CN110148935B - 基于长短期记忆神经网络的电网静态安全裕度评估方法 - Google Patents
基于长短期记忆神经网络的电网静态安全裕度评估方法 Download PDFInfo
- Publication number
- CN110148935B CN110148935B CN201910388532.XA CN201910388532A CN110148935B CN 110148935 B CN110148935 B CN 110148935B CN 201910388532 A CN201910388532 A CN 201910388532A CN 110148935 B CN110148935 B CN 110148935B
- Authority
- CN
- China
- Prior art keywords
- power grid
- static
- static safety
- point
- time sequence
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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]
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种基于长短期记忆神经网络的电网静态安全裕度评估方法,其特点是:利用长短期记忆神经网络学习历史数据中的电网运行规律,并预测识别电网运行的时序演进方向,为静态安全距离分析法评估静态安全裕度的方向选择提供理论依据。延时序演进方向,利用摄动法寻找对应的静态安全边界点,并计算静态安全边界点与运行点之间的欧式距离,作为静态安全裕度评估指标。本发明能够提供反映电网实际运行规律的安全信息,避免了传统方法评估结果相对保守的问题,为考虑复杂电网静态安全的调度运行提供新依据。
Description
技术领域
本发明涉及电力系统静态安全领域,是一种基于长短期记忆神经网络的电网静态安全裕度评估方法。
背景技术
电网的静态安全裕度是描述电力系统运行安全性的重要指标,充裕的安全裕度可以保障电网在各种不确定因素下安全运行。因此,准确评估电网静态安全裕度具有重要意义。静态安全域(steady-state security region,SSR)分析法自上世纪提出以来,为电力系统安全性研究开辟了新的途径。其可以给出当前运行点与安全域边界的相对位置,直观地提供电力系统整体的安全信息,有助于实现电力系统安全监视和预防控制的可视化。静态安全距离(stead-state security distance,SSD)分析法是安全域衍生出的新方法,其利用运行点与安全边界之间的欧式距离评价电网静态安全裕度,除了能定性分析电网运行的安全性,还可以定量评估运行安全程度。但目前的静态安全距离分析法因其以最短安全距离作为评价依据,评估结果相对保守,无法准确反映实际电网运行时的安全信息。
发明内容
本发明所要解决的技术问题是:避免传统方法的保守性问题,提出一种基于长短期记忆神经网络的电网静态安全裕度评估方法,利用深度学习算法提取电网运行规律特征,识别时序演进方向,为安全距离分析法的方向选择提供理论依据,提供能够反应实际电网运行的静态安全信息。
解决其技术问题采用的方案是:一种基于长短期记忆神经网络的电网静态安全裕度评估方法,其特征在于,它包括的内容有:
1)在实际电网运行中,基于静态安全域分析法可以将运行空间划分为静态安全域与静态不安全域,两者的交集即为静态安全边界,以当前时刻点的运行轨迹切线方向搜索静态安全边界点,并定义此方向为电网运行的时序演进方向,为静态安全距离分析法的方向选择提供理论依据;
2)电网运行的时序演进方向识别:定义某一时刻电网运行的时序演进方向为电网运行轨迹在当前运行点的切线方向;运行轨迹是电网运行状态随时间变化的过程,对于静态安全分析而言,通常根据潮流信息定义电网处于何种运行状态;潮流信息主要包括节点电压幅值、节点电压相角和功率流动;基于静态安全域刻画类型,选择潮流信息中的功率信息作为分析电网运行状态的关键信息,时序演进方向的具体数学模型如下:
设运行状态信息为x,则:
式中:n为系统负荷节点个数,S为系统中负荷节点的视在功率,由节点有功功率向量与无功功率向量的组成,x是由S组成的向量,其维数取决于系统中负荷节点的个数,与此系统所刻画的静态安全域的维数相同,采用对函数求导的方式求取运行点的切线,如(3)式所示:
x=f(t) (3)
电网运行的轨迹信息的自变量为时间t,因变量为电网运行状态x,求k时刻的时序演进方向F需要对函数求导,数学表达式为(4)式-(6)式所示:
式中:Δx为k时刻下一运行点的运行状态信息xk+1与k时刻运行状态信息xk的差值,由于x是视在功率S组成的向量,因此Δx是向量与向量之间的差值,△t为下一运行时间点tk+1与当前运行时间点tk之间的差值;
3)在时序演进方向下利用摄动法搜索静态安全边界点,并计算边界点与运行点之间的欧式距离—静态安全距离,视为静态安全裕度评估指标,具体数学表达式(7)式-(9)式所示:
其中,P0为当前运行点,Pmax是一个待求的极限运行点,它位于静态安全域边界Bi上,Bi是正好满足潮流计算方程和所有约束的极限运行点集合,SSR为静态安全域,SSD为静态安全距离,其量纲与P0一致,为MW;式中的1,2,…,n表示系统中的各个PQ节点的编号;
