CN110532596A - 一种基于lstm算法生成电网仿真样本的方法和系统 - Google Patents
一种基于lstm算法生成电网仿真样本的方法和系统 Download PDFInfo
- Publication number
- CN110532596A CN110532596A CN201910641704.XA CN201910641704A CN110532596A CN 110532596 A CN110532596 A CN 110532596A CN 201910641704 A CN201910641704 A CN 201910641704A CN 110532596 A CN110532596 A CN 110532596A
- Authority
- CN
- China
- Prior art keywords
- data
- device name
- adjustment
- sequence
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004088 simulation Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 238000012986 modification Methods 0.000 claims description 37
- 230000004048 modification Effects 0.000 claims description 37
- 230000006399 behavior Effects 0.000 claims description 20
- 230000006641 stabilisation Effects 0.000 claims description 11
- 238000011105 stabilization Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 210000004027 cell Anatomy 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 229910002056 binary alloy Inorganic materials 0.000 claims 1
- 230000005611 electricity Effects 0.000 claims 1
- 230000003542 behavioural effect Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000007787 long-term memory Effects 0.000 abstract description 3
- 238000007418 data mining Methods 0.000 abstract description 2
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- CUZMQPZYCDIHQL-VCTVXEGHSA-L calcium;(2s)-1-[(2s)-3-[(2r)-2-(cyclohexanecarbonylamino)propanoyl]sulfanyl-2-methylpropanoyl]pyrrolidine-2-carboxylate Chemical compound [Ca+2].N([C@H](C)C(=O)SC[C@@H](C)C(=O)N1[C@@H](CCC1)C([O-])=O)C(=O)C1CCCCC1.N([C@H](C)C(=O)SC[C@@H](C)C(=O)N1[C@@H](CCC1)C([O-])=O)C(=O)C1CCCCC1 CUZMQPZYCDIHQL-VCTVXEGHSA-L 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于LSTM算法生成电网仿真样本的方法和系统。所述方法和系统采集调整潮流行为数据，对所述数据进行解析生成第二数据，并基于所述数据建立基于长短期记忆网络的不同规模的预测电网运行时设备调整顺序的LSTM预测模型，实现潮流调整设备序列的预测，根据预测策略生成不同的电网运行潮流样本，结合所述潮流样本、预先设置的预想故障集进行仿真计算生成电网仿真样本集。利用所述基于LSTM算法生成电网仿真样本的方法和系统可提供丰富的潮流样本集，弥补在线样本集的不足，从而有效提升了在线数据的数据挖掘泛化能力，而且在电网快速判稳中补充进大量通过本发明所述方法和系统生成的样本，可以大幅提高电网判稳的准确率。
Description
技术领域
本发明涉及电网安全领域,并且更具体地，涉及一种基于LSTM算法生成电网仿真样本的方法和系统。
背景技术
