CN108832619A - 基于卷积神经网络的电力系统暂态稳定评估方法 - Google Patents
基于卷积神经网络的电力系统暂态稳定评估方法 Download PDFInfo
- Publication number
- CN108832619A CN108832619A CN201810534682.2A CN201810534682A CN108832619A CN 108832619 A CN108832619 A CN 108832619A CN 201810534682 A CN201810534682 A CN 201810534682A CN 108832619 A CN108832619 A CN 108832619A
- Authority
- CN
- China
- Prior art keywords
- sample
- transient stability
- convolutional neural
- neural networks
- stability evaluation
- 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
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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于卷积神经网络的电力系统暂态稳定评估方法,该方法将电力系统中WAMS系统采集到的各母线电压幅值和相角的时域响应信息作为原始输入特征;借鉴处理图片像素的方法,通过卷积神经网络和Dropout技术构建电力系统暂态稳定评估模型。该模型由输入层、卷积层、池化层、全连接层和Softmax输出层组成。本发明无需人工提取输入特征,而是根据WAMS系统得到的实时响应信息,直接进行电力系统暂态稳定性判断;本发明大大减少了网络训练参数,减小了训练难度,提高了训练效率,有效地防止了过拟合,具有较高的评估准确率和极强的泛化能力。
Description
技术领域
本发明涉及电力系统暂态稳定评估和深度学习技术,特别是涉及一种基于卷积神经网络的电力系统暂态稳定评估方法。
背景技术
电网的稳定运行直接关系到人民的生产生活和社会的正常运转。随着电力系统规模不断扩大,交直流混联输电方式的发展,新增设备的不断增多以及新能源技术的应用,系统的运行状态越来越接近其稳定极限,其安全稳定问题日益严重,电网大面积停电事件时有发生,迫切需要一种能够快速准确的实现电网稳定评估的方法。
时域仿真法直观、信息量丰富、可适用于各种元件规模和大规模电力系统,但计算速度慢、依赖于系统模型和参数、不能直接给出系统的稳定裕度值。暂态能量函数法可以快速做出稳定判断,不必计算整个系统的运行轨迹,但该方法只考虑了简单模型的系统,只能对首摆稳定性做出评估,分析结果容易偏于保守。等值法可以定量的评估暂态稳定性,但是它评估的正确性依赖于临界机群的正确识别。随着人工智能的迅速崛起,研究者们逐渐重视起基于机器学习的电力系统暂态稳定评估方法,并进行了大量探索。但这种方法存在一下不足:(1)需要进行繁复的人工特征提取工作,且不好的特征会降低模型的评估精度,甚至使模型失效;(2)容易出现过拟合导致模型泛化能力不足。中国专利公开号CN201710616969是基于机器学习法进行的暂态稳定评估,提出了基于深度置信网络构建暂态稳定评估模型,提高了评估计算速度和评估精度。但其使用的输入特征较多,面临WAMS信息缺失的可能性较大,且该方法未对较少训练集数量情形下的模型泛化能力做评估,限制了该方法的工程实际应用。《中国电机工程学报》2018年第38卷第3期学术论文《基于深度置信网络的电力系统暂态稳定评估方法》将深度学习方法引入电力系统暂态稳定评估,也提出了一种基于深度置信网络的暂态稳定评估方法。该方法比常用的传统机器学习评估方法准确率更高,且在少量训练样本和含有无关特征情况下获得优越的评估性能。但该模型需要依赖人工经验进行特征提取,未能发挥人工神经网络自动提取特征的优势,缺乏科学指导。中国专利公开号CN201710893041基于深度学习技术进行的电力系统暂态稳定评估,提出了一种利用堆叠自动编码器对特征变量逐层进行特征提取,形成高阶特征,然后使用卷积神经网络构建稳定分类模型。然而该专利并未指明样本集提取了哪些具体的特征变量向量,另外也没有利用具体实施例进行验证,因此该方法表述不清,在一定程度上降低了该方法的可信度,影响工程实际应用。
本发明在现有研究基础上,克服现有方法的不足,提出一种基于卷积神经网络的电力系统暂态稳定评估方法,该方法无需人工提取输入特征,大大减少了网络训练参数,减小了训练难度,提高了训练效率,有效地防止了过拟合,显著提高了模型的评估准确率和泛化能力。从而实现了高效率、高精度、泛化能力强的电力系统在线暂态稳定评估。
发明内容
