CN109325613A - 用平行序贯极限学习机对静态电压稳定裕度在线预测方法 - Google Patents

用平行序贯极限学习机对静态电压稳定裕度在线预测方法 Download PDF

Info

Publication number
CN109325613A
CN109325613A CN201810968309.8A CN201810968309A CN109325613A CN 109325613 A CN109325613 A CN 109325613A CN 201810968309 A CN201810968309 A CN 201810968309A CN 109325613 A CN109325613 A CN 109325613A
Authority
CN
China
Prior art keywords
learning machine
extreme learning
sequential
value
pole extreme
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
CN201810968309.8A
Other languages
English (en)
Other versions
CN109325613B (zh
Inventor
王占山
柳义鹏
刘丕丕
施展
姚显双
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201810968309.8A priority Critical patent/CN109325613B/zh
Publication of CN109325613A publication Critical patent/CN109325613A/zh
Application granted granted Critical
Publication of CN109325613B publication Critical patent/CN109325613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Neurology (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种对平行序贯极限学习机静态电压稳定裕度在线预测方法，通过采用平行结构对序贯极限学习机并行训练，达到快速寻找满足精度要求的最佳隐含层节点数、历史数据长度N0以及每次新加入的数据块数值个数BLOCK值的目的，本发明所提出的方法能够准确地预测电网的静态电压稳定性，为电力系统的运行及规划提供依据。

