Nothing Special   »   [go: up one dir, main page]

CN113987831A - 一种多虚拟同步发电机低频振荡特征的辨识方法 - Google Patents

一种多虚拟同步发电机低频振荡特征的辨识方法 Download PDF

Info

Publication number
CN113987831A
CN113987831A CN202111338070.4A CN202111338070A CN113987831A CN 113987831 A CN113987831 A CN 113987831A CN 202111338070 A CN202111338070 A CN 202111338070A CN 113987831 A CN113987831 A CN 113987831A
Authority
CN
China
Prior art keywords
vsg
low
frequency oscillation
wavelet
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.)
Pending
Application number
CN202111338070.4A
Other languages
English (en)
Inventor
徐永海
秦本双
王莹鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN202111338070.4A priority Critical patent/CN113987831A/zh
Publication of CN113987831A publication Critical patent/CN113987831A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/11Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24Arrangements for preventing or reducing oscillations of power in networks
    • H02J3/241The oscillation concerning frequency
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48Controlling the sharing of the in-phase component
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02Preprocessing
    • G06F2218/04Denoising
    • G06F2218/06Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Power Engineering (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出一种多虚拟同步发电机(VSG)低频振荡特征的辨识方法,首先采用小波分析法对测量数据进行降噪处理;然后,采用Prony算法对VSG及多机并网系统的响应数据进行低频振荡辨识。本发明无需获知系统模型,仅对仿真数据进行分析即可获知系统的振荡模式,可用于实时测量数据的在线分析。本发明所述方法具有较高精度,适用于不同的逆变器控制策略,为多VSG并网系统的低频振荡特征分析提供了一种新的思路。

