排序方式: 共有176条查询结果,搜索用时 15 毫秒
1.
随着相量测量单元(PMU)的广泛应用,基于PMU的发电机动态状态估计的研究越来越受到重视。如果存在量测坏数据,动态状态估计的滤波效果会受到严重的影响。首先介绍了一种基于无迹卡尔曼滤波(UKF)的发电机动态状态估计方法。然而,由于PMU数据的质量不高,为解决坏数据的问题,推导残差方程得出时变的阈值,再通过一种迭代检测的方法确定坏数据的测点位置。对于坏数据对应的量测,算法将其剔除后重新进行一次估计,以修正估计结果。算例结果表明,该方法能有效抑制量测坏数据对发电机动态状态估计的影响。 相似文献
2.
提出一种利用同步电压相量进行输电网络故障定位的新方法。该方法首先运用对称分量法和线性叠加原理建立故障后的附加正序网络并且定义了故障点的匹配指标,进而基于该指标运用遍历搜索方法寻找故障点位置。该算法仅利用电压相量进行计算,因而能避免因电流互感器饱和导致的误差影响,且仅需少量的同步相量测量单元配置。基于PSCAD的仿真实验表明该方法能够有效地定位任意电网结构的短路故障,并且不受故障类型、过渡电阻等因素的影响。 相似文献
3.
将风险理论应用于电力系统静态安全分析,建立了具有明显并行计算形式的电力系统风险模型,提出了基于并行计算的电力系统风险评估方法,并应用PC机群技术作为并行计算的实现形式.在实现具体的并行计算时,采用了PC集群技术,并应用新英格兰10机39节点系统对本文提出的基于并行计算的电力系统静态安全风险评估方法进行了验证.以系统的N-1开断事故作为该系统的预想事故集,以线路过载风险与母线低压风险作为描述静态安全的2个风险指标,比较了基于指标的并行计算结构算法和静态分配方式下基于事故的并行计算结构算法的性能. 相似文献
4.
风电具有显著的波动性和不确定性,大规模风电并网给电力系统的频率调节带来了严峻的挑战。储能具有灵活爬坡特性和双向调节能力,可有效辅助常规机组参与频率调节,提高参与自动发电控制(AGC)的机组响应能力,从而提高高风电功率波动系统的频率稳定性。以机组功率调节速率能否弥补系统功率波动为判断依据,以储能的有功功率变化速率和有功功率基点作为控制变量,提出一种考虑功率变化速率的储能辅助单台火电AGC机组参与电力系统频率调节的协调控制策略,自适应决策储能的动作时机和动作速率。基于PSCAD/ETMDC平台的仿真结果表明,所提策略以储能更少的动作频度和动作深度,达到了更优的调频效果,可有效减少储能功率/能量容量配置,具有良好的经济性,为储能的多场景应用奠定了基础。 相似文献
5.
独立运行方式下的微电网能量优化管理 总被引:1,自引:0,他引:1
针对独立运行方式下的微电网经济运行和管理问题,提出了独立运行方式下的微电网能量优化管理方法,该方法通过缩减下垂控制单元的基点运行功率范围,使其具有类似于传统发电机组自动发电量控制(AGC)的功率调节裕量,以吸纳实时调度周期内的非计划瞬时波动功率;在每次调度时刻,根据系统净负荷功率大小和可控型微电源的基点运行功率范围之间的关系,采用不同的能量调度策略,并引入负荷竞价策略,增加了切负荷和卸荷控制作为功率调节手段,建立了所涉及的负荷优化分配模型和负荷可中断优化模型。最后,通过一个微电网系统算例验证了该方法的有效性。 相似文献
6.
7.
8.
同步发电机模型的准确性对电力系统稳定性研究影响甚大,如何快速准确地确定系统中发电机模型参数是电力系统建模领域非常重要的问题之一。利用广域测量装置,提出一种同时对多台发电机在线辨识算法。对多机系统多台发电机同时辨识问题建立了完整的数学模型,同时为了应对相量测量单元(PMU)测量误差,提出多情景参数辨识,提高辨识精度。多台发电机同时辨识问题是一类动态优化问题,采用内点法求解时,对大系统求解,计算时间过长。因参数辨识问题自由度较低,提出简约空间内点算法,极大地降低了计算时间,同时针对多情景辨识,提出情景解耦策略,并行求解该问题。对IEEE 9节点系统和IEEE 39节点系统进行算例测试发现,相对传统单机辨识算法,该方法对发电机辨识有较高的准确性,能较快地计算出辨识结果。 相似文献
9.
提出了应用GA(遗传算法)设计H2/H∞鲁棒控制器的一般方法。使得在满足闭环系统的H∞范数小于指定的工程要求的条件下误差信号的H2范数最小。该问题可归结为一个带约束条件的极小值优化问题,并通过一种改进的遗传算法加以解决。该设计方法能对具有任意控制器结构的控制系统进行参数优化。与传统的鲁棒控制器设计方法相比,所提出的方法不仅可以提高控制器的鲁棒性,还具有易于进行参数优化的优点。将所提出的方法应用于超导磁储能装置(SMES)PI型鲁棒控制器的设计,时域仿真结果表明所设计的控制器具有很好的鲁棒性,在不同的运行工况下均能有效阻尼电力系统的振荡。此外,控制器还具有结构简单、易于工程实现的优点。 相似文献
10.
随着电力系统规模的增大,通过传统数值方法计算系统特征值来进行小干扰稳定评估已无法满足实时分析的要求。因此,提出了一种基于深度学习(卷积神经网络)的电力系统小干扰稳定评估方法。该方法以广域测量系统可监测变量作为模型的输入,关键特征值作为输出,对输入数据和输出数据进行相应处理后,利用深层架构对其映射关系进行分析;并针对大系统维数较高、训练速度较慢的问题,采用了离散余弦变换和图形处理器并行技术。算例结果表明,在不考虑控制参数变化的情况下,经过历史数据的离线训练后,该方法能够较准确地计算出系统的关键特征值。 相似文献