受到外界自然环境的影响。
因此，在本实施例中，还在目标分布式电源的状态方程和量测方法中添加了高斯噪声，从而使得目标分布式电源的状态方程和量测方程能够更为准确的表征目标分布式电源在配电网中的实际情况。
基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，上述步骤S11：建立目标分布式电源的目标数学等效模型的过程，包括：
建立目标风力发电***中双馈感应发电机的第一数学等效模型。
在本实施例中，是以目标分布式电源为目标风力发电***为例进行具体说明。可以理解的是，在风力发电***中，目前主要是通过双馈感应发电机(Doubly-fed InductionGenerator，DFIG)来将自然界中的风能转换为电能。因此，在创建目标分布式电源的目标数学等效模型的过程中，是建立了目标风力发电***中双馈感应发电机的第一数学等效模型。
作为一种优选的实施方式，上述步骤：建立目标风力发电***中双馈感应发电机的第一数学等效模型的过程，包括：
获取双馈感应发电机的注入功率模型以及磁链模型；
利用注入功率模型和磁链模型获取双馈感应发电机的第一数学等效模型。
可以理解的是，双馈感应风力发电机在并入配电网后注入电力***的有功功率和无功功率如公式(1)所示。请参见图2，图2为含有双馈感应风力发电机电力***的结构图。结合图2所示含有双馈感应发电机的电气结构图，就可以得到双馈感应发电机在并网时的注入功率式(2)：
式中，Pw为双馈感应风力发电机并网注入的有功功率，Qw为双馈感应风力发电机并网注入的无功功率，Vx和Vy分别为双馈感应风力发电机并网电压向量在***参考坐标系下x轴和y轴的分量，Ix和Iy分别为注入电力***电流向量在***参考坐标系下x轴和y轴的分量。
式中，Pw为双馈感应风力发电机并网注入的有功功率，Qw为双馈感应风力发电机并网注入的无功功率，Ps为双馈感应风力发电机定子绕组注入电力***的有功功率，Qs为双馈感应风力发电机定子绕组注入电力***的无功功率，Pr3为网侧换流器注入到电力***的有功功率，Qr3为网侧换流器注入到电力***的无功功率。
因为通过公式(2)无法直接获取得到状态方程的状态量，因此，在本实施例中还需要利用双馈感应风力发电机的磁链方程对公式(2)进行变形。其中，双馈感应风力发电机的磁链方程如公式(3)所示：
式中，Vwd和Vwq分别为双馈感应风力发电机并网电压的直轴分量和交轴分量，Vsd和Vsq分别为定子绕组电压的直轴分量和交轴分量，ψrd和ψrq分别为转子合成磁链的直轴分量和交轴分量，Isd和Isq分别为定子绕组电流的直轴分量和交轴分量，Ird和Irq分别为转子绕组电流的直轴分量和交轴分量，Vw为双馈感应风力发电机的并网电压，Xss＝Xm+Xs，Xs为定子漏抗，Xm为激磁电抗，Xrr＝Xm+Xr，Xr为折合到定子侧的转子漏抗。
结合公式(3)所示的磁链方程将公式(2)改写为公式(4)。显然，当获取得到了公式(4)之后，就相当于是获取得到了双馈感应发电机的第一数学等效模型。
式中，Vw为双馈感应风力发电机的并网电压，Vwd和Vwq分别为双馈感应风力发电机并网电压的直轴分量和交轴分量，Isd和Isq分别为定子绕组电流的直轴分量和交轴分量，Ir3d和Ir3q分别为网侧换流器交流侧电流的直轴分量和交轴分量。
如果仅考虑变压器的双馈感应风力发电机，那么，双馈感应风力发电机的状态方程如公式(5)，双馈感应风力发电机的量测方程如公式(6)：
式中，Ir3d和Ir3q分别为网侧换流器交流侧电流的直轴分量和交轴分量，Vsd和Vsq分别为双馈感应风力发电机定子绕组电压的直轴分量和交轴分量，Vr3q和Vr3d分别为网侧换流器交流侧电压的直轴分量和交轴分量，Xr3为变压器的电抗。
式中，
和
为网侧换流器交流侧电流的直轴分量和交轴分量的量测量，
为双馈感应风力发电机注入电网的电流，Isd和Isq分别为定子绕组电流的直轴分量和交轴分量，Ir3d和Ir3q分别为网侧换流器交流侧电流的直轴分量和交轴分量。
经由量测方程修正状态方程的估计状态后，利用双馈感应发电机的第一数学等效模型就可以得到双馈感应风力发电机的有功出力情况和无功出力情况。至此，就获取得到了容积卡尔曼滤波算法所需要的状态方程和量测方程，并且确定了滤波过程中的状态向量、输入向量和量测向量。在此基础上，如果能够得到k-1时刻至k时刻容积卡尔曼滤波的迭代格式即可完成对双馈感应风力发电机出力状态的估计。
作为一种优选的实施方式，上述步骤：基于容积卡尔曼滤波算法对目标数学等效模型进行迭代求解，以对目标分布式电源在配电网中的出力状态进行估计的过程，包括：