Description

一种多虚拟同步发电机低频振荡特征的辨识方法
技术领域
本发明涉及新能源低频振荡领域,具体涉及一种多虚拟同步发电机(VSG)低频振荡特征的辨识方法。
背景技术
高比例新能源并网及高渗透率电力电子设备的接入导致电力系统的惯量和阻尼不足,严重威胁电力系统的安全稳定运行,而VSG技术是解决上述问题的一种有效途径,其通过模拟同步发电机(Synchronous generator,SG)的转子运动方程为系统提供必要的转动惯量、阻尼以及频率和电压调节的支撑。然而,虚拟惯量的引入将有功-频率控制环路的一阶特性转化为二阶振荡特性。因此,当VSG控制应用于微电网时,必须注意的一个问题是由摆动方程的特征引入的低频振荡,这是SG及VSG的固有特征。由于VSG的控制参数选择较为灵活,且其改进及优化控制策略多样,故其产生的低频振荡频率区别相对传统电力系统的频率区间更宽。因此,研究电力电子变换器接入系统产生的新型低频振荡具有重要的现实意义。
针对高比例电力电子变换器接入交流系统出现的新型低频振荡问题,现有研究方法可分为以下两类:一类是是特征值分析法,其通过建立系统各变量之间的时域方程关系来获取系统全部状态信息。另一种是机械导纳建模法,其通过构建VSG功-频控制环路的机械导纳模型,进而研究系统的低频振荡特性。上述低频振荡分析方法受系统模型精度的影响较大,均需获知系统的控制参数才可确定其低频振荡模式。然而,在系统模型参数未知,也即系统处于灰箱(黑箱)时,存在不能有效辨识系统振荡模式的缺点。
发明目的
本发明的目的即在于应对现有技术所存在的不足,提出一种不依赖于系统数学模型即可有效辨识出系统低频振荡的方法,当系统受到激励时,其响应信号中必然包含激励及系统固有特征,因此,可通过分析系统的响应信号进而提取其振荡特征。
发明内容
本发明提出了一种多虚拟同步发电机VSG低频振荡特征的辨识方法,包括以下具体步骤:
步骤S1:获取有功功率指令扰动下VSG的有功功率响应数据;
步骤S2:采用小波分析法对测量数据进行降噪处理;
步骤S3:采用Prony算法对经过预处理后的测量数据进行低频振荡辨识;
步骤S4:研究当电网等效阻抗、阻尼系数及惯性常数变化时,VSG低频振荡模式的变化规律。
步骤S1包括:搭建多VSG并网系统的仿真模型,对其中一台VSG施加有功功率指令输入阶跃扰动,记录该VSG的有功功率响应数据。
进一步地,步骤S2中所述的采用小波分析对测量数据进行降噪处理的过程分为3个阶段:第一个阶段为分解,即选择一种合适的小波包对测量信号进行N层分解;第二个阶段为作用阈值的确定,即为分解后的小波系数确定合适的阈值Tj;第三个阶段为信号重构,即对降噪处理后的小波系数进行重构,并恢复原始信号;
根据
Figure BDA0003351185740000021
计算得到小波噪声强度σj,其中,Wk,j为第j层小波系数,1≤j≤L;N为该层小波系数的个数;L为小波分解的最高层数;由
Figure BDA0003351185740000022
计算出阈值Tj
进一步地,步骤S3中,基于仿真获取测量信号x(0)、x(1)、…、x(n-1),表示为由公式(1)所示的模型:
Figure BDA0003351185740000031
其中,Am为幅值;θm为初相;am为衰减因子;fm为振荡频率;Δt为时间间隔。
所述步骤S3中对测量信号进行Prony辨识的具体步骤进一步包括以下子步骤:
子步骤S31:定义测量信号的样本函数为
Figure BDA0003351185740000032
并由此求出测量信号的样本矩阵为
Figure BDA0003351185740000033
子步骤S32:利用总体最小二乘法确定线性预测方程
Figure BDA0003351185740000034
的解,然后求解多项式1+a1z-1+…+apz-p=0的根,并由式
Figure BDA0003351185740000035
推导出
Figure BDA0003351185740000038
子步骤S33:根据方程
Figure BDA0003351185740000036
求解矩阵b;
子步骤S34:利用公式
Figure BDA0003351185740000037
计算模型的振幅Ai、相位θi、频率fi和衰减因子ai
通过计算不同时刻测量数据和拟合数据的平方误差来衡量Prony算法的拟合的效果,表示为如式(2)所示的计算公式:
Figure BDA0003351185740000041
式中,y(k)代表测量数据,
Figure BDA0003351185740000042
代表拟合数据。
进一步地,步骤S4中,依次分别改变电网等效阻抗、阻尼系数及惯性常数,并记录对应参数变化时VSG的响应测量数据,经小波去噪后,采用Prony算法依次进行低频振荡辨识,从而总结出不同参数变化条件下低频振荡模式的变化规律。
附图说明
图1为本发明构建的仿真系统结构图;
图2(a)-2(c)为本发明采用的3种不同逆变器控制策略框图;
图3为本发明实例中Prony算法拟合效果图;
图4为本发明本发明实例中Prony算法拟合误差时序图。
具体实施方式
