CN108429259A - 一种机组恢复在线动态决策方法及系统 - Google Patents

一种机组恢复在线动态决策方法及系统 Download PDF

Info

Publication number
CN108429259A
CN108429259A CN201810271593.3A CN201810271593A CN108429259A CN 108429259 A CN108429259 A CN 108429259A CN 201810271593 A CN201810271593 A CN 201810271593A CN 108429259 A CN108429259 A CN 108429259A
Authority
CN
China
Prior art keywords
unit
node
restored
online dynamic
restores
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
CN201810271593.3A
Other languages
English (en)
Other versions
CN108429259B (zh
Inventor
刘玉田
孙润稼
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN201810271593.3A priority Critical patent/CN108429259B/zh
Publication of CN108429259A publication Critical patent/CN108429259A/zh
Priority to US16/348,190 priority patent/US11159018B2/en
Priority to PCT/CN2018/108531 priority patent/WO2019184286A1/zh
Priority to EP18900563.0A priority patent/EP3780307B1/en
Application granted granted Critical
Publication of CN108429259B publication Critical patent/CN108429259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Abstract

本发明公开了一种机组恢复在线动态决策方法及系统，包括：确定系统恢复时的黑启动电源，并从所有机组中选取需要优先启动的机组作为待恢复机组集合；生成尽可能覆盖机组恢复过程中各个状态的带标签训练集。构建估值网络；判断系统的停电范围，对系统的状态进行识别，判断系统中各种设备的可用性，获取机组特性；利用估值网络，以机组总发电能力为搜索目标，进行蒙特卡洛树搜索。采用并行计算的方法，对各备选线路进行约束校验；汇总蒙特卡洛树搜索结果，选取下一步将要恢复的输电线路并投入。根据系统恢复实时数据，在线动态决策机组恢复过程中需要投入的输电线路，指导电力系统恢复前期的机组恢复。