步骤S301：对双馈感应发电机在第k-1时刻目标状态变量的协方差矩阵Pk-1|k-1进行Cholesky分解，得到平方根矩阵Sk-1|k-1；
其中，协方差矩阵Pk-1|k-1为已知矩阵；
步骤S302：基于平方根矩阵Sk-1|k-1和状态方程中的状态变量选取第一容积点，并利用状态方程对第一容积点进行传播，得到双馈感应发电机在第k时刻的状态预测值
其中，k≥1；
步骤S303：根据状态预测值
获取双馈感应发电机在第k时刻的状态预测误差协方差矩阵Pk|k-1；
步骤S304：对状态预测误差协方差矩阵Pk|k-1进行Cholesky分解，得到平方根矩阵Sk|k-1；
步骤S305：基于状态预测值
和平方根矩阵Sk|k-1选取第二容积点，并利用量测方程对第二容积点进行传播，得到第三容积点；
步骤S306：利用第三容积点获取双馈感应发电机在第k时刻的观测预测值
步骤S307：根据观测预测值
和第三容积点获取双馈感应发电机在第k时刻的量测量自相关协方差矩阵Pzz；
步骤S308：获取状态预测值
和观测预测值
之间的互相关协方差矩阵Pxz；
步骤S309：根据量测量自相关协方差矩阵Pzz和互相关协方差矩阵Pxz获取卡尔曼增益值，并根据量测方程获取双馈感应发电机在第k时刻的量测值zk；
步骤S310：利用第一数学等效模型、卡尔曼增益值、量测值zk、状态预测值
和观测预测值
对双馈感应发电机在配电网中第k时刻的出力状态进行估计；
步骤S311：根据状态预测误差协方差矩阵Pk|k-1、卡尔曼增益值和量测量自相关协方差矩阵Pzz获取双馈感应风力发电机在第k时刻的状态预测误差协方差矩阵Pk|k；
步骤S312：将协方差矩阵Pk-1|k-1替换为状态预测误差协方差矩阵Pk|k，并重复执行步骤S301至步骤S312，以对双馈感应发电机在配电网中各个时刻的出力状态进行估计。
在本实施例中，将具体论述双馈感应风力发电机在k-1时刻至k时刻容积卡尔曼滤波的迭代格式。能够想到的是，当获取得到双馈感应风力发电机在k-1时刻至k时刻容积卡尔曼滤波的迭代格式时，即可完成对双馈感应风力发电机出力状态的估计。在本实施例中，首先将双馈感应风力发电机的状态方程和量测方程简写为如公式(7)的形式：
式中，f和h为已知函数，x、u和z为分别状态变量、控制变量和量测变量，随机过程噪声w～N(0,Q)，即过程噪声为均值为0，协方差为Q的高斯噪声，随机量测噪声v～N(0,R)，即量测噪声为均值为0，协方差为R的高斯噪声。其中，状态变量x＝[Ir3d,Irq3]T，控制变量u＝[Isd,Isq]T，量测变量
由于容积卡尔曼滤波算法主要可以分为两个过程，所以，在此对这两个过程--时间更新过程和测量更新过程进行具体介绍：
时间更新：
假设双馈感应发电机在第k-1时刻目标状态变量的协方差矩阵为Pk-1|k-1，对协方差矩阵Pk-1|k-1进行Cholesky分解得到平方根矩阵Sk-1|k-1，如公式(8)所示：
基于平方根矩阵Sk-1|k-1和状态方程中的状态变量选取第一容积点，具体的，在本实施例中是产生了权值相等的4个容积点，也即，第一容积点。具体如公式(9)、公式(10)和公式(11)所示
ξi＝[1]i,i＝1,2,3,4 (9)
式中，[1]i为集合[1]的第i列，而集合[1]为单位向量e和-e排列所产生的矩阵，wi为所产生的容积点的权重；
然后，利用状态方程对第一容积点进行传播，得到双馈感应发电机在第k时刻的状态预测值
其中，公式(12)为通过状态方程传播的第一容积点，公式(13)为双馈感应发电机在第k时刻的状态预测值
之后，再根据状态预测值
获取双馈感应发电机在第k时刻的状态预测误差协方差矩阵Pk|k-1，具体如公式(14)所示：
式中，
为传播的第一容积点，
双馈感应发电机在第k时刻的状态预测值，Qk-1为均值为0，协方差为0.02的高斯过程噪声。
测量更新：
对状态预测误差协方差矩阵Pk|k-1进行Cholesky分解，得到平方根矩阵Sk|k-1，具体如公式(15)所示：
然后，基于状态预测值
和平方根矩阵Sk|k-1选取第二容积点，也即，基于公式(13)和公式(15)计算新的权值相等的4个容积点，如公式(16)所示，其中，权值公式同公式(10)，此处不再作赘述。
式中，Xi,k|k-1为第二容积点。
利用量测方程对第二容积点进行传播，得到第三容积点，如公式(17)所示：
Zi,k|k-1＝h(Xi,k|k-1)
式中，Zi,k|k-1为第三容积点。
利用第三容积点获取双馈感应发电机在第k时刻的观测预测值
