Voltage fluctuations are common disturbances in power grids. Initially, it is necessary to selectively identify individual sources of voltage fluctuations to take actions to minimize the effects of voltage fluctuations. Selective identification of disturbing loads is possible by using a signal chain consisting of demodulation, decomposition, and assessment of the propagation of component signals. The accuracy of such an approach is closely related to the applied decomposition method. The paper presents a new method for decomposition by approximation with pulse waves. The proposed method allows for an correct identification of selected parameters, that is, the frequency of changes in the operating state of individual sources of voltage fluctuations and the amplitude of voltage changes caused by them. The article presents results from numerical simulation studies and laboratory experimental studies, based on which the estimation errors of the indicated parameters were determined by the proposed decomposition method and other empirical decomposition methods available in the literature. The real states that occur in power grids were recreated in the research. The metrological interpretation of the results obtained from the numerical simulation and experimental research is discussed.


翻译:电压波动是电网中常见的扰动。最初,有必要有选择地确定电压波动的个别来源,以便采取行动最大限度地减少电压波动的影响。通过使用由降压、分解和对组件信号传播的评估组成的信号链,可以有选择地识别令人不安的负荷。这种方法的准确性与应用分解法密切相关。本文提出了通过近似与脉冲波分解的新方法。拟议方法可以正确识别选定的参数,即电压波动个别来源的运行状态变化频率和这些来源引起的电压变化的振幅。文章介绍了数字模拟研究和实验室实验研究的结果,根据这些研究结果,根据拟议的分解法和文献中现有的其他实验分解方法,确定了所指明参数的估计错误。研究中重建了电网中出现的实际状态。对数字模拟和实验研究中得出的结果进行了计量学解释。

0
下载
关闭预览

相关内容

专知会员服务
43+阅读 · 2020年12月18日
专知会员服务
50+阅读 · 2020年12月14日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
176+阅读 · 2019年10月11日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Differentially Private Synthetic Control
Arxiv
0+阅读 · 2023年3月24日
VIP会员
相关VIP内容
专知会员服务
43+阅读 · 2020年12月18日
专知会员服务
50+阅读 · 2020年12月14日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
176+阅读 · 2019年10月11日
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员