CN110277783A - 一种电力系统的在线主动解列控制方法及系统 - Google Patents
一种电力系统的在线主动解列控制方法及系统 Download PDFInfo
- Publication number
- CN110277783A CN110277783A CN201910463989.2A CN201910463989A CN110277783A CN 110277783 A CN110277783 A CN 110277783A CN 201910463989 A CN201910463989 A CN 201910463989A CN 110277783 A CN110277783 A CN 110277783A
- Authority
- CN
- China
- Prior art keywords
- attribute
- isolated island
- generator
- algorithm
- load
- 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
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 238000000926 separation method Methods 0.000 claims abstract description 11
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 230000001427 coherent effect Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 239000012141 concentrate Substances 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000008929 regeneration Effects 0.000 claims description 5
- 238000011069 regeneration method Methods 0.000 claims description 5
- 230000002040 relaxant effect Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000010845 search algorithm Methods 0.000 abstract description 6
- 238000012800 visualization Methods 0.000 abstract description 2
- 230000001687 destabilization Effects 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003534 oscillatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 239000000203 mixture Substances 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
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/388—Islanding, i.e. disconnection of local power supply from the network
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
Abstract
本申请涉及一种电力系统的在线主动解列控制方法及系统，首先，结合基于邻域高维可视化和M‑均根类群聚合法进行机组分群预测，随后计及孤岛功率平衡约束，建立结合NRS理论和全局进化寻优算法的短期电力负荷预测模型，优化负荷分群；在此基础上，利用机组和负荷的分群结果，通过树突深度学习算法确定解列孤岛数量和初始搜索节点；然后，采用GA搜寻算法求取最优解列断面，实现全网的快速求解。最后，对于每个不满足安全约束的孤岛,优化调整其发电机组出力,以维持每个孤岛的安全运行。本发明实现了在线主动解列控制算法，有效解决多机系统的机群失稳问题，保证孤岛的稳定运行。
Description
技术领域
本申请属于解列控制技术领域，尤其是涉及一种电力系统的在线主动解列控制方法及系统。
背景技术
电网互联虽然使电能的生产与消费变得便捷，但也可能使各种震荡失稳现象变得更易出现。理想的电力系统是无论在何种情况下都能够向负荷以恒定的频率和电压源源不断地供电，但电力系统在其运行的过程中总是无法避免来自系统内部或外部的扰动作用，小的扰动作用如负荷的波动，大的扰动作用如短路、切机、切负荷等。扰动问题会直接影响电网建设的规划设计和生产运行，更重要的在于给互联电网也构成了威胁。
由于环境和投资条件的限制，电力系统通常在重负荷条件下接近其稳定运行极限，当实际的电力系统遇到各种扰动时，电网稳定性极易受到影响，这是制约其安全稳定运行的重要因素。增强电力系统的稳定性一直都是电力系统发展过程当中面临的紧迫而艰巨的任务。
电力系统稳定性指的是电力系统受到扰动后保持稳定运行的能力。局部小范围的某些不稳定问题若安全稳定措施采取不及时果断，其影响将会涉及到与之关联的更大范围，极有可能诱发连锁反应，最后酿成大面积的大停电事故。