Description

用平行序贯极限学习机对静态电压稳定裕度在线预测方法
技术领域
本发明涉及电力系统预测领域，具体涉及用平行序贯极限学习机对静态电压稳定裕度预测方法。
背景技术
随着社会的发展，用电量急剧增加，电力系统经常运行在稳定极限附近。近年来全球范围内由电压引起的事故时有发生，因此对于电压稳定的研究逐渐成为了主流。在电力系统的实际应用中，运行人员需要对当前系统是否安全做出判定，电压稳定裕度能够给工作人员准确的信息，了解系统当前状态距离电压崩溃点有多远，因此，如何快速、精确地计算出电压稳定裕度非常重要。
在实际电力系统当中，神经网络的训练数据非常庞大。传统极限学习机采用批量学习的方法，每当有新增数据进入神经网络时需要对历史数据重新训练，难以应用于实际电力系统当中。针对极限学习机的这一缺点，拟采用序贯极限学习机的方法进行预测。序贯极限学习机仅根据当前所输入的数据来对神经网络权值进行更新而无需重复扫描历史数据，节省了大量的训练时间，能够更好地满足实际电力系统实时性的要求。
发明内容
针对现有的预测方法存在的不足，本发明提出一种基于平行序贯极限学习机的静态电压稳定裕度预测的方法；具体步骤为:
步骤1：通过PSASP仿真获取神经网络的训练及测试样本，根据接有负荷的每条母线上的有功功率、无功功率的基础值，设按一定的比率依次增加负载母线上的负荷，获得多组训练数据。
步骤2：对数据进行预处理，并将每组数据中接有负载的节点上的有功负荷与无功负荷作为网络的输入数据，母线上的裕度值作为极限学习机的输出数据，由此对平行神经网络进行训练。
步骤3：构建平行序贯极限学习机，由左侧序贯极极限学习机(L-OSELM)与右侧序贯极极限学习机(R-OSELM)组成。将左右两侧神经网络的参数进行初始化，将训练数据分别输入左右两侧神经网络进行训练。
步骤4：离线学习阶段：
首先设定评价OSELM训练效果的相关参数：
EL(n)＝D(n)-OL(n) (3)
ER(n)＝D(n)-OR(n) (4)
式中：EL(n)表示左侧序贯极限学习机的输出误差，ER(n)表示右侧序贯极限学习机的误差，D(n)为OSELM的期望输出；OL(n)为左侧序贯极限学习机的计算输出，OR(n)为右侧序贯极限学习机的计算输出，每次迭代之后计算AL(n)与AR(n)并将其作为评价神经网络预测性能的指标。
步骤4.1：对右侧序贯极极限学习机隐含层神经元个数的调整：
当左侧极限学习机的误差较小，即AL(n)≤AR(n)时，左侧序贯极极限学习机神经元个数保持不变，右侧序贯极极限学习机神经网络神经元个数在L-ELM隐含层神经元个数的基础上增加，如下所示：
式中：lL(n)为左侧序贯极极限学习机第n次迭代时的隐含层神经元个数，lR(n)为右侧序贯极极限学习机的隐含层神经元个数,Δl1为右侧序贯极极限学习机每次进行更新隐含层节点的增量。
步骤4.2：对左侧序贯极极限学习机隐含层节点进行调整：
当左侧极限学习机的误差较小，即AL(n)＞AR(n)时，右侧序贯极极限学习机神经元个数保持不变，左侧序贯极极限学习机神经网络神经元个数在L-ELM隐含层神经元个数的基础上增加，如下所示：
式中：Δl2为左侧序贯极极限学习机每次进行更新隐含层节点的增量。
步骤5：对OSELM的历史数据长度N0进行调整：
步骤5.1：对右侧序贯极极限学习机的历史数据长度N0进行调整，当左侧极限学习机的误差较小，即AL(n)≤AR(n)时，左侧序贯极极限学习机的历史数据长度N0值保持不变，右侧序贯极极限学习机神经网络的历史数据长度N0值在左侧序贯极极限学习机隐含层神经元个数的基础上增加，如下所示：
式中：NL(n)为第n次训练时左侧神经网络历史数据长度N0的取值，NR(n)为第n次训练时右侧神经网络历史数据长度N0的取值，ΔN1为右侧神经网络更新时历史数据长度N0数值的增量。
步骤5.2：对左侧序贯极极限学习机的历史数据长度N0进行调整，当右侧极限学习机的误差较小，即AR(n)≤AL(n)时，右侧序贯极极限学习机的历史数据长度N0值保持不变，左侧序贯极极限学习机神经网络神经元个数在右侧序贯极极限学习机的历史数据长度N0值基础上增加，如下所示：
