CN114818483A - 一种基于图神经网络的机电扰动定位及传播预测方法 - Google Patents

一种基于图神经网络的机电扰动定位及传播预测方法 Download PDF

Info

Publication number
CN114818483A
CN114818483A CN202210389852.9A CN202210389852A CN114818483A CN 114818483 A CN114818483 A CN 114818483A CN 202210389852 A CN202210389852 A CN 202210389852A CN 114818483 A CN114818483 A CN 114818483A
Authority
CN
China
Prior art keywords
oscillation
neural network
disturbance
node
graph
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.)
Granted
Application number
CN202210389852.9A
Other languages
English (en)
Other versions
CN114818483B (zh
Inventor
冯双
彭祥佳
崔昊
雷家兴
汤奕
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.)
Liyang Research Institute of Southeast University
Original Assignee
Liyang Research Institute of Southeast 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 Liyang Research Institute of Southeast University filed Critical Liyang Research Institute of Southeast University
Priority to CN202210389852.9A priority Critical patent/CN114818483B/zh
Publication of CN114818483A publication Critical patent/CN114818483A/zh
Application granted granted Critical
Publication of CN114818483B publication Critical patent/CN114818483B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于图神经网络的机电扰动定位及传播预测方法。该方法包含离线训练和在线定位两部分。离线训练部分，首先根据电力系统的物理结构获得邻接矩阵及特征矩阵。然后训练基于图神经网络的扰动源定位模型，确定扰动源所在的具体机组。同时根据振荡可能发生的位置训练基于时空图神经网络的振荡传播预测模型，能够准确预测振荡的传播过程。在线定位部分先将发生扰动时电力系统所有节点采集到的有功功率数据输入源定位模型，获得具体的机组位置。然后根据机组的具体位置选择扰动传播预测模型，输入有功功率数据预测未来一段时间内的电力系统所有节点的有功功率数据。本发明不仅有较高的定位正确率，还可以精准预测振荡传播。

