CN110263839A - 基于大数据的电力系统负荷静态特性在线智能识别方法 - Google Patents

基于大数据的电力系统负荷静态特性在线智能识别方法 Download PDF

Info

Publication number
CN110263839A
CN110263839A CN201910511247.2A CN201910511247A CN110263839A CN 110263839 A CN110263839 A CN 110263839A CN 201910511247 A CN201910511247 A CN 201910511247A CN 110263839 A CN110263839 A CN 110263839A
Authority
CN
China
Prior art keywords
load
node
data
power system
power
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
CN201910511247.2A
Other languages
English (en)
Other versions
CN110263839B (zh
Inventor
余一平
郎燕生
杨晓楠
胡云旭
李楠
吴许晗
许亚茹
刘鹏
韩锋
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.)
China Electric Power Research Institute Co Ltd CEPRI
Hohai University HHU
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
Hohai University HHU
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 China Electric Power Research Institute Co Ltd CEPRI, Hohai University HHU filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN201910511247.2A priority Critical patent/CN110263839B/zh
Publication of CN110263839A publication Critical patent/CN110263839A/zh
Application granted granted Critical
Publication of CN110263839B publication Critical patent/CN110263839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力系统负荷监测与识别技术领域，具体而言涉及一种基于大数据的电力系统负荷静态特性在线智能识别方法，包括负荷分类器训练、实测数据预处理、电网负荷节点智能分类以及区域负荷特性在线识别四个步骤。本发明针对现有等效负荷的电压特性未准确计及导致电力系统在线仿真出现误差和负荷建模时效性差的问题，提出的电力系统负荷特性在线识别方法，克服现有的负荷节点分类和负荷参数识别的问题，解决潮流计算和动态潮流计算对节点静态负荷特性的需求，对电力系统负荷的在线预测进行拓展，具有精度高，时效性好、调节性强的优点。