解列控制是电力系统安全稳定控制中的关键措施，是电力系统第三道防线的重要组成部分。在实际运行中，电力系统必须在适当地点设置解列点，并装设自动解列装置。当发生机群失稳时，能够有计划地将系统迅速地解列为功率平衡且保持同步运行的两个或多个孤岛，防止暂态失稳造成系统频率和电压崩溃，进而大面积停电。常规的被动解列控制以典型运行方式为研究对象，针对严重故障确定解列点，并安设相应的控制装置。随着电网的日益发展，电网结构不断更新，这种解列控制方法不能很好地适应新电网的需求。
发明内容
本发明要解决的技术问题是：为解决目前电力系统解列方式无法适应新电网需求的问题，从而提供一种电力系统的在线主动解列控制方法及系统。
本发明解决其技术问题所采用的技术方案是：一种电力系统的在线主动解列控制方法，包括如下步骤：
步骤S1，获取电力系统的实时状态，包括电力系统的潮流数据和发电机的状态变量；
步骤S2，根据电力系统的实时状态，预测电力系统的暂态稳定性，判断电力系统是否失稳，若失稳，则进入步骤S3；否则，返回步骤S1；
步骤S3，根据电网实时信息，在广域量测环境下，测得发电机组各发电机的功角信号，并根据发电机组的发电机台数构造有限高维数据集，采用邻域高维可视化算法，并结合M-均根类群聚合法，对发电机组进行慢同调分群，将发电机组划分为多个慢同调机群；
步骤S4，通过邻域粗糙集理论对电力负荷相关的属性进行约简后作为短期电力负荷预测模型的输入变量，建立短期电力负荷预测模型；
通过全局进化寻优算法对模型参数进行寻优，并根据步骤S3得到的发电机组的同调分群结果，将电力负荷按照发电机的分群进行划分，预测电力负荷分群结果；
步骤S5，根据步骤S3和S4中发电机组和电力负荷的分群结果，采用深度学习算法，并结合GA搜索算法，寻求最优的解列孤岛数量和孤岛初始搜索节点，从而确定满足约束条件的最优解列断面；
步骤S6，根据步骤S5得到的最优解列断面，即可实现电力系统的在线主动解列。
进一步地，根据本申请提供的电力系统的在线主动解列控制方法，步骤(3)中，对发电机组进行同调分群的具体方法为：
步骤S31：测量电力系统故障后的发电机功角信号；
步骤S32：根据发电机功角信号和发电机台数构造有限高维数据集；
步骤S33：采用邻域高维可视化算法对步骤S32中的有限高维数据集进行降维处理，并通过梯度下降方法最小化高维空间与低维空间的几何欧式距离，得到发电机功角信号最佳的低维空间模拟点；
步骤S34：采用M-均根类群聚合算法，将最佳的低维空间模拟点作为M-均根类群聚合算法的聚类质心点，所述质心表示初始时对样本数据各个类别中心点的估计值；
步骤S35：采用同类收敛算法，得出分类标签，实现发电机组的同调分群。
进一步地，根据本申请提供的电力系统的在线主动解列控制方法，步骤S4中，通过邻域粗糙集理论对电力负荷相关的属性进行约简的步骤如下：
1)选取电力负荷相关的属性集，包括条件属性集和决策属性集，条件属性集包括历史负荷数据、机组分群信息，决策属性集包括样本日负荷值；
2)取0.2≤负荷样本的邻域半径≤0.4，构成邻域决策系统；
3)计算属性集中的属性重要度，选择属性重要度最大的属性加入约简集中，初始的约简集为空集；
4)重新计算属性集中的属性重要度，当时，说明属性ai加入到约简集S的属性重要度变大，属性ai为必不可少的属性，则将新属性ai加入到约简集S中；
其中，表示属性ai加入到约简集S的属性重要度，γS(D)表示约简集S中的属性对于决策属性集D中的属性的依赖度，i＝1,2,3，…，n；
5)重复步骤4)，直到属性ai加入到约简集S的属性重要度不再发生变化时，输出约简集。
进一步地，根据本申请提供的电力系统的在线主动解列控制方法，步骤S4中，所述短期电力负荷预测模型为：
其中，f(x)为短期电力负荷预测模型中期望得到的函数值；
K(x,xi)表示核函数；
λi为拉格朗日乘子；
b为模型参数。
进一步地，根据本申请提供的电力系统的在线主动解列控制方法，步骤S4中，通过全局进化寻优算法对模型参数进行寻优的方法为：
步骤S41：设置全局进化寻优算法的适应函数，以电力负荷的预测值与实际值的误差最小为优化目标，初始化寻优种群中的粒子位置和速度；
步骤S42：计算适应函数的适应度值，更新种群中粒子的位置和速度；
步骤S43：找到个体极值和群体极值，并更新种群中粒子的速度和位置，再次计算适应度值，更新个体极值和群体极值；
步骤S44：设置最大迭代次数，重复步骤S43，直到满足终止条件时结束。
进一步地，根据本申请提供的电力系统的在线主动解列控制方法，步骤S5中，确定最优解列断面的具体方法为：
根据深度学习算法求解解列孤岛数量和孤岛初始搜索节点，并根据所述解列孤岛数量和孤岛初始搜索节点，通过GA搜索算法求得解列断面，并判断当前求得的解列断面是否满足约束条件：
如果满足，则当前得到的解列断面即为最优解列断面；
如果不满足，则继续深度学习算法的学习，以功率误差作为修正依据，不断地对网络各层的连接加权系数进行调整，寻求最优的解列孤岛数量和孤岛初始搜索节点，直到设定好的学习次数完成或者满足约束条件，深度学习算法的学习过程结束。
进一步地，根据本申请提供的电力系统的在线主动解列控制方法，步骤S5中，GA搜索算法步骤包括：
步骤S51：根据发电机组的分群结果，确定解列孤岛数量，以及每个解列孤岛对应的慢同调机群；
步骤S52：确定每个解列孤岛的初始节点，设定初始解列孤岛数量等于慢同调机群的数量；