也即，对所有公式(17)所产生的容积点进行加权求和来获取得到双馈感应发电机在第k时刻的观测预测值
如公式(18)所示：
之后，再根据观测预测值
和第三容积点获取双馈感应发电机在第k时刻的量测量自相关协方差矩阵Pzz，如公式(19)所示：
式中，Rk为均值为0，协方差为0.02的高斯量测噪声。
获取状态预测值
和观测预测值
之间的互相关协方差矩阵Pxz，如公式(20)所示：
根据量测量自相关协方差矩阵Pzz和互相关协方差矩阵Pxz获取卡尔曼增益值，如公式(21)所示，并根据量测方程获取双馈感应发电机在第k时刻的量测值zk，同时，利用第一数学等效模型、卡尔曼增益值、量测值zk、状态预测值
和观测预测值
对双馈感应发电机在配电网中第k时刻的出力状态进行估计，如公式(22)所示：
最后，计算k时刻状态估计误差协方差矩阵Pk|k，如公式(23)所示：
与此同时，再将协方差矩阵Pk-1|k-1替换为状态预测误差协方差矩阵Pk|k，并重复执行步骤S301至步骤S312，就可以对双馈感应发电机在配电网中各个时刻的出力状态进行估计。
请参见图3，图3为本发明实施例所提供的双馈感应风力发电机在配电网中出力状态的程序实现原理图，在实际应用中，可以参见图3所示的流程对双馈感应风力发电机在配电网中的出力状态进行估计，也即：
首先，是将状态方程和量测方程进行离散化后输入到Matlab中；
然后，在PSCAD中搭配配电网IEEE-33节点的***，实时记录双馈感应风力发电机在配电网中的出力状态，这里将PSCAD中实时仿真的数据记为双馈感应风力发电机在配电网中出力的真实值，再叠加一个均值为零、标准差为0.02的高斯噪声记为双馈感应风力发电机在配电网中出力的量测量；
之后，再将PSCAD中得到的输入量输入到Matlab中，随后随机输入一个状态量，作为双馈感应风力发电机在配电网中出力的初始值，将状态变量的初始值带到公式(11)中计算容积点Xi,k-1|k-1，此时，就开始了第一个循环。根据公式(12)计算得出依据状态方程传播的容积点，依据公式(13)获取状态预测值
再依据公式(14)状态预测误差协方差矩阵Pk|k-1。根据公式(13)获取得到状态预测值
基于公式(16)得到第二容积点Xi,k|k-1，依据公式(17)得到第三容积点Zi,k|k-1，依据公式(18)得到双馈感应发电机在第k时刻的观测预测值
依据公式(19)得到互相关协方差矩阵Pxz，依据公式(20)得到状态与量测互相关协方差矩阵，依据公式(21)得到卡尔曼增益值Wk，依据公式(22)估计出下一时刻状态变量的估计值，依据公式(23)得到状态估计误差协方差矩阵Pk|k，完成对状态量与量测量的滤波。
最后，反复进行上述过程，直到估计时间至PSCAD的仿真截止时间，由此就完成了双馈感应风力发电机或光伏发电***出力的状态估计。
在本实施例中，还搭建了改进的配电网IEEE-33节点来验证本申请所提理论方法的正确性与有效性。请参见图4，图4为改进配电网IEEE-33***的结构图，图4中的虚线代表常开的联络线。下面将监测接入Bus-22时分布式电源的实时处理情况，此处，将其分为***稳态运行、Bus-21发生三相接地故障以及Bus-21发生单相接地故障三种应用场景。
场景一：***稳态运行时
请参见图5至图10，图5为对双馈感应风力发电机输入到电力***的有功功率估计效果图；图6为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；图7为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；图8为对双馈感应风力发电机输入到电力***的无功功率估计效果图；图9为双馈感应风力发电机的无功功率估计值和量测值分别与真实值之间的偏差图；图10为双馈感应风力发电机的无功功率估计值与真实值之间的偏差图。
由上可知，当***存在伪量测时，对分布式电源出力的估计也会尽可能的趋近于真实值，从而保证了后续的研究工作。从图7中可以看出分布式电源出力的估计值不会出现连续多点的坏数据。
场景二：Bus-21发生三相接地故障
假设T＝3.5s处分布式电源发生持续0.2s的三相接地故障。请参见图11至图20，图11为双馈感应风力发电机输入到电力***的有功功率估计的效果图，在Bus-21发生三相接地故障后，双馈感应风力发电机输入到电力***的有功出力就会迅速发生变化且波动较大，基于容积卡尔曼滤波算法对分布式电源出力的状态估计仍然能保证在继电保护判定可以接受的范围内。