Description

一种机组恢复在线动态决策方法及系统
技术领域
本发明涉及一种机组恢复在线动态决策方法及系统。
背景技术
随着社会经济的发展，用电量迅猛提升，电网的负荷和装机容量不断增加，电力系统的网架结构和动态行为也变得日益复杂，极大地增加了电网运行和维护的复杂性。若局部故障处理不当，极易导致事故范围扩大，进而导致大面积停电事故的发生。如美国俄亥俄州一条345kV输电线路触树发生短路故障，由于该故障处理不当，引起潮流发生大范围转移，导致多条输电线路因过载而连锁跳闸，最终引起了美国、加拿大发生了北美历史上最严重的停电事故，共导致损失61.8GW负荷，影响了近5000万人的正常工作和生活；2012年7月30日和31日，印度北部和东部地区连续发生两次大面积停电事故，覆盖了一半以上的国土，直接影响6亿多人的生活。国内外电力系统的运行经验表明，新技术和新设备在电力系统中的大量应用虽然能够提高系统运行的稳定性和可靠性，但是仍然无法避免大停电的发生，尤其是人力不可抗因素导致的大停电。
现在电力供应在社会生产和生活中占有非常重要的地位，大停电事故会对整个社会生产和人民生活造成非常严重的不利影响，甚至威胁国家安全。近年来，几次较大规模的停电事故也为我们敲响了警钟。从1998年开始，我国各省电力公司开始制定各自的黑启动方案。我国国家电网公司在2000年颁布的行业标准《电力系统安全稳定控制技术导则》新增了“恢复控制”章节。国务院在2005年颁布的《国家处置电网大面积停电事件应急预案》中，对发生电网解列、电网大面积停电时专项应急预案的制定作了具体要求。2015年进一步修订印发了《国家大面积停电事件应急预案》。为了吸取印度大停电的经验教训，我国电监会又发布了《关于加强电力安全工作防范电网大面积停电的意见》，当中对强化电力应急管理及大停电后的相关部署作了详细阐述。
机组恢复是整个电力系统恢复的基础和保障，在满足各类约束的前提下，优化被启动机组的启动顺序以及相应的恢复路径，使各类电源尽快启动、并网，增强已恢复系统的强度，为后续负荷的全面恢复提供功率支撑。目前的机组恢复算法主要为离线优化方法，即根据预设的停电场景和预想恢复过程制定整体恢复方案。在实际的恢复过程中，当停电后系统的状态与预设场景不一致或恢复过程与预想过程不相符时，事前制定的方案虽然可以给调度运行人员一定的指导，但可能无法直接用于实际恢复过程，影响机组恢复进程。
发明内容
本发明为了解决上述问题，提出了一种机组恢复在线动态决策方法及系统。针对大停电后电力系统初始状态和恢复过程中线路恢复状况的不确定性，将深度学习和蒙特卡洛树搜索相结合，用于机组恢复的动态决策。本发明通过对后续恢复的多种可能情况的搜索模拟，提升了其所产生决策方案在面对不确定性状况时的鲁棒性，而且能够根据电力系统实时状态，在线动态决策下一步将要投入的输电线路，逐步完成机组的恢复，以应对各种不确定性状况。
为了实现上述目的，本发明采用如下技术方案：
本发明公开了一种机组恢复在线动态决策方法，包括以下步骤：
(1)确定系统恢复时的黑启动电源，并从所有机组中选取需要优先启动的机组作为待恢复机组集合；
(2)生成尽可能覆盖机组恢复各个可能状态的带标签训练集；利用深度学习，对于机组恢复训练集进行学习，构建估值网络；
(3)获取机组恢复实时数据，判断系统的停电范围，对系统的状态进行识别，判断系统中各种设备的可用性，获取机组特性；
(4)利用估值网络，以机组总发电能力为搜索目标，对各备选线路进行蒙特卡洛树搜索；同时，采用并行计算的方法，对各备选线路投入后的电压约束、频率约束和潮流约束进行校验；
(5)汇总蒙特卡洛树搜索结果，对下一步将要恢复线路选择投入。
进一步地，所述根据系统实际情况，选取水电厂、抽水蓄能电厂或者燃气轮机作为黑启动电源。
进一步地，所述从所有机组中选取需要优先启动的机组作为待恢复机组集合，选取的基本原则为：
1)待恢复机组容量选择为300MW至600MW；
2)机组所在电厂装机容量要大；
3)优先启动重要负荷附近的机组。
进一步地，所述根据获取的系统数据，生成尽可能覆盖机组恢复各个可能状态的带标签训练集，具体方法为：
1)以遍历的方式生成机组所有可能的停机状态组合，假设某一系统中共有N台机组，所需生成的机组停机状态共个；
2)设置某一机组状态组合下所需生成的不同线路状态组合的数目Lnum和某一线路状态组合下所需生成的不同机组停机时间组合的数目Dnum；
3)随机生成线路状态，并校验随机生成网架的拓扑连通性，要求所有线路能够连接已恢复机组与黑启动电源，对不合格网架进行线路状态调整；
4)计算所有已恢复线路的预想恢复时间，并随机生成每台机组的停机时间；
5)采用粒子群优化算法，以机组总发电能力最大为优化目标，求取最优机组恢复方案，并计算相应的决策指标值，作为机组恢复样本标签。
进一步地，所述估值网络是训练后的深度神经网络；建立一个含有3个隐含层的基于稀疏自动编码器的深度神经网络训练所得样本，输入为机组启停状态、线路状态和机组停机时间，输出为机组总发电能力最优值。
进一步地，所述对系统的状态进行识别，具体包括：在上一步输电线路投入后，对最新停电范围中的所有的电网设备进行可用性诊断，识别出在下一步在恢复中可用的设备，以及各火电机组的具体停机时间。
