CN113675863B - 一种基于数字孪生的微电网频率二次协同控制方法 - Google Patents
一种基于数字孪生的微电网频率二次协同控制方法 Download PDFInfo
- Publication number
- CN113675863B CN113675863B CN202110967214.6A CN202110967214A CN113675863B CN 113675863 B CN113675863 B CN 113675863B CN 202110967214 A CN202110967214 A CN 202110967214A CN 113675863 B CN113675863 B CN 113675863B
- Authority
- CN
- China
- Prior art keywords
- micro
- frequency
- grid
- digital twin
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000003993 interaction Effects 0.000 claims abstract description 12
- 238000007665 sagging Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 125000003275 alpha amino acid group Chemical group 0.000 claims 1
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000001514 detection method Methods 0.000 claims 1
- 230000006872 improvement Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- 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
- H02J3/002—Flicker reduction, e.g. compensation of flicker introduced by non-linear load
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Nonlinear Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于数字孪生的微电网频率二次协同控制方法,属于微电网控制技术领域,解决基于传统下垂控制的微电网频率二次协同控制中的参数无法动态调节的问题;通过数字孪生来解决微电网***运行状态的修正问题,通过实时采集微电网***内的运行数据,数据交互接口实时地将电网的运行数据传输到数字孪生模型中,通过数字孪生模型对数据进行分析预测,将控制指令反馈到微电网***中进行二次控制,进而修正微电网***的频率,使之稳定在额定频率附近;相比较基于下垂的传统二次控制算法,数字孪生具有逻辑规则库,并且可以快速地对微电网***做出响应,提高了***频率的控制精度。
Description
技术领域
本发明属于微电网控制技术领域,涉及一种基于数字孪生的微电网频率二次协同控制方法。
背景技术
随着全球范围内传统化石能源的日益枯竭,微电网内的新能源发电技术得到越来越广泛的应用。但由于新能源发电容易受多种环境因素的影响,输出功率呈现出间歇性、波动性、随机性的特点,尤其是当微电网处于孤岛运行模式时,会对***的频率产生不利影响,进而影响到电能质量。
传统的频率调节手段主要基于数学建模与机理建模,但随着微电网***的复杂度越来越高,存在模型不精确等问题,进而影响控制效果。文献《孤岛微电网的分布式固定时间二次协调控制》(陈刚,重庆大学)针对孤岛微电网的下垂控制策略会导致***稳态的频率和电压偏离额定值,提出一种分布式固定时间二次协调控制策略以实现***频率和电压的恢复控制,并实现期望的有功功率分配。该控制方法能在固定时间内完成二次控制目标,而不依赖于***的初始状态,使得根据任务需求来离线预设整定时间成为可能。但是该文献并未解决基于下垂的传统二次控制算法中的参数无法动态调节的问题。
数字孪生(Digital Twin)是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念,可以被视为一个或多个重要的、彼此依赖的装备***的数字映射***。