图12为Bus-21发生三相接地故障时，双馈感应风力发电机输出有功功率的预测图；图13为图12的局部放大图；图14为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；图15为双馈感应风力发电机的有功功率估计值与真实值之间的偏差图；图16为双馈感应风力发电机的无功功率估计效果图；图17为Bus-21发生三相接地故障时，双馈感应风力发电机输出无功功率的预测图；图18为图17的局部放大图；图19为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；图20为双馈感应风力发电机的无功功率估计值与真实值之间的偏差图。
从图11至图12可知，伪量测在这种情形下会出现较为明显的偏差，而状态量的估计值仍然在可接受的精度内尽可能的趋近分布式电源出力的真实值。从图14到图15可知，双馈感应风力发电机输入到电力***的有功出力的估计精度比量测量的精度高一个量级，进而有更高的置信程度去相信所估计的状态量。
场景三：Bus-21发生单相接地故障
假设T＝3.5s处发生持续0.2s的单相接地故障。请参见图21至图30，图21为对双馈感应风力发电机输入到电力***的有功功率估计的效果图；图22为Bus-21发生单相接地故障时双馈感应风力发电机输入到电力***的有功出力估计图；图23为图22的局部放大图；图24为双馈感应风力发电机有功功率估计值和量测值分别与真实值之间的偏差图；图25为双馈感应风力发电机的有功功率估计值与真实值之间的偏差图；图26为双馈感应风力发电机无功功率估计的效果图；图27为Bus-21发生单相接地故障时的预测图；图28为图27的局部放大图；图29为双馈感应风力发电机的有功功率估计值和量测值分别与真实值之间的偏差图；图30为双馈感应风力发电机的无功功率估计值与真实值之间的偏差图。
从局部放大图可知，当分布式电源发生单相接地故障时，基于容积卡尔曼滤波的双馈感应风力发电机出力的状态估计仍然能在一定精度内趋于真实值，而伪量测值有相当一定的误差，即实验***明了容积卡尔曼滤波能够有效的估计新能源电源出力的状态量。从图24和图25可知，即使在故障情况下，分布式电源出力的估计值也是不会出现连续多点的坏数据而导致迭代发散的情形。
请参见图31，图31为本发明实施例所提供的一种分布式电源出力状态的估计装置的结构图，该估计装置包括：
模型建立模块21，用于建立目标分布式电源的目标数学等效模型；
方程获取模块22，用于获取目标分布式电源的状态方程和量测方程；
状态估计模块23，用于将状态方程和量测方程输入至目标数学等效模型，并基于容积卡尔曼滤波算法对目标数学等效模型进行迭代求解，以对目标分布式电源在配电网中的出力状态进行估计。
本发明实施例所提供的一种分布式电源出力状态的估计装置，具有前述所公开的一种分布式电源出力状态的估计方法所具有的有益效果。
请参见图32，图32为本发明实施例所提供的一种分布式电源出力状态的估计设备的结构图，该估计设备包括：
存储器31，用于存储计算机程序；
处理器32，用于执行计算机程序时实现如前述所公开的一种分布式电源出力状态的估计方法的步骤。
本发明实施例所提供的一种分布式电源出力状态的估计设备，具有前述所公开的一种分布式电源出力状态的估计方法所具有的有益效果。
相应的，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如前述所公开的一种分布式电源出力状态的估计方法的步骤。
本发明实施例所提供的一种计算机可读存储介质，具有前述所公开的一种分布式电源出力状态的估计方法所具有的有益效果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种分布式电源出力状态的估计方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。
Claims (9)
1.一种分布式电源出力状态的估计方法，其特征在于，包括：
建立目标分布式电源的目标数学等效模型；
获取所述目标分布式电源的状态方程和量测方程；
将所述状态方程和所述量测方程输入至所述目标数学等效模型，并基于容积卡尔曼滤波算法对所述目标数学等效模型进行迭代求解，以对所述目标分布式电源在配电网中的出力状态进行估计。
2.根据权利要求1所述的估计方法，其特征在于，所述目标分布式电源具体为风力发电***或光伏发电***。
3.根据权利要求1所述的估计方法，其特征在于，所述获取所述目标分布式电源的状态方程和量测方程的过程之后，还包括：
分别在所述状态方程和所述量测方程中添加高斯噪声。