对电网静态安全裕度进行评价:
a)确立电网的拓扑信息、静态安全约束条件与当前运行状态P0;
b)利用长短期记忆神经网络预测下一运行点的运行状态信息xk+1;
c)根据下一运行状态信息xk+1与当前运行状态信息xk得出k时刻的电网运行的时序演进方向Δx;
d)根据时序演进方向Δx对当前运行状态信息进行摄动并进行潮流计算,直至不满足潮流方程或某一约束停止,输出此时的静态安全边界点Pmax;
e)根据Pmax与P0计算静态安全距离作为k时刻的电网静态安全裕度指标。
本发明的一种基于长短期记忆神经网络的电网静态安全裕度评估方法的优点体现在:
1)在实际电网运行中,基于静态安全域分析法可以将运行空间划分为静态安全域与静态不安全域,两者的交集即为静态安全边界,以当前时刻点的运行轨迹切线方向搜索静态安全边界点,并定义此方向为电网运行的时序演进方向,为静态安全距离分析法的方向选择提供理论依据,科学合理的解决传统方法评估结果相对保守的问题;
2)通过数学表达式的推导可知,若想识别电网运行的时序演进方向,需要预测电网运行的下一运行点信息,本专利采用深度学习算法长短期记忆神经网络挖掘电网运行规律,具有较高的预测精度,提高了时序演进方向识别的准确性,以此保证了静态安全裕度评估结果的可信度;
3)分别以发电机容量上下限、节点电压幅值上下限、线路传输功率极限和潮流方程确立电网的静态安全约束,根据时序演进方向,利用摄动法搜索静态安全边界点,以静态安全边界点与当前运行点之间的欧式距离作为静态安全裕度的评价指标;
4)本发明计及电网运行的时序性评估静态安全裕度,能够给出符合实际电网运行的安全信息,为考虑复杂电网静态安全的调度运行提供新依据。
附图说明
图1为一种基于长短期记忆神经网络的电网静态安全裕度评估方法原理示意图;
图2为静态安全裕度评估的二维、三维示意图;
图3为时序演进方向下的静态安全边界点搜索流程图;
图4为二维、高维空间下的安全边界搜索示意图;
图5为IEEE 9标准算例拓扑关系图;
图6为IEEE 9标准算例评估结果对比图;
图7为实际电网拓扑关系图;
图8为实际电网评估结果对比图。
具体实施方式
下面结合附图和实施例对本发明的一种基于长短期记忆神经网络的电网静态安全裕度评估方法作进一步说明。
如图1所示,本发明的一种基于长短期记忆神经网络的电网静态安全裕度评估方法,包括的内容有:
1)在实际电网运行中,基于静态安全域分析法可以将运行空间划分为静态安全域与静态不安全域,两者的交集即为静态安全边界。以当前时刻点的运行轨迹切线方向评估静态安全裕度,如图中L1。此方向称为电网运行的时序演进方向。传统方法将运行点与安全域边界的最短距离作为安全裕度评价指标,如图中L2所示。然而电力系统真实的运行趋势往往并不按照最短距离方向发展,因此采用L2作为安全裕度不可避免具有保守性。对于静态安全裕度评估而言,识别电网运行的时序演进方向,并按此方向计算静态安全距离,就能科学合理的解决传统方法评估结果相对保守的问题。
2)电网运行的时序演进方向识别:某一时刻电网运行的时序演进方向为电网运行轨迹在当前运行点的切线方向。运行轨迹是电网运行状态随时间变化的过程,对于静态安全分析而言,通常根据潮流信息定义电网处于何种运行状态。潮流信息主要包括节点电压幅值、节点电压相角和功率流动。基于本文的静态安全域刻画类型,主要选择潮流信息中的功率信息作为分析电网运行状态的关键信息。时序演进方向的具体数学模型如下:
假设运行状态信息为x,则:
式中:n为系统负荷节点个数,S为系统中负荷节点的视在功率,由节点有功功率向量与无功功率向量的组成,x是由S组成的向量,其维数取决于系统中负荷节点的个数,与此系统所刻画的静态安全域的维数相同,采用对函数求导的方式求取运行点的切线,如(3)式所示:
x=f(t) (3)
电网运行的轨迹信息的自变量为时间t,因变量为电网运行状态x,求k时刻的时序演进方向F需要对函数求导,数学表达式如下所示:
式中:Δx为k时刻下一运行点的运行状态信息xk+1与k时刻运行状态信息xk的差值,由于x是视在功率S组成的向量,因此Δx是向量与向量之间的差值,△t为下一运行时间点tk+1与当前运行时间点tk之间的差值;
3)在时序演进方向下利用摄动法搜索静态安全边界点,并计算边界点与运行点之间的欧式距离—静态安全距离,视为静态安全裕度评估指标。具体数学表达式如下所示:
其中,P0为当前运行点,Pmax是一个待求的极限运行点,它位于静态安全域边界Bi上,Bi是正好满足潮流计算方程和所有约束的极限运行点集合,SSR为静态安全域。SSD的量纲与P0一致,为MW,式中的1,2,…,n表示系统中的各个PQ节点的编号。
对电网静态安全裕度进行评价:
a)确立电网的拓扑信息、静态安全约束条件与当前运行状态P0。
b)利用长短期记忆神经网络预测下一运行点的运行状态信息xk+1。
c)根据下一运行状态信息xk+1与当前运行状态信息xk得出k时刻的电网运行的时序演进方向Δx。
d)根据时序演进方向Δx对当前运行状态信息进行摄动并进行潮流计算,直至不满足潮流方程或某一约束停止,输出此时的静态安全边界点Pmax。
e)根据Pmax与P0计算静态安全距离作为k时刻的电网静态安全裕度指标。
其二维、三维示意图如图2所示。