进一步地，以机组总发电能力为搜索目标，对各备选线路进行蒙特卡洛树搜索，具体方法为：
1)选择：由根节点开始，在计算出各节点的改进的上限置信区间指标值后，依次选取上限置信区间指标值最大的节点进行下一步的扩展或模拟；
2)扩展：利用支路修剪技术来减少子节点的数目，采用支路修剪技术沿最新节点反向搜索，寻找各层中具有相同父节点的各个节点，并在最新的扩展中避免这些节点的出现，直到有新的机组接入为止；
3)模拟：根据系统状态，不断采用估值网络对后续的最优决策指标值进行快速估算，并提高具有较高决策指标值对应的备选线路被选中的概率，指引模拟过程；
4)回溯：在模拟完成后，对于树中各节点参数进行反向更新。
进一步地，所述各节点的改进的上限置信区间指标值根据节点指标值排序前p％模拟结果的平均值该节点父代节点被访问的次数以及该节点被访问的次数确定。
进一步地，所述步骤(5)中，利用加权机组发电能力最大化指标对于下一步将要恢复线路选择投入，具体为：
第m个备选措施的决策函数值等于第m个备选措施的每一次模拟结果的指标值与第m个备选措施在每一次模拟中线路投入数目的比值的累加和。
本发明公开了一种机组恢复在线动态决策系统，包括：
用于确定系统恢复时的黑启动电源的装置；
用于从所有机组中选取需要优先启动的机组作为待恢复机组集合的装置；
用于生成尽可能覆盖机组恢复各个可能状态的带标签训练集的装置；
用于构建估值网络的装置；
用于获取机组恢复实时数据，判断系统的停电范围，对系统的状态进行识别，判断系统中各种设备的可用性，获取机组特性的装置；
用于利用估值网络，以机组总发电能力为搜索目标，对各备选线路进行蒙特卡洛树搜索的装置；
用于对各备选线路投入后的电压约束、频率约束和潮流约束进行并行校验的装置；
用于汇总蒙特卡洛树搜索结果，对下一步将要恢复线路选择投入的装置。
本发明的有益效果为：
(1)本发明设计的基于深度学习和蒙特卡洛树搜索的机组恢复在线动态决策方法，核心创新点在于可以根据系统恢复实时数据，在线动态决策机组恢复过程中需要投入的输电线路，指导电力系统恢复前期的机组恢复；
(2)本发明设计的基于深度学习和蒙特卡洛树搜索的机组恢复在线动态决策方法，能够较好适应不同系统的机组恢复，具有较强的适应性；
(3)本发明设计的基于深度学习和蒙特卡洛树搜索的机组恢复在线动态决策方法，在机组恢复在线决策之前完成了对于机组恢复数据的离线生成，并利用深度学习进行数据学习，将其应用于在线过程，节省了在线动态决策时间，提高了决策效率；
(4)本发明设计的基于深度学习和蒙特卡洛树搜索的机组恢复在线动态决策方法，通过对后续恢复的多种可能情况的搜索模拟，提升了其所产生决策方案在面对不确定性状况时的鲁棒性；
(5)本发明设计的基于深度学习和蒙特卡洛树搜索的机组恢复在线动态决策方法，当面对与预想过程不相符的情况时，可以快速做出反应，给出机组恢复方案。
附图说明
图1为机组恢复训练集自动生成流程图；
图2为深度神经网络结构图，用于机组恢复数据的学习；
图3为基于估值网络的机组恢复过程模拟流程图；
图4为基于深度学习和蒙特卡洛树搜索的机组恢复措施搜索流程图；
图5为基于深度学习和蒙特卡洛树搜索的机组恢复在线动态决策方法流程图；
图6为山东西部地区电网结构图；
图7为针对山东西部地区电网的蒙特卡洛在线搜索过程，横坐标代表时间，纵坐标代表备选线路在整个搜索过程中被搜索次数所占比例。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明公开了一种机组恢复在线动态决策方法，具体步骤包括：
(1)获取电力系统数据。确定系统恢复时的黑启动电源，并从所有机组中选取需要优先启动的机组作为待恢复机组集合；
(2)根据系统数据，生成尽可能覆盖机组恢复各个可能状态的带标签训练集。利用深度学习，对于机组恢复训练集进行学习，构建估值网络；
(3)获取机组恢复实时数据。判断系统的停电范围，对系统的状态进行识别，判断系统中各种设备的可用性，获取机组特性；
(4)利用估值网络，以机组总发电能力为搜索目标，对各备选线路进行蒙特卡洛树搜索。同时，采用并行计算的方法，对各备选线路进行约束校验；
(5)汇总蒙特卡洛树搜索结果，选取下一步将要恢复的输电线路，由调度员投入。
所述步骤(1)中，要确定该恢复方法所应用的系统，并获取系统相应数据。根据系统情况，选取水电厂、抽水蓄能电厂或燃气轮机作为黑启动电源。在恢复过程中，机组成功启动后要承担系统的调频和调压任务，所以机组容量不宜太小，同时为了避免机组辅机启动时对系统产生大的冲击，待恢复机组容量最好选择为300至600MW。另外机组所在电厂装机容量要大，且要优先启动重要负荷附近的机组。由决策人员依据上述原则从所有机组中选取出需要优先启动的机组作为待恢复机组集合。
所述步骤(2)中，训练集的自动生成为机组恢复在线动态决策前的离线准备工作。电力系统恢复状态在实际电力系统中极不常见，很难在实际中找到足够的机组恢复样本，有关机组恢复数据需要离线自动生成。每一样本的数据主要包括机组启停状态、线路状态以及机组停机时间。具体的训练集生成步骤如下：
1、以遍历的方式生成机组所有可能的停机状态组合，假设某一系统中共有N台机组，所需生成的机组停机状态共个；