步骤S53：各解列孤岛搜索各自对应的一级相连节点，每次搜索，所有解列孤岛中有且只有一个可以增加一个节点，这个节点为每轮搜索的最优节点，所述最优节点为电力系统所有一级相连节点中指标体系综合得分最高的一个；
步骤S54：重复步骤S53，直到达到搜索次数上限，此时各孤岛之间的联络线就是解列断面；
步骤S55：得到解列断面后，按照指标取值范围对解列策略进行校验，如果各指标满足要求，则确定当前得到的解列断面即为最优解列断面；
如果不满足，则修改综合评分函数中指标的权重或者调整初始孤岛数量，重新进行搜索，直到得到满足约束条件的解列断面或者达到搜索次数的上限；
步骤S56：达到搜索次数上限时，结合电网的实际情况对某一个或几个约束条件适当放宽，在已有的搜索结果中筛选出满足放宽后的约束条件的解列断面，整个搜索过程结束。
进一步地，根据本申请提供的电力系统的在线主动解列控制方法，步骤S33具体包括：
首先，选择发电机样本点，将发电机样本点之间的几何欧式距离转化为对称性的联合概率形式，以表征高维空间数据之间的相似度；
其次，在映射低维空间内，采用t分布来表征映像数据点之间的相似度；
最后，根据高维空间数据和地位空间数据的数据点之间的相似度构造相似度矩阵，然后通过梯度下降方法，最小化高维空间与低维空间的几何欧式距离，得到发电机功角信号最佳的低维空间模拟点。
进一步地，根据本申请提供的电力系统的在线主动解列控制方法，步骤S35中，所述同类收敛算法为：
a.对于每一个发电机样本点，分别计算其到各个类的质心的距离，选取距离最近的一个质心，并将该距离最近的一个质心所在的类作为该发电机样本点所属的类；
b.对于每一个类，重新计算该类的质心，直到其不变或者变化很小。
本申请还提供了一种电力系统的在线主动解列控制系统，包括：
发电机组预测分群模块，用于结合邻域高维可视化算法和M-均根类群聚合法，实现对发电机组的同调分群预测；
电力负荷预测分群模块，用于根据发电机组的同调分群结果，结合邻域粗糙集理论和全局进化寻优算法，将电力负荷按照发电机的分群进行划分，预测电力负荷分群结果；
解列模块，用于根据发电机组和电力负荷的分群结果，采用深度学习算法，并结合GA搜索算法，确定满足约束条件的最优解列断面，实现在线主动解列控制。
本发明的有益效果是：本申请能在机组运行频率越限前执行主动解列,从而避免了机组紧急停机，保证解列后系统的安全性。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的控制方法流程图；
图2是本申请实施例深度学习算法的层级结构；
图3是本申请实施例各孤岛内部节点、一级相连节点示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
控制方法实施例
本实施例提供一种电力系统的在线主动解列控制方法，主动解列从电力系统的全局出发，利用广域测量系统和高速通信系统实时监测系统状态，在系统崩溃前根据故障信息进行协调决策，主动将大系统解列为若干独立小系统，有效防止连锁故障。主动解列是以电网的实时信息为研究对象，针对实际故障实时制定解列控制策略。
如图1所示，本实施例的主动解列控制主要包括三个部分：
(1)发电机组的慢同调分群预测
采用基于邻域高维可视化和M-均根类群聚合法的机组分群预测算法，通过二维坐标下映射点之间的聚集程度衡量受扰动后发电机运行特性的相似性，来解决孤岛内发电机同步运行约束问题。
首先通过采集系统故障后发电机的功角信号，并根据发电机台数构造有限高维数集,接着利用邻域高维可视化算法对高维数集进行降维，在此基础上过梯度下降方法最小化高维空间与低维空间的几何欧式距离，得到发电机组的功角信号最佳的低维空间模拟点，然后将最佳的低维空间模拟点作为M-均根类群聚合法的聚类质心点，重复迭代，得到发电机组的聚类结果，实现同调分群。
(2)电力负荷分群预测
在得知发电机组的分群结果的前提下，从经验选择的属性中挖掘出与负荷密切相关的因素，采用邻域粗糙集理论，对经验选择的属性进行约简，使其结果作为短期电力负荷预测模型的输入变量，建立短期电力负荷预测模型，然后通过全局进化寻优算法对模型参数进行寻优，提高负荷预测精度，按照负荷和发电机的供求关系，将预测负荷按照发电机的分群而进行划分，最终实现负荷分群预测。
(3)确定最优解列断面
根据发电机组和负荷的分群结果，引入深度学习算法，然后，兼顾孤岛内发电机同步运行和功率平衡两种基本约束条件，对各孤岛一级相连节点进行判断，采用GA搜寻算法确定满足约束条件的最优解列断面，实现全网搜索的快速求解。
下面结合具体的实施例，对本申请的三个部分进行详细说明：
(1)发电机组分群预测
当电力系统受到扰动后，由于各台发电机转子摇摆特性不同，即使得发电机功角曲线的变化存在一定的差异性，发电机之间可能因功角差过大而失步，此时需要将具有相似摇摆特性的发电机分为一群，即同调机群。
电力系统中发电机同调性的基本判据为，在所关注的时间段[0,τ]内，若任意两台发电机的转子角偏差在任意时刻t都满足那么定义两台发电机在时间段[0,τ]内同调。其中，δu表示发电机u的转子角；δv表示发电机v的转子角；ε为大于0的常数，ε值越小，分群的精度越大，发电机的同调性越显著。
以N台发电机为例，本申请同调分群主要是对N台发电机的功角信号依次进行降维、聚类，具体实现步骤如下：
1)通过相量测量单元测得电力系统故障后N台发电机的功角信号s(t)，并上传到WAMS(Wide Area Measurement System，广域监测系统)主站。