Description

基于大数据的电力系统负荷静态特性在线智能识别方法
技术领域
本发明涉及电力系统负荷监测与识别技术领域，具体而言涉及一种基于大数据的电力系统负荷静态特性在线智能识别方法。
背景技术
随着特高压互联电网的逐步建成，大电网各变电站用电设备海量且特性各异，其等效负荷的电压和频率特性未准确计及带来的在线仿真误差应该引起重视。再者电力负荷特性描述中存在复杂性、非线性的难题，现有技术提出了采用经典负荷模型(CLM)和考虑配电网拓扑及负荷特性的综合负荷模型(SLM)来代替用电设备的等效聚合，但是该离线建立的负荷模型并基于这样的模型进行识别主要用于电网机电暂态和动态仿真，并不适用于调度员静态和动态在线分析。
发明内容
本发明目的在于提供一种精度更高，时效性更好、调节性更强的基于大数据的电力系统负荷静态特性在线智能识别方法。
为实现上述目的，本发明所采用的技术方案如下：
一种基于大数据的电力系统负荷静态特性在线智能识别方法，包括以下步骤：
步骤1、通过仿真得到不同负荷成份的数据，对数据进行归一化处理和标签化后，进行负荷分类器的训练；
步骤2、采集电网系统实测数据，并对实测数据进行预处理以及特征提取；
步骤3、使用步骤1训练好的负荷分类器，对电网系统的实测数据中各个节点进行负荷成份的归类，将负荷成份相似的节点归为一类，从而得到三类具有相似负荷成份的节点区域；
步骤4、对已分类的节点区域，从每一类中选择负荷中心节点作为典型节点，并分别采用神经网络回归算法，调整参数以进行对应类型负荷成份的最优模型，得到各类节点负荷的P-V静态负荷模型，实现负荷静态特性在线识别。
进一步的实施例中，所述步骤1中，首先通过BPA仿真软件，对负荷附近线路添加电压扰动，通过修改节点负荷负荷参数，获取不同负荷成份时电压与功率的二维数据，然后将数据归一化并贴上对应标签；
然后，基于机器学习采用基于高斯核函数的支持向量机做分类器，输入标签化的二维数据组，包括接节点的电压幅值、节点A相的有功功率，最后训练分类器。
进一步的实施例中，所述步骤2在采集电网系统实测数据过程中，基于电网SCADA系统，当电网电压出现波动时，采集波动时段发生时以及波动发生前后稳定后设定时段的数据，然后提取负荷节点电压幅值和单相有功功率作为关键特征，选取波动时段和稳定后设定时段的数据，去除异常值并进行归一化处理。
进一步的实施例中，在所述步骤3中，将步骤2得到的实测数据输入所述训练好的分类器中，将负荷成份相似的节点归为一类，最终将整个系统分成N类，并给分好的区域标号，实现负荷节点智能分类。
进一步的实施例中，在所述步骤4中，对每一类节点，从拥有相似负荷成份的区域中选择负荷中心节点作为该区域的典型节点；考虑负荷静态特性，采集典型节点的下的电压波动时电压和功率，基于Tensorflow下使用神经网络算法拟合多项式模型，通过调整各项参数，得到参数最优的功率-电压静态多项式模型，即P＝apV2+bpV+cp，式中系数ap、bp、cp分别为恒阻抗、恒电流、恒功率负荷占比。
与现有技术相比，本发明所达到的有益效果在于：
本发明针对现有等效负荷的电压特性未准确计及导致电力系统在线仿真出现误差和负荷建模时效性差的问题，提出了一种基于大数据的电力系统负荷特性在线识别方法，同时应用了当前计算机领域“大数据+AI算法”克服了建模时负荷节点分类和负荷参数识别的问题，解决了潮流计算和动态潮流计算对节点静态负荷特性的需求，对电力系统负荷的在线预测进行拓展，具有精度高，时效性好、调节性强的优点。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是本发明的电力系统负荷静态特性在线智能识别方法的流程图。
图2a、2b是负荷分类器模型的训练结果示意图，其中2a是五类数据分布示意，2b是分类器训练精确度示意；
图3是分类后的39节点系统示意图。
图4是神经网络回归算法示意图。
图5是四阶负荷模型辨识示意图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
结合图1-图5所示，根据本发明较佳的实施例的基于大数据的电力系统负荷静态特性在线智能识别方法，包括负荷分类器训练、实测数据预处理、电网负荷节点智能分类以及区域负荷特性在线识别。
结合图1，在具体的实施例的电力系统负荷静态特性在线智能识别方法包括以下步骤来实现：
步骤1、负荷分类器训练
通过仿真得到不同负荷成份的数据，对数据进行归一化处理和标签化后，进行负荷分类器的训练.
具体地，首先通过BPA仿真软件，对负荷附近线路添加电压扰动，通过修改节点负荷负荷参数，获取不同负荷成份时电压与功率的二维数据，然后将数据归一化并贴上对应标签；
然后，基于机器学习采用基于高斯核函数的支持向量机做分类器，输入标签化的二维数据组，包括接节点的电压幅值、节点A相的有功功率，最后训练分类器。
步骤2、实测数据预处理
采集电网系统实测数据，并对实测数据进行预处理以及特征提取。
具体地，在采集电网系统实测数据过程中，基于电网SCADA系统，当电网电压出现波动时，采集波动时段发生时以及波动发生前后稳定后设定时段的数据，保证采集到所有负荷节点的数据和每个节点充足的数据量；然后提取负荷节点电压幅值和单相有功功率作为关键特征，选取波动时段和稳定后设定时段的数据，去除异常值并进行归一化处理。