2、由决策者设置参数某一机组状态组合下所需生成的不同线路状态组合的数目Lnum和某一线路状态组合下所需生成的不同机组停机时间组合的数目Dnum，其值越大，则训练集的覆盖范围越广，但相应的生成时间会增加；
3、随机生成线路状态，并校验随机生成网架的拓扑连通性，要求所有线路能够连接已恢复机组与黑启动电源，对不合格网架进行线路状态调整；
4、计算所有已恢复线路的预想恢复时间，并随机生成每台机组的停机时间。在某一网架形态下，机组停机时间最小为0，最大为恢复该网架中全部线路所需的时间。考虑到线路恢复时间的不确定性，将未恢复机组的停机时间范围设置为0到预想恢复时间后10min；
5、采用粒子群优化算法根据每一样本的机组恢复状态，以机组总发电能力最大为优化目标，求得后续最优机组恢复方案，并计算相应的决策指标值，作为样本标签。
训练集的自动生成流程图如图1所示。
机组总发电能力指标如下式所示：
其中，Etotal为所有待恢复机组在恢复时间T内最大发电能力，nG为待恢复机组数目，Pi(t)为待恢复机组i的出力函数
所述步骤(2)中，估值网络是训练后的深度神经网络，主要用于MCTS中的模拟部分，其可以根据机组恢复状态，快速估算决策指标的最优值。建立一个含有3个隐含层的基于稀疏自动编码器的深度神经网络训练所得样本，输入为机组启停状态、线路状态和机组停机时间，输出为机组总发电能力最优值，其结构图如图2所示。
所述步骤(3)中，对系统的状态识别是指，在上一步输电线路投入后，对最新停电范围中的所有的电网设备进行可用性诊断，识别出在下一步在恢复中可用的设备，以及各火电机组的具体停机时间。
所述步骤(4)中，以机组总发电能力为搜索目标，并对线路投入后的电压约束、频率约束和潮流约束进行并行校验，表达式如下所示：
其中，Etotal为所有待恢复机组在恢复时间T内最大发电能力，nG为待恢复机组数目，Pi(t)为待恢复机组i的出力函数，Uk为节点k的电压，和分别表示节点k电压的上下限，f为系统的频率，fmin和fmax分别为系统频率的上下限，Pl为线路l传输的有功潮流，为线路l的有功潮流上限。考虑到系统恢复初期的网架比较脆弱，将设为小于静态稳定极限和热稳定极限的一个值。
所述步骤(4)中，蒙特卡洛树搜索是一种人工智能问题中做出最优决策的算法，其迭代过程主要分为四步：选择、扩展、模拟、回溯。利用蒙特卡洛树搜索进行机组恢复在线决策步骤如下：
1、选择。由根节点开始，在计算出各节点的改进的上限置信区间(MUCT)指标值后，依次选取MUCT指标值最大的节点进行下一步的扩展或模拟。MUCT指标公式如下式所示
其中，FMUCT为改进UCT指标，表示节点c指标值排序前70％模拟结果的平均值，n为节点c父代节点被访问的次数，nc为节点c被访问的次数，Cp为大于0的实数。
2、扩展。扩展时，利用支路修剪技术来减少子节点的数目，可以增加算法搜索深度和广度，提升搜索效率。支路修剪技术沿最新节点反向搜索，寻找各层中具有相同父节点的各个节点，并在最新的扩展中避免这些状态的出现，直到有新的机组接入为止。
3、模拟。不断采用估值网络根据系统状态对于后续的最优决策指标值进行快速估算，并提高具有较高决策指标值对应的备选线路被选中的概率，指引模拟过程。具体模拟流程图如图3所示。
4、回溯。在模拟完成后，对于树中各节点参数进行反向更新。
用于机组恢复的蒙特卡洛树搜索流程图如图4所示。
所述步骤(5)中，将蒙特卡洛树搜索结果进行汇总，并利用加权机组发电能力最大化指标对于下一步将要恢复线路选择投入，表达式如下式所示
其中，fm表示第m个备选措施的决策函数值,为第m个备选措施在第n次模拟中线路投入数目,为第m个备选措施的第n次模拟结果的指标值。
本发明进一步公开了一种机组恢复在线动态决策系统，包括：
用于确定系统恢复时的黑启动电源的装置；
用于从所有机组中选取需要优先启动的机组作为待恢复机组集合的装置；
用于生成尽可能覆盖机组恢复各个可能状态的带标签训练集的装置；
用于构建估值网络的装置；
用于获取机组恢复实时数据，判断系统的停电范围，对系统的状态进行识别，判断系统中各种设备的可用性，获取机组特性的装置；
用于利用估值网络，以机组总发电能力为搜索目标，对各备选线路进行蒙特卡洛树搜索的装置；
用于对各备选线路投入后的电压约束、频率约束和潮流约束进行并行校验的装置；
用于汇总蒙特卡洛树搜索结果，对下一步将要恢复线路选择投入的装置。
下面针对山东西部地区电网实际系统进行仿真，说明机组恢复在线动态决策方法流程。
山东西部地区电网结构如图6所示，假设某一时刻邹县电厂、菏泽电厂已经启动，其余电厂的停机时间均为35min，采用机组恢复在线动态决策方法进行逐步机组恢复，具体步骤如下：
S1：获取相关电力系统数据，选择一个运行可靠的黑启动电源，并且选择容量适当，所在电厂装机容量大，且周边负荷重要性高的机组作为待恢复机组集合。
在恢复过程中，机组成功启动后要承担系统的调频和调压任务所以机组容量不宜太小，同时为了避免机组辅机启动时对系统产生大的冲击，因此待恢复机组容量选择为300MW-600MW之间。同时机组所在电厂装机容量要大，并且要优先启动重要负荷附近的机组。由决策人员依据上述原则从所有失电机组中选取出需要优先启动的机组。