式中，ΔN2为左侧神经网络更新时历史数据长度N0数值的增量。
步骤6：对OSELM每次新加入的数据个数BLOCK的数值进行调整：
步骤6.1：对右侧序贯极极限学习机的新加入的数据个数BLOCK进行调整，当左侧极限学习机的误差较小，即AL(n)≤AR(n)时，左侧序贯极极限学习机的新加入的数据个数BLOCK 值保持不变，右侧序贯极极限学习机神经网络神经元个数在左侧序贯极极限学习机的新加入的数据个数BLOCK值的基础上增加，如下所示：
式中：BL(n)为第n次训练时左侧神经网络新加入的数据块新加入的数据个数BLOCK的取值， BR(n)为第n次训练时右侧神经网络新加入的数据块新加入的数据个数BLOCK的取值，ΔB1为右侧神经网络更新时新加入的数据个数BLOCK数值的增量。
步骤6.2：对左侧序贯极极限学习机的新加入的数据个数BLOCK进行调整，当右侧极限学习机的误差较小，即AL(n)＞AR(n)时，右侧序贯极极限学习机的新加入的数据个数BLOCK 值保持不变，左侧序贯极极限学习机神经网络神经元个数在右侧序贯极极限学习机的新加入的数据个数BLOCK值的基础上增加，如下所示：
式中，ΔB2为左侧神经网络更新时新加入的数据个数BLOCK数值的增量。
步骤7：如果出现以下两种情况之一，则跳出循环并执行相应操作，反之则返回至第一步重新执行该循环。
1)当左侧序贯极极限学习机的预测误差小于误差期望值(EL＜ε)时，跳出循环并输出本次循环中左侧序贯极极限学习机的隐含层节点数、历史数据长度N0值及新加入的数据个数 BLOCK值。
2)当左侧序贯极极限学习机的误差较小，且右侧序贯极极限学习机的参数在左侧序贯极极限学习机基础上增加之后导致右侧序贯极极限学习机的预测精度降低，则结束循环并输出左侧序贯极极限学习机的参数。
有益效果:
实际电力系统运行当中，由用电负荷波动、发电机出力变化、器件故障等原因所导致的系统运行状态变化的现象普遍存在，因此静态电压稳定裕度具有较强的波动性及非线性性。传统极限学习机是一种批量训练的方法，当有大量新数据到来时需要重新进行训练，且参数无法实时更新，无法满足电力系统静态电压稳定裕度预测实时性的需求。针对此缺点，本发明提出了一种基于平新序贯极限学习机的方法来对静态电压稳定裕度进行预测。所提出的方法解决了以下几个存在的问题：
(1)相对于传统极限学习机，序贯极限学习机能够对自身数据进行实时更新，当有大量数据到来时无需重复训练，能够满足静态电压稳定裕度中实时性的要求。
(2)序贯极限学习机的预测效果受隐含层节点数、历史数据长度、每次新加入的数据块大小影响较大。现有理论没有明确的公式来确定这些参数到底应该如何选取，只能通过经验或试凑的方法人工进行选取，具有较大的局限性。本文提出了一种平行序贯极限学习机的方法实现并行训练，从而达到参数快速寻优的目的，以满足静态电压稳定裕度预测精度上的要求。
说明书附图
图1：平行序贯极限学习机静态电压稳定裕度预测流程图
图2：EPRI-36系统图
图3：平行序贯极限学习机静态预测电压稳定裕度预测图
图4：平行序贯极限学习机静态预测电压稳定裕度预测误差图
具体实施方式
为详细说明本发明的技术内容、所达成目的及效果，下面结合附图1及具体实施方式作进一步详细说明。
步骤1:PSASP初始值设置：分别设定指定9个节点的有功负荷初始值与无功负荷初始值，设置负荷的增长方式：根据负荷母线上的有功功率及无功功率基础值按照0.05％的比率依次增加，获得160组训练数据,各节点基础值如下：
步骤2:对数据进行预处理,PSASP算法设置：
A)常规潮流方法选则为牛顿法
B)病态潮流方法选择按过渡方式修正法
C)主导负荷点设为母线16。
如图2所示为EPRI-36系统图，系统运行计算，据此可计算出相应的有功裕度值与无功裕度值。具体计算结果见下表：
将每组数据中的有功负荷值及无功负荷值作为神经网络的输入，母线上的裕度值作为神经网络的输出值，选取160组数据中的前150组作为神经网络的训练数据，后10组作为神经网络的测试数据。
步骤3：构建平行序贯极限学习机，由左侧序贯极极限学习机(L-OSELM)与右侧序贯极极限学习机(R-OSELM)组成。将左右两侧神经网络的参数进行初始化，将训练数据分别输入左右两侧神经网络进行训练。