4)根据图1可知,静态安全评估方法需要搜索安全域的边界,以此刻画静态安全域与静态不安全域。在搜索静态安全边界之前需要确立静态安全的相关约束,依据静态安全域的定义,静态安全域可以描述为满足潮流方程与安全约束(发电机容量上下限、节点电压幅值上下限、线路传输功率极限)的节点功率集合,其数学表达式为:
式中:ΩSSR为静态安全域集合;x表示母线电压幅值向量和相角向量;y表示系统全部节点的有功功率和无功功率;Pg为发电机发出功率,Pgmax、Pgmin分别为发电机容量上下限;V为节点电压,Vmin、Vmax分别为节点电压上下限;Sijmax为线路传输容量极限,i、j为线路的首末端节点编号。
基于交流潮流模型,二维空间下的静态安全域边界的搜索步骤如下,具体流程如图3所示:
(1)系统中随机选取i,j节点;
(2)在节点i,j有功功率为坐标轴的二维空间下,以随机的Pi,Pj数值比确立负荷摄动方向l;
(3)依据摄动方向l增大负荷,至不满足潮流方程或某一约束停止摄动;
(4)记录此时的Pijmax,即为l方向下的极限点;
(5)重新确立方向,重复步骤2-4,直至所有方向能遍布整个第一象限结束;
(6)连接所有极限点,即可得到静态安全域边界;静态安全域边界与横纵坐标轴,共同构成静态安全域。
高维空间下的静态安全与搜寻方法可以简单的概括为:首先降低维度,在各个低维空间下搜索静态安全域边界,然后将所有低维的静态安全域边界拟合,最终得到高维空间下的静态安全域,如图4。
5)根据电网运行的时序演进方向识别可知,若想识别k时刻的电网时序演进方向必然需要了解下一运行点k+1的运行状态信息xk+1,因此需要对k+1时刻的节点功率Sk+1进行预测。电网实际运行过程中的负荷数据具有时序性和非线性的特点,通常采用时间序列方法实现负荷预测,建立时间序列模型涉及模型阶数选取问题,模型阶数选取过高,会造成结果不能跟踪负荷的剧烈变化,模型阶数选取过低,会导致负荷预测的波动性过强。随着人工智能以及深度学习的不断发展,这一问题得以很好的解决。采用长短期记忆神经网络(Long-Short Term Memory,LSTM)作为电网负荷时序特征提取的方法,长短期记忆神经网络作为深度学习中的一员,对时序特征信息的学习不需要选取时间窗大小,为挖掘电网负荷演变规律提供极大的帮助。长短期记忆神经网络网络训练过程中,时间序列数据依次经过遗忘门、输入门、记忆单元、输出门,并不断重复这一步骤直至预测精度满足要求,输出预测结果。在此过程中,其特有的记忆单元和遗忘单元可以使长短期记忆神经网络灵活地适应网络学习任务的时序特征,充分利用历史数据的时间信息,并兼顾数据的非线性特征,因此其在电力系统负荷预测领域比其他算法具有更高的精确度,为本专利的静态安全裕度评估方法提供了支持。
下面结合具体的试验验证上述方案的可行性,详见以下描述:
一、IEEE 9标准算例分析
在Matlab平台下,利用PSAT工具箱实现自动潮流计算,IEEE 9标准算例的相关参数不作更改,拓扑结构如图5所示。为验证本文所述方法的有效性,需要负荷节点的功率不断变化,因此随机生成了一天96个时间点的负荷节点有功功率。为方便算例结果分析,随机生成的负荷曲线满足以下条件。
1)随机生成的负荷曲线具有两个波峰,时间点为32s和72s;两个波谷,时间点为8s和40s。
2)负荷曲线在经过波谷到波峰之间为单调递增曲线,波峰到波谷之间为单调递减曲线。
3)负荷增长或衰减随机生成,且不同时间点的同一负荷增长或衰减幅度不同,相同时间点的不同负荷增长或衰减幅度不同。
4)各个节点负荷曲线的波峰波谷位置相同。
根据随机生成的负荷信息对IEEE 9系统Bus5、Bus8节点的静态安全裕度进行计算,安全约束如公式(10),并与传统方法所得结果进行对比,如图6。
由结果对比可知:
1)所得静态安全距离,在每一时刻数值皆高于传统方法所得静态安全距离,避免了传统方法的保守性问题。
2)所提方法的评估结果大体上与负荷曲线成反相关,可以证明算法的有效性。
3)在关键时间点之间的评估结果对比上,本文所提方法体现了一定的优越性。如第7s、第8s的评估结果对比可知:虽然第8s的负荷低于第7s,但后者的安全裕度却高于前者。这就是电网运行的时序性对静态安全裕度评估的影响,即虽然某些时刻负荷水平较高,但其朝向安全方向运行,那么此时的安全裕度就有可能高于负荷水平相对较低的时刻。
二、实际电网算例
实际电网算例采用A省电网某地区220kV及以上的网络,拓扑结构图如图7所示。其中PL1-PL12中,PL2与PL6为联络节点,无负荷,其余为PQ节点,PG1-PG3为PV节点,仿真算例在PL1处令接一个节点作为平衡节点。首先取某一月的数据训练长短期记忆神经网络神经网络,挖掘电网运行的时序特征,预测未来10天的运行状态信息,识别时序演进方向。之后,算法的具体流程与前文算例基本一致,这里不再多做赘述;不同的是,实际电网中的负荷节点数目为10个,因此所计算的静态安全距离是在10维空间下得到的,计算量较大,较为耗时。结果对比如图8所示。
由结果可知,实际电网中本文所提方法依然适用。在10天960的时间点下得到的SSD指标整体趋势与总负荷呈反相关,符合电网运行规律,证明了此方法具有一定的实际工程应用价值。
以上具体实施方式仅用以说明本发明的技术方案,而非对其限制,所属领域的普通技术人员应该理解,参照上述实施例所作的任何形式的修改、等同变化均在本发明权利要求保护范围之内。