本发明要解决的技术问题是提供一种基于卷积神经网络的电力系统暂态稳定评估方法,以克服现有技术中存在的问题。
为解决上述技术问题,本发明采用下述技术方案:
基于卷积神经网络的电力系统暂态稳定评估方法,其特征在于,所述方法的步骤包括:
步骤(1),利用时域暂态稳定仿真技术生成学习样本集或者利用WAMS系统对电力系统采集得到的历史数据信息作为学习样本集。系统采样频率为每周波一个采样点,从故障发生时刻的前一个采样点开始,记录系统采集到的各母线的电压幅值和相角的时域响应信息,作为样本特征即为评估模型的输入。
步骤(2),采用线性归一化方法对所述样本特征数据集进行归一化预处理。
步骤(3),根据暂态稳定类别对样本标签数据集进行编码,暂态稳定的标签设为10,暂态失稳的标签设为01。
步骤(4),根据所述输入特征构建卷积神经网络暂态稳定评估模型,然后以2:1的比例将样本分成训练集和测试集,以评估准确率为评估指标构建最佳精度的暂态稳定评估模型;
步骤(5),利用步骤(2)和步骤(4)对WAMS系统采集得到的新电力系统数据信息进行处理,构建预测数据集;
步骤(6),利用步骤(4)中构建的卷积神经网络暂态稳定评估模型对所述预测数据集进行判断,获得暂态稳定性的评估结果。
所述步骤(1)中,利用时域暂态稳定仿真技术生成学习样本集或者利用WAMS系统对电力系统采集得到的历史数据信息作为学习样本集。系统采样频率为每周波一个采样点,从故障发生时刻的前一个采样点开始,记录系统采集到的各母线的电压幅值和相角的时域响应信息,作为样本特征即为评估模型的输入,将样本特征数据集X表示为
式中,Uij表示系统第i个采样时刻第j个母线电压幅值,单位标幺制;θij表示系统第i个采样时刻第j个母线电压相角,单位为rad/s;i=1,2,…,t;j=1,2,…,n;;t为采样点总个数,n为系统母线总数目。
所述步骤(2)中,采用线性归一化方法对所述样本特征数据集进行归一化预处理,如式(2)所示。其中Ximin为样本数据集中第i个采样时刻输入特征的最小值;Ximax为样本数据集中第i个采样时刻输入特征的最大值。i=1,2,…,t,将t个采样时刻的输入特征均进行初始化变换,得到规范化之后的样本特征数据集X'。
所述步骤(3)中,对于每个样本,利用故障切除后4s末任意两台发电机的相对功角差是否大于360°来判断系统的暂态稳定性。如果小于360°,则判断为稳定样本,样本标签设为10;如果大于360°,则判断为暂态失稳样本,样本标签为01。
所述步骤(4)中,构建的基于卷积神经网络的电力系统暂态稳定评估模型结构是由一个输入层INPUT、两个卷积层CONV1和CONV2、两个池化层POOL1和POOL2、两个全连接层FC3和FC4、一个输出层OUTPUT组成。
通过对不同负荷水平、不同发电机出力、不同故障位置及不同故障切除时间下的数据样本集进行暂态稳定评估,优化所述步骤(4)中构建的暂态稳定评估模型。
在所述步骤(4)中,利用步骤(2)和步骤(3)获取的样本特征数据集作为卷积神经网络的输入特征,并通过网格搜索法以测试集准确率作为参考寻找最优的卷积神经网络参数。对所述步骤(5)的在线预测数据集,利用步骤(4)中优化好的卷积神经网络暂态稳定评估模型,得到系统暂态稳定性的在线评估结果。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明:
图1示出本发明所述一种基于卷积神经网络的电力系统暂态稳定评估方法的流程图;
图2示出本发明模型输入特征的结构图;
图3示出本发明卷积神经网络暂态稳定评估模型图;
图4示出本实施例中新英格兰10机39节点系统的拓扑结构图;
具体实施方式
本发明公开了一种基于卷积神经网络的电力系统暂态稳定性的评估方法。该方法包括以下步骤:
步骤(1),利用时域暂态稳定仿真技术生成学习样本集或者利用WAMS系统对电力系统采集得到的历史数据信息作为学习样本集。系统采样频率为每周波一个采样点,从故障发生时刻的前一个采样点开始,记录系统采集到的各母线的电压幅值和相角的时域响应信息,作为样本特征即为评估模型的输入。
步骤(2),采用线性归一化方法对所述样本特征数据集进行归一化预处理。
步骤(3),根据暂态稳定类别对样本标签数据集进行编码,暂态稳定的标签设为10,暂态失稳的标签设为01。
步骤(4),根据所述输入特征构建卷积神经网络暂态稳定评估模型,然后以2:1的比例将样本分成训练集和测试集,以评估准确率为评估指标构建最佳精度的暂态稳定评估模型;
步骤(5),利用步骤(2)和步骤(4)对WAMS系统采集得到的新电力系统数据信息进行处理,构建预测数据集;
步骤(6),利用步骤(4)中构建的卷积神经网络暂态稳定评估模型对所述预测数据集进行判断,获得暂态稳定性的评估结果。