4.根据权利要求1至3任一项所述的估计方法，其特征在于，所述建立目标分布式电源的目标数学等效模型的过程，包括：
建立目标风力发电***中双馈感应发电机的第一数学等效模型。
5.根据权利要求4所述的估计方法，其特征在于，所述建立目标风力发电***中双馈感应发电机的第一数学等效模型的过程，包括：
获取所述双馈感应发电机的注入功率模型以及磁链模型；
利用所述注入功率模型和所述磁链模型获取所述双馈感应发电机的所述第一数学等效模型。
6.根据权利要求4所述的估计方法，其特征在于，所述基于容积卡尔曼滤波算法对所述目标数学等效模型进行迭代求解，以对所述目标分布式电源在配电网中的出力状态进行估计的过程，包括：
步骤S301：对所述双馈感应发电机在第k-1时刻目标状态变量的协方差矩阵Pk-1|k-1进行Cholesky分解，得到平方根矩阵Sk-1|k-1；其中，所述协方差矩阵Pk-1|k-1为已知矩阵；
步骤S302：基于所述平方根矩阵Sk-1|k-1和所述状态方程中的状态变量选取第一容积点，并利用所述状态方程对所述第一容积点进行传播，得到所述双馈感应发电机在第k时刻的状态预测值
其中，k≥1；
步骤S303：根据所述状态预测值
获取所述双馈感应发电机在第k时刻的状态预测误差协方差矩阵Pk|k-1；
步骤S304：对所述状态预测误差协方差矩阵Pk|k-1进行Cholesky分解，得到平方根矩阵Sk|k-1；
步骤S305：基于所述状态预测值
和所述平方根矩阵Sk|k-1选取第二容积点，并利用所述量测方程对所述第二容积点进行传播，得到第三容积点；
步骤S306：利用所述第三容积点获取所述双馈感应发电机在第k时刻的观测预测值
步骤S307：根据所述观测预测值
和所述第三容积点获取所述双馈感应发电机在第k时刻的量测量自相关协方差矩阵Pzz；
步骤S308：获取所述状态预测值
和所述观测预测值
之间的互相关协方差矩阵Pxz；
步骤S309：根据所述量测量自相关协方差矩阵Pzz和所述互相关协方差矩阵Pxz获取卡尔曼增益值，并根据所述量测方程获取所述双馈感应发电机在第k时刻的量测值zk；
步骤S310：利用所述第一数学等效模型、所述卡尔曼增益值、所述量测值zk、所述状态预测值
和所述观测预测值
对所述双馈感应发电机在所述配电网中第k时刻的出力状态进行估计；
步骤S311：根据所述状态预测误差协方差矩阵Pk|k-1、所述卡尔曼增益值和所述量测量自相关协方差矩阵Pzz获取所述双馈感应风力发电机在第k时刻的状态预测误差协方差矩阵Pk|k；
步骤S312：将所述协方差矩阵Pk-1|k-1替换为所述状态预测误差协方差矩阵Pk|k，并重复执行步骤S301至步骤S312，以对所述双馈感应发电机在所述配电网中各个时刻的出力状态进行估计。
7.一种分布式电源出力状态的估计装置，其特征在于，包括：
模型建立模块，用于建立目标分布式电源的目标数学等效模型；
方程获取模块，用于获取所述目标分布式电源的状态方程和量测方程；
状态估计模块，用于将所述状态方程和所述量测方程输入至所述目标数学等效模型，并基于容积卡尔曼滤波算法对所述目标数学等效模型进行迭代求解，以对所述目标分布式电源在配电网中的出力状态进行估计。
8.一种分布式电源出力状态的估计设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的一种分布式电源出力状态的估计方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的一种分布式电源出力状态的估计方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110639193.5A CN113178898A (zh) | 2021-06-08 | 2021-06-08 | 一种分布式电源出力状态的估计方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110639193.5A CN113178898A (zh) | 2021-06-08 | 2021-06-08 | 一种分布式电源出力状态的估计方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113178898A true CN113178898A (zh) | 2021-07-27 |
Family