Claims (1)
1.一种基于长短期记忆神经网络的电网静态安全裕度评估方法,具体包括的内容有:
1)在实际电网运行中,基于静态安全域分析法可以将运行空间划分为静态安全域与静态不安全域,两者的交集即为静态安全边界,以当前时刻点的运行轨迹切线方向搜索静态安全边界点,并定义此方向为电网运行的时序演进方向,为静态安全距离分析法的方向选择提供理论依据;
2)电网运行的时序演进方向识别:定义某一时刻电网运行的时序演进方向为电网运行轨迹在当前运行点的切线方向;运行轨迹是电网运行状态随时间变化的过程,对于静态安全分析而言,根据潮流信息定义电网处于何种运行状态;潮流信息主要包括节点电压幅值、节点电压相角和功率流动;基于静态安全域刻画类型,选择潮流信息中的功率信息作为分析电网运行状态的关键信息,时序演进方向的具体数学模型如下:
设运行状态信息为x,则:
式中:n为系统负荷节点个数,S为系统中负荷节点的视在功率,由节点有功功率向量与无功功率向量的组成,x是由S组成的向量,其维数取决于系统中负荷节点的个数,与此系统所刻画的静态安全域的维数相同,采用对函数求导的方式求取运行点的切线,如(3)式所示:
x=f(t) (3)
电网运行的轨迹信息的自变量为时间t,因变量为电网运行状态x,求k时刻的时序演进方向F需要对函数求导,数学表达式为(4)式-(6)式所示:
式中:Δx为k时刻下一运行点的运行状态信息xk+1与k时刻运行状态信息xk的差值,由于x是视在功率S组成的向量,因此Δx是向量与向量之间的差值,△t为下一运行时间点tk+1与当前运行时间点tk之间的差值;
3)在时序演进方向下利用摄动法搜索静态安全边界点,并计算边界点与运行点之间的欧式距离—静态安全距离,视为静态安全裕度评估指标,具体数学表达式(7)式-(9)式所示:
其中,P0为当前运行点,Pmax是一个待求的极限运行点,它位于静态安全域边界Bi上,Bi是正好满足潮流计算方程和所有约束的极限运行点集合,SSR为静态安全域,SSD的量纲与P0一致,为MW;式中的1,2,…,n表示系统中的各个PQ节点的编号;
对电网静态安全裕度进行评价:
a)确立电网的拓扑信息、静态安全约束条件与当前运行状态P0;
b)利用长短期记忆神经网络预测下一运行点的运行状态信息xk+1;
c)根据下一运行状态信息xk+1与当前运行状态信息xk得出k时刻的电网运行的时序演进方向Δx;
d)根据时序演进方向Δx对当前运行状态信息进行摄动并进行潮流计算,直至不满足潮流方程或某一约束停止,输出此时的静态安全边界点Pmax;
e)根据Pmax与P0计算静态安全距离作为k时刻的电网静态安全裕度指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910388532.XA CN110148935B (zh) | 2019-05-10 | 2019-05-10 | 基于长短期记忆神经网络的电网静态安全裕度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910388532.XA CN110148935B (zh) | 2019-05-10 | 2019-05-10 | 基于长短期记忆神经网络的电网静态安全裕度评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110148935A CN110148935A (zh) | 2019-08-20 |
CN110148935B true CN110148935B (zh) | 2021-12-28 |
Family
ID=67594118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910388532.XA Expired - Fee Related CN110148935B (zh) | 2019-05-10 | 2019-05-10 | 基于长短期记忆神经网络的电网静态安全裕度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110148935B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110635474B (zh) * | 2019-09-16 | 2022-01-28 | 东北电力大学 | 一种基于长短期记忆网络的电网动态轨迹趋势预测方法 |
KR20210107288A (ko) * | 2020-02-24 | 2021-09-01 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
CN111525548B (zh) * | 2020-04-02 | 2022-11-11 | 中国电力科学研究院有限公司 | 一种对电网静态电压稳定裕度进行评估的方法及系统 |
CN112488550B (zh) * | 2020-12-09 | 2023-10-20 | 中国电力科学研究院有限公司 | 基于深度学习的不确定性电网静态安全分析方法及系统 |