2)根据功角信号s(t)构造N个d维向量组成有限高维数据集，即(y1,y2,y3,…,yg,…,yj,…,yk,…,yl,…,yN)，其中，N为发电机台数，d为每台发电机功角信息的采样点个数。
3)利用邻域高维可视化算法对有限高维数据集(y1,y2,y3,…,yg,…,yj,…,yk,…,yl,…,yN)进行降维，得到发电机功角信号最佳的低维空间模拟点，具体为：
首先，选择发电机样本点，将发电机样本点之间的几何欧式距离转化为对称性的联合概率形式，以表征有限高维数据集中高维数据之间的相似度pgj，即
式中，λg为以yg为中心的高斯函数的方差；
然后，在映射低维空间m内采用t分布来表征映像数据点之间的相似度qgj，即
其中，mg,mj,mk,ml分别为对应yg,yj,yk,yl的低维空间中的映像数据点；
最后，根据得到的相似度pgj和qgj，通过梯度下降方法最小化高维空间与低维空间的几何欧式距离，得到N台发电机功角信号最佳的低维空间模拟点m1,m2,m3,…,mN。
4)将最佳的低维空间模拟点作为M-均根类群聚合算法的聚类质心点，质心表示初始时对样本数据各个类中心点的估计值。
重复下列过程直到收敛，得出分类标签，从而实现发电机组的同调分群，即：
a.对于每一个发电机样本，分别计算其到N个质心的距离，然后选取距离最近的质心所在的类，作为发电机样本所属的类，具体为：
其中，cp为第p个发电机样本到N个质心中距离最近的质心所在的类；
xp为第p个发电机样本；
μj表示类j的质心。
b.对于每一个类，重新计算该类的质心，直到其不变或者变化很小，具体计算方式为：
(2)电力负荷分群预测
a.采用邻域粗糙集理论，对经验选择的与负荷相关的属性进行约简，选取的电力负荷相关的属性构成的属性集包括条件属性集和决策属性集，条件属性集包括历史负荷数据、机组分群信息，决策属性集包括样本日负荷值。具体的约简步骤如下：
1)取0.2≤负荷样本的邻域半径≤0.4，计算属性集中每个属性的邻域关系；
2)计算属性集中的属性重要度，选择属性重要度最大的属性加入约简集中，初始的约简集为空集；
3)重新计算属性集中的属性重要度，当时，说明属性ai加入到约简集S的属性重要度变大，属性ai为必不可少的属性，则将新属性ai加入到约简集S中；
其中，表示属性ai加入到约简集S的属性重要度，γS(D)表示约简集S中的属性对于决策属性集D中的属性的依赖度，i＝1,2,3,···,n；
4)重复步骤3)，直到属性ai加入到约简集S的属性重要度不再发生变化时，输出约简集。
b.短期电力负荷预测模型的建立
将得到的约简集中的属性信息作为短期电力负荷预测模型的输入向量，建立短期电力负荷预测模型，即：
其中，K(x,xi)为核函数，
具体的构建过程如下：
短期电力负荷预测模型选择误差ξi的二次项作为损失函数，把不等式约束转换为等式约束，本实施例把样本预测误差的二次项作为损失函数。其中估计函数为：
y＝f(x)＝wT·φ(x)+b
式中：φ(x)为从输入空间到高维特征空间的非线性映射，x为输入向量，包括历史负荷、机组分群信息以及气象局提供的温度、湿度、平均降雨量等气象因素；w和b为模型参数。
根据结构风险最小策略构造的短期电力负荷预测模型的优化问题为：
s.t.wTφ(xi)+b+ξi＝yi,i＝1,2,…,N
式中，γ为惩罚参数。
为求解式上式的优化问题，构造相应的Lagrange函数，即：
式中，λi是Lagrange乘子。
根据Kuhn-Tucher条件，分别对w,b,ξi,λi求导，并消去w和ξi，得到：
式中：y＝[y1,y2,…,yn]T；λi＝[λ1,λ2,…,λn]；E＝[1,1,…,1]T。
根据Mercer条件，Ω矩阵中的元素可以表示为：
Ωi,j＝φT(xi)φ(xj)＝K(xi,xj)
称K(xi,xj)为核函数，本实施例取为径向基核函数：
式中，σ为核宽度参数。
最终得到短期电力负荷预测模型的表达式。
c.全局进化寻优算法对模型参数的寻优
对于短期电力负荷预测模型中惩罚参数γ和核宽度参数σ的确定，本实施例采用样本的预测误差定义全局进化寻优算法的适应函数，其优化目标函数为：
s.t.γ∈[γmin,γmax],σ∈[σmin,σmax]
式中，和Yi分别表示第i个属性所对应的负荷预测值和实际负荷值。
全局进化寻优算法对短期电力负荷预测模型中的惩罚参数γ和核宽度参数σ寻优步骤如下：
1)初始化寻优种群中粒子位置和速度，设置惩罚参数γ和核宽度参数σ的搜索范围为γ∈[1，1000]，σ∈[0.001，100]，用参数γ，σ的值表示位置。
2)计算上述适应函数的适应度值，更新种群中粒子的位置和速度。
3)找到个体极值和群体极值，并更新速度和位置，再次计算适应度值，更新个体极值和群体极值。
4)设置最大迭代次数为100次，重复步骤3)，当满足终止条件时，退出循环。
(3)确定最优解列断面
在确定发电机节点和负荷节点的分区之后，需要确定解列断面，即将要断开的线路。为达到最佳的解列效果，本实施例将机组分群结果和负荷分群结果输入至基于深度学习算法的控制器中，实现寻求最优孤岛数量和孤岛初始搜索节点的目的。
如图2所示，对于深度学习算法的层级结构，本实施例设置输入层的树突元个数为2个，分别对应发电机组分群结果和负荷分群结果；输出层树突元个数为2个，分别对应解列孤岛数量和孤岛初始搜索节点；隐含层树突元个数为5个。
如图1所示，在寻求最优解列孤岛数量和孤岛初始节点的过程中，如果深度学习算法输出的解列孤岛数量和孤岛初始搜索节点经过GA搜寻算法后求得的解列断面满足约束条件，则输出最优解列断面，停止学习。