ID=76927624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110639193.5A Pending CN113178898A (zh) | 2021-06-08 | 2021-06-08 | 一种分布式电源出力状态的估计方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113178898A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011131631A1 (en) * | 2010-04-20 | 2011-10-27 | Abb Research Ltd | Energy network and control thereof |
| CN109950903A (zh) * | 2019-04-17 | 2019-06-28 | 河海大学 | 一种计及噪声统计特性未知的动态状态估计方法 |
| CN110032812A (zh) * | 2019-04-18 | 2019-07-19 | 河海大学 | 一种基于自适应容积卡尔曼滤波的动态状态估计方法 |
| CN110222309A (zh) * | 2019-05-06 | 2019-09-10 | 河海大学 | 一种基于鲁棒容积卡尔曼滤波的发电机动态估计方法 |
-
2021
- 2021-06-08 CN CN202110639193.5A patent/CN113178898A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011131631A1 (en) * | 2010-04-20 | 2011-10-27 | Abb Research Ltd | Energy network and control thereof |
| CN109950903A (zh) * | 2019-04-17 | 2019-06-28 | 河海大学 | 一种计及噪声统计特性未知的动态状态估计方法 |
| CN110032812A (zh) * | 2019-04-18 | 2019-07-19 | 河海大学 | 一种基于自适应容积卡尔曼滤波的动态状态估计方法 |
| CN110222309A (zh) * | 2019-05-06 | 2019-09-10 | 河海大学 | 一种基于鲁棒容积卡尔曼滤波的发电机动态估计方法 |
Non-Patent Citations (5)
| Title |
|---|
| MINGYANG GAO等: "Improved Extended Kalman Filter Based Dynamic Equivalent Method of DFIG Wind Farm Cluster" * |
| 李扬等: "复杂噪声条件下基于抗差容积卡尔曼滤波的发电机动态状态估计", 《电工技术学报》 * |
| 毕经天: "电力***低频振荡的开环模式谐振机理及风电并网影响" * |
| 王彤: "基于自适应容积卡尔曼滤波的双馈风力发电机动态状态估计" * |
| 赵晶晶: "含分布式发电的配电网优化运行研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Online voltage stability assessment for load areas based on the holomorphic embedding method | |
| US20220399721A1 (en) | Method for grid impedance and dynamics estimation | |
| CN100444494C (zh) | 电力***同调发电机组参数聚合方法 | |
| CN113300383A (zh) | 一种机电暂态建模方法、***、设备及存储介质 | |
| CN105391059A (zh) | 一种基于电流量测变换的分布式发电***状态估计方法 | |
| Baghaee et al. | OC/OL protection of droop-controlled and directly voltage-controlled microgrids using TMF/ANN-based fault detection and discrimination | |
| Long et al. | Diesel generator model parameterization for microgrid simulation using hybrid box-constrained levenberg-marquardt algorithm | |