Description

一种基于图神经网络的机电扰动定位及传播预测方法
技术领域
本发明涉及电力系统分析技术，尤其是电力系统中机电扰动定位与传播预测方法，属于人工智能技术领域。
背景技术
随着我国提出“双碳”目标，电力系统朝着以可再生能源为主体的新型电力系统的方向发展。在此背景下，电力系统中扰动的种类逐渐增多，发生的概率也随之提高，给电网的安全稳定运行带来了巨大的挑战。而对于机电扰动定位及传播预测的研究是该领域面临的重要挑战。
传统的机电扰动定位需要定义一系列假设，建立系统对应的数学模型来判别扰动源的具体位置。随着电力系统越来越复杂，系统的运行方式不再一成不变，上述方法建立数学模型的假设前提不再成立。目前，扰动源定位的方法主要包括阻抗法和行波法。阻抗法是根据故障发生时刻的电压、电流来计算回路阻抗并确定与故障发生点的距离，但是受过渡电阻等因素的影响，测距精度较低，适用范围有限。行波定位法虽然不受过渡电阻的影响，但受大地电阻率和架空线配置的影响不易确定，且线路两端的非线性元件存在动态延时现象。因此亟需一种基于数据驱动的方法解决机电扰动源定位问题。
传统的机电扰动传播预测方法也是依据物理模型建立的数学模型进行推理分析，同样需要设定一系列重要的假设和前提，只适用于简单的电力系统，不能应用在复杂新型电力系统中。机电扰动传播的研究方法主要包含连续体链式模型及框架结构模型。连续体链式模型在建模过程中进行了大量假设，不适用于复杂的实际网络。框架结构模型虽然以电网的拓扑结构为基础，但是在分析过程中线路电抗参数被忽略。因此，为解决上述问题，本专利提出了基于时空图神经网络的机电扰动传播预测方法。
发明内容
为解决现有技术中的问题，本发明提出了一种基于图神经网络的机电扰动定位及传播预测方法。
该方法根据电力系统的物理结构获得邻接矩阵及特征矩阵，然后训练图神经网络模型，确定振荡源位置，同时根据振荡源的位置分别训练振荡传播预测模型，实现振荡传播的预测。该方法不仅能够对强迫振荡扰动源进行准确快速识别，而且可以准确预测强迫振荡的功率数据。
为了实现上述目的，本发明采用了如下技术方案：
一种基于图神经网络的机电扰动定位及传播预测方法，包含以下步骤：
Step1：将电力系统中的节点作为图结构中的节点，电力系统中的传输线路作为图结构中的边，构建电力系统拓扑结构对应的图结构，并根据图结构生成邻接矩阵，根据传输线路的电阻和电感生成特征矩阵；
Step2：电力系统的总负荷在95％～105％内均匀变化，对发电机的功率施加正弦波扰动进行批量仿真，采集电力系统所有节点的有功功率作为样本，而后将数据划分为训练数据集和测试数据集；
Step3：搭建基于图神经网络的扰动源定位模型的结构，包含三层图卷积层、三层池化层和一层全连接层，获得训练数据集对应的标签，将邻接矩阵、特征矩阵输入扰动源定位模型，使用训练数据集以及标签训练得到扰动源定位模型；
Step4：搭建预测振荡传播的时空图神经网络模型的结构，包含一层动态边缘卷积层、一层图卷积层和一层门控循环单元(Gate Recurrent Unit,GRU)层，根据振荡发生的位置对训练数据集分类，然后分别训练振荡传播模型；
Step5：分别对图神经网络定位模型以及时空图神经网络预测模型的正确率进行验证，离线训练过程结束；
Step6：当实际系统监测到发生强迫振荡时，电力系统调度中心采集所有同步相量测量单元子站的功率振荡数据；
Step7：输入整个电力系统的功率振荡数据到扰动源定位模型中，定位振荡源所在的具体机组位置，在线定位过程结束；
Step8：根据振荡源所在的具体机组位置选择对应的振荡预测模型，输入采集到的所有功率振荡数据，对未来一段时间内电力系统中所有同步相量测量单元子站的功率振荡数据进行预测，在线预测过程结束。
进一步的，所述Step1中根据图结构生成邻接矩阵的方法如下：
Figure RE-GDA0003700827450000021
其中，n表示节点的个数，如果节点i和节点j之间有线路连接，则aij＝1，否则，aij＝0。
进一步的，所述Step1中的特征矩阵包含电阻和电感，电阻矩阵的生成方法如下：
Figure RE-GDA0003700827450000031
其中，rij表示节点i和节点j之间线路的电阻，如果节点i和节点j之间没有线路，则将rij设为-1；
电感矩阵的生成方法如下：
Figure RE-GDA0003700827450000032
其中，xij表示节点i和节点j之间线路的电感，如果节点i和节点j之间没有线路，则将xij设为-1。
进一步的，所述Step2中的强迫振荡的功率数据样本指的是电力系统中所有节点的有功功率信号。
进一步的，所述Step3中的全连接层调整为标签数目和发电机数目一致，并且使用Softmax激活函数，图卷积层均使用Relu激活函数。