数字孪生这一概念在2003年被首次提出,直到2011年才引起国内外学者的高度重视,并连续在2016~2018年被世界最权威的信息技术咨询公司Gartner列为当今顶尖战略科技发展方向。2017年12月中国科协智能制造学术联合体在世界智能制造大会上将数字孪生列为世界智能制造十大科技进展之一。至今,被工业界广泛认可的数字孪生定义是由Glaessegen和Star-gel在2012年给出的:“一个集成了多物理性、多尺度性、概率性的复杂产品仿真模型,能够实时反映真实产品的状态”。作为一种充分利用模型、数据、智能并集成多学科的技术,数字孪生面向产品全生命周期过程,发挥连接物理世界和信息世界的桥梁和纽带作用,提供更加实时、高效、智能的服务。
因此,本发明利用数字孪生技术来对微电网频率进行二次协同控制。通过数据驱动模型来充分挖掘微电网运行过程中产生的大量数据,实现数字孪生模型与微电网物理实体间数据的实时交互,进而调整微电网的运行状态,以保证***频率始终维持在额定频率附近。
发明内容
本发明的目的在于如何设计一种基于数字孪生的微电网频率二次协同控制方法及***,以解决基于传统下垂控制的微电网频率二次协同控制中的参数无法动态调节的问题。
本发明是通过以下技术方案解决上述技术问题的:
一种基于数字孪生的微电网频率二次协同控制方法,包括如下步骤:
S1、对离线数据集进行预处理:通过Pearson相关性分析,选取微电网频率的影响因素作为输入变量计算相关系数,对数据集进行缺失值填充和异常值检测,对数据集中的输入特征进行归一化处理;
S2、搭建数字孪生模型:通过构建BP神经网络,基于步骤S1中得到的数据集对BP神经网络进行训练,并构建逻辑规则库,对微电网***的运行状态进行分析,如果微电网***进入了稳态且频率存在较大偏差,则启动BP神经网络进行预测,否则,保持二次控制参数不变;
S3、微电网***的优化控制:建立基于下垂控制的二次控制模型,微电网***把当前的运行数据通过数据交互接口传输到数字孪生模型中,数字孪生模型分析微电网的运行数据,把得到的控制指令通过数据交互接口反馈到微电网***中,进一步调节***频率。
本发明通过数字孪生来解决微电网***运行状态的修正问题,通过实时采集微电网***内的运行数据,数据交互接口实时地将电网的运行数据传输到数字孪生模型中,通过数字孪生模型对数据进行分析预测,将控制指令反馈到微电网***中进行二次控制,进而修正微电网***的频率,使之稳定在额定频率附近;相比较基于下垂的传统二次控制算法,数字孪生具有逻辑规则库,并且可以快速地对微电网***做出响应,提高了***频率的控制精度。
作为本发明技术方案的进一步改进,步骤S1中所述的选取微电网频率的影响因素作为输入变量计算相关系数的公式为:
其中,rxy表示相关系数,x、y分别表示n维相量,表示输入变量的平均值。
作为本发明技术方案的进一步改进,步骤S1中所述的缺失值填充的方法为:周期性采集微电网***中各分布式电源的功率、母线处的电压,同时采集联络线的交换功率,通过在每两个离散点之间构造三次样条插值函数来填充缺失值。
作为本发明技术方案的进一步改进,所述的三次样条插值函数定义如下:
y=ax3+bx2+cx+d (2)
其中,a、b、c、d分别表示3次函数的各项系数值。
作为本发明技术方案的进一步改进,步骤S1中所述的异常值检测的方法为:采用基于孤立森林理论来计算各样本的异常值分数,其计算公式如下:
其中,s(γ,Ψ)表示异常分数,γ表示单个样本,h(γ)为γ在每棵树的高度,E(h(γ))为样本γ在一批孤立树中的路径长度的期望,c(ψ)为给定样本数ψ时路径长度的平均值,用来对样本γ的路径长度h(γ)进行标准化处理;
c(ψ)的计算公式如下:
其中,H(Ψ-1)是调和数,可以通过ln(Ψ-1)+0.5772156649(欧拉常数)来估算。
作为本发明技术方案的进一步改进,步骤S1中所述的对数据集中的输入特征进行归一化处理的公式如下:
其中,xmin和xmax分别表示数据中的最小值和最大值,把x′归一化到[-1,1]区间内,从而保留输入数据的特征。
作为本发明技术方案的进一步改进,步骤S2中所述的构建BP神经网络的方法如下:
输出层只有一个神经元,输出的变量是下垂曲线的频率最小值,根据经验公式(6)确定隐含层的神经元数目:
其中,q表示隐含层神经元数;m表示输入层神经元数;n表示输出层神经元数;a为1~10的常数,隐含层的层数根据分析需要进行调整。
作为本发明技术方案的进一步改进,步骤S2中所述的基于步骤S1中得到的数据集对BP神经网络进行训练的方法为:设置隐含层的激活函数为relu函数,通过随机梯度下降算法更新BP神经网络模型的参数,保存训练好的参数,参数的更新公式如下:
式(7)中,θ表示BP神经网络的网络参数,η表示学习速率,J表示损失函数,表示网络参数的梯度。
作为本发明技术方案的进一步改进,步骤S2中所述的BP神经网络的预测公式如下:
其中,u(s,θ)表示BP神经网络输出的预测结果,k代表BP神经网络层数;s为BP神经网络的输入;表示BP神经网络中第l层神经元的激活函数。
作为本发明技术方案的进一步改进,步骤S3中所述的基于下垂控制的二次控制模型的公式如下:
其中,ωi表示第i个可控电源的输出频率;ωni表示第i个可控电源的额定频率;δωi为二次频率调节项;kpf和kif分别表示二次频率控制器的比例与积分系数。
本发明的优点在于:
本发明通过数字孪生来解决微电网***运行状态的修正问题,通过实时采集微电网***内的运行数据,数据交互接口实时地将电网的运行数据传输到数字孪生模型中,通过数字孪生模型对数据进行分析预测,将控制指令反馈到微电网***中进行二次控制,进而修正微电网***的频率,使之稳定在额定频率附近;相比较基于下垂的传统二次控制算法,数字孪生具有逻辑规则库,并且可以快速地对微电网***做出响应,提高了***频率的控制精度。
附图说明
图1为本发明实施例的基于数字孪生的微电网频率二次协同控制流程图;
图2为本发明实施例的BP神经网络的拓扑结构图;
图3为本发明实施例的数字孪生模型与微电网***双向数据交互示意图;
图4为本发明实施例的基于数字孪生的微电网频率二次协同控制方法的仿真模型的结构图;
图5为基于下垂的传统二次控制模型的微电网***频率变化曲线图;
图6为本发明实施例的基于数字孪生的微电网***频率变化曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,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。
下面结合说明书附图以及具体的实施例对本发明的技术方案作进一步描述:
实施例一
如图1所示,一种基于数字孪生的微电网频率二次协同控制方法,包括:
1、对离线数据集进行预处理
1.1、Pearson相关性分析
选取微电网***中各分布式电源的有功功率、无功功率、母线电压,联络线的有功功率、无功功率等变量作为输入变量。考虑到输入变量过多,会导致模型复杂度增加、收敛速度变慢等问题,因此通过Pearson相关性分析,选取对微电网频率影响最大的几个因素作为输入变量,计算相关系数,即有:
式(1)中,x,y分别表示n维相量,表示输入变量的平均值。
1.2、缺失值填充
每隔3秒采集一次微电网***中各分布式电源的功率,母线处的电压,联络线的交换功率,考虑到设备可能存在故障,会导致数据中存在缺失值,通过在每两个离散点之间构造三次样条插值函数,最终来填充缺失值,三次样条插值函数定义如下:
y=ax3+bx2+cx+d (2)
式(2)中,a,b,c,d分别表示3次函数的各项系数值。
1.3、异常值检测
考虑到样本集中可能存在异常值,会对后续的分析产生不利影响,基于孤立森林理论来计算各样本的异常值分数,即有:
式(3)中,s(γ,Ψ)表示异常分数,γ表示单个样本,h(γ)为γ在每棵树的高度,E(h(γ))为样本γ在一批孤立树中的路径长度的期望,c(ψ)为给定样本数ψ时路径长度的平均值,用来对样本γ的路径长度h(γ)进行标准化处理;
式(4)中,H(Ψ-1)是调和数,可以通过ln(Ψ-1)+0.5772156649(欧拉常数)来估算。
1.4、对数据集进行归一化处理
对数据集中的输入特征进行归一化处理,去量纲化,即有:
式(5)中,xmin和xmax分别表示数据中的最小值和最大值,把x′归一化到[-1,1]区间内,尽可能地保留输入数据的特征。
2、搭建数字孪生模型
2.1、如图2所示,构建BP神经网络,输出层只有一个神经元,输出的变量是下垂曲线的频率最小值,根据公式(6)确定隐含层的神经元数目:
其中,q表示隐含层神经元数;m表示输入层神经元数;n表示输出层神经元数;a为1~10的常数,隐含层的层数根据分析需要进行调整。
基于步骤1中得到的离线数据集,对BP神经网络进行训练,设置隐含层的激活函数为relu函数,通过随机梯度下降算法更新模型参数,保存训练好的BP神经网络参数,方便后续进行调用。参数更新公式如下:
式(7)中,θ表示BP神经网络的网络参数,η表示学习速率,J表示损失函数,表示网络参数的梯度。
2.2、构建逻辑规则库,对微电网***的运行状态进行分析,如果***进入了稳态且频率偏差较大,则启动BP神经网络进行预测,否则,保持二次控制参数不变;所述的BP神经网络的输出预测公式如下:
其中,u(s,θ)表示BP神经网络输出的预测结果,k代表BP神经网络层数;s为BP神经网络的输入;表示BP神经网络中第l层神经元的激活函数。
3、微电网***的优化控制
3.1、建立基于下垂控制的二次控制模型如下:
其中,ωi表示第i个可控电源的输出频率;ωni表示第i个可控电源的额定频率;δωi为二次频率调节项;kpf和kif分别表示二次频率控制器的比例与积分系数。
3.2、基于步骤2中搭建好的数字孪生模型,通过数据交互接口,实现微电网***与数字孪生模型间数据的双向流动,最终使***频率稳定在额定值附近。
如图3所示,微电网***把当前的运行数据通过数据交互接口传输到数字孪生模型中,数字孪生模型分析微电网的运行数据,把得到的控制指令通过数据交互接口反馈到微电网***中,进一步调节***频率。
如图4所示,建立微电网***仿真模型,***中存在2个分布式储能电源,分布式储能电源的输出功率范围分别为0MW~0.08MW和0MW~0.04MW,两个负荷,负荷的有功功率分别为0.04MW和0.02MW,并且在初始时刻微电网***和主网相连,设置微电网***在0.5s处和主网分离,在2s处进行切负荷操作。
如图5和图6所示,分别表示基于下垂的传统二次控制模型和基于数字孪生的***频率变化曲线图,从图5中可以看出,在传统二次控制模型的作用下,***在进入稳态之后,频率稳定在49.90HZ,距离额定频率有0.1HZ的偏差量,而从图6中可以发现,当数字孪生检测到微电网***进入稳态之后,存在一定的频率偏差量,这个时候通过数字孪生模型,给微电网输出一个控制指令,对微电网***频率进行调节,调节后的频率稳定在49.96HZ,更接近额定频率。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于数字孪生的微电网频率二次协同控制方法,其特征在于,包括如下步骤:
S1、对离线数据集进行预处理:通过Pearson相关性分析,选取微电网频率的影响因素作为输入变量计算相关系数,对数据集进行缺失值填充和异常值检测,对数据集中的输入特征进行归一化处理;
所述的选取微电网频率的影响因素作为输入变量计算相关系数的公式为:
(1)
其中,rxy表示相关系数,x、y分别表示n维相量,、/>表示输入变量的平均值;
所述的缺失值填充的方法为:周期性采集微电网***中各分布式电源的功率、母线处的电压,同时采集联络线的交换功率,通过在每两个离散点之间构造三次样条插值函数来填充缺失值;
所述的异常值检测的方法为:采用基于孤立森林理论来计算各样本的异常值分数,其计算公式如下:
(3)
其中,s(,Ψ)表示异常分数,/>表示单个样本,/>为/>在每棵树的高度,/>为样本/>在一批孤立树中的路径长度的期望,/>为给定样本数/>时路径长度的平均值,用来对样本/>的路径长度/>进行标准化处理;
的计算公式如下:
(4)
其中,H(Ψ-1)是调和数,可以通过ln(Ψ-1)+0.5772156649(欧拉常数)来估算;
S2、搭建数字孪生模型:通过构建BP神经网络,基于步骤S1中得到的数据集对BP神经网络进行训练,并构建逻辑规则库,对微电网***的运行状态进行分析,如果微电网***进入了稳态且频率存在偏差,则启动BP神经网络进行预测,否则,保持二次控制参数不变;
S3、微电网***的优化控制:建立基于下垂控制的二次控制模型,微电网***把当前的运行数据通过数据交互接口传输到数字孪生模型中,数字孪生模型分析微电网的运行数据,把得到的控制指令通过数据交互接口反馈到微电网***中,进一步调节***频率;
所述的基于下垂控制的二次控制模型的公式如下:
(9)
其中,表示第/>个可控电源的输出频率;/>表示第/>个可控电源的额定频率;/>为二次频率调节项;/>和/>分别表示二次频率控制器的比例与积分系数。
2.根据权利要求1所述的一种基于数字孪生的微电网频率二次协同控制方法,其特征在于,所述的三次样条插值函数定义如下:
(2)
其中,a、b、c、d分别表示3次函数的各项系数值。
3.根据权利要求2所述的一种基于数字孪生的微电网频率二次协同控制方法,其特征在于,步骤S1中所述的对数据集中的输入特征进行归一化处理的公式如下:
(5)
其中,和/>分别表示数据中的最小值和最大值,把/>归一化到[-1,1]区间内,从而保留输入数据的特征。
4.根据权利要求3所述的一种基于数字孪生的微电网频率二次协同控制方法,其特征在于,步骤S2中所述的构建BP神经网络的方法如下:
输出层只有一个神经元,输出的变量是下垂曲线的频率最小值,根据经验公式(6)确定隐含层的神经元数目:
(6)
其中,q表示隐含层神经元数;m表示输入层神经元数;n表示输出层神经元数;a为1~10的常数,隐含层的层数根据分析需要进行调整。