如果输出的解列孤岛数量和孤岛初始搜索节点经过GA搜寻算法后求得的解列断面不满足约束条件，则继续深度学习算法的学习训练，不断寻求最优的解列孤岛数量和孤岛初始搜索节点，直到设定好的学习次数完成或者满足孤岛内功率平衡要求，学习过程结束。
GA搜寻算法的具体过程如下：
步骤1：确定解列孤岛数量以及每个孤岛对应的慢同调群，并确定每个解列孤岛的初始节点。
每个解列孤岛对应一个慢同调群，并选取慢同调群中出力最大的一台发电机作为对应解列孤岛的初始节点。本实施例发电机组分为r个慢同调群，初始时，选择解列孤岛数量g与慢同调群的数量r相等。
步骤2：各解列孤岛开始搜索各自对应的一级相连节点，搜索次数为N-g次，N为整个电网节点数，每次搜索，g个孤岛中有且只有一个孤岛可以增加一个节点，这个节点称为每轮搜索的最优节点，所述一级相连节点指的是孤岛外通过一条线路便可以和孤岛内部相连的节点，最优节点为所有一级相连节点中指标体系综合得分最高的一个。
如图3所示，图中用实线椭圆表示一个孤岛，圆内节点表示孤岛内节点，圆外通过一条线与圆内节点相连的为一级相连节点，由于孤岛、节点数量较多，未能一一标出，这部分用虚线椭圆、虚线圆表示。
对于孤岛Gm，节点A为孤岛Gm(m＝1,2，…，g)某一个一级相连节点，A∈{ym1,ym2,...,yms}，如果节点A是系统所有一级相连节点中指标体系综合得分最高的一个，则节点A为本次搜索的最优节点。假设整个电网的节点数为N，除初始节点外剩余节点数为N-g，进行N-g次搜索后，整个电网划分为g个孤岛，第N-g次搜索结束，此时各孤岛之间的联络线就是解列断面。
步骤3：得到解列断面后，按照指标取值范围对解列策略进行校验。
如果各指标满足要求，则将当前得到的解列断面确定为最终解列断面。如果某些指标不满足要求，则通过修改综合评分函数中指标的权重或者调整初始孤岛数量，重新进行搜索，直到得到满足约束条件的解列断面或者达到搜索次数的上限。初始孤岛数量调整的方式为：将g从r开始往下减小，每次减1，g的取值范围为2≤g≤r。
达到搜索次数上限时，结合电网的实际情况对某一个或几个约束条件适当放宽，在已有的搜索结果中筛选出满足放宽后的约束条件的解列断面，将其作为最优解列断面，整个搜索过程结束。
控制系统实施例
本实施例的在线主动解列控制系统包括：
发电机组预测分群模块，用于结合邻域高维可视化算法和M-均根类群聚合法，实现对发电机组的同调分群预测。
首先通过采集系统故障后发电机的功角信号，并根据发电机台数构造有限高维数集,接着利用邻域高维可视化算法对高维数集进行降维，在此基础上过梯度下降方法最小化高维空间与低维空间的几何欧式距离，得到发电机组的功角信号最佳的低维空间模拟点，然后将最佳的低维空间模拟点作为M-均根类群聚合法的聚类质心点，重复迭代，得到发电机组的聚类结果，实现同调分群。
电力负荷预测分群模块，用于根据发电机组的同调分群结果，结合邻域粗糙集理论和全局进化寻优算法，将电力负荷按照发电机的分群进行划分，预测电力负荷分群结果。
在得知发电机组的分群结果的前提下，从经验选择的属性中挖掘出与负荷密切相关的因素，采用邻域粗糙集理论，对经验选择的属性进行约简，使其结果作为短期电力负荷预测模型的输入变量，建立短期电力负荷预测模型，然后通过全局进化寻优算法对模型参数进行寻优，提高负荷预测精度，按照负荷和发电机的供求关系，将预测负荷按照发电机的分群而进行划分，最终实现负荷分群预测。
解列模块，用于根据发电机组和电力负荷的分群结果，采用深度学习算法，并结合GA搜索算法，确定满足约束条件的最优解列断面，实现在线主动解列控制。
根据发电机组和负荷的分群结果，引入深度学习算法，然后，兼顾孤岛内发电机同步运行和功率平衡两种基本约束条件，对各孤岛一级相连节点进行判断，采用GA搜寻算法确定满足约束条件的最优解列断面，实现全网搜索的快速求解。
以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
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。
Claims (10)
1.一种电力系统的在线主动解列控制方法，其特征在于，所述在线主动解列控制方法包括如下步骤：
步骤S1，获取电力系统的实时状态，包括电力系统的潮流数据和发电机的状态变量；
步骤S2，根据电力系统的实时状态，预测电力系统的暂态稳定性，判断电力系统是否失稳，若失稳，则进入步骤S3；否则，返回步骤S1；
步骤S3，根据电网实时信息，在广域量测环境下，测得发电机组各发电机的功角信号，并根据发电机组的发电机台数构造有限高维数据集，采用邻域高维可视化算法，并结合M-均根类群聚合法，对发电机组进行慢同调分群，将发电机组划分为多个慢同调机群；
步骤S4，通过邻域粗糙集理论对电力负荷相关的属性进行约简后作为短期电力负荷预测模型的输入变量，建立短期电力负荷预测模型；
通过全局进化寻优算法对模型参数进行寻优，并根据步骤S3得到的发电机组的同调分群结果，将电力负荷按照发电机的分群进行划分，预测电力负荷分群结果；
步骤S5，根据步骤S3和S4中发电机组和电力负荷的分群结果，采用深度学习算法，并结合GA搜索算法，寻求最优的解列孤岛数量和孤岛初始搜索节点，从而确定满足约束条件的最优解列断面；
步骤S6，根据步骤S5得到的最优解列断面，即可实现电力系统的在线主动解列。