进一步的，所述Step4中的动态边缘卷积层可以实现边特征和节点特征的融合，具体的实现方式如下所示：
Figure RE-GDA0003700827450000033
其中，N(i)表示节点i的所有邻居，F(j)表示输入的节点j的特征值， M表示多层感知机，L(j，i)表示节点j和节点i之间边的特征值，w表示可学习的权重，b表示可学习的偏置量，F′(i)表示输出节点i的特征值。
进一步的，所述Step4中时空图神经网络的实现为将每个时间点的功率数据通过动态边缘卷积层和图卷积层学习空间上的特征，再通过GRU学习数据在时间序列上的特征。
本发明的有益成果：
(1)使用了图神经网络定位扰动源的具体位置，机电扰动在电力系统中依赖拓扑结构进行传播，图神经网络根据电力系统的物理特性以及拓扑结构可以学习到数据在空间上的特征，可以准确地定位扰动源地所在的具体机组。相对于传统的机器学习算法，具有更高的准确性。
(2)使用了时空图神经网络预测机电扰动的传播，不仅能学习数据在空间上的特征，而且可以学习到数据在时间上的特征，能够精准地预测扰动在未来一段时间内的变化态势。相对于传统的物理机理的算法，具有更强的普适性，而且可以学习到更多的细节信息。
附图说明
图1为一种基于图神经网络的机电扰动定位及传播预测方法的流程图；
图2为四机两区系统节点设定示意图；
图3为基于时空图神经网络的预测扰动传播的网络结构图；
图4为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之一；
图5为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之二；
图6为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之三；
图7为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之四；
图8为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之五；
图9为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之六；
图10为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之七；
图11为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之八；
图12为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之九；
图13为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之十。
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晰、详细地描述。
本发明提出了一种基于图神经网络的振荡定位及传播预测方法，如图1所示，其具体实现步骤如下：
Step1：将电力系统中的节点作为图结构中的节点，电力系统中的传输线路作为图结构中的边，构建电力系统拓扑结构对应的图结构，并根据图结构生成邻接矩阵，根据传输线路的电阻和电感生成特征矩阵。
本实施例的电力系统采用四机两区系统，生成邻接矩阵及特征矩阵的具体步骤如下：
(1)该系统共包含10个节点，4台发电机，12条支路。根据系统的拓扑结构构建对应的图结构，生成图的邻接矩阵，如下所示：
Figure RE-GDA0003700827450000051
其中，n为10，如果节点i和节点j之间有线路连接，则aij＝1，否则， aij＝0。
(2)计算传输线路的电阻值，如下所示：
Figure RE-GDA0003700827450000061
其中，rij表示节点i和节点j之间线路的电阻，如果节点i和节点j之间没有线路，则将rij设为-1。
(3)计算传输线路的电感值，如下所示：
Figure RE-GDA0003700827450000062
其中，xij表示节点i和节点j之间线路的电感，如果节点i和节点j之间没有线路，则将xij设为-1
Step2：电力系统的总负荷在95％～105％内均匀变化，对发电机的功率施加正弦波扰动进行批量仿真，采集电力系统所有节点的有功功率作为样本，而后将数据划分为训练数据集和测试数据集.
以下仍以四机两区系统为例说明如何进行强迫振荡的批量仿真。