步骤3、电网负荷节点智能分类
使用步骤1训练好的负荷分类器，对电网系统的实测数据中各个节点进行负荷成份的归类，将负荷成份相似的节点归为一类，从而得到三类具有相似负荷成份的节点区域。
步骤4、区域负荷特性在线识别
对已分类的节点区域，从每一类中选择负荷中心节点作为典型节点，并分别采用神经网络回归算法，调整参数以进行对应类型负荷成份的最优模型，得到各类节点负荷的P-V静态负荷模型，实现负荷静态特性在线识别。
具体地，对每一类节点，从拥有相似负荷成份的区域中选择负荷中心节点作为该区域的典型节点；考虑负荷静态特性，采集典型节点的下的电压波动时电压和功率，基于Tensorflow下使用神经网络算法拟合多项式模型，通过调整各项参数，得到参数最优的功率-电压静态多项式模型，即P＝apV2+bpV+cp，式中系数ap、bp、cp分别为恒阻抗、恒电流、恒功率负荷占比。
下面结合附图1-5，对前述步骤的具体实施进行更加具体的描述。
【负荷分类器训练】
基于MATLAB程序循环调用BPA仿真软件，修改节点下负荷“恒定阻抗百分数ap、恒定电流百分数bp、恒定功率百分数cp”三项数值，其中ap+bp+cp＝1，通过添加三相故障、添加单项故障、修改发电机励磁电压等方式，获取不同负荷成份下电压扰动数据。选取电压与功率特征，将数据归一化并贴上对应标签，最终获得标签化的二维数据。
本发明的实施例中，首先忽略恒电流负荷(即恒电流负荷占比为0％)的影响，在保证恒阻抗和恒功率占比总和为100％的前提下，将恒阻抗负荷从100％以0％为精度下挑至0％(相应的恒功率负荷从0％上调至100％)，从而获取400组数据。选取电压与功率特征，按照恒阻抗负荷比例，将数据分成5类，并归一化和标签化：
标签1：恒阻抗比例在0％至20％(恒功率比例在100％至80％)
标签2：恒阻抗比例在20％至40％(恒功率比例在80％至60％)
标签3：恒阻抗比例在40％至60％(恒功率比例在60％至40％)
标签4：恒阻抗比例在60％至80％(恒功率比例在40％至20％)
标签5：恒阻抗比例在100％至0％(恒功率比例在0％至100％)
基于机器学习，采用基于高斯核函数的支持向量机做分类器。支持向量机(SVM，Support Vector Mach i ne)是一种基于核函数的方法，它通过某些核函数把特征向量映射到高维空间，然后建立一个线性判别函数，根据结构风险最小化准则，以最大化分类间隔构造最优分类超平面来提高学习机的泛化能力，较好地解决了非线性、高维数、局部极小点等问题，其中SVM的决策函数为：
引入高斯核函数：
如此，将样本映射到高维空间，对于低维数据，具有更好的分类精度。
结合图2a、2b所示，将五类数据输入给分类器中，进行训练，训练结果如图2a-2b所示。
图中显示了除了SVM分类器外，还有其余四种分类器(决策树、逻辑回归、KNN和集成算法)，通过比较可以看出，本发明的SVM有很高的分类准确率。
【实测数据处理】
在本发明的实施例中，以39节点系统为例，采集19个负荷节点下的数据，提取负荷节点电压幅值和单相有功功率作为关键特征，选取波动时段和稳定后一定时段的数据，去除异常值并归一化处理。
其中归一化方法为：
【电网负荷节点智能分类】
基于训练好的分类器，将实测数据中所有负荷节点的数据输入分类器，分别得到各个节点分类结果，将类别相近的负荷节点归为一类，最终将整个系统分成三类，给分好的“区域”标号，最终实现负荷节点智能分类。
节点分类结果如图3所示。
从图中39节点被分成三类：
类别1为负荷母线7、8、12、20、31、39，典型节点为7；
类别2为负荷母线3、4、15、16、18、21、23、37，典型节点为18；
类别3为负荷母线24、26、27、28、29，典型节点为28；
【区域负荷特性在线识别】
从三个典型节点入手，考虑负荷静态特性时，采集典型节点的下的电压波动时电压和功率，基于TensorFlow下使用神经网络算法直接拟合多项式模型。
(1)通过神经网络进行训练模式输入的向前传播以产生传播的输出激活。训练模式中通过神经网络对传播的输出激活进行反向传播，目标是生成所有输出和隐藏神经元的增量以便进行反馈调整。以电压特性在线识别为例演示该步骤，如图4所示；
(2)用它的输出增量和输入激活变量来得到权重的梯度。通过从权重中减去它的比例来使权重朝着相反的梯度方向移动，也就是最小梯度法；
(3)训练函数选取；
(4)学习率的调节。
通过不断调整各项参数，最后得到参数最优的功率-电压静态多项式模型，P＝apV2+bpV+cp式中系数ap+bp+cp＝1分别为恒阻抗、恒电流、恒功率负荷占比。
当继续考虑更高次的负荷特性多项式方程式，同样用神经网络做参数辨识，如图5所示，根据典型节点数据，辨识出该区域负荷四阶负荷模型，即：
P＝0.0107V4-0.0672V3-0.0424V2+0.736V+0.526
可见迭代300次时，误差仅为0.00117。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (5)