2.根据权利要求1所述的电力系统的在线主动解列控制方法，其特征在于，步骤S3中，对发电机组进行同调分群的具体方法为：
步骤S31：测量电力系统故障后的发电机功角信号；
步骤S32：根据发电机功角信号和发电机台数构造有限高维数据集；
步骤S33：采用邻域高维可视化算法对步骤S32中的有限高维数据集进行降维处理，并通过梯度下降方法最小化高维空间与低维空间的几何欧式距离，得到发电机功角信号最佳的低维空间模拟点；
步骤S34：采用M-均根类群聚合算法，将最佳的低维空间模拟点作为M-均根类群聚合算法的聚类质心点；
步骤S35：采用同类收敛算法，得出分类标签，实现发电机组的同调分群。
3.根据权利要求1所述的电力系统的在线主动解列控制方法，其特征在于，步骤S4中，通过邻域粗糙集理论对电力负荷相关的属性进行约简的步骤如下：
1)选取电力负荷相关的属性，构建属性集，包括条件属性集和决策属性集，条件属性集包括历史负荷数据、机组分群信息，决策属性集包括样本日负荷值；
2)取0.2≤负荷样本的邻域半径≤0.4，计算属性集中每个属性的邻域关系，构成邻域决策系统；
3)计算属性集中的属性重要度，选择属性重要度最大的属性加入约简集中，初始的约简集为空集；
4)重新计算属性集中的属性重要度，当时，说明属性ai加入到约简集S的属性重要度变大，属性ai为必不可少的属性，则将新属性ai加入到约简集S中；
其中，表示属性ai加入到约简集S的属性重要度，γS(D)表示约简集S中的属性对于决策属性集D中的属性的依赖度，i＝1,2,3,···,n；
5)重复步骤4)，直到属性ai加入到约简集S的属性重要度不再发生变化时，输出约简集。
4.根据权利要求3所述的电力系统的在线主动解列控制方法，其特征在于，步骤S4中，所述短期电力负荷预测模型为：
其中，f(x)为短期电力负荷预测模型中期望得到的函数值；
K(x,xi)表示核函数；
λi为拉格朗日乘子；
b为模型参数。
5.根据权利要求4所述的电力系统的在线主动解列控制方法，其特征在于，步骤S4中，通过全局进化寻优算法对模型参数进行寻优的方法为：
步骤S41：设置全局进化寻优算法的适应函数，以电力负荷的预测值与实际值的误差最小为优化目标，初始化寻优种群中的粒子位置和速度；
步骤S42：计算适应函数的适应度值，更新种群中粒子的位置和速度；
步骤S43：找到个体极值和群体极值，并更新种群中粒子的速度和位置，再次计算适应度值，更新个体极值和群体极值；
步骤S44：设置最大迭代次数，重复步骤S43，直到满足终止条件时结束。
6.根据权利要求1所述的电力系统的在线主动解列控制方法，其特征在于，步骤S5中，确定最优解列断面的具体方法为：
根据深度学习算法求解解列孤岛数量和孤岛初始搜索节点，并根据所述解列孤岛数量和孤岛初始搜索节点，通过GA搜索算法求得解列断面，并判断当前求得的解列断面是否满足约束条件：
如果满足，则当前得到的解列断面即为最优解列断面；
如果不满足，则继续深度学习算法的学习，以功率误差作为修正依据，不断地对网络各层的连接加权系数进行调整，寻求最优的解列孤岛数量和孤岛初始搜索节点，直到设定好的学习次数完成或者满足约束条件，深度学习算法的学习过程结束。
7.根据权利要求6所述的电力系统的在线主动解列控制方法，其特征在于，步骤S5中，GA搜索算法步骤包括：
步骤S51：根据发电机组的分群结果，确定解列孤岛数量，以及每个解列孤岛对应的慢同调机群；
步骤S52：确定每个解列孤岛的初始节点，设定初始解列孤岛数量等于慢同调机群的数量；
步骤S53：各解列孤岛搜索各自对应的一级相连节点，每次搜索，所有解列孤岛中有且只有一个可以增加一个节点，这个节点为每轮搜索的最优节点，所述最优节点为电力系统所有一级相连节点中指标体系综合得分最高的一个；
步骤S54：重复步骤S53，直到达到搜索次数上限，此时各孤岛之间的联络线就是解列断面；
步骤S55：得到解列断面后，按照指标取值范围对解列策略进行校验，如果各指标满足要求，则确定当前得到的解列断面即为最优解列断面；
如果不满足，则修改综合评分函数中指标的权重或者调整初始孤岛数量，重新进行搜索，直到得到满足约束条件的解列断面或者达到搜索次数的上限；
步骤S56：达到搜索次数上限时，结合电网的实际情况对某一个或几个约束条件适当放宽，在已有的搜索结果中筛选出满足放宽后的约束条件的解列断面，整个搜索过程结束。
8.根据权利要求2所述的电力系统的在线主动解列控制方法，其特征在于，步骤S33具体包括：
首先，选择发电机样本点，将发电机样本点之间的几何欧式距离转化为对称性的联合概率形式，以表征高维空间数据之间的相似度；
其次，在映射低维空间内，采用t分布来表征映像数据点之间的相似度；
最后，根据高维空间数据和地位空间数据的数据点之间的相似度构造相似度矩阵，然后通过梯度下降方法，最小化高维空间与低维空间的几何欧式距离，得到发电机功角信号最佳的低维空间模拟点。
9.根据权利要求8所述的电力系统的在线主动解列控制方法，其特征在于，步骤S35中，所述同类收敛算法为：
a.对于每一个发电机样本点，分别计算其到各个类的质心的距离，选取距离最近的一个质心，并将该距离最近的一个质心所在的类作为该发电机样本点所属的类；
b.对于每一个类，重新计算该类的质心，直到其不变或者变化很小。
10.一种电力系统的在线主动解列控制系统，其特征在于：所述在线主动解列控制系统包括：
发电机组预测分群模块，用于结合邻域高维可视化算法和M-均根类群聚合法，实现对发电机组的同调分群预测；