山东电网内黑启动电源首选为泰山抽水蓄能电站，其中#1机组经过多次改造，并且先后进行过3次黑启动试验，运行安全可靠，是理想的黑启动电源。按照待恢复机组优选原则，选取石横乙厂、邹县电厂、运河电厂、菏泽电厂、黄台电厂、聊城热电厂和华德电厂中首台待启动机组作为待恢复机组集合。
S2：依据系统数据，离线生成机组恢复样本，并采用粒子群优化算法计算样本标签。样本数据包含机组启停状态、线路状态以及机组停机时间。该部分工作为离线准备工作，共需生成样本数目为63万个，大约耗时一周。生成机组恢复样本的具体步骤为：
1、以遍历的方式生成机组所有可能的停机状态组合，山东西部地区电网中共有7台待启动机组，所需生成的机组停机状态共126个；
2、设置参数Lnum和Dnum分别为100和50。其中，Lnum表示某一机组状态组合下所需生成的不同线路状态组合的数目，Dnum表示某一线路状态组合下所需生成的不同机组停机时间组合的数目；
3、随机生成线路状态，并校验随机生成网架的拓扑连通性，要求所有线路能够连接已恢复机组与黑启动电源，对不合格网架进行线路状态调整。
4、计算所有已恢复线路的预想恢复时间，并随机生成每台机组的停机时间。由于停电后网架结构的不确定性，在某一网架形态下，机组停机时间最小为0，最大为恢复该网架中全部线路所需的时间。因此，考虑到线路恢复时间的不确定性，将未恢复机组的停机时间范围设置为0到预想恢复时间后10min。
5、采用粒子群优化算法根据每一样本的机组恢复状态，以机组总发电能力最大为优化目标，求得后续最优机组恢复方案，并计算相应的决策指标值，作为样本标签。
S3：建立一个含有3个隐含层的深度神经网络，并利用S2产生的样本，以离散自动编码器为基础，对神经网络进行训练，构建估值网络。该部分工作为离线准备工作，神经网络的结构设为[22910050201]，最终所得网络测试误差为3.5％。
S4：获取系统实时恢复数据，判断系统的停电范围，对系统状态进行识别，判断各设备的可用性，获取机组停机时间。
根据系统实时数据，某一时刻，山东西部地区电网中泰山抽水蓄能电站已启动，邹泰线、郓泰线、郓浒线以及菏浒线已投入，邹县电厂与菏泽电厂已并网。系统中各线路均可投入，且其预想恢复时间与正常状态下预想恢复时间相同，其余待启动机组的停机时间均为35min。
S5：利用估值网络和蒙特卡洛树搜索对于下一步恢复的备选线路进行深入搜索，并对电压、频率以及潮流约束进行校验。
该步中以机组总发电能力为搜索目标，并对线路投入后的电压约束、频率约束和潮流约束进行并行校验，表达式如下所示：
其中，Etotal为所有待恢复机组在恢复时间T内最大发电能力，nG为待恢复机组数目，Pi(t)为待恢复机组i的出力函数，Uk为节点k的电压，和分别表示节点k电压的上下限，f为系统的频率，fmin和fmax分别为系统频率的上下限，Pl为线路l传输的有功潮流，为线路l的有功潮流上限。考虑到系统恢复初期的网架比较脆弱，将设为小于静态稳定极限和热稳定极限的一个值。
利用蒙特卡洛树搜索进行机组恢复在线决策步骤如下：
1、选择。由根节点开始，在计算出各节点的改进的上限置信区间(MUCT)指标值后，依次选取MUCT指标值最大的节点进行下一步的扩展或模拟。MUCT指标公式如下式所示
其中，FMUCT为改进UCT指标，表示节点c指标值排序前70％模拟结果的平均值，n为节点c父代节点被访问的次数，nc为节点c被访问的次数，Cp为大于0的实数。
2、扩展。扩展时，利用支路修剪技术来减少子节点的数目，可以增加算法搜索深度和广度，提升搜索效率。支路修剪技术沿最新节点反向搜索，寻找各层中具有相同父节点的各个节点，并在最新的扩展中避免这些状态的出现，直到有新的机组接入为止。
3、模拟。不断采用估值网络根据系统状态对于后续的最优决策指标值进行快速估算，并提高具有较高决策指标值对应的备选线路被选中的概率，指引模拟过程。
4、回溯。在模拟完成后，对于树中各节点参数进行反向更新。
将MCTS的搜索时间设置为320s(前一条线路的恢复时间为6min)，最终搜索结果如图7所示，随着搜索的进行，各条线路被逐渐区分开，而最终所选线路“泰天线”从第100s开始被搜索次数所占比例便高于其余线路，并且差距越来越大。
S6:汇总蒙特卡洛树搜索结果，选取下一步将要恢复的输电线路，由调度员投入。
在该步中，选取“泰天线”由调度员投入，并返回步骤S4，继续进行下一步投入线路的选择，直到完成所有机组的恢复为止。
最终所得机组恢复顺序为：“石横乙电厂-黄台电厂-华德电厂-聊城热电-运河电厂。”对应的线路恢复顺序为：“泰天线-天园线-石园线-济泰线-济韶线-黄韶线-韶临线-华临线-聊韶线-聊岳线-徐岳线-郓上线-上河线。”
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种机组恢复在线动态决策方法，其特征在于，包括以下步骤：
(1)确定系统恢复时的黑启动电源，并从所有机组中选取需要优先启动的机组作为待恢复机组集合；
(2)生成尽可能覆盖机组恢复各个可能状态的带标签训练集；利用深度学习，对于机组恢复训练集进行学习，构建估值网络；
(3)获取机组恢复实时数据，判断系统的停电范围，对系统的状态进行识别，判断系统中各种设备的可用性，获取机组特性；
(4)利用估值网络，以机组总发电能力为搜索目标，对各备选线路进行蒙特卡洛树搜索；同时，采用并行计算的方法，对各备选线路投入后的电压约束、频率约束和潮流约束进行校验；