CN116167527B (zh) * | 2023-04-21 | 2023-09-12 | 南方电网数字电网研究院有限公司 | 纯数据驱动的电力系统静态安全运行风险在线评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105610192A (zh) * | 2016-01-26 | 2016-05-25 | 山东大学 | 考虑大规模风电接入的在线风险评估方法 |
CN107123983A (zh) * | 2017-04-11 | 2017-09-01 | 中国南方电网有限责任公司 | 一种基于安全域的变电站接入方案辅助评估方法 |
US20170279817A1 (en) * | 2016-03-25 | 2017-09-28 | Arbor Networks, Inc. | System and method for retrospective network traffic analysis |
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
-
2019
- 2019-05-10 CN CN201910388532.XA patent/CN110148935B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105610192A (zh) * | 2016-01-26 | 2016-05-25 | 山东大学 | 考虑大规模风电接入的在线风险评估方法 |
US20170279817A1 (en) * | 2016-03-25 | 2017-09-28 | Arbor Networks, Inc. | System and method for retrospective network traffic analysis |
CN107123983A (zh) * | 2017-04-11 | 2017-09-01 | 中国南方电网有限责任公司 | 一种基于安全域的变电站接入方案辅助评估方法 |
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
Non-Patent Citations (6)
Title |
---|
Active Boundary Identifying Technique for Steady-state Security Distance Assessment;Sijie Chen;《2013 IEEE Power & Energy Society General Meeting》;20131125;全文 * |
Risk Assessment of Critical Time to Renewable Operation with Steady-state Security Region;Yunhe Hou;《2014 Power Systems Computation Conference》;20150212;全文 * |
交直流系统静态安全域刻画与运行裕度计算;陈晖;《高电压技术》;20180430;第44卷(第4期);全文 * |
利用敏感频段评估大规模风电对电力系统频率影响的方法;安军;《电力系统自动化》;20171110;第41卷(第21期);全文 * |
电力系统实时调度的有效静态安全域法;杨明;《中国电机工程学报》;20150320;第35卷(第6期);全文 * |
静态安全距离:概念,模型和意义;陈思捷;《中国电机工程学报》;20150205;第35卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110148935A (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148935B (zh) | 基于长短期记忆神经网络的电网静态安全裕度评估方法 | |
Li et al. | Short-term wind power prediction based on extreme learning machine with error correction | |
Krishnan et al. | Efficient database generation for decision tree based power system security assessment | |
Liu et al. | A systematic approach for dynamic security assessment and the corresponding preventive control scheme based on decision trees | |
Vaahedi | Practical power system operation | |
CN107239849A (zh) | 一种基于改进的指数平滑灰色模型电力负荷预测方法 | |
CN106505633B (zh) | 一种风光接入容量确定方法及装置 | |
Hosseini et al. | New approach to transient stability prediction of power systems in wide area measurement systems based on multiple‐criteria decision making theory | |