电力负荷预测分群模块，用于根据发电机组的同调分群结果，结合邻域粗糙集理论和全局进化寻优算法，将电力负荷按照发电机的分群进行划分，预测电力负荷分群结果；
解列模块，用于根据发电机组和电力负荷的分群结果，采用深度学习算法，并结合GA搜索算法，确定满足约束条件的最优解列断面，实现在线主动解列控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910463989.2A CN110277783A (zh) | 2019-05-30 | 2019-05-30 | 一种电力系统的在线主动解列控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910463989.2A CN110277783A (zh) | 2019-05-30 | 2019-05-30 | 一种电力系统的在线主动解列控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110277783A true CN110277783A (zh) | 2019-09-24 |
Family
ID=67960401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910463989.2A Pending CN110277783A (zh) | 2019-05-30 | 2019-05-30 | 一种电力系统的在线主动解列控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110277783A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382903A (zh) * | 2020-03-03 | 2020-07-07 | 南京邮电大学 | 一种求解电网解裂问题的迭代局部搜索方法 |
| CN111784106A (zh) * | 2020-05-26 | 2020-10-16 | 国电南瑞南京控制系统有限公司 | 一种基于受扰轨迹的主动解列断面离线筛选方法及装置 |
| CN113410833A (zh) * | 2021-05-25 | 2021-09-17 | 国网天津市电力公司电力科学研究院 | 一种主动频率响应控制同调机群辨识方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093288A (zh) * | 2013-02-21 | 2013-05-08 | 江苏省电力公司电力科学研究院 | 基于气象信息的分区电网母线负荷预测系统 |
| CN103683277A (zh) * | 2013-10-23 | 2014-03-26 | 南京南瑞集团公司 | 一种电力系统暂态稳定切负荷控制有效性评价指标计算方法 |
| CN104362623A (zh) * | 2014-11-10 | 2015-02-18 | 国家电网公司 | 一种适用于主动配电网的多目标网络重构方法 |
| CN107423885A (zh) * | 2017-06-28 | 2017-12-01 | 广东电网有限责任公司电力调度控制中心 | 一种基于贪心算法的解列断面搜索方法 |
-
2019
- 2019-05-30 CN CN201910463989.2A patent/CN110277783A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093288A (zh) * | 2013-02-21 | 2013-05-08 | 江苏省电力公司电力科学研究院 | 基于气象信息的分区电网母线负荷预测系统 |
| CN103683277A (zh) * | 2013-10-23 | 2014-03-26 | 南京南瑞集团公司 | 一种电力系统暂态稳定切负荷控制有效性评价指标计算方法 |
| CN104362623A (zh) * | 2014-11-10 | 2015-02-18 | 国家电网公司 | 一种适用于主动配电网的多目标网络重构方法 |
| CN107423885A (zh) * | 2017-06-28 | 2017-12-01 | 广东电网有限责任公司电力调度控制中心 | 一种基于贪心算法的解列断面搜索方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘南艳等: "NRS和PSO算法优化最小二乘支持向量机的短期电力负荷预测", 《现代电子技术》 * |
| 王振浩等: "基于t-分布邻域嵌入的同调机群无监督识别", 《电力系统保护与控制》 * |
| 罗钢等: "基于贪心算法的自适应解列断面自动搜索方法", 《电力系统自动化》 * |
| 谭伟等: "电力系统在线主动解列控制算法", 《广东电力》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382903A (zh) * | 2020-03-03 | 2020-07-07 | 南京邮电大学 | 一种求解电网解裂问题的迭代局部搜索方法 |
| CN111382903B (zh) * | 2020-03-03 | 2022-09-23 | 南京邮电大学 | 一种求解电网解裂问题的迭代局部搜索方法 |