步骤4：离线学习阶段：
首先设定评价OSELM训练效果的相关参数：
EL(n)＝D(n)-OL(n) (3)
ER(n)＝D(n)-OR(n) (4)
式中：EL(n)表示左侧序贯极限学习机的输出误差，ER(n)表示右侧序贯极限学习机的误差，D(n)为OSELM的期望输出；OL(n)为左侧序贯极限学习机的计算输出，OR(n)为右侧序贯极限学习机的计算输出，每次迭代之后计算AL(n)与AR(n)并将其作为评价神经网络预测性能的指标。
步骤4.1：对右侧序贯极极限学习机隐含层神经元个数的调整：
当左侧极限学习机的误差较小，即AL(n)≤AR(n)时，左侧序贯极极限学习机神经元个数保持不变，右侧序贯极极限学习机神经网络神经元个数在L-ELM隐含层神经元个数的基础上增加，如下所示：
式中：lL(n)为左侧序贯极极限学习机第n次迭代时的隐含层神经元个数，lR(n)为右侧序贯极极限学习机的隐含层神经元个数,Δl1为右侧序贯极极限学习机每次进行更新隐含层节点的增量。
步骤4.2：对左侧序贯极极限学习机隐含层节点进行调整：
当左侧极限学习机的误差较小，即AL(n)＞AR(n)时，右侧序贯极极限学习机神经元个数保持不变，左侧序贯极极限学习机神经网络神经元个数在L-ELM隐含层神经元个数的基础上增加，如下所示：
式中：Δl2为左侧序贯极极限学习机每次进行更新隐含层节点的增量。
步骤5：对OSELM的历史数据长度N0进行调整：
步骤5.1：对右侧序贯极极限学习机的历史数据长度N0进行调整，当左侧极限学习机的误差较小，即AL(n)≤AR(n)时，左侧序贯极极限学习机的历史数据长度N0值保持不变，右侧序贯极极限学习机神经网络的历史数据长度N0值在左侧序贯极极限学习机隐含层神经元个数的基础上增加，如下所示：
式中：NL(n)为第n次训练时左侧神经网络历史数据长度N0的取值，NR(n)为第n次训练时右侧神经网络历史数据长度N0的取值，ΔN1为右侧神经网络更新时历史数据长度N0数值的增量。
步骤5.2：对左侧序贯极极限学习机的历史数据长度N0进行调整，当右侧极限学习机的误差较小，即AR(n)≤AL(n)时，右侧序贯极极限学习机的历史数据长度N0值保持不变，左侧序贯极极限学习机神经网络神经元个数在右侧序贯极极限学习机的历史数据长度N0值基础上增加，如下所示：
式中，ΔN2为左侧神经网络更新时历史数据长度N0数值的增量。
步骤6：对OSELM每次新加入的数据个数BLOCK的数值进行调整：
步骤6.1：对右侧序贯极极限学习机的新加入的数据个数BLOCK进行调整，当左侧极限学习机的误差较小，即AL(n)≤AR(n)时，左侧序贯极极限学习机的新加入的数据个数BLOCK 值保持不变，右侧序贯极极限学习机神经网络神经元个数在左侧序贯极极限学习机的新加入的数据个数BLOCK值的基础上增加，如下所示：
式中：BL(n)为第n次训练时左侧神经网络新加入的数据块新加入的数据个数BLOCK的取值， BR(n)为第n次训练时右侧神经网络新加入的数据块新加入的数据个数BLOCK的取值，ΔB1为右侧神经网络更新时新加入的数据个数BLOCK数值的增量。
步骤6.2：对左侧序贯极极限学习机的新加入的数据个数BLOCK进行调整，当右侧极限学习机的误差较小，即AL(n)＞AR(n)时，右侧序贯极极限学习机的新加入的数据个数BLOCK 值保持不变，左侧序贯极极限学习机神经网络神经元个数在右侧序贯极极限学习机的新加入的数据个数BLOCK值的基础上增加，如下所示：
式中，ΔB2为左侧神经网络更新时新加入的数据个数BLOCK数值的增量。
步骤7：如果出现以下两种情况之一，则跳出循环并执行相应操作，反之则返回至第一步重新执行该循环。
1)如图3所示，当左侧序贯极极限学习机的预测误差小于误差期望值(EL＜ε)时，跳出循环并输出本次循环中左侧序贯极极限学习机的隐含层节点数、历史数据长度N0值及新加入的数据个数BLOCK值。
2)如图4所示，当左侧序贯极极限学习机的误差较小，且右侧序贯极极限学习机的参数在左侧序贯极极限学习机基础上增加之后导致右侧序贯极极限学习机的预测精度降低，则结束循环并输出左侧序贯极极限学习机的参数。