所述步骤(1)中,利用时域暂态稳定仿真技术生成学习样本集或者利用WAMS系统对电力系统采集得到的历史数据信息作为学习样本集。系统采样频率为每周波一个采样点,从故障发生时刻的前一个采样点开始,记录系统采集到的各母线的电压幅值和相角的时域响应信息,作为样本特征即为评估模型的输入,样本特征数据集X如式(1)所示。
所述步骤(2)中,采用线性归一化方法对所述样本特征数据集进行归一化预处理,如式(2)所示。其中Ximin为样本数据集中第i个采样时刻输入特征的最小值;Ximax为样本数据集中第i个采样时刻输入特征的最大值。i=1,2,…,t,将t个采样时刻的输入特征均进行初始化变换,得到规范化之后的样本特征数据集X'。
所述步骤(3)中,对于每个样本,利用故障切除后4s末任意两台发电机的相对功角差是否大于360°来判断系统的暂态稳定性。如果小于360°,则判断为稳定样本,样本标签设为10;如果大于360°,则判断为暂态失稳样本,样本标签为01。
所述步骤(4)中,构建的基于卷积神经网络的电力系统暂态稳定评估模型结构是由一个输入层INPUT、两个卷积层CONV1和CONV2、两个池化层POOL1和POOL2、两个全连接层FC3和FC4、一个输出层OUTPUT组成。
通过对不同负荷水平、不同发电机出力、不同故障位置及不同故障切除时间下的数据样本集进行暂态稳定评估,优化所述步骤(4)中构建的暂态稳定评估模型。
在所述步骤(4)中,利用步骤(2)和步骤(3)获取的样本特征数据集作为卷积神经网络的输入特征,并通过网格搜索法和Dropout技术以测试集准确率作为参考寻找最优的卷积神经网络参数。对所述步骤(5)的在线预测数据集,利用步骤(4)中优化好的卷积神经网络暂态稳定评估模型,得到系统暂态稳定性的在线评估结果。
本发明的有益效果如下:本发明借鉴处理图片像素的方法,无需人工提取输入特征,直接从系统响应信息构成的状态空间中提取输入特征,通过卷积神经网络和Dropout技术构建电力系统暂态稳定评估模型。利用卷积神经网络的局部连接和权值共享的特点,大大减少了网络训练参数,减小了训练难度,提高了训练效率;再加上Dropout技术有效地防止了模型的过拟合,显著提高了模型的评估准确率和泛化能力。
下面通过一组实施例对本发明作进一步说明:
本实施例以新英格兰10机39节点系统为例进行说明。在离线学习阶段,利用Matlab的Power System Toolbox 3.0工具箱,仿真生成学习样本集。其中发电机采用二阶经典模型,系统采用恒定阻抗负荷,仿真频率为60Hz,WAMS系统采样频率为每周波一个采样点,设置该系统的负荷水平在75%至120%的标准负荷水平下,以5%的变化步长增加,并且相应改变发电机出力保证系统潮流收敛,每一种负荷水平下设置5种不同的发电出力。在34条线路上设置三相短路故障,同一种故障的严重程度通过设置故障切除时间来确定,保证最终生成的样本集中稳定样本和失稳样本数量相当。共生成5100个样本,其中稳定样本为2434个,失稳样本为2666个。从5100个样本中随机抽取3400个样本作为训练集,其余的1700个样本作为测试样本。根据步骤(1)至步骤(3)将系统的测量的时域响应信息归一化处理后作为模型的输入,并且将系统稳定性状态标签作为模型输出,通过监督训练更新卷积神经网络的参数,形成暂态稳定评估模型,得到测试集的准确率为99.06%。
深度模型的表征能力很强,如果训练样本不足,模型会出现过拟合的问题。本发明的CNN模型采用了Dropout技术有效的防止了模型过拟合。下面使用少量训练样本测试CNN模型在训练样本不足时的评估性能。从5100个样本中分别抽取200、400、600、800、1000个样本作为训练样本,剩余的作为测试样本。不同训练样本数量下CNN模型评估准确率如表1所示,不同训练样本数量下不同模型评估准确率的比较如表2所示。
表1不同训练样本数量下的CNN模型评估准确率
表2不同训练样本数量下的不同模型测试集评估准确率比较
表1显示,随着训练集数量的增加,CNN的评估准确率明显增长。对于以系统各母线电压幅值和相角作为输入特征时候,当训练样本数量为200时,其测试集的评估准确率为90.76%,训练集数量为1000时,其测试集的评估准确率为98.07%。值得注意的是,CNN模型测试样本的准确率普遍高于训练样本的准确率。表2显示,在训练样本较少的情况下,CNN较深度神经网络模型之一的DBN模型和浅层学习方法中的SVM和DT模型拥有突出的评估优势。当仅有200个训练样本时候,CNN的评估准确率比DBN高出9%以上,比SVM高出14%以上,比DT高出甚至20%以上。当训练样本数量增加到1000时,CNN的评估准确率仍然明显高于其他三种模型的评估准确率,CNN的评估准确率比DBN高出5%以上,比SVM高出10%以上,比DT高出13%以上。
改变输入特征采样点个数,将输入特征窗口大小设置为20×78、30×78、40×78、50×78、60×78、78×78,其中20、30、40、50、60、78表示输入特征采样点个数,系统采样频率为60Hz。各种窗口大小的评估性能如表3所示。