5.根据权利要求4所述的一种基于数字孪生的微电网频率二次协同控制方法,其特征在于,步骤S2中所述的基于步骤S1中得到的数据集对BP神经网络进行训练的方法为:设置隐含层的激活函数为relu函数,通过随机梯度下降算法更新BP神经网络模型的参数,保存训练好的参数,参数的更新公式如下:
(7)
式(7)中,表示BP神经网络的网络参数,/>表示学习速率,/>表示损失函数,/>表示网络参数的梯度。
6.根据权利要求5所述的一种基于数字孪生的微电网频率二次协同控制方法,其特征在于,步骤S2中所述的BP神经网络的预测公式如下:
(8)
其中,表示BP神经网络输出的预测结果,k代表BP神经网络层数;/>为BP神经网络的输入;/>表示BP神经网络中第l层神经元的激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967214.6A CN113675863B (zh) | 2021-08-23 | 2021-08-23 | 一种基于数字孪生的微电网频率二次协同控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967214.6A CN113675863B (zh) | 2021-08-23 | 2021-08-23 | 一种基于数字孪生的微电网频率二次协同控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113675863A CN113675863A (zh) | 2021-11-19 |
CN113675863B true CN113675863B (zh) | 2024-02-06 |
Family
ID=78544989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110967214.6A Active CN113675863B (zh) | 2021-08-23 | 2021-08-23 | 一种基于数字孪生的微电网频率二次协同控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113675863B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115224698B (zh) * | 2022-07-20 | 2023-06-30 | 南京理工大学 | 基于数字孪生的新能源电力***无功-电压优化控制方法 |
CN115859700B (zh) * | 2023-03-02 | 2023-05-05 | 国网湖北省电力有限公司电力科学研究院 | 一种基于数字孪生技术的电网建模方法 |
CN116231871B (zh) * | 2023-04-28 | 2023-07-28 | 深圳市三和电力科技有限公司 | 一种基于数字孪生的电网态势监管方法、***及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019178919A1 (zh) * | 2018-03-20 | 2019-09-26 | 东南大学 | 一种基于线性二次型优化的微电网分布式控制器参数确定方法 |
CN112332444A (zh) * | 2020-09-14 | 2021-02-05 | 华北电力大学(保定) | 一种基于数字孪生的微电网能量管理*** |
CN112464418A (zh) * | 2020-11-17 | 2021-03-09 | 海南省电力学校(海南省电力技工学校) | 一种分布式能源资源的通用数字孪生体构建方法 |
CN112531694A (zh) * | 2020-11-27 | 2021-03-19 | 国网重庆市电力公司电力科学研究院 | 基于数字孪生技术的交直流混合电网全域实时模拟方法 |
CN113077101A (zh) * | 2021-04-16 | 2021-07-06 | 华北电力大学 | 面向能源互联网调配管理的数字化***及方法 |
CN113221456A (zh) * | 2021-05-11 | 2021-08-06 | 上海交通大学 | 一种智慧微电网的数字孪生建模和多智能体协调控制方法 |
-
2021
- 2021-08-23 CN CN202110967214.6A patent/CN113675863B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019178919A1 (zh) * | 2018-03-20 | 2019-09-26 | 东南大学 | 一种基于线性二次型优化的微电网分布式控制器参数确定方法 |