下面结合附图,对实例作详细说明,本发明提出一种多虚拟同步发电机低频振荡特征的辨识方法。Prony算法对噪声较为敏感,其辨识精度受噪声影响较大。因此,首先采用小波分析法对测量数据进行降噪处理。然后,采用Prony算法分别对单VSG及多机并网系统的测量数据进行低频振荡分析。
本发明的目的在于提出一种多虚拟同步发电机低频振荡特征的辨识方法,该方法的具体步骤如下:
步骤S1:获取有功功率指令扰动下VSG的有功功率响应数据;
基于Matlab/Simulink仿真平台搭建了三台分布式电源(Distributedgeneration,DG)并联并网系统的仿真模型,如图1所示。依次闭合开关S1、S2及S3,此时系统为三机并联并网模式。选取了三种典型逆变器控制方案。其中,DG1采用传统VSG(VSG-TD)控制方案;DG2采用下垂(VSI)控制方案;DG3采用加入阻尼校正环节的VSG(VSG-MD)控制方案,三种控制方案的有功-频率控制环路如图3所示。在2s时刻对VSG-TD的有功功率指令Pref施加30kW的阶跃扰动,记录VSG-TD的有功功率响应数据。
步骤S2:采用小波分析法去测量数据进行降噪处理;
由于测量信号中存在高频杂散分量,且Prony算法对噪声较为敏感,故采用小波分析法对测量数据进行降噪处理。为了取得较好的降噪效果,小波包、分解层数及阈值的参数选择至关重要,其中阈值的选择最为关键。根据
Figure BDA0003351185740000051
计算得到小波噪声强度σj,其中,Wk,j为第j层小波系数,1≤j≤L;N为该层小波系数的个数;L为小波分解的最高层数。由
Figure BDA0003351185740000052
可计算出阈值Tj
步骤S3:采用Prony算法对经过预处理后的测量数据进行低频振荡辨识;
步骤S2去噪后的测量信号x(0)、x(1)、…、x(n-1)可由公式(1)所示的模型表示:
Figure BDA0003351185740000053
其中,Am为幅值;θm为初相;am为衰减因子;fm为振荡频率;Δt为时间间隔。
所述步骤S3中对测量信号进行Prony辨识的具体步骤包括:
步骤S31:定义测量信号的样本函数为
Figure BDA0003351185740000054
并由此求出测量信号的样本矩阵为
Figure BDA0003351185740000055
步骤S32:利用总体最小二乘法确定线性预测方程
Figure BDA0003351185740000061
的解,然后求解多项式1+a1z-1+…+apz-p=0的根,并由式
Figure BDA0003351185740000062
推导出
Figure BDA0003351185740000066
步骤S33:根据方程
Figure BDA0003351185740000063
求解矩阵b;
步骤S34:利用公式
Figure BDA0003351185740000064
计算模型的振幅Ai、相位θi、频率fi和衰减因子ai
为了评价Prony算法的拟合精度,可通过计算不同时刻测量数据和拟合数据的平方误差来衡量Prony算法的拟合的效果,其计算公式如下所示。
Figure BDA0003351185740000065
经过上述过程,可得到Prony分析的拟合结果及均方误差时序图分别如图3和图4所示,模式辨识结果如表1所示。
表1 Prony分析结果
A a f/Hz Energy ξ
1.4×10<sup>6</sup> -6.6×10<sup>-6</sup> 0 1.1×10<sup>14</sup> 1.0
3.7×10<sup>3</sup> -6.33 1.12 2.9×10<sup>7</sup> 0.669
3.0×10<sup>5</sup> v2.52 3.24 4.6×10<sup>11</sup> 0.123
2.9×10<sup>2</sup> -49 14.08 3.3×10<sup>4</sup> 0.483
由图3和图4可知,Prony算法可以很好地拟合有功指令扰动下VSG的功率响应,误差较小。由表1可以看出,采用Prony算法可以较好的辨识出系统的低频振荡模式,且其适用于采用不同控制策略的逆变器的低频振荡辨识。
步骤S4:研究当电网等效阻抗、阻尼系数及惯性常数变化时,VSG低频振荡模式的变化规律。
基于控制单一变量的思想,依次分别改变电网等效阻抗、阻尼系数及惯性常数,并记录对应参数变化时VSG的响应测量数据,经小波去噪后,采用Prony算法依次进行低频振荡辨识,总结不同参数变化条件下低频振荡模式的变化规律。
与现有技术相比,本发明的有益效果是:
本发明提出一种多虚拟同步发电机低频振荡特征的辨识方法。首先采用小波分析法对测量数据进行去噪;然后以机械导纳法为对比,采用Prony算法对扰动下VSG的响应数据进行低频振荡辨识。本发明提出的采用Prony算法进行低频振荡辨识的方法,具有无需获知系统模型,仅对仿真数据进行分析即可获知系统的振荡模式,而且可用于实时测量数据的在线分析的优点。此外,该低频振荡辨识方法不受逆变器控制策略的限制,可用于多机并网系统的低频振荡辨识,为高渗透率电力电子变换器的低频振荡研究提供了一种新的思路。
可以理解的是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。