1.一种基于大数据的电力系统负荷静态特性在线智能识别方法，其特征在于，包括以下步骤：
步骤1、通过仿真得到不同负荷成份的数据，对数据进行归一化处理和标签化后，进行负荷分类器的训练；
步骤2、采集电网系统实测数据，并对实测数据进行预处理以及特征提取；
步骤3、使用步骤1训练好的负荷分类器，对电网系统的实测数据中各个节点进行负荷成份的归类，将负荷成份相似的节点归为一类，从而得到三类具有相似负荷成份的节点区域；
步骤4、对已分类的节点区域，从每一类中选择负荷中心节点作为典型节点，并分别采用神经网络回归算法，调整参数以进行对应类型负荷成份的最优模型，得到各类节点负荷的P-V静态负荷模型，实现负荷静态特性在线识别。
2.根据权利要求1所述的基于大数据的电力系统负荷静态特性在线智能识别方法，其特征在于，所述步骤1中，首先通过BPA仿真软件，对负荷附近线路添加电压扰动，通过修改节点负荷负荷参数，获取不同负荷成份时电压与功率的二维数据，然后将数据归一化并贴上对应标签；
然后，基于机器学习采用基于高斯核函数的支持向量机做分类器，输入标签化的二维数据组，包括接节点的电压幅值、节点A相的有功功率，最后训练分类器。
3.根据权利要求1所述的基于大数据的电力系统负荷静态特性在线智能识别方法，其特征在于，所述步骤2在采集电网系统实测数据过程中，基于电网SCADA系统，当电网电压出现波动时，采集波动时段发生时以及波动发生前后稳定后设定时段的数据，然后提取负荷节点电压幅值和单相有功功率作为关键特征，选取波动时段和稳定后设定时段的数据，去除异常值并进行归一化处理。
4.根据权利要求1所述的基于大数据的电力系统负荷静态特性在线智能识别方法，其特征在于，在所述步骤3中，将步骤2得到的实测数据输入所述训练好的分类器中，将负荷成份相似的节点归为一类，最终将整个系统分成N类，并给分好的区域标号，实现负荷节点智能分类。
5.根据权利要求1所述的基于大数据的电力系统负荷静态特性在线智能识别方法，其特征在于，在所述步骤4中，对每一类节点，从拥有相似负荷成份的区域中选择负荷中心节点作为该区域的典型节点；考虑负荷静态特性，采集典型节点的下的电压波动时电压和功率，基于Tensorflow下使用神经网络算法拟合多项式模型，通过调整各项参数，得到参数最优的功率-电压静态多项式模型，即P＝apV2+bpV+cp，式中系数ap、bp、cp分别为恒阻抗、恒电流、恒功率负荷占比。
CN201910511247.2A 2019-06-13 2019-06-13 基于大数据的电力系统负荷静态特性在线智能识别方法 Active CN110263839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910511247.2A CN110263839B (zh) 2019-06-13 2019-06-13 基于大数据的电力系统负荷静态特性在线智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910511247.2A CN110263839B (zh) 2019-06-13 2019-06-13 基于大数据的电力系统负荷静态特性在线智能识别方法