该系统共有10个节点，4台发电机和12条支路，初始总负荷为2734MW。均匀改变四机两区系统的负荷从95％～105％总负荷变化，通过在4台发电机的功率上施加周期性正弦波扰动源生成强迫功率振荡样本。其中，施加在发电机上扰动的幅值在0.1～0.3pu之间变化，每次变化的步长为0.05，扰动的频率在0.2～2.5Hz 之间变化，每次变化的步长为0.02。仿真时间设置为15s，每隔2.5％的负荷变化记录一组数据。为模拟电力系统中的PMU状态，信号采样频率为25Hz。
Step3：搭建基于图神经网络的扰动源定位模型的结构，包含三层图卷积层、三层池化层和一层全连接层，获得训练数据集对应的标签，将邻接矩阵、特征矩阵输入扰动源定位模型，使用训练数据集以及标签训练得到扰动源定位模型，具体步骤如下：
(1)搭建模型的结构，将全连接层调整为标签数目和发电机数目一致，并且使用Softmax激活函数，图卷积层均使用Relu激活函数。
(2)根据扰动注入的位置，为训练数据集生成标签。标签采用独热编码，第i个样本的标签表示为Yi＝[y1，y2，y3，y4]，因为有四台发电机，所以标签的长度为4，如果扰动发生在第j台发电机上，则标签的第j个位置设为1，其余均为0。
(3)将损失函数设置为交叉熵损失函数，优化器采用Adam优化器，迭代次数设为200，学习率设为0.0005，批大小是设为32，定位正确率为99.2％。
Step4：搭建预测振荡传播的时空图神经网络模型的结构，包含一层动态边缘卷积层、一层图卷积层和一层门控循环单元(Gate Recurrent Unit,GRU)层，根据扰动发生的位置对训练数据集分类，然后分别训练振荡传播模型，具体步骤如下：
(1)搭建模型的结构，将每个时间点的功率数据通过动态边缘卷积层和图卷积层学习空间上的特征，再通过GRU学习数据在时间序列上的特征。
(2)根据扰动发生的位置将训练集分类，该实施例中将训练集划分为4类；
(3)将输入时间序列的长度设置为25，输出时间序列的长度设置为3，将训练集根据输入时间序列的长度以及输出时间序列的长度划分特征值和标签值；
(4)该实施例中，分别训练4个发电机对应的机电扰动传播预测模型，将损失函数设置为均方根误差损失函数，并且添加惩罚项防止模型出现过拟合，优化器采用Adam优化器，迭代次数设置为200，学习率设为0.001，批大小设置为64，得到的4个模型，相对误差均小于1％。
Step5：分别对图神经网络定位模型以及时空图神经网络预测模型的正确率及相对误差进行验证。
至此，一种基于图神经网络的机电扰动定位及传播预测方法的离线训练过程结束。如果其他实施例中模型的正确率及相对误差较大，则可以通过增加迭代次数的方法对模型继续训练，直至达到要求。
Step6：当实际系统监测到发生强迫振荡时，电力系统调度中心采集所有同步相量测量单元子站的功率振荡数据；
本实施例中，已知由1号发电机引发的强迫振荡，获取系统中所有节点的功率振荡数据。
Step7：输入整个电力系统的功率振荡数据到扰动源定位模型中，定位振荡源所在的具体机组位置为1号发电机。
Step8：选择1号发电机对应的机电扰动传播预测模型，输入采集到的有功功率数据，预测电力系统所有节点在未来三个时间点的功率数据，如图4-图13 所示，为功率的对比图。
至此，一种基于图神经网络的机电扰动定位及传播预测方法的在线定位及预测部分到此结束。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于图神经网络的机电扰动定位及传播预测方法，其特征在于：包括以下步骤：
Step1：将电力系统中的节点作为图结构中的节点，电力系统中的传输线路作为图结构中的边，构建电力系统拓扑结构对应的图结构，并根据图结构生成邻接矩阵，根据传输线路的电阻和电感生成特征矩阵；
Step2：电力系统的总负荷在95%~105%内均匀变化，对发电机的功率施加正弦波扰动进行批量仿真，采集电力系统所有节点的有功功率作为样本，而后将数据划分为训练数据集和测试数据集；
Step3：搭建基于图神经网络的扰动源定位模型的结构，包含三层图卷积层、三层池化层和一层全连接层，获得训练数据集对应的标签，将邻接矩阵、特征矩阵输入扰动源定位模型，使用训练数据集以及标签训练得到扰动源定位模型；
Step4：搭建预测振荡传播的时空图神经网络模型的结构，包含一层动态边缘卷积层、一层图卷积层和一层门控循环单元层，根据振荡发生的位置对训练数据集分类，然后分别训练振荡传播模型；
Step5：分别对图神经网络定位模型以及时空图神经网络预测模型的正确率进行验证，离线训练过程结束；
Step6：当实际系统监测到发生强迫振荡时，电力系统调度中心采集所有同步相量测量单元子站的功率振荡数据；
Step7：输入整个电力系统的功率振荡数据到扰动源定位模型中，定位振荡源所在的具体机组位置，在线定位过程结束；
Step8：根据振荡源所在的具体机组位置选择对应的振荡预测模型，输入采集到的所有功率振荡数据，对未来一段时间内电力系统中所有同步相量测量单元子站的功率振荡数据进行预测，在线预测过程结束。