表3不同窗口大小的评估性能比较
由表3可以看出,当采样点个数不断增加时,由于输入特征窗口所包含的信息越多,系统在故障发生前的稳定状态到故障发生期间再到故障切除后更多的动态行为被模型所学习,故在模型准确率上有着更好的表现,模型的评估准确率越来越高。且本发明的CNN模型在不同窗口大小的输入特征情况下,测试集的准确率普遍高于训练集的准确率,由此可见该模型具有防止过拟合和较强的泛化能力。
本文所描述的具体实施例仅作为本发明方法应用的举例说明,不能理解为对本发明的限制,本发明所属技术领域的技术人员可以在本发明的范围内对具体实施例进行替换、变化。修改或补充。
Claims (7)
1.基于卷积神经网络的电力系统暂态稳定评估方法,其特征在于,所述方法的步骤包括:
步骤(1),利用时域暂态稳定仿真生成学习样本集,或者利用WAMS系统对电力系统采集得到的历史数据作为学习样本集。系统采样频率为每周波一个采样点,从故障发生时刻的前一个采样点开始,记录系统采集到的各母线的电压幅值和相角的时域响应信息,作为样本特征即为评估模型的输入。
步骤(2),采用线性归一化方法对所述样本特征数据集进行归一化预处理。
步骤(3),根据暂态稳定类别对样本标签数据集进行编码,暂态稳定的标签设为10,暂态失稳的标签设为01。
步骤(4),根据所述输入特征构建卷积神经网络暂态稳定评估模型,然后以2:1的比例将样本分成训练集和测试集,以评估准确率为评估指标构建最佳精度的暂态稳定评估模型;
步骤(5),利用步骤(2)和步骤(4)对WAMS系统采集得到的新电力系统数据信息进行处理,构建预测数据集;
步骤(6),利用步骤(4)中构建的卷积神经网络暂态稳定评估模型对所述预测数据集进行判断,获得暂态稳定性的评估结果。
2.根据权利要求1所述的评估方法,其特征在于:所述步骤(1)中,利用时域暂态稳定仿真技术生成学习样本集或者利用WAMS系统对电力系统采集得到的历史数据信息作为学习样本集。系统采样频率为每周波一个采样点,从故障发生时刻的前一个采样点开始,记录系统采集到的各母线的电压幅值和相角的时域响应信息,作为样本特征即为评估模型的输入,将样本特征数据集X表示为
式中,Uij表示系统第i个采样时刻第j个母线电压幅值,单位标幺制;θij表示系统第i个采样时刻第j个母线电压相角,单位为rad/s;i=1,2,…,t;j=1,2,…,n;;t为采样点总个数,n为系统母线总数目。
3.根据权利要求1所述的评估方法,其特征在于:所述步骤(2)中,采用线性归一化方法对所述样本特征数据集进行归一化预处理,如式(2)所示。其中Ximin为样本数据集中第i个采样时刻输入特征的最小值;Ximax为样本数据集中第i个采样时刻输入特征的最大值。i=1,2,…,t,将t个采样时刻的输入特征均进行初始化变换,得到规范化之后的样本特征数据集X'。
4.根据权利要求1所述的评估方法,其特征在于:所述步骤(3)中,对于每个样本,利用故障切除后4s末任意两台发电机的相对功角差是否大于360°来判断系统的暂态稳定性。如果小于360°,则判断为稳定样本,样本标签设为10;如果大于360°,则判断为暂态失稳样本,样本标签为01。
5.根据权利要求1所述的暂态稳定评估方法,其特征在于:所述步骤(4)中,构建的基于卷积神经网络的电力系统暂态稳定评估模型结构是由一个输入层INPUT、两个卷积层CONV1和CONV2、两个池化层POOL1和POOL2、两个全连接层FC3和FC4、一个输出层OUTPUT组成。
6.根据权利要求1所述的评估方法,其特征在于:通过对不同负荷水平、不同发电机出力、不同故障位置及不同故障切除时间下的数据样本集进行暂态稳定评估,优化所述步骤(4)中构建的暂态稳定评估模型。
7.根据权利要求5所述的评估方法,其特征在于:在所述步骤(4)中,利用步骤(2)和步骤(3)获取的样本特征数据集作为卷积神经网络的输入特征,并通过网格搜索法以测试集准确率作为参考寻找最优的卷积神经网络参数。对所述步骤(5)的在线预测数据集,利用步骤(4)中优化好的卷积神经网络暂态稳定评估模型,得到系统暂态稳定性的在线评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810534682.2A CN108832619A (zh) | 2018-05-29 | 2018-05-29 | 基于卷积神经网络的电力系统暂态稳定评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810534682.2A CN108832619A (zh) | 2018-05-29 | 2018-05-29 | 基于卷积神经网络的电力系统暂态稳定评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108832619A true CN108832619A (zh) | 2018-11-16 |