Publications (2)

Publication Number Publication Date
CN110263839A true CN110263839A (zh) 2019-09-20
CN110263839B CN110263839B (zh) 2021-09-17

Family

ID=67918077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910511247.2A Active CN110263839B (zh) 2019-06-13 2019-06-13 基于大数据的电力系统负荷静态特性在线智能识别方法

Country Status (1)

Country Link
CN (1) CN110263839B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111061151A (zh) * 2019-11-21 2020-04-24 东北大学 一种基于多元卷积神经网络的分布式能源状态监测方法
CN111680831A (zh) * 2020-05-25 2020-09-18 广东电网有限责任公司广州供电局 变电站用电分析系统和方法
CN112364941A (zh) * 2020-12-07 2021-02-12 西安德纳检验检测有限公司 一种新能源场站频率特性检测方法、装置和系统
WO2021073462A1 (zh) * 2019-10-15 2021-04-22 国网浙江省电力有限公司台州供电公司 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
CN113222102A (zh) * 2020-02-06 2021-08-06 百度（美国）有限责任公司 用于神经网络模型量化的优化方法
CN113591334A (zh) * 2021-09-30 2021-11-02 深圳市景星天成科技有限公司 基于潮流调整的自愈电路馈线负荷率提高算法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101383023A (zh) * 2008-10-22 2009-03-11 西安交通大学 基于样本动态组织与温度补偿的神经网络短期电力负荷预测
CN101969198A (zh) * 2010-09-30 2011-02-09 河海大学 考虑负荷静态特性的电力系统状态估计方法
CN102982394A (zh) * 2012-11-20 2013-03-20 电子科技大学 配电网负荷参数辨识方法及系统
CN103544546A (zh) * 2013-10-31 2014-01-29 浙江大学 一种在线预测电力系统静态电压稳定极限的方法
CN104239968A (zh) * 2014-09-02 2014-12-24 浙江大学 一种快速模糊粗糙集短期负荷预测方法
CN105429134A (zh) * 2015-12-08 2016-03-23 河海大学 一种基于电力大数据的电网电压稳定性预测方法
KR20160116710A (ko) * 2015-03-31 2016-10-10 현대자동차주식회사 액티브 엔진마운트 구조
CN108197755A (zh) * 2018-01-25 2018-06-22 国网江苏省电力有限公司 一种考虑大受端电网一次调频性能的日前机组组合优化调度方法
CN108879708A (zh) * 2018-08-28 2018-11-23 东北大学 一种主动配电网的无功电压分区方法及系统
CN109345055A (zh) * 2018-08-14 2019-02-15 中国电力科学研究院有限公司 基于时空序列的大电网静态稳定边界特征提取方法及系统
US10210393B2 (en) * 2015-10-15 2019-02-19 Schneider Electric USA, Inc. Visual monitoring system for a load center