2.根据权利要求1中所述的一种基于图神经网络的机电扰动定位及传播预测方法，其特征在于：所述Step1中根据图结构生成邻接矩阵的方法如下：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示节点的个数，如果节点
Figure DEST_PATH_IMAGE006
和节点
Figure DEST_PATH_IMAGE008
之间有线路连接，则
Figure DEST_PATH_IMAGE010
，否则，
Figure DEST_PATH_IMAGE012
。
3.根据权利要求1中所述的一种基于图神经网络的机电扰动定位及传播预测方法，其特征在于，所述Step1中的特征矩阵包含电阻和电感，电阻矩阵的生成方法如下：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
表示节点
Figure 800217DEST_PATH_IMAGE006
和节点
Figure 565042DEST_PATH_IMAGE008
之间线路的电阻，如果节点
Figure 113311DEST_PATH_IMAGE006
和节点
Figure 492339DEST_PATH_IMAGE008
之间没有线路，则将
Figure 745466DEST_PATH_IMAGE016
设为-1；
电感矩阵的生成方法如下：
Figure DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE020
表示节点
Figure 579561DEST_PATH_IMAGE006
和节点
Figure 454107DEST_PATH_IMAGE008
之间线路的电感，如果节点
Figure 800775DEST_PATH_IMAGE006
和节点
Figure 26351DEST_PATH_IMAGE008
之间没有线路，则将
Figure 382246DEST_PATH_IMAGE020
设为-1。
4.根据权利要求1中所述的一种基于图神经网络的强迫振荡定位及传播预测方法，其特征在于：所述Step2中的强迫振荡的功率数据样本指的是电力系统中所有节点的有功功率信号。
5.根据权利要求1中所述的一种基于图神经网络的强迫振荡定位及传播预测方法，其特征在于：所述Step3中的全连接层调整为标签数目和发电机数目一致，并且使用Softmax激活函数，图卷积层均使用Relu激活函数。
6.根据权利要求1中所述的一种基于图神经网络的强迫振荡定位及传播预测方法，其特征在于：所述Step4中的动态边缘卷积层可以实现边特征和节点特征的融合，具体的实现方式如下所示：
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
表示节点
Figure 249315DEST_PATH_IMAGE006
的所有邻居，
Figure DEST_PATH_IMAGE026
表示输入的节点
Figure 783195DEST_PATH_IMAGE008
的特征值，
Figure DEST_PATH_IMAGE028
表示多层感知机，
Figure DEST_PATH_IMAGE030
表示节点
Figure 89543DEST_PATH_IMAGE008
和节点
Figure 921233DEST_PATH_IMAGE006
之间边的特征值，w表示可学习的权重，b表示可学习的偏置量，
Figure DEST_PATH_IMAGE032
表示输出节点
Figure 564179DEST_PATH_IMAGE006
的特征值。
7.根据权利要求1所述的一种基于图神经网络的强迫振荡定位及传播预测方法，其特征在于：所述Step4中时空图神经网络的实现为将每个时间点的功率数据通过动态边缘卷积层和图卷积层学习空间上的特征，再通过GRU学习数据在时间序列上的特征。
CN202210389852.9A 2022-04-14 2022-04-14 一种基于图神经网络的机电扰动定位及传播预测方法 Active CN114818483B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210389852.9A CN114818483B (zh) 2022-04-14 2022-04-14 一种基于图神经网络的机电扰动定位及传播预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210389852.9A CN114818483B (zh) 2022-04-14 2022-04-14 一种基于图神经网络的机电扰动定位及传播预测方法