Family
ID=64146738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810534682.2A Pending CN108832619A (zh) | 2018-05-29 | 2018-05-29 | 基于卷积神经网络的电力系统暂态稳定评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108832619A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109494726A (zh) * | 2018-11-27 | 2019-03-19 | 国网安徽省电力有限公司安庆供电公司 | 基于dlrnn神经网络的电力系统稳定性在线评估方法 |
CN109617045A (zh) * | 2018-11-21 | 2019-04-12 | 宁波恒晨电力建设有限公司 | 降低低压开关跳闸风险的配电网安全保障方法及装置 |
CN109741410A (zh) * | 2018-12-07 | 2019-05-10 | 天津大学 | 基于深度学习的荧光编码微球图像生成及标注方法 |
CN109861220A (zh) * | 2019-03-22 | 2019-06-07 | 西南交通大学 | 电力系统分析用深度卷积神经网络张量输入构建方法 |
CN109978230A (zh) * | 2019-02-15 | 2019-07-05 | 杭州博钊科技有限公司 | 一种基于深度卷积神经网络的电力销售金额智能预测方法 |
CN110212551A (zh) * | 2019-06-27 | 2019-09-06 | 国网内蒙古东部电力有限公司通辽供电公司 | 基于卷积神经网络的微网无功自动控制方法 |
CN110264251A (zh) * | 2019-05-31 | 2019-09-20 | 杭州博钊科技有限公司 | 表征现金流的数据组织形式与基于多任务学习的预测方法 |
CN110543921A (zh) * | 2019-10-14 | 2019-12-06 | 四川大学 | 一种基于波形学习的电缆早期故障识别方法 |
CN110609477A (zh) * | 2019-09-27 | 2019-12-24 | 东北大学 | 一种基于深度学习的电力系统暂态稳定性判别系统及方法 |
CN110705831A (zh) * | 2019-09-06 | 2020-01-17 | 华中科技大学 | 电力系统故障后功角失稳模式预判模型构建方法及其应用 |
CN110796203A (zh) * | 2019-10-31 | 2020-02-14 | 国网河北省电力有限公司 | 电网运行断面的匹配方法和装置 |
CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
CN110838075A (zh) * | 2019-05-20 | 2020-02-25 | 全球能源互联网研究院有限公司 | 电网系统暂态稳定的预测模型的训练及预测方法、装置 |
CN110837683A (zh) * | 2019-05-20 | 2020-02-25 | 全球能源互联网研究院有限公司 | 电力系统暂态稳定的预测模型的训练及预测方法、装置 |
CN110879917A (zh) * | 2019-11-08 | 2020-03-13 | 北京交通大学 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
CN110943453A (zh) * | 2019-12-23 | 2020-03-31 | 北京交通大学 | 面向迁移学习的电力系统故障样本生成和模型构建方法 |
CN110994604A (zh) * | 2019-12-12 | 2020-04-10 | 南京理工大学 | 基于lstm-dnn模型的电力系统暂态稳定评估方法 |
CN111404150A (zh) * | 2020-03-30 | 2020-07-10 | 广西电网有限责任公司电力科学研究院 | 一种适用于大电网运行的暂态稳定评估方法及系统 |
CN111725802A (zh) * | 2020-06-03 | 2020-09-29 | 杭州电子科技大学 | 基于深度神经网络的交直流混联电网暂态稳定判断方法 |
CN112003272A (zh) * | 2020-08-11 | 2020-11-27 | 东北电力大学 | 一种基于卷积神经网络的电力系统频率安全控制方法 |
CN112017070A (zh) * | 2020-07-17 | 2020-12-01 | 中国电力科学研究院有限公司 | 一种基于数据增强评估电力系统暂态稳定的方法及系统 |