| Ma et al. | Application of dynamic equivalencing in large-scale power systems | |
| Knazkins | Stability of power systems with large amounts of distributed generation | |
| Khalili et al. | PMU-based decoupled state estimation for unsymmetrical power systems | |
| Qin et al. | Decomposition-based stability analysis for isolated power systems with reduced conservativeness | |
| Yousefian et al. | Hybrid energy function based real-time optimal wide-area transient stability controller for power system stability | |
| CN110162843B (zh) | 一种电网一次***联合二次***实时仿真建模方法与装置 | |
| Haro-Larrode et al. | Impact of proportional resonant controller parameters of VSC connected to AC grids with variable X/R characteristic on the small signal stability | |
| Pedra et al. | Comparison of small-signal admittance-based models of doubly-fed induction generators | |
| EP2354800A1 (en) | Method of and apparatus for determining fundamental frequency component of the grid voltage | |
| Venkatraman et al. | A combined transmission-distribution system dynamic model with grid-connected DG inverter | |
| Saavedra-Peña et al. | Towards an Islanding Detection Method Using a Digital Twin Concept | |
| Ngamroo et al. | Adaptive robust control based on system identification in microgrid considering converter controlled-based generator modes | |
| CN113178898A (zh) | 一种分布式电源出力状态的估计方法、装置、设备及介质 | |
| EP2372376A1 (en) | Method and arrangement for estimating angular frequency | |
| Fonkwe et al. | Model identification of dynamic microgrids and controller optimization with high fidelity hardware-in-the-loop platform | |
| Cari et al. | A methodology for parameter estimation of equivalent wind power plant | |
| CN111900738B (zh) | 基于补偿算法的三相不平衡潮流计算方法 | |
| Karimi et al. | Distribution state estimation for smart distribution system |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210727 |