| CN111784106A (zh) * | 2020-05-26 | 2020-10-16 | 国电南瑞南京控制系统有限公司 | 一种基于受扰轨迹的主动解列断面离线筛选方法及装置 |
| CN113410833A (zh) * | 2021-05-25 | 2021-09-17 | 国网天津市电力公司电力科学研究院 | 一种主动频率响应控制同调机群辨识方法 |
| CN113410833B (zh) * | 2021-05-25 | 2024-04-19 | 国网天津市电力公司电力科学研究院 | 一种主动频率响应控制同调机群辨识方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cai et al. | A hybrid CPSO–SQP method for economic dispatch considering the valve-point effects | |
| CN106779148B (zh) | 一种多模型多特征融合的高速铁路沿线风速预测方法 | |
| CN110277783A (zh) | 一种电力系统的在线主动解列控制方法及系统 | |
| CN109274134A (zh) | 一种基于时间序列场景分析的主动配电网鲁棒有功无功协调优化方法 | |
| CN108448620A (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
| CN106684885B (zh) | 基于多场景分析的风电机组配电网无功优化方法 | |
| CN112310980B (zh) | 交直流混联电网直流闭锁频率安全稳定评估方法及系统 | |
| CN113300380B (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
| CN108898259A (zh) | 基于多因素综合的自适应进化规划电力负荷预测方法及系统 | |
| CN109657884A (zh) | 电网供电优化方法、装置、设备和计算机可读存储介质 | |
| Chen et al. | A social beetle swarm algorithm based on grey target decision-making for a multiobjective distribution network reconfiguration considering partition of time intervals | |
| CN116169776A (zh) | 电力系统云边协同人工智能调控方法、系统、介质及设备 | |
| CN115085202A (zh) | 电网多区域智能功率协同优化方法、装置、设备及介质 | |
| Zhang et al. | Deep reinforcement learning for load shedding against short-term voltage instability in large power systems | |
| CN107292537A (zh) | 考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法 | |
| CN111030089A (zh) | 一种基于飞蛾扑火优化算法的pss参数优化方法及系统 | |
| Shayanfar et al. | Optimal PID power system stabilizer tuning via artificial bee colony | |
| CN109886488A (zh) | 考虑风速时滞性的分散式风电场分层混合短期预测方法 | |
| CN105914752A (zh) | 基于快速搜索与密度峰值聚类的主导节点选择方法 | |
| Gu et al. | Load forecasting based distribution system network reconfiguration—A distributed data-driven approach | |
| Gurung et al. | A surrogate based computationally efficient method to coordinate damping controllers for enhancement of probabilistic small-signal stability | |
| CN105576653B (zh) | 一种220kV片区电网供电能力优化方法 | |
| CN105896547A (zh) | 一种风电接入下的大电网分级电压控制方法 | |
| CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
| Shayanfar et al. | Improved ABC and fuzzy controller based on consonant FACTS devices |
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 |
Application publication date: 20190924 |
|
| RJ01 | Rejection of invention patent application after publication |