Claims (1)

1.用平行序贯极限学习机对静态电压稳定裕度在线预测方法，其特征在于，包括以下步骤：
步骤1：通过PSASP仿真获取神经网络的训练及测试样本，根据接有负荷的每条母线上的有功功率、无功功率的基础值，设置按一定比率依次增加负载母线上的负荷，获得多组训练数据；
步骤2：对数据进行预处理，并将每组数据中接有负载的节点上的有功负荷与无功负荷作为网络的输入数据，母线上的裕度值作为极限学习机的输出数据，由此对平行神经网络进行训练；
步骤3：构建平行序贯极限学习机，由左侧序贯极极限学习机：L-OSELM与右侧序贯极极限学习机：R-OSELM组成，将左右两侧神经网络的参数进行初始化，将训练数据分别输入左右两侧神经网络进行训练；
步骤4：离线学习阶段：
按下列公式设定评价OSELM训练效果的相关参数：
EL(n)＝D(n)-OL(n) (3)
ER(n)＝D(n)-OR(n) (4)
式中：EL(n)表示左侧序贯极限学习机的输出误差，ER(n)表示右侧序贯极限学习机的误差，D(n)为OSELM的期望输出；OL(n)为左侧序贯极限学习机的计算输出，OR(n)为右侧序贯极限学习机的计算输出，每次迭代之后计算AL(n)与AR(n)并将其作为评价神经网络预测性能的指标；
步骤4.1：对右侧序贯极极限学习机隐含层神经元个数的调整：
当左侧极限学习机的误差较小，即AL(n)≤AR(n)时，左侧序贯极极限学习机神经元个数保持不变，右侧序贯极极限学习机神经网络神经元个数在L-ELM隐含层神经元个数的基础上增加，如下所示：
式中：lL(n)为左侧序贯极极限学习机第n次迭代时的隐含层神经元个数，lR(n)为右侧序贯极极限学习机的隐含层神经元个数,Δl1为右侧序贯极极限学习机每次进行更新隐含层节点的增量；
步骤4.2：对左侧序贯极极限学习机隐含层节点进行调整：
当左侧极限学习机的误差较小，即AL(n)＞AR(n)时，右侧序贯极极限学习机神经元个数保持不变，左侧序贯极极限学习机神经网络神经元个数在L-ELM隐含层神经元个数的基础上增加，如下所示：
式中：Δl2为左侧序贯极极限学习机每次进行更新隐含层节点的增量；
步骤5：对OSELM的历史数据长度N0进行调整：
步骤5.1：对右侧序贯极极限学习机的历史数据长度N0进行调整，当左侧极限学习机的误差较小，即AL(n)≤AR(n)时，左侧序贯极极限学习机的历史数据长度N0值保持不变，右侧序贯极极限学习机神经网络的历史数据长度N0值在左侧序贯极极限学习机隐含层神经元个数的基础上增加，如下所示：
式中：NL(n)为第n次训练时左侧神经网络历史数据长度N0的取值，NR(n)为第n次训练时右侧神经网络历史数据长度N0的取值，ΔN1为右侧神经网络更新时N0数值的增量；
步骤5.2：对左侧序贯极极限学习机的历史数据长度N0进行调整，当右侧极限学习机的误差较小，即AR(n)≤AL(n)时，右侧序贯极极限学习机的历史数据长度N0值保持不变，左侧序贯极极限学习机神经网络神经元个数在右侧序贯极极限学习机的历史数据长度N0值基础上增加，如下所示：
式中，ΔN2为左侧神经网络更新时历史数据长度N0数值的增量；
步骤6：对OSELM每次新加入的数据个数BLOCK的数值进行调整：
步骤6.1：对右侧序贯极极限学习机的数据个数BLOCK进行调整，当左侧极限学习机的误差较小，即AL(n)≤AR(n)时，左侧序贯极极限学习机的数据个数BLOCK值保持不变，右侧序贯极极限学习机神经网络神经元个数在左侧序贯极极限学习机的数据个数BLOCK值的基础上增加，如下所示：
式中：BL(n)为第n次训练时左侧神经网络新加入的数据块数据个数BLOCK的取值，BR(n)为第n次训练时右侧神经网络新加入的数据块数据个数BLOCK的取值，ΔB1为右侧神经网络更新时数据个数BLOCK数值的增量；
步骤6.2：对左侧序贯极极限学习机的数据个数BLOCK进行调整，当右侧极限学习机的误差较小，即AL(n)＞AR(n)时，右侧序贯极极限学习机的数据个数BLOCK值保持不变，左侧序贯极极限学习机神经网络神经元个数在右侧序贯极极限学习机的数据个数BLOCK值的基础上增加，如下所示：
式中，ΔB2为左侧神经网络更新时数据个数BLOCK数值的增量；
步骤7：如果出现以下两种情况之一，则跳出循环并执行相应操作，反之则返回至第一步重新执行该循环；
1)当左侧序贯极极限学习机的预测误差小于误差期望值(EL＜ε)时，跳出循环并输出本次循环中左侧序贯极极限学习机的隐含层节点数、历史数据长度N0值及数据个数BLOCK值；
2)当左侧序贯极极限学习机的误差较小，且右侧序贯极极限学习机的参数在左侧序贯极极限学习机基础上增加之后导致右侧序贯极极限学习机的预测精度降低，则结束循环并输出左侧序贯极极限学习机的参数。
CN201810968309.8A 2018-08-23 2018-08-23 用平行序贯极限学习机对静态电压稳定裕度在线预测方法 Active CN109325613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810968309.8A CN109325613B (zh) 2018-08-23 2018-08-23 用平行序贯极限学习机对静态电压稳定裕度在线预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810968309.8A CN109325613B (zh) 2018-08-23 2018-08-23 用平行序贯极限学习机对静态电压稳定裕度在线预测方法

Publications (2)

Publication Number Publication Date
CN109325613A true CN109325613A (zh) 2019-02-12
CN109325613B CN109325613B (zh) 2021-10-15

Family

ID=65264454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810968309.8A Active CN109325613B (zh) 2018-08-23 2018-08-23 用平行序贯极限学习机对静态电压稳定裕度在线预测方法

Country Status (1)

Country Link
CN (1) CN109325613B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111525587A (zh) * 2020-04-01 2020-08-11 中国电力科学研究院有限公司 一种基于无功负荷态势的电网无功电压控制方法及系统
CN111625762A (zh) * 2020-04-29 2020-09-04 粤电集团贵州有限公司 风机故障诊断方法
CN111798049A (zh) * 2020-06-30 2020-10-20 三峡大学 一种基于集成学习与多目标规划的电压稳定评估方法
CN112100920A (zh) * 2020-09-15 2020-12-18 东南大学 一种配电网三相电压计算方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930302A (zh) * 2012-10-18 2013-02-13 山东大学 基于在线序贯极限学习机的递增式人体行为识别方法
CN104651559A (zh) * 2015-01-30 2015-05-27 东北大学 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法
CN104716643A (zh) * 2015-03-06 2015-06-17 东北大学 一种基于局部量测向量的节点电压稳定性评估系统及方法
CN107798383A (zh) * 2017-10-27 2018-03-13 天津大学 改进的核极限学习机定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930302A (zh) * 2012-10-18 2013-02-13 山东大学 基于在线序贯极限学习机的递增式人体行为识别方法
CN104651559A (zh) * 2015-01-30 2015-05-27 东北大学 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法
CN104716643A (zh) * 2015-03-06 2015-06-17 东北大学 一种基于局部量测向量的节点电压稳定性评估系统及方法
CN107798383A (zh) * 2017-10-27 2018-03-13 天津大学 改进的核极限学习机定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李琨等: "基于OS-ELM的游梁式抽油机系统电动机负载扭矩的在线混合建模", 《化工学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111525587A (zh) * 2020-04-01 2020-08-11 中国电力科学研究院有限公司 一种基于无功负荷态势的电网无功电压控制方法及系统
CN111525587B (zh) * 2020-04-01 2022-10-25 中国电力科学研究院有限公司 一种基于无功负荷态势的电网无功电压控制方法及系统
CN111625762A (zh) * 2020-04-29 2020-09-04 粤电集团贵州有限公司 风机故障诊断方法
CN111798049A (zh) * 2020-06-30 2020-10-20 三峡大学 一种基于集成学习与多目标规划的电压稳定评估方法
CN112100920A (zh) * 2020-09-15 2020-12-18 东南大学 一种配电网三相电压计算方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN109325613B (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN109325613A (zh) 用平行序贯极限学习机对静态电压稳定裕度在线预测方法
CN104077632B (zh) 一种基于深度神经网络的风电场功率预测方法
CN102930344A (zh) 一种基于负荷趋势变化的超短期母线负荷预测方法
CN108512258B (zh) 一种基于改进多智能体一致性算法的风电场有功调度方法
CN104199302B (zh) 一种抽水蓄能机组调速系统建模系统及方法
CN110502777A (zh) 基于神经网络预测的igbt模块状态检测系统及方法
CN108121215B (zh) 基于全回路重构仿真的工业控制回路性能评价方法及装置
CN104037761B (zh) 一种agc功率多目标随机优化分配方法
CN110129832A (zh) 一种铝电解过程槽电压的多目标优化方法
CN102930352B (zh) 基于多核支持向量回归机的电网基建工程造价预测方法
CN113489015B (zh) 一种基于强化学习的配电网多时间尺度无功电压控制方法
CN103106331B (zh) 基于降维和增量式极限学习机的光刻线宽智能预测方法
CN102768701A (zh) 基于量子遗传算法的高压开关柜绝缘子电场优化方法
CN108898243A (zh) 一种电力系统输电网络安全性测试系统
CN107272412A (zh) 一种暂冲式风洞流场控制的辩识方法
CN114936742A (zh) 一种供水系统调度代理决策方法
CN115764870A (zh) 基于自动化机器学习的多变量光伏发电功率预测方法与装置
CN106355273A (zh) 一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法
CN105281347A (zh) 基于wams考虑相互作用的低频振荡分散控制器设计方法
CN109711612A (zh) 一种优化回声状态网络的风力发电功率预测方法及装置
CN105207220B (zh) 一种基于渐进学习的分级电压调控方法
CN105914752A (zh) 基于快速搜索与密度峰值聚类的主导节点选择方法
CN103279030A (zh) 基于贝叶斯框架的动态软测量建模方法及装置
CN103235858B (zh) 分析计算建筑体量的方法
CN107870611A (zh) 车间模拟装置及车间模拟方法

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
GR01 Patent grant
GR01 Patent grant