CN112069727A (zh) * | 2020-08-20 | 2020-12-11 | 国网河南省电力公司经济技术研究院 | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 |
WO2020252784A1 (zh) * | 2019-06-21 | 2020-12-24 | 西门子股份公司 | 电力负荷数据的预测方法、装置及存储介质 |
TWI745907B (zh) * | 2019-03-29 | 2021-11-11 | 日商三菱重工業股份有限公司 | 發電量預測裝置、發電量預測方法、及程式 |
CN114004155A (zh) * | 2021-11-01 | 2022-02-01 | 清华大学 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
CN115714381A (zh) * | 2022-11-22 | 2023-02-24 | 国网重庆市电力公司电力科学研究院 | 一种基于改进cnn模型的电网瞬态稳定性预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106291234A (zh) * | 2016-07-29 | 2017-01-04 | 武汉大学 | 一种基于卷积神经网络的输电线路区内外故障判断及故障选相方法 |
CN106291233A (zh) * | 2016-07-29 | 2017-01-04 | 武汉大学 | 一种基于卷积神经网络的故障选相方法 |
CN107391852A (zh) * | 2017-07-26 | 2017-11-24 | 清华大学 | 基于深度置信网络的暂态稳定性实时评估方法及装置 |
CN107846012A (zh) * | 2017-09-27 | 2018-03-27 | 国网湖北省电力公司 | 一种基于深度学习技术的电力系统暂态稳定评估方法 |
-
2018
- 2018-05-29 CN CN201810534682.2A patent/CN108832619A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106291234A (zh) * | 2016-07-29 | 2017-01-04 | 武汉大学 | 一种基于卷积神经网络的输电线路区内外故障判断及故障选相方法 |
CN106291233A (zh) * | 2016-07-29 | 2017-01-04 | 武汉大学 | 一种基于卷积神经网络的故障选相方法 |
CN107391852A (zh) * | 2017-07-26 | 2017-11-24 | 清华大学 | 基于深度置信网络的暂态稳定性实时评估方法及装置 |
CN107846012A (zh) * | 2017-09-27 | 2018-03-27 | 国网湖北省电力公司 | 一种基于深度学习技术的电力系统暂态稳定评估方法 |
Non-Patent Citations (5)
Title |
---|
中国科学技术协会主编: "《计算机科学技术学科发展报告 2014-2015版》", 30 April 2016, 中国科学技术出版社 * |
侯金秀: "基于电压相量和深度学习的电力系统暂态稳定快速评估", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
周悦 等: "基于深度学习的电力系统暂态稳定评估方法", 《电力建设》 * |
朱乔木 等: "基于深度置信网络的电力系统暂态稳定评估方法", 《中国电机工程学报》 * |
王红军编著: "《基于知识的机电系统故障诊断与预测技术》", 31 January 2014, 中国财富出版社 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109617045A (zh) * | 2018-11-21 | 2019-04-12 | 宁波恒晨电力建设有限公司 | 降低低压开关跳闸风险的配电网安全保障方法及装置 |
CN109494726A (zh) * | 2018-11-27 | 2019-03-19 | 国网安徽省电力有限公司安庆供电公司 | 基于dlrnn神经网络的电力系统稳定性在线评估方法 |
CN109741410A (zh) * | 2018-12-07 | 2019-05-10 | 天津大学 | 基于深度学习的荧光编码微球图像生成及标注方法 |
CN109978230A (zh) * | 2019-02-15 | 2019-07-05 | 杭州博钊科技有限公司 | 一种基于深度卷积神经网络的电力销售金额智能预测方法 |