Publications (2)

Publication Number Publication Date
CN114818483A true CN114818483A (zh) 2022-07-29
CN114818483B CN114818483B (zh) 2023-04-07

Family

ID=82536707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210389852.9A Active CN114818483B (zh) 2022-04-14 2022-04-14 一种基于图神经网络的机电扰动定位及传播预测方法

Country Status (1)

Country Link
CN (1) CN114818483B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187154A (zh) * 2022-09-14 2022-10-14 华中科技大学 一种基于神经网络的区域电网振荡源风险预测方法及系统
CN116579479A (zh) * 2023-05-15 2023-08-11 南京理工大学 一种风电场功率超短期预测方法、系统、计算机及存储介质
CN117172413A (zh) * 2023-09-07 2023-12-05 中国科学院合肥物质科学研究院 基于多模态数据联合表征和动态权重学习的电网设备运行状态监测方法
CN117498561A (zh) * 2024-01-03 2024-02-02 成都菁蓉联创科技有限公司 一种基于边缘计算的电网异常运行状态监测方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122823A (zh) * 2011-02-23 2011-07-13 南京南瑞继保电气有限公司 电力系统振荡扰动源定位的方法
CN106655219A (zh) * 2016-11-02 2017-05-10 南京南瑞集团公司 一种基于图论的低频振荡源定位方法
US20190312898A1 (en) * 2018-04-10 2019-10-10 Cisco Technology, Inc. SPATIO-TEMPORAL ANOMALY DETECTION IN COMPUTER NETWORKS USING GRAPH CONVOLUTIONAL RECURRENT NEURAL NETWORKS (GCRNNs)
CN112200694A (zh) * 2020-10-09 2021-01-08 华中科技大学 基于图神经网络的主导失稳模式识别模型构建及应用方法
CN113159345A (zh) * 2021-05-08 2021-07-23 中国电力科学研究院有限公司 一种基于融合神经网络模型的电网故障辨识方法及系统
CN113489011A (zh) * 2021-06-22 2021-10-08 清华大学 电力系统暂态稳定评估方法、装置、电子设备和存储介质
CN113746663A (zh) * 2021-06-07 2021-12-03 西安交通大学 机理数据双驱动结合的性能劣化故障根因定位方法
CN113988264A (zh) * 2021-10-29 2022-01-28 支付宝(杭州)信息技术有限公司 获得用于执行流量预测业务的图神经网络的方法及装置
CN114006413A (zh) * 2021-10-29 2022-02-01 中国电力科学研究院有限公司 一种基于图神经网络的电力系统暂态稳定控制方法及系统
CN114021433A (zh) * 2021-10-22 2022-02-08 华中科技大学 一种电力系统的主导失稳模式识别模型的构建方法及应用
CN114154558A (zh) * 2021-11-12 2022-03-08 山东浪潮科学研究院有限公司 基于图神经网络的分布式能源发电负荷预测系统及方法
CN114221334A (zh) * 2021-12-13 2022-03-22 国网江苏省电力有限公司 一种基于图神经网络的快速状态估计方法
CN114266281A (zh) * 2020-09-15 2022-04-01 华为技术有限公司 一种图神经网络训练的方法、装置及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122823A (zh) * 2011-02-23 2011-07-13 南京南瑞继保电气有限公司 电力系统振荡扰动源定位的方法
CN106655219A (zh) * 2016-11-02 2017-05-10 南京南瑞集团公司 一种基于图论的低频振荡源定位方法
US20190312898A1 (en) * 2018-04-10 2019-10-10 Cisco Technology, Inc. SPATIO-TEMPORAL ANOMALY DETECTION IN COMPUTER NETWORKS USING GRAPH CONVOLUTIONAL RECURRENT NEURAL NETWORKS (GCRNNs)
CN114266281A (zh) * 2020-09-15 2022-04-01 华为技术有限公司 一种图神经网络训练的方法、装置及系统
CN112200694A (zh) * 2020-10-09 2021-01-08 华中科技大学 基于图神经网络的主导失稳模式识别模型构建及应用方法
CN113159345A (zh) * 2021-05-08 2021-07-23 中国电力科学研究院有限公司 一种基于融合神经网络模型的电网故障辨识方法及系统
CN113746663A (zh) * 2021-06-07 2021-12-03 西安交通大学 机理数据双驱动结合的性能劣化故障根因定位方法
CN113489011A (zh) * 2021-06-22 2021-10-08 清华大学 电力系统暂态稳定评估方法、装置、电子设备和存储介质
CN114021433A (zh) * 2021-10-22 2022-02-08 华中科技大学 一种电力系统的主导失稳模式识别模型的构建方法及应用
CN113988264A (zh) * 2021-10-29 2022-01-28 支付宝(杭州)信息技术有限公司 获得用于执行流量预测业务的图神经网络的方法及装置
CN114006413A (zh) * 2021-10-29 2022-02-01 中国电力科学研究院有限公司 一种基于图神经网络的电力系统暂态稳定控制方法及系统
CN114154558A (zh) * 2021-11-12 2022-03-08 山东浪潮科学研究院有限公司 基于图神经网络的分布式能源发电负荷预测系统及方法
CN114221334A (zh) * 2021-12-13 2022-03-22 国网江苏省电力有限公司 一种基于图神经网络的快速状态估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄登一，刘灏，毕天姝，杨奇逊: "基于模型-数据联合驱动的电网扰动定位方法", 《电网技术》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187154A (zh) * 2022-09-14 2022-10-14 华中科技大学 一种基于神经网络的区域电网振荡源风险预测方法及系统
CN115187154B (zh) * 2022-09-14 2022-12-16 华中科技大学 一种基于神经网络的区域电网振荡源风险预测方法及系统
CN116579479A (zh) * 2023-05-15 2023-08-11 南京理工大学 一种风电场功率超短期预测方法、系统、计算机及存储介质
CN116579479B (zh) * 2023-05-15 2024-04-09 南京理工大学 风电场功率超短期预测方法、系统、计算机及存储介质
CN117172413A (zh) * 2023-09-07 2023-12-05 中国科学院合肥物质科学研究院 基于多模态数据联合表征和动态权重学习的电网设备运行状态监测方法
CN117172413B (zh) * 2023-09-07 2024-05-14 中国科学院合肥物质科学研究院 基于多模态数据联合表征和动态权重学习的电网设备运行状态监测方法
CN117498561A (zh) * 2024-01-03 2024-02-02 成都菁蓉联创科技有限公司 一种基于边缘计算的电网异常运行状态监测方法
CN117498561B (zh) * 2024-01-03 2024-03-19 成都菁蓉联创科技有限公司 一种基于边缘计算的电网异常运行状态监测方法