(5)汇总蒙特卡洛树搜索结果，对下一步将要恢复线路选择投入。
2.如权利要求1所述的一种机组恢复在线动态决策方法，其特征在于，所述根据系统实际情况，选取水电厂、抽水蓄能电厂或者燃气轮机作为黑启动电源。
3.如权利要求1所述的一种机组恢复在线动态决策方法，其特征在于，所述从所有机组中选取需要优先启动的机组作为待恢复机组集合，选取的基本原则为：
1)待恢复机组容量选择为300MW至600MW；
2)机组所在电厂装机容量要大；
3)优先启动重要负荷附近的机组。
4.如权利要求1所述的一种机组恢复在线动态决策方法，其特征在于，所述根据获取的系统数据，生成尽可能覆盖机组恢复各个可能状态的带标签训练集，具体方法为：
1)以遍历的方式生成机组所有可能的停机状态组合，假设某一系统中共有N台机组，所需生成的机组停机状态共个；
2)设置某一机组状态组合下所需生成的不同线路状态组合的数目Lnum和某一线路状态组合下所需生成的不同机组停机时间组合的数目Dnum；
3)随机生成线路状态，并校验随机生成网架的拓扑连通性，要求所有线路能够连接已恢复机组与黑启动电源，对不合格网架进行线路状态调整；
4)计算所有已恢复线路的预想恢复时间，并随机生成每台机组的停机时间；
5)采用粒子群优化算法，以机组总发电能力最大为优化目标，求取最优机组恢复方案，并计算相应的决策指标值，作为机组恢复样本标签。
5.如权利要求1所述的一种机组恢复在线动态决策方法，其特征在于，所述估值网络是训练后的深度神经网络；建立一个含有3个隐含层的基于稀疏自动编码器的深度神经网络训练所得样本，输入为机组启停状态、线路状态和机组停机时间，输出为机组总发电能力最优值。
6.如权利要求1所述的一种机组恢复在线动态决策方法，其特征在于，所述对系统的状态进行识别，具体包括：在上一步输电线路投入后，对最新停电范围中的所有的电网设备进行可用性诊断，识别出在下一步在恢复中可用的设备，以及各火电机组的具体停机时间。
7.如权利要求1所述的一种机组恢复在线动态决策方法，其特征在于，以机组总发电能力为搜索目标，对各备选线路进行蒙特卡洛树搜索，具体方法为：
1)选择：由根节点开始，在计算出各节点的改进的上限置信区间指标值后，依次选取上限置信区间指标值最大的节点进行下一步的扩展或模拟；
2)扩展：利用支路修剪技术来减少子节点的数目，采用支路修剪技术沿最新节点反向搜索，寻找各层中具有相同父节点的各个节点，并在最新的扩展中避免这些节点的出现，直到有新的机组接入为止；
3)模拟：根据系统状态，不断采用估值网络对后续的最优决策指标值进行快速估算，并提高具有较高决策指标值对应的备选线路被选中的概率，指引模拟过程；
4)回溯：在模拟完成后，对于树中各节点参数进行反向更新。
8.如权利要求7所述的一种机组恢复在线动态决策方法，其特征在于，所述各节点的改进的上限置信区间指标值根据节点指标值排序前p％模拟结果的平均值该节点父代节点被访问的次数以及该节点被访问的次数确定。
9.如权利要求1所述的一种机组恢复在线动态决策方法，其特征在于，所述步骤(5)中，利用加权机组发电能力最大化指标对于下一步将要恢复线路选择投入，具体为：
第m个备选措施的决策函数值等于第m个备选措施的每一次模拟结果的指标值与第m个备选措施在每一次模拟中线路投入数目的比值的累加和。
10.一种机组恢复在线动态决策系统，其特征在于，包括：
用于确定系统恢复时的黑启动电源的装置；
用于从所有机组中选取需要优先启动的机组作为待恢复机组集合的装置；
用于生成尽可能覆盖机组恢复各个可能状态的带标签训练集的装置；
用于构建估值网络的装置；
用于获取机组恢复实时数据，判断系统的停电范围，对系统的状态进行识别，判断系统中各种设备的可用性，获取机组特性的装置；
用于利用估值网络，以机组总发电能力为搜索目标，对各备选线路进行蒙特卡洛树搜索的装置；
用于对各备选线路投入后的电压约束、频率约束和潮流约束进行并行校验的装置；
用于汇总蒙特卡洛树搜索结果，对下一步将要恢复线路选择投入的装置。
CN201810271593.3A 2018-03-29 2018-03-29 一种机组恢复在线动态决策方法及系统 Active CN108429259B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201810271593.3A CN108429259B (zh) 2018-03-29 2018-03-29 一种机组恢复在线动态决策方法及系统
US16/348,190 US11159018B2 (en) 2018-03-29 2018-09-29 Method and system for online decision making of generator start-up
PCT/CN2018/108531 WO2019184286A1 (zh) 2018-03-29 2018-09-29 一种机组恢复在线动态决策方法及系统
EP18900563.0A EP3780307B1 (en) 2018-03-29 2018-09-29 Online dynamic decision-making method and system for unit restoration