CN112332444A (zh) * | 2020-09-14 | 2021-02-05 | 华北电力大学(保定) | 一种基于数字孪生的微电网能量管理*** |
CN112464418A (zh) * | 2020-11-17 | 2021-03-09 | 海南省电力学校(海南省电力技工学校) | 一种分布式能源资源的通用数字孪生体构建方法 |
CN112531694A (zh) * | 2020-11-27 | 2021-03-19 | 国网重庆市电力公司电力科学研究院 | 基于数字孪生技术的交直流混合电网全域实时模拟方法 |
CN113077101A (zh) * | 2021-04-16 | 2021-07-06 | 华北电力大学 | 面向能源互联网调配管理的数字化***及方法 |
CN113221456A (zh) * | 2021-05-11 | 2021-08-06 | 上海交通大学 | 一种智慧微电网的数字孪生建模和多智能体协调控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113675863A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113675863B (zh) | 一种基于数字孪生的微电网频率二次协同控制方法 | |
CN109523084A (zh) | 一种基于主元分析和机器学习的风电功率超短期预测方法 | |
CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
CN116596286B (zh) | 虚拟电厂的优化调度方法、装置、设备及存储介质 | |
CN110165714B (zh) | 基于极限动态规划算法的微电网一体化调度与控制方法、计算机可读存储介质 | |
CN115425680A (zh) | 一种多能源联合发电***的功率预测模型构建及预测方法 | |
CN115115127A (zh) | 一种基于深度学习的低压台区智能调控方法及*** | |
Wang et al. | A data-centric predictive control approach for nonlinear chemical processes | |
CN114430165A (zh) | 基于深度模型预测的微网群智能协调控制方法和装置 | |
CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
CN111523735A (zh) | 一种基于轻量级梯度提升算法预测短期电力负荷的***模型 | |
CN114722693A (zh) | 一种水轮机调节***二型模糊控制参数的优化方法 | |
Wang et al. | Short-term wind power prediction based on DBSCAN clustering and support vector machine regression | |
CN117638939A (zh) | 一种基于Adam算法考虑的水光互补优化调度方法 | |
CN117375097A (zh) | 基于多代理协调控制策略与强化学习的光伏协调自治方法 | |
CN116307526B (zh) | 一种基于数学模型智慧工厂产能分析*** | |
CN112132471A (zh) | 基于模拟退火粒子群算法的梯级水电站调度方法及*** | |
CN109578264B (zh) | 芯片生产用空压机的稳压方法、***、装置及存储介质 | |
EP4027474A1 (en) | Power control device and power control method | |
CN116154875A (zh) | 基于tcn和误差函数的光伏电站有功功率优化分配方法 | |
CN114301062A (zh) | 一种分布式能源优化治理装置 | |
CN108009686B (zh) | 一种光伏发电功率预测方法、装置及*** | |
CN112348235A (zh) | 风光母线负荷自适应预测方法、装置、计算机设备 | |
CN112615364A (zh) | 一种新型的电网稳控装置广域智能协同控制方法 |
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 |