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101383023A (zh) * 2008-10-22 2009-03-11 西安交通大学 基于样本动态组织与温度补偿的神经网络短期电力负荷预测
CN101969198A (zh) * 2010-09-30 2011-02-09 河海大学 考虑负荷静态特性的电力系统状态估计方法
CN102982394A (zh) * 2012-11-20 2013-03-20 电子科技大学 配电网负荷参数辨识方法及系统
CN103544546A (zh) * 2013-10-31 2014-01-29 浙江大学 一种在线预测电力系统静态电压稳定极限的方法
CN104239968A (zh) * 2014-09-02 2014-12-24 浙江大学 一种快速模糊粗糙集短期负荷预测方法
KR20160116710A (ko) * 2015-03-31 2016-10-10 현대자동차주식회사 액티브 엔진마운트 구조
US10210393B2 (en) * 2015-10-15 2019-02-19 Schneider Electric USA, Inc. Visual monitoring system for a load center
CN105429134A (zh) * 2015-12-08 2016-03-23 河海大学 一种基于电力大数据的电网电压稳定性预测方法
CN108197755A (zh) * 2018-01-25 2018-06-22 国网江苏省电力有限公司 一种考虑大受端电网一次调频性能的日前机组组合优化调度方法
CN109345055A (zh) * 2018-08-14 2019-02-15 中国电力科学研究院有限公司 基于时空序列的大电网静态稳定边界特征提取方法及系统
CN108879708A (zh) * 2018-08-28 2018-11-23 东北大学 一种主动配电网的无功电压分区方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
M. Y. AKHTAR ET: "Frequency-dependent power-system static-load characteristics", 《PROCEEDINGS OF THE INSTITUTION OF ELECTRICAL ENGINEERS》 *
杨毅刚: "考虑负荷静特性时电力系统静稳定的计算", 《湖南大学学报(自然科学版)》 *
陈大宣等: "基于时变电流注入方法的特殊电力负荷建模研究", 《电力自动化设备》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021073462A1 (zh) * 2019-10-15 2021-04-22 国网浙江省电力有限公司台州供电公司 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
CN111061151A (zh) * 2019-11-21 2020-04-24 东北大学 一种基于多元卷积神经网络的分布式能源状态监测方法
CN113222102A (zh) * 2020-02-06 2021-08-06 百度（美国）有限责任公司 用于神经网络模型量化的优化方法
CN113222102B (zh) * 2020-02-06 2024-04-26 百度（美国）有限责任公司 用于神经网络模型量化的优化方法
CN111680831A (zh) * 2020-05-25 2020-09-18 广东电网有限责任公司广州供电局 变电站用电分析系统和方法
CN112364941A (zh) * 2020-12-07 2021-02-12 西安德纳检验检测有限公司 一种新能源场站频率特性检测方法、装置和系统
CN112364941B (zh) * 2020-12-07 2021-11-12 西安德纳检验检测有限公司 一种新能源场站频率特性检测方法、装置和系统
CN113591334A (zh) * 2021-09-30 2021-11-02 深圳市景星天成科技有限公司 基于潮流调整的自愈电路馈线负荷率提高算法

Also Published As

Publication number Publication date
CN110263839B (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
CN110263839A (zh) 基于大数据的电力系统负荷静态特性在线智能识别方法
Li et al. Real-time faulted line localization and PMU placement in power systems through convolutional neural networks
Wu et al. A data mining approach combining $ K $-Means clustering with bagging neural network for short-term wind power forecasting
Zhang et al. A novel hybrid model for wind speed prediction based on VMD and neural network considering atmospheric uncertainties
Hou et al. Sparse oblique decision tree for power system security rules extraction and embedding
Gao et al. Power quality disturbance classification under noisy conditions using adaptive wavelet threshold and DBN-ELM hybrid model
Wahab et al. Fast transient stability assessment of large power system using probabilistic neural network with feature reduction techniques
CN107462785A (zh) 基于ga‑svm的电能质量多扰动信号分类识别方法
CN105184316A (zh) 一种基于特征权学习的支持向量机电网业务分类方法
CN109034054A (zh) 基于lstm的谐波多标签分类方法
CN113887643B (zh) 一种基于伪标签自训练和源域再训练的新对话意图识别方法
CN112580588A (zh) 一种基于经验模态分解的颤振信号智能识别方法
Xiong et al. A vibrating mechanism to prevent neural networks from overfitting
Dong et al. Short-term wind-speed forecasting based on multiscale mathematical morphological decomposition, K-means clustering, and stacked denoising autoencoders
CN112200694A (zh) 基于图神经网络的主导失稳模式识别模型构建及应用方法
Zhang et al. A small-sample faulty line detection method based on generative adversarial networks
Chen et al. Real‐time recognition of power quality disturbance‐based deep belief network using embedded parallel computing platform
Fu et al. Powercog: A practical method for recognizing power quality disturbances accurately in a noisy environment
Chakraborty et al. A dual‐tree complex wavelet transform‐based approach for recognition of power system transients
Tun et al. Power quality event classification in distribution grids using machine learning
Sahel et al. Wavelet energy moment and neural networks based particle swarm optimisation for transmission line protection
Gu et al. A cross domain feature extraction method for bearing fault diagnosis based on balanced distribution adaptation
CN114066214A (zh) 一种基于多融合卷积神经网络的电能质量分析方法
CN114169395A (zh) 一种电力系统主导失稳模式识别模型构建方法及应用
CN110310033A (zh) 基于潮流向量闵可夫斯基距离的暂态稳定评估方法及系统

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