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810271593.3A CN108429259B (zh) 2018-03-29 2018-03-29 一种机组恢复在线动态决策方法及系统

Publications (2)

Publication Number Publication Date
CN108429259A true CN108429259A (zh) 2018-08-21
CN108429259B CN108429259B (zh) 2019-10-18

Family

ID=63160017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810271593.3A Active CN108429259B (zh) 2018-03-29 2018-03-29 一种机组恢复在线动态决策方法及系统

Country Status (4)

Country Link
US (1) US11159018B2 (zh)
EP (1) EP3780307B1 (zh)
CN (1) CN108429259B (zh)
WO (1) WO2019184286A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109861297A (zh) * 2019-04-11 2019-06-07 上海电机学院 一种基于灰狼优化算法的电力系统黑启动方法
WO2019184286A1 (zh) * 2018-03-29 2019-10-03 山东大学 一种机组恢复在线动态决策方法及系统
CN111049176A (zh) * 2018-10-15 2020-04-21 云南电网有限责任公司怒江供电局 一种黑启动网络重构最优路径的选择方法
CN111047915A (zh) * 2019-12-13 2020-04-21 中国科学院深圳先进技术研究院 停机位分配方法、装置及终端设备
CN112531741A (zh) * 2020-12-04 2021-03-19 广东电网有限责任公司电力调度控制中心 一种柔性负荷参与调频的决策方法及装置
US20220398283A1 (en) * 2021-05-25 2022-12-15 Nvidia Corporation Method for fast and better tree search for reinforcement learning

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11593693B2 (en) * 2019-01-23 2023-02-28 Royal Bank Of Canada System and method for tree-based machine learning
CN111401729A (zh) * 2020-03-12 2020-07-10 国网山东省电力公司潍坊供电公司 一种新增黑启动机组布点确定方法及系统
CN111428929B (zh) * 2020-03-23 2023-06-06 复旦大学 带二维装卸和时间窗口限制的路径规划系统
CN111934948B (zh) * 2020-07-20 2022-04-12 浙江理工大学 基于蒙特卡洛树搜索的efsm可执行测试序列生成方法
CN112117761B (zh) * 2020-09-14 2021-12-28 西安交通大学 基于改进网络权重的新能源电力系统恢复路径搜索方法
WO2022055731A1 (en) * 2020-09-14 2022-03-17 Siemens Corporation Power distribution system reconfigurations for multiple contingencies
CN112288237A (zh) * 2020-10-12 2021-01-29 国网江苏省电力有限公司镇江供电分公司 一种基于协同度优化的黑启动子区域划分方法
CN112348262A (zh) * 2020-11-10 2021-02-09 国网上海市电力公司 一种电力电缆运行安全预警方法
CN112765828B (zh) * 2021-01-28 2022-09-27 中国人民解放军海军工程大学 一种复杂电力系统的实时仿真网络剖分方法
CN112668946B (zh) * 2021-01-28 2022-07-05 广西大学 Vsc-hvdc接入的电力系统机组恢复次序决策方法
CN112837739B (zh) * 2021-01-29 2022-12-02 西北大学 基于自编码器与蒙特卡洛树的层次化特征系统发育模型
CN112803470B (zh) * 2021-02-08 2023-01-20 华北电力大学（保定） 一种支撑lcc-hvdc系统启动的交流网架重构方法
CN113139644B (zh) * 2021-03-24 2024-02-09 北京科技大学顺德研究生院 一种基于深度蒙特卡洛树搜索的信源导航方法及装置
CN113704098B (zh) * 2021-08-18 2023-09-22 武汉大学 一种基于蒙特卡洛搜索树种子调度的深度学习模糊测试方法
CN113988558B (zh) * 2021-10-20 2022-08-19 山东大学 基于盲区识别和电气坐标系扩展的电网动态安全评估方法
CN114256886B (zh) * 2021-12-22 2023-08-08 合肥工业大学 一种基于置信间隙决策的机组恢复顺序优化方法
CN114330119B (zh) * 2021-12-27 2023-08-25 淮阴工学院 一种基于深度学习的抽蓄机组调节系统辨识方法
CN114583705B (zh) * 2022-03-29 2024-03-12 合肥工业大学 一种考虑电力系统潮流的黑启动电源规划方法
CN115118477A (zh) * 2022-06-22 2022-09-27 四川数字经济产业发展研究院 一种基于深度强化学习的智能电网状态恢复方法及系统
CN115936323A (zh) * 2022-08-15 2023-04-07 苏州诀智科技有限公司 基于集装箱船舶的智能舱内配载方法、系统及计算机介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101236575A (zh) * 2008-01-30 2008-08-06 山东大学 黑启动辅助决策支持/训练系统及其方法
WO2009112955A2 (en) * 2008-03-10 2009-09-17 Eomax Corporation Modular imaging system with wireless transmission and locking connector
CN103248127A (zh) * 2013-05-23 2013-08-14 山东大学 多时空导航式电力系统恢复决策支持系统及恢复决策方法
CN103279620A (zh) * 2013-06-07 2013-09-04 山东大学 一种机组恢复顺序和路径同时优化的方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9639904B2 (en) * 2012-12-11 2017-05-02 Opterra Energy Services, Inc. Systems and methods for minimizing energy costs for a power consumption system that has access to off-grid resources
US9602021B2 (en) * 2014-03-07 2017-03-21 General Electric Company Hybrid high voltage direct current converter system and method of operating the same
US20160139212A1 (en) * 2014-11-13 2016-05-19 Eleon Energy, Inc. Methods and systems for power restoration planning employing simulation and transient test analysis
CN107244312B (zh) 2017-05-23 2019-11-26 上海蔚来汽车有限公司 换电站及有序换电控制装置、方法
CN108429259B (zh) 2018-03-29 2019-10-18 山东大学 一种机组恢复在线动态决策方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101236575A (zh) * 2008-01-30 2008-08-06 山东大学 黑启动辅助决策支持/训练系统及其方法
WO2009112955A2 (en) * 2008-03-10 2009-09-17 Eomax Corporation Modular imaging system with wireless transmission and locking connector
CN103248127A (zh) * 2013-05-23 2013-08-14 山东大学 多时空导航式电力系统恢复决策支持系统及恢复决策方法
CN103279620A (zh) * 2013-06-07 2013-09-04 山东大学 一种机组恢复顺序和路径同时优化的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱海南 等: "考虑机组恢复成功率的黑启动阶段待恢复机组优选", 《电力系统自动化》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019184286A1 (zh) * 2018-03-29 2019-10-03 山东大学 一种机组恢复在线动态决策方法及系统
US11159018B2 (en) 2018-03-29 2021-10-26 Shandong University Method and system for online decision making of generator start-up
CN111049176A (zh) * 2018-10-15 2020-04-21 云南电网有限责任公司怒江供电局 一种黑启动网络重构最优路径的选择方法
CN111049176B (zh) * 2018-10-15 2023-10-24 云南电网有限责任公司怒江供电局 一种黑启动网络重构最优路径的选择方法
CN109861297A (zh) * 2019-04-11 2019-06-07 上海电机学院 一种基于灰狼优化算法的电力系统黑启动方法
CN109861297B (zh) * 2019-04-11 2022-11-01 上海电机学院 一种基于灰狼优化算法的电力系统黑启动方法
CN111047915A (zh) * 2019-12-13 2020-04-21 中国科学院深圳先进技术研究院 停机位分配方法、装置及终端设备
CN111047915B (zh) * 2019-12-13 2020-11-27 中国科学院深圳先进技术研究院 停机位分配方法、装置及终端设备
CN112531741A (zh) * 2020-12-04 2021-03-19 广东电网有限责任公司电力调度控制中心 一种柔性负荷参与调频的决策方法及装置
US20220398283A1 (en) * 2021-05-25 2022-12-15 Nvidia Corporation Method for fast and better tree search for reinforcement learning