Shabbir et al. | Short-term wind energy forecasting using deep learning-based predictive analytics | |
Scarcelli et al. | Ensemble of Markovian stochastic dynamic programming models in different time scales for long term hydropower scheduling | |
Oladeji et al. | Density-based clustering and probabilistic classification for integrated transmission-distribution network security state prediction | |
Fitiwi | Strategies, methods and tools for solving long-term transmission expansion planning in large-scale power systems | |
Liu et al. | Multiple optimized online support vector regression for adaptive time series prediction | |
Zhang et al. | Physics-Informed Multi-Agent deep reinforcement learning enabled distributed voltage control for active distribution network using PV inverters | |
Iqbal et al. | Solving security constrained unit commitment problem using inductive learning | |
Shayan et al. | An innovative two-stage machine learning-based adaptive robust unit commitment strategy for addressing uncertainty in renewable energy systems | |
Sukanya et al. | Frequency Control Approach and Load Forecasting Assessment for Wind Systems. | |
Huo et al. | A power-balanced clustering algorithm to improve electrical infrastructure resiliency | |
Ma et al. | A Reinforcement learning based coordinated but differentiated load frequency control method with heterogeneous frequency regulation resources | |
Popławski et al. | Adaptation of models from determined chaos theory to short-term power forecasts for wind farms | |
Thapa | AI-driven approaches for optimizing the energy efficiency of integrated energy system | |
Famoso et al. | A Dependability Neural Network Approach for Short-Term Production Estimation of a Wind Power Plant | |
Cai et al. | Online prediction and active control of regional transient frequency security of interconnected system based on model-data driven method | |
Abdelkader et al. | Advancements in data-driven voltage control in active distribution networks: A Comprehensive review | |
Ledmaoui et al. | Optimizing Solar Power Generation: Real-time IoT Monitoring and ANN-Based Production Forecasting |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211228 |
|
CF01 | Termination of patent right due to non-payment of annual fee |