Claims (6)

1.一种多虚拟同步发电机VSG低频振荡特征的辨识方法,其特征在于,包括以下具体步骤:
步骤S1:获取有功功率指令扰动下VSG的有功功率响应数据;
步骤S2:采用小波分析法对测量数据进行降噪处理;
步骤S3:采用Prony算法对经过预处理后的测量数据进行低频振荡辨识;
步骤S4:研究当电网等效阻抗、阻尼系数及惯性常数变化时,VSG低频振荡模式的变化规律。
2.根据权利要求1所述的辨识方法,其特征在于,步骤S1进一步包括:搭建多VSG并网系统的仿真模型,对其中一台VSG施加有功功率指令输入阶跃扰动,记录该VSG的有功功率响应数据。
3.根据权利要求2所述的辨识方法,其特征在于,步骤S2中所述的采用小波分析对测量数据进行降噪处理的过程分为3个阶段:
第一个阶段为分解,即选择一种合适的小波包对测量信号进行N层分解;
第二个阶段为作用阈值的确定,即为分解后的小波系数确定合适的阈值Tj
第三个阶段为信号重构,即对降噪处理后的小波系数进行重构,并恢复原始信号;
根据
Figure FDA0003351185730000011
计算得到小波噪声强度σj,其中,wk,j为第j层小波系数,1≤j≤L;N为该层小波系数的个数;L为小波分解的最高层数;由
Figure FDA0003351185730000012
计算出阈值Tj
4.根据权利要求3所述的辨识方法,其特征在于,步骤S3中,基于仿真获取测量信号x(0)、x(1)、…、x(n-1),表示为由公式(1)所示的模型:
Figure FDA0003351185730000021
其中,Am为幅值;θm为初相;αm为衰减因子;fm为振荡频率;Δt为时间间隔。
5.根据权利要求4所述的辨识方法,其特征在于,步骤S3中对测量信号进行Prony辨识的具体步骤进一步包括以下子步骤:
子步骤S31:定义测量信号的样本函数为
Figure FDA0003351185730000022
并由此求出测量信号的样本矩阵为
Figure FDA0003351185730000023
子步骤S32:利用总体最小二乘法确定线性预测方程
Figure FDA0003351185730000024
的解,然后求解多项式1+a1z-1+…+apz-p=0的根,并由式
Figure FDA0003351185730000025
Figure FDA0003351185730000026
推导出
Figure FDA0003351185730000027
子步骤S33:根据方程
Figure FDA0003351185730000028
求解矩阵b;
子步骤S34:利用公式
Figure FDA0003351185730000029
计算模型的振幅Ai、相位θi、频率fi和衰减因子αi
通过计算不同时刻测量数据和拟合数据的平方误差来衡量Prony算法的拟合的效果,表示为如式(2)所示的计算公式:
Figure FDA0003351185730000031
式中,
Figure FDA0003351185730000032
代表测量数据,
Figure FDA0003351185730000033
代表拟合数据。
6.根据权利要求5所述的辨识方法,其特征在于,步骤S4中,依次分别改变电网等效阻抗、阻尼系数及惯性常数,并记录对应参数变化时VSG的响应测量数据,经小波去噪后,采用Prony算法依次进行低频振荡辨识,从而总结出不同参数变化条件下低频振荡模式的变化规律。
CN202111338070.4A 2021-11-12 2021-11-12 一种多虚拟同步发电机低频振荡特征的辨识方法 Pending CN113987831A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111338070.4A CN113987831A (zh) 2021-11-12 2021-11-12 一种多虚拟同步发电机低频振荡特征的辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111338070.4A CN113987831A (zh) 2021-11-12 2021-11-12 一种多虚拟同步发电机低频振荡特征的辨识方法

Publications (1)

Publication Number Publication Date
CN113987831A true CN113987831A (zh) 2022-01-28

Family

ID=79748142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111338070.4A Pending CN113987831A (zh) 2021-11-12 2021-11-12 一种多虚拟同步发电机低频振荡特征的辨识方法

Country Status (1)

Country Link
CN (1) CN113987831A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781428A (zh) * 2022-03-18 2022-07-22 华南理工大学 基于多虚拟同步发电机并联并网系统的小信号稳定性分析方法及系统
CN115733157A (zh) * 2022-12-27 2023-03-03 华北电力大学(保定) 一种高渗透率光伏系统低频振荡的阻尼控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103311939A (zh) * 2013-06-14 2013-09-18 华北电力大学(保定) 基于wams的电力系统低频振荡协调阻尼控制方法
CN106845010A (zh) * 2017-02-16 2017-06-13 西南交通大学 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法
CN112202211A (zh) * 2020-10-10 2021-01-08 华北电力大学 一种基于模态分析法的多vsg并网功频振荡评估方法
US20210159705A1 (en) * 2018-07-06 2021-05-27 Wobben Properties Gmbh Wind energy system and method for identifying low-frequency oscillations in an electrical supply network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103311939A (zh) * 2013-06-14 2013-09-18 华北电力大学(保定) 基于wams的电力系统低频振荡协调阻尼控制方法
CN106845010A (zh) * 2017-02-16 2017-06-13 西南交通大学 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法
US20210159705A1 (en) * 2018-07-06 2021-05-27 Wobben Properties Gmbh Wind energy system and method for identifying low-frequency oscillations in an electrical supply network
CN112202211A (zh) * 2020-10-10 2021-01-08 华北电力大学 一种基于模态分析法的多vsg并网功频振荡评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘森 等: "基于小波预处理技术的低频振荡Prony分析", 《电力自动化设备》, vol. 27, no. 4, 30 April 2007 (2007-04-30), pages 64 - 67 *
秦本双 等: "多虚拟同步机并网系统功频振荡模态分析", 《中国电机工程学报》, vol. 41, no. 19, 5 October 2021 (2021-10-05), pages 6570 - 6581 *
程亮 等: "可再生能源虚拟同步发电机并网振荡模式及影响因素分析", 《可再生能源》, vol. 39, no. 5, 31 May 2021 (2021-05-31), pages 673 - 680 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781428A (zh) * 2022-03-18 2022-07-22 华南理工大学 基于多虚拟同步发电机并联并网系统的小信号稳定性分析方法及系统
CN114781428B (zh) * 2022-03-18 2024-03-26 华南理工大学 基于多虚拟同步发电机并联并网系统的小信号稳定性分析方法及系统
CN115733157A (zh) * 2022-12-27 2023-03-03 华北电力大学(保定) 一种高渗透率光伏系统低频振荡的阻尼控制方法
CN115733157B (zh) * 2022-12-27 2024-02-02 华北电力大学(保定) 一种高渗透率光伏系统低频振荡的阻尼控制方法

Similar Documents

Publication Publication Date Title
Li et al. Short-term load-forecasting method based on wavelet decomposition with second-order gray neural network model combined with ADF test
CN112651290A (zh) 一种水电机组振动趋势预测方法和系统
CN109376897A (zh) 一种基于混合算法的短期风电功率预测方法
CN113987831A (zh) 一种多虚拟同步发电机低频振荡特征的辨识方法
CN103400052A (zh) 一种风电场短期风速组合预测方法
CN115062668B (zh) 基于RAdam优化宽度学习的谐波参数检测方法和系统
CN113591401B (zh) 一种基于时间序列分解的电力变压器数据清洗方法
CN106980044B (zh) 一种适应风电接入的电力系统谐波电流估计方法
CN112200038A (zh) 一种基于cnn的电力系统振荡类型的快速辨识方法
CN107480391A (zh) 基于数据驱动的近断层非平稳地震动模拟方法
CN111289796A (zh) 一种高比例可再生能源电力系统次同步振荡的检测方法
CN111709350B (zh) 基于fcm聚类的低频振荡模态参数识别方法及系统
CN104833852A (zh) 一种基于人工神经网络的电力系统谐波信号估计测量方法
CN113514743A (zh) 一种基于多维特征的gis局部放电模式识别系统构建方法
Sun et al. Short-term power load prediction based on VMD-SG-LSTM
CN110210152B (zh) 一种超高次谐波源建模方法
Cai et al. Wind power forecasting based on ensemble empirical mode decomposition with generalized regression neural network based on cross-validated method
CN110222390B (zh) 基于小波神经网络的齿轮裂纹识别方法
CN116826735A (zh) 一种针对新能源场站宽频振荡辨识方法、装置
Shen et al. A novel neural network approach for power system low frequency oscillation mode identification
CN116384586A (zh) 一种基于vmd-svr的风速预测方法
CN117148034A (zh) 基于经验小波变换及图注意力网络的配电网故障选线方法
CN116226620A (zh) 一种基于svm和lstm的次同步振荡模态辨识方法
Elango et al. Identification of power quality disturbances using Artificial Neural Networks
CN113919388A (zh) 一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置

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