CN109978230B (zh) * | 2019-02-15 | 2021-08-10 | 杭州博钊科技有限公司 | 一种基于深度卷积神经网络的电力销售金额智能预测方法 |
CN109861220B (zh) * | 2019-03-22 | 2022-07-01 | 西南交通大学 | 电力系统分析用深度卷积神经网络张量输入构建方法 |
CN109861220A (zh) * | 2019-03-22 | 2019-06-07 | 西南交通大学 | 电力系统分析用深度卷积神经网络张量输入构建方法 |
TWI745907B (zh) * | 2019-03-29 | 2021-11-11 | 日商三菱重工業股份有限公司 | 發電量預測裝置、發電量預測方法、及程式 |
CN110837683A (zh) * | 2019-05-20 | 2020-02-25 | 全球能源互联网研究院有限公司 | 电力系统暂态稳定的预测模型的训练及预测方法、装置 |
CN110838075A (zh) * | 2019-05-20 | 2020-02-25 | 全球能源互联网研究院有限公司 | 电网系统暂态稳定的预测模型的训练及预测方法、装置 |
CN110264251A (zh) * | 2019-05-31 | 2019-09-20 | 杭州博钊科技有限公司 | 表征现金流的数据组织形式与基于多任务学习的预测方法 |
US11831160B2 (en) | 2019-06-21 | 2023-11-28 | Siemens Aktiengesellschaft | Power load data prediction method and device, and storage medium |
WO2020252784A1 (zh) * | 2019-06-21 | 2020-12-24 | 西门子股份公司 | 电力负荷数据的预测方法、装置及存储介质 |
CN110212551A (zh) * | 2019-06-27 | 2019-09-06 | 国网内蒙古东部电力有限公司通辽供电公司 | 基于卷积神经网络的微网无功自动控制方法 |
CN110705831A (zh) * | 2019-09-06 | 2020-01-17 | 华中科技大学 | 电力系统故障后功角失稳模式预判模型构建方法及其应用 |
CN110609477A (zh) * | 2019-09-27 | 2019-12-24 | 东北大学 | 一种基于深度学习的电力系统暂态稳定性判别系统及方法 |
CN110609477B (zh) * | 2019-09-27 | 2021-06-29 | 东北大学 | 一种基于深度学习的电力系统暂态稳定性判别系统及方法 |
CN110543921A (zh) * | 2019-10-14 | 2019-12-06 | 四川大学 | 一种基于波形学习的电缆早期故障识别方法 |
CN110796203A (zh) * | 2019-10-31 | 2020-02-14 | 国网河北省电力有限公司 | 电网运行断面的匹配方法和装置 |
CN110879917A (zh) * | 2019-11-08 | 2020-03-13 | 北京交通大学 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
CN110994604A (zh) * | 2019-12-12 | 2020-04-10 | 南京理工大学 | 基于lstm-dnn模型的电力系统暂态稳定评估方法 |
CN110994604B (zh) * | 2019-12-12 | 2023-07-28 | 南京理工大学 | 基于lstm-dnn模型的电力系统暂态稳定评估方法 |
CN110943453A (zh) * | 2019-12-23 | 2020-03-31 | 北京交通大学 | 面向迁移学习的电力系统故障样本生成和模型构建方法 |
CN111404150A (zh) * | 2020-03-30 | 2020-07-10 | 广西电网有限责任公司电力科学研究院 | 一种适用于大电网运行的暂态稳定评估方法及系统 |
CN111725802A (zh) * | 2020-06-03 | 2020-09-29 | 杭州电子科技大学 | 基于深度神经网络的交直流混联电网暂态稳定判断方法 |
CN111725802B (zh) * | 2020-06-03 | 2021-10-08 | 杭州电子科技大学 | 基于深度神经网络的交直流混联电网暂态稳定判断方法 |
CN112017070A (zh) * | 2020-07-17 | 2020-12-01 | 中国电力科学研究院有限公司 | 一种基于数据增强评估电力系统暂态稳定的方法及系统 |