Also Published As

Publication number Publication date
CN114818483B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN114818483B (zh) 一种基于图神经网络的机电扰动定位及传播预测方法
CN111179121B (zh) 基于专家系统与深度逆向强化学习的电网紧急控制方法
CN103886374A (zh) 一种基于rbf神经网络的电缆接头导线温度预测方法
CN113935463A (zh) 一种基于人工智能控制方法的微电网控制器
CN110363334B (zh) 基于灰色神经网络模型的光伏并网的电网线损预测方法
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN114091816A (zh) 基于数据融合的门控图神经网络的配电网状态估计方法
CN113937764A (zh) 一种低压配电网高频量测数据处理与拓扑识别方法
CN111628494A (zh) 一种基于逻辑回归法的低压配电网拓扑识别方法及系统
CN113612237A (zh) 一种在海上风电场中定位谐振诱发的次同步振荡源的方法
CN114389312B (zh) 一种配电网分布式状态估计方法
Yaniv et al. Towards adoption of GNNs for power flow applications in distribution systems
CN105809286A (zh) 一种基于代表数据重构的增量svr负荷预测方法
CN116865343B (zh) 分布式光伏配电网的无模型自适应控制方法、装置及介质
CN116908619A (zh) 一种基于时空图注意力卷积网络的谐波源定位方法
CN116451505A (zh) 一种配电网线路参数校核方法、系统、设备及介质
CN116298670A (zh) 适用于多分支配电线路的智能故障定位方法及系统
Shi et al. A fault location method for distribution system based on one-dimensional convolutional neural network
CN115051360A (zh) 集成式知识迁移的电力系统运行风险在线计算方法与装置
CN114298429A (zh) 一种配电网动案辅助决策方法、系统、装置和存储介质
Sun et al. Reliability prediction of distribution network based on PCA-GA-BP neural network
Liu et al. A Hybrid Temporal Data Mining Method for Intelligent Train Braking Systems
Cai et al. Calculation Method of Available Transfer Capacity Based on Graph Convolutional Network
CN115374957B (zh) 一种径流式小水电多尺度缺失量测数据重建方法
Qian et al. Fault diagnosis of partial discharge in switchgear based on deep neural network

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