Also Published As

Publication number Publication date
CN108429259B (zh) 2019-10-18
EP3780307B1 (en) 2023-03-08
WO2019184286A1 (zh) 2019-10-03
EP3780307A1 (en) 2021-02-17
US11159018B2 (en) 2021-10-26
US20200127457A1 (en) 2020-04-23

Similar Documents

Publication Publication Date Title
CN108429259B (zh) 一种机组恢复在线动态决策方法及系统
Guo et al. A multi-state model for transmission system resilience enhancement against short-circuit faults caused by extreme weather events
Miller Keeping it together: Transient stability in a world of wind and solar generation
CN103138259B (zh) 一种间歇性大规模风电接入电网安全稳定性分析方法
CN112398678B (zh) 适用于多源异构电网的运行方式拓扑结构特征提取方法
CN107844918A (zh) 基于可拓学理论的水电厂安全性评价方法
CN104868465A (zh) 基于模糊机会约束的电力系统网架重构优化方法
CN103107544A (zh) 一种海上油田群电网紧急控制的在线预决策方法
CN110336270A (zh) 一种电力系统暂态稳定预测模型的更新方法
CN114725926A (zh) 面向韧性提升的分布式资源辅助主网关键节点黑启动策略
CN111969658B (zh) 考虑风电的发输电系统防御性-常规协调规划方法
CN107679723B (zh) 一种新能源发电并网系统的网络化远程测试方法
CN112688313A (zh) 一种基于矩阵建模的有源配电网可靠性评估方法
CN112613685A (zh) 一种考虑外界环境动态影响的灾害配电网抢修方法
Pakdel Intelligent instability detection for islanding prediction
CN106774205A (zh) 智能型风电场的中央监控设备和风机监控方法
CN108183481A (zh) 一种基于深度学习电网快速判稳方法和系统
CN105958474A (zh) 一种电网调控系统用输电线路动态增容方法和系统
CN109932617A (zh) 一种基于深度学习的自适应电网故障诊断方法
CN105896525B (zh) 基于wams的电网大扰动识别方法
CN114417620A (zh) 基于关键参数动态轨迹灵敏度特征的风电场电磁暂态等值建模方法
Wang et al. Early warning of distribution transformer based on bp neural network considering the influence of extreme weather
CN111027855A (zh) 考虑输电线路气象灾害故障概率的电力系统风险控制方法
CN111555276B (zh) 基于故障穿越全过程解析的双馈型风电场两机等值方法
Qiang et al. Emergency control strategy of power system transient instability based on DBN

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