CN112003272B (zh) * | 2020-08-11 | 2021-12-14 | 东北电力大学 | 一种基于卷积神经网络的电力系统频率安全控制方法 |
CN112003272A (zh) * | 2020-08-11 | 2020-11-27 | 东北电力大学 | 一种基于卷积神经网络的电力系统频率安全控制方法 |
CN112069727A (zh) * | 2020-08-20 | 2020-12-11 | 国网河南省电力公司经济技术研究院 | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 |
CN114004155A (zh) * | 2021-11-01 | 2022-02-01 | 清华大学 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
CN114004155B (zh) * | 2021-11-01 | 2024-04-12 | 清华大学 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
CN115714381A (zh) * | 2022-11-22 | 2023-02-24 | 国网重庆市电力公司电力科学研究院 | 一种基于改进cnn模型的电网瞬态稳定性预测方法 |
CN115714381B (zh) * | 2022-11-22 | 2023-10-13 | 国网重庆市电力公司电力科学研究院 | 一种基于改进cnn模型的电网瞬态稳定性预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108832619A (zh) | 基于卷积神经网络的电力系统暂态稳定评估方法 | |
CN107732970B (zh) | 一种新能源并网电力系统的静态安全概率评估方法 | |
CN105403811B (zh) | 风电场电网故障诊断方法和装置 | |
Fang et al. | Application of gray relational analysis to k-means clustering for dynamic equivalent modeling of wind farm | |
CN110570122B (zh) | 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法 | |
CN109886604A (zh) | 一种基于一维卷积神经网络的电力系统暂态稳定评估方法 | |
CN103973203A (zh) | 一种适用于安全稳定分析的大型光伏电站在线等值建模方法 | |
CN111415059B (zh) | 一种实用模型机构建及在线应用方法 | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
CN111401749A (zh) | 一种基于随机森林与极限学习回归的动态安全评估方法 | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
CN110994604A (zh) | 基于lstm-dnn模型的电力系统暂态稳定评估方法 | |
CN104182816A (zh) | 基于Vague集和改进逼近理想解的电能质量综合评估方法及其应用 | |
CN106451418A (zh) | 光伏电站的在线分群等值建模方法 | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
CN110532596A (zh) | 一种基于lstm算法生成电网仿真样本的方法和系统 | |
CN109428327A (zh) | 基于响应的电网关键支路与主导稳定模式识别方法及系统 | |
CN103632314B (zh) | 基于概率统计的风电场广义节点特征建模方法 | |
CN110705831A (zh) | 电力系统故障后功角失稳模式预判模型构建方法及其应用 | |
Min et al. | Fault prediction for distribution network based on CNN and LightGBM algorithm | |
CN105701265A (zh) | 一种双馈风电机组建模方法及装置 | |
CN116911161A (zh) | 一种结合数据增强的深度学习暂态电压稳定评估方法 | |
CN109684749B (zh) | 一种考虑运行特性的光伏电站等值建模方法 | |
CN108183481A (zh) | 一种基于深度学习电网快速判稳方法和系统 | |
CN106253328A (zh) | 一种对风电场并网点进行合理选址的分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |