CN109902352B - 一种暂态功角稳定分析关键特征量提取方法及系统 - Google Patents
一种暂态功角稳定分析关键特征量提取方法及系统 Download PDFInfo
- Publication number
- CN109902352B CN109902352B CN201910082886.1A CN201910082886A CN109902352B CN 109902352 B CN109902352 B CN 109902352B CN 201910082886 A CN201910082886 A CN 201910082886A CN 109902352 B CN109902352 B CN 109902352B
- Authority
- CN
- China
- Prior art keywords
- power angle
- samples
- transient power
- sampling
- sample set
- 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.)
- Active
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 130
- 238000004458 analytical method Methods 0.000 title claims abstract description 58
- 238000000605 extraction Methods 0.000 title claims description 11
- 238000005070 sampling Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims 2
- 239000002994 raw material Substances 0.000 claims 2
- 238000010801 machine learning Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种暂态功角稳定分析关键特征量提取方法,包括以下步骤,根据电网运行方式和暂态功角裕度范围对历史样本集进行抽样,形成训练样本集;其中,历史样本集包括历史故障对应的电网运行方式以及暂态功角稳定分析结果;根据训练样本集中暂态功角稳定分析结果,对不同类型的设备进行特征量提取,形成关键特征量集。本发明在控制样本规模的基础上,选择尽可能保留总体数据的主要特征的样本集,快速有效地得出电网的关键特征量集合,为基于机器学习的暂态功角稳定分析提供技术支撑,有助于提高基于机器学习的暂态功角稳定分析的准确性,提升电网的安全运行水平。
Description
技术领域
本发明涉及一种暂态功角稳定分析关键特征量提取方法及系统,属于电力系统安全稳定分析技术领域。
背景技术
暂态稳定分析是在线安全分析应用的关键功能,其核心是分析暂态功角是否失稳,目前主要采用时域仿真分析法或在时域仿真分析基础上的EEAC(Extended Equal-AreaCriterion)量化分析方法,基于对电网模型和实时运行方式数据进行严格的数值计算,得出电网的暂态稳定性结果。通常省级电网需计算的暂态稳定故障数为几百至上千个,为保证在5-10分钟内完成一次全网暂态稳定分析的计算速度要求,需要部署数百CPU核数的计算资源。随着电网网架规模的快速扩展,大量风电、光伏设备以及UPFC等各类新型设备的加入,计算复杂度将呈指数性上升趋势,所需的计算资源或计算耗时还将进一步增加。
机器学习是人工智能领域的一个分支,通过使计算机在大量历史数据中挖掘所需信息,并从中学习规律,进而智能识别新样本或预测未来,从而使计算机在未事先明确编程的情况下做出正确反应或判断。机器学习已经在自动驾驶汽车、实用语音识别、基因组认识等方面带来大量帮助。机器学习的前提是提取对象的关键特征,因此在电力系统领域,将机器学习运用到暂态稳定分析,如何快速有效提取电网关键特征是急需解决的问题。
发明内容
本发明提供了一种暂态功角稳定分析关键特征量提取方法及系统,实现对电网关键特征的快速有效提取。
为了解决上述技术问题,本发明所采用的技术方案是:
一种暂态功角稳定分析关键特征量提取方法,包括以下步骤,
根据电网运行方式和暂态功角裕度范围对历史样本集进行抽样,形成训练样本集;其中,历史样本集包括历史故障对应的电网运行方式以及暂态功角稳定分析结果;
根据训练样本集中暂态功角稳定分析结果,对不同类型的设备进行特征量提取,形成关键特征量集。
形成训练样本集的过程为,
S1,根据电网运行方式从历史样本集中抽样N1个样本;根据暂态功角裕度范围从历史样本集中抽样N2个样本,N1+N2=训练样本集中样本数量;
S2,将抽样获得的样本合并,得到集合A;
S3,判断集合A中是否存在重复样本;
S4,若不存在,则集合A为训练样本集;若存在,则按照N1/N2的比例对两种抽样样本去重,再各自重新抽取与去重数量一致的样本,将重新抽样的样本与集合A合并,转子步骤S3。
根据电网运行方式对历史样本集进行抽样的过程为,
将电网运行方式划分成若干个典型方式;
统计各典型方式内的样本数量,计算各典型方式内的样本占比;典型方式内的样本占比=典型方式内的样本数量/历史样本集中样本总数;
计算各典型方式内的抽样数量;典型方式内的抽样数量=电网运行方式抽样数量×典型方式内的样本占比;
根据典型方式内的抽样数量和预设的每天抽样数量,计算抽样天数;
随机选取抽样起始时间,根据抽样天数和典型方式内的抽样数量,进行抽样。
根据暂态功角裕度范围对历史样本集进行抽样的过程为,
根据预设的暂态功角档位间隔和暂态功角稳定分析裕度结果,统计各暂态功角档位内的样本数量,计算各暂态功角档位内的样本占比;暂态功角档位内的样本占比=暂态功角档位内的样本数量/历史样本集中样本总数;
计算各暂态功角档位内的抽样数量;暂态功角档位内的抽样数量=暂态功角裕度范围抽样数量×暂态功角档位内的样本占比;
根据暂态功角档位内的抽样数量进行抽样。
若存在T个暂态功角档位内的样本占比小于阈值,则这T个暂态功角档位内的抽样数量均分配一定值,其他暂态功角档位内的样本占比=暂态功角档位内的样本数量/(历史样本集中样本总数-T个定值总和),其他暂态功角档位内的抽样数量=(暂态功角裕度范围抽样数量-T个定值总和)×暂态功角档位内的样本占比。
定值=阈值×暂态功角裕度范围抽样数量。
对不同类型的设备进行特征量提取的过程为,
发电机特征量提取:在训练样本集的范围内,基于暂态功角稳定分析结果,按照分群原则,在领前群中,选取稳定参与因子大于设定门槛值λadv的发电机状态量作为关键特征量;在余下群中,选取稳定参与因子的绝对值大于设定门槛值λlft的发电机状态量作为关键特征量;
负荷特征量提取:在训练样本集的范围内,基于暂态功角稳定分析结果,选取稳定参与因子大于设定门槛值λload的负荷状态量作为关键特征量;
关键断面特征提取:在训练样本集的范围内,基于暂态功角稳定分析结果,选取关键断面组成设备的状态量作为关键特征量。
一种暂态功角稳定分析关键特征量提取系统,包括,
训练样本集构建模块:根据电网运行方式和暂态功角裕度范围对历史样本集进行抽样,形成训练样本集;其中,历史样本集包括历史故障对应的电网运行方式以及暂态功角稳定分析结果;
关键特征量集构建模块:根据训练样本集中暂态功角稳定分析结果,对不同类型的设备进行特征量提取,形成关键特征量集。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行暂态功角稳定分析关键特征量提取方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行暂态功角稳定分析关键特征量提取方法的指令。
本发明所达到的有益效果:本发明在控制样本规模的基础上,选择尽可能保留总体数据的主要特征的样本集,快速有效地得出电网的关键特征量集合,为基于机器学习的暂态功角稳定分析提供技术支撑,有助于提高基于机器学习的暂态功角稳定分析的准确性,提升电网的安全运行水平。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种暂态功角稳定分析关键特征量提取方法,包括以下步骤:
步骤1,根据电网运行方式和暂态功角裕度范围对历史样本集进行抽样,形成训练样本集。
其中,历史样本集包括历史故障对应的电网运行方式以及暂态功角稳定分析结果。
根据电网运行方式对历史样本集进行抽样的具体过程如下:
A1)将电网运行方式划分成若干个典型方式,具有代表性的典型方式(电网典型运行方式)应覆盖夏大、夏小、冬大、冬小、检修、开环、合环等不同场景。
A2)统计各典型方式内的样本数量,计算各典型方式内的样本占比;典型方式内的样本占比=典型方式内的样本数量/历史样本集中样本总数。
A3)计算各典型方式内的抽样数量;典型方式内的抽样数量=电网运行方式抽样数量×典型方式内的样本占比。
A4)根据典型方式内的抽样数量和预设的每天抽样数量,计算抽样天数。
假设某一典型方式内的抽样数量为1000,每天抽样数量为96,即15分钟抽样一次,那么抽样天数为1000/96+1=11,即前面10天每天抽样96,最后一天抽样40;若每天抽样数量为100,那么抽样天数为1000/100=10。
若每天的抽样数量不能被典型方式内的抽样数量整除,那么抽样天数=典型方式内的抽样数量/预设的每天抽样数量+1;若每天的抽样数量能被典型方式内的抽样数量整除,那么抽样天数=典型方式内的抽样数量/预设的每天抽样数量。
A5)随机选取抽样起始时间,根据抽样天数和典型方式内的抽样数量,进行抽样。
根据暂态功角裕度范围对历史样本集进行抽样的具体过程如下:
B1)根据预设的暂态功角档位间隔和暂态功角稳定分析裕度结果,统计各暂态功角档位内的样本数量,计算各暂态功角档位内的样本占比;暂态功角档位内的样本占比=暂态功角档位内的样本数量/历史样本集中样本总数.
B2)计算各暂态功角档位内的抽样数量;暂态功角档位内的抽样数量=暂态功角裕度范围抽样数量×暂态功角档位内的样本占比。
B3)根据暂态功角档位内的抽样数量进行抽样。
若存在T个暂态功角档位内的样本占比小于阈值,则这T个暂态功角档位内的抽样数量均分配一定值,定值=阈值×暂态功角裕度范围抽样数量,且档位的实际样本数量大于定值,其他暂态功角档位内的样本占比=暂态功角档位内的样本数量/(历史样本集中样本总数-T个定值总和),其他暂态功角档位内的抽样数量=(暂态功角裕度范围抽样数量-T个定值总和)×暂态功角档位内的样本占比。
假设暂态功角裕度范围是-100~100,预设的暂态功角档位间隔为50,则档位按照-100~-50,-50~0,0~50,50~100划分,假如四个档位内的样本占比分别为0.1、0.2、0.3和0.4,阈值为0.01,则没有按定值分配的档位,假如四个档位内的样本占比分别为0.005、0.2、0.3和0.495,则-100~-50内的抽样数量按定值分配,如30个样本,其他三个档位按照0.22,0.33,0.45的比例分配样本数目。
形成训练样本集的具体过程如下:
S1,根据电网运行方式从历史样本集中抽样N1个样本;根据暂态功角裕度范围从历史样本集中抽样N2个样本,N1+N2=训练样本集中样本数量,训练样本集中样本数量是根据实际情况人为预设的。
S2,将抽样获得的样本合并,得到集合A。
S3,判断集合A中是否存在重复样本。
S4,若不存在,则集合A为训练样本集;若存在,则按照N1/N2的比例对两种抽样样本去重,再各自重新抽取与去重数量一致的样本,将重新抽样的样本与集合A合并,转子步骤S3;
重新抽样的样本与集合A合并后,电网运行方式抽样数量为N1,暂态功角裕度范围抽样数量为N2。
步骤2,根据训练样本集中暂态功角稳定分析结果,对不同类型的设备进行特征量提取,形成关键特征量集。
对不同类型的设备进行特征量提取如下:
发电机特征量提取:在训练样本集的范围内,基于暂态功角稳定分析结果,按照分群原则,在领前群中,选取稳定参与因子大于设定门槛值λadv的发电机状态量作为关键特征量;在余下群中,选取稳定参与因子的绝对值大于设定门槛值λlft的发电机状态量作为关键特征量;λadv取值为0.3,λlft取值为0.1。
负荷特征量提取:在训练样本集的范围内,基于暂态功角稳定分析结果,选取稳定参与因子大于设定门槛值λload的负荷状态量作为关键特征量;λload取值为0.1。
关键断面特征提取:在训练样本集的范围内,基于暂态功角稳定分析结果,选取关键断面组成设备的状态量作为关键特征量。
上述方法从运行方式和暂态功角裕度两个维度对历史数据进行抽样,在抽样形成的训练样本集的基础上,针对不同类型的设备进行特征量提取,形成关键特征量集,为后续基于大数据的暂态功角稳定分析提供技术支撑;上述方法在控制样本规模的基础上,选择尽可能保留总体数据的主要特征的样本集,快速有效地得出电网的关键特征量集合,有助于提高基于机器学习的暂态功角稳定分析的准确性,提升电网的安全运行水平。
一种暂态功角稳定分析关键特征量提取系统,包括:
训练样本集构建模块:根据电网运行方式和暂态功角裕度范围对历史样本集进行抽样,形成训练样本集;其中,历史样本集包括历史故障对应的电网运行方式以及暂态功角稳定分析结果。
关键特征量集构建模块:根据训练样本集中暂态功角稳定分析结果,对不同类型的设备进行特征量提取,形成关键特征量集。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行暂态功角稳定分析关键特征量提取方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行暂态功角稳定分析关键特征量提取方法的指令。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (9)
1.一种暂态功角稳定分析关键特征量提取方法,其特征在于:包括以下步骤,
根据电网运行方式和暂态功角裕度范围对历史样本集进行抽样,形成训练样本集,
形成训练样本集的过程为,
S1,根据电网运行方式从历史样本集中抽样N1个样本;根据暂态功角裕度范围从历史样本集中抽样N2个样本,其中,N1+N2=训练样本集中样本数量;
S2,将抽样获得的样本合并,得到集合A;
S3,判断集合A中是否存在重复样本;
S4,若不存在,则集合A为训练样本集;若存在,则按照N1/N2的比例对两种抽样样本去重,再各自重新抽取与去重数量一致的样本,将重新抽样的样本与集合A合并,转子步骤S3;
根据训练样本集中暂态功角稳定分析结果,对不同类型的设备进行特征量提取,形成关键特征量集。
2.根据权利要求1所述的一种暂态功角稳定分析关键特征量提取方法,其特征在于:根据电网运行方式对历史样本集进行抽样的过程为,
将电网运行方式划分成若干个典型方式;
统计各典型方式内的样本数量,计算各典型方式内的样本占比;典型方式内的样本占比=典型方式内的样本数量/历史样本集中样本总数;
计算各典型方式内的抽样数量;典型方式内的抽样数量=电网运行方式抽样数量×典型方式内的样本占比;
根据典型方式内的抽样数量和预设的每天抽样数量,计算抽样天数;
随机选取抽样起始时间,根据抽样天数和典型方式内的抽样数量,进行抽样。
3.根据权利要求1所述的一种暂态功角稳定分析关键特征量提取方法,其特征在于:根据暂态功角裕度范围对历史样本集进行抽样的过程为,
根据预设的暂态功角档位间隔和暂态功角稳定分析裕度结果,统计各暂态功角档位内的样本数量,计算各暂态功角档位内的样本占比;暂态功角档位内的样本占比=暂态功角档位内的样本数量/历史样本集中样本总数;
计算各暂态功角档位内的抽样数量;暂态功角档位内的抽样数量=暂态功角裕度范围抽样数量×暂态功角档位内的样本占比;
根据暂态功角档位内的抽样数量进行抽样。
4.根据权利要求3所述的一种暂态功角稳定分析关键特征量提取方法,其特征在于:若存在T个暂态功角档位内的样本占比小于阈值,则这T个暂态功角档位内的抽样数量均分配一定值,其他暂态功角档位内的样本占比=暂态功角档位内的样本数量/(历史样本集中样本总数-T个定值总和),其他暂态功角档位内的抽样数量=(暂态功角裕度范围抽样数量-T个定值总和)×暂态功角档位内的样本占比。
5.根据权利要求4所述的一种暂态功角稳定分析关键特征量提取方法,其特征在于:定值=阈值×暂态功角裕度范围抽样数量。
7.一种暂态功角稳定分析关键特征量提取系统,其特征在于:包括,
训练样本集构建模块:根据电网运行方式和暂态功角裕度范围对历史样本集进行抽样,形成训练样本集;其中,历史样本集包括历史故障对应的电网运行方式以及暂态功角稳定分析结果;
形成训练样本集的过程为,
S1,根据电网运行方式从历史样本集中抽样N1个样本;根据暂态功角裕度范围从历史样本集中抽样N2个样本,其中,N1+N2=训练样本集中样本数量;
S2,将抽样获得的样本合并,得到集合A;
S3,判断集合A中是否存在重复样本;
S4,若不存在,则集合A为训练样本集;若存在,则按照N1/N2的比例对两种抽样样本去重,再各自重新抽取与去重数量一致的样本,将重新抽样的样本与集合A合并,转子步骤S3;
关键特征量集构建模块:根据训练样本集中暂态功角稳定分析结果,对不同类型的设备进行特征量提取,形成关键特征量集。
8.一种存储一个或多个程序的计算机可读存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至6所述的方法中的任一方法。
9.一种计算设备,其特征在于:包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至6所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910082886.1A CN109902352B (zh) | 2019-01-24 | 2019-01-24 | 一种暂态功角稳定分析关键特征量提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910082886.1A CN109902352B (zh) | 2019-01-24 | 2019-01-24 | 一种暂态功角稳定分析关键特征量提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902352A CN109902352A (zh) | 2019-06-18 |
CN109902352B true CN109902352B (zh) | 2022-07-01 |
Family
ID=66944294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910082886.1A Active CN109902352B (zh) | 2019-01-24 | 2019-01-24 | 一种暂态功角稳定分析关键特征量提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902352B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348540B (zh) * | 2019-07-24 | 2021-06-01 | 国电南瑞科技股份有限公司 | 基于聚类的电力系统暂态功角稳定故障筛选方法及装置 |
CN113904384B (zh) * | 2021-11-09 | 2023-06-09 | 国网四川省电力公司电力科学研究院 | 一种基于梯度提升机的电网暂态稳定协调控制方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876163A (zh) * | 2018-06-27 | 2018-11-23 | 国电南瑞科技股份有限公司 | 综合因果分析与机器学习的暂态功角稳定快速评估方法 |
-
2019
- 2019-01-24 CN CN201910082886.1A patent/CN109902352B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876163A (zh) * | 2018-06-27 | 2018-11-23 | 国电南瑞科技股份有限公司 | 综合因果分析与机器学习的暂态功角稳定快速评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109902352A (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009673A (zh) | 基于深度学习的新型负荷预测方法和装置 | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN109902352B (zh) | 一种暂态功角稳定分析关键特征量提取方法及系统 | |
WO2021169271A1 (zh) | 雷雨天气预测模型的训练方法及雷雨天气预测方法 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN109145362A (zh) | 一种电网建模方法及系统 | |
CN111915079B (zh) | 一种混合knn风电功率预测方法及系统 | |
CN112017070A (zh) | 一种基于数据增强评估电力系统暂态稳定的方法及系统 | |
CN111191832A (zh) | 一种台风灾害配电网杆塔故障预测方法及系统 | |
CN111680823A (zh) | 一种风向信息预测方法及系统 | |
CN107679133B (zh) | 一种实用于海量实时pmu数据的挖掘方法 | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
CN116885726A (zh) | 基于数字孪生技术的电力设备运行控制方法及系统 | |
CN113191091A (zh) | 基于混合深度学习机制的风速预测方法及系统、设备 | |
CN116388232A (zh) | 风电调频综合惯性控制方法、系统、电子设备和存储介质 | |
CN116362428A (zh) | 基于vmd-pcf-arima的短期负荷预测方法 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
CN111162519A (zh) | 一种电网拓扑结构节点电压感知方法及装置 | |
Franco et al. | Very short-term bus reactive load forecasting models based on KDD approach | |
CN110728299A (zh) | 基于多重极限学习机的电力系统故障后暂态稳定分层评估方法 | |
CN114036823B (zh) | 基于编解码和记忆机制的电力变压器负载控制方法及装置 | |
CN111553040A (zh) | 一种基于gpu加速的电网拓扑分析高性能计算方法及装置 | |
CN111478292B (zh) | 一种基于深度强化学习的电力系统的故障切除方法和系统 | |
CN113346523B (zh) | 一种风电场次同步振荡风险评估、抑制方法及系统 | |
CN107844909A (zh) | 核电厂日常生产风险管理的滚动裕度风险控制方法及系统 |
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 |