近年来随着电力大数据技术的发展，基于在线、历史数据样本对电网进行快速判稳的研究取得了一定的效果。此类研究的有效性受到数据样本和特征量的直接影响和约束限制，造成样本库中相似样本过多，多样性不足，严重制约了电网规律挖掘和快速判稳的效果。目前基于在线仿真数据进行快速判稳研究，所使用的样本集数量超过16万个，其中失稳故障仅占4％左右，样本分布明显不均。基于数据驱动的暂态稳定评估研究，其数据上的改进可以分为欠采样和过采样两类，欠采样方法由于会损失多数类的数据信息，因此应用范围有限。过采样方法中随机采用(random oversampling,ROS)数据容易造成过拟合问题，对模型训练不利；基于SMOTE和ADASYN算法的数据合成方法则属于线性插值方法，其合成的数据和实际电网数据的物理特性和运行状态存在相关性不强的问题,而现有的非线性数据合成方法利用小波变换等方法非线性化，再进一步线性插值以合成数据，因此只适用于多维数据序列数据，无法应用于暂态稳定单个时刻的特征数据合成；基于改进CGAN的电力系统数据增强框架，能够有效学习到原始数据的分布，有效平衡电力系统失稳数据，在评估准确率上较传统数据合成方法提升效果明显，但只针对单一时刻的电力系统暂稳失稳数据进行增强，并不适用于所有运行方式下的电力系统失稳序列。
利用离线数据对在线数据样本进行补充，提高在线数据挖掘的泛化能力成为当前比较急迫的问题。用户调整潮流计算主要调整发电机的有功和无功、负荷的开断等，调整的元件设备具有一定的时序性，随着神经网络的发展，深度学习算法不断改进，其中循环神经网络(RNN)因具有“记忆”能力，很多学者将其应用于序列信息的建模预测，取得了显著成效。但传统的RNN在信息反馈过程中存在梯度消散问题，而长短期记忆网络(LongShortTermMemory，LSTM)的策略，结合历史状态、当前记忆与当前输入引入门控单元来处理长序列依赖问题，能否利用离线数据和LSTM模型对在线数据样本进行有效补充成为一个急需解决的技术问题。
发明内容
为了解决现有技术中复杂电网快速判稳时，在线数据样本集多样性不足，评估准确率低的技术问题，本发明提供一种基于LSTM算法生成电网仿真样本的方法，所述方法包括：
采集调整电力系统潮流行为的第一数据，并对所述第一数据进行解析后生成第二数据，所述第二数据包括调整的设备的名称，所述设备的名称为第一设备名称；
基于所述第二数据，采用LSTM算法建立LSTM模型；
根据所述LSTM模型，电网运行潮流文件，以及预先设置的LSTM模型的调整步长和修改电网运行潮流文件中的数据的规则，生成新的潮流样本，其中，所述电网运行潮流文件中的设备的名称为第二设备名称；
根据所述潮流样本和预先设置的预想故障集计算电网稳定结果，形成进行电网稳定分析的电网仿真样本集。
进一步地，所述方法在采集调整电力系统潮流行为的第一数据前还包括设置修改电网运行潮流文件中的数据的规则和预想故障集，其中：
所述修改电网运行潮流文件中的数据的规则有：
发电机只调整有功，负荷同时调整有功和无功；且
按照负荷有功和机组有功一致性来调整，发电机调整有功时，负荷的有功和无功按照同比例调整；且
设备每次的调整量均按照预先设置的调整量步长来调整，负荷的无功量最大值小于等于所述负荷无功量原始值的n倍，n为预先设置的经验值；
所述预想故障集是在线模拟各种网络故障而生成的故障数据的集合，包括任意多重对称和不对称故障。
进一步地，所述采集调整电力系统潮流行为的第一数据，并对所述第一数据进行解析后生成第二数据包括：
对电力系统运行生成的数据进行调整潮流操作，并提取进行调整潮流操作后的二进制日志文件作为第一数据；
对所述第一数据进行解析确定调整潮流的行为事件时间序列，作为第二数据。
进一步地，所述基于所述第二数据，采用LSTM算法建立LSTM模型包括：
建立3种规模，具有两层隐藏层的LSTM模型，并设置每种规模中隐藏层神经元个数、迭代次数、梯度下降率、使用数据的轮数和学习速率，其中，所述三种规模是指small规模、medium规模和large规模；
对于建立的3种规模的LSTM模型，分别引入keras框架的Sequential、Dense、Activation、Dropout和LSTM函数库，基于所述第二数据和预先设置的潮流调整序列长度值，通过add()方法进行迭代运算，确定所述第二数据中设备名称之间的关联概率。
进一步地，根据所述LSTM模型，电网运行潮流文件，以及预先设置的LSTM模型的调整步长和修改电网运行潮流文件中的数据的规则，生成新的潮流样本包括：
任意指定一个电网运行潮流文件中的第二设备名称，当所述第二设备名称与第一设备名称相同时，将所述第二设备名称作为指定的设备名称，当所述第二设备名称与第一设备名称不一致时，根据第二设备名称和第一设备名称对应关系将指定的第二设备名称转换为第一设备名称，并将所述转换的第一设备名称作为指定的设备名称；
调用LSTM模型，以指定的设备名称作为输入，生成达到所述设置的调整步长的设备名称第一调整序列；
当所述设备名称第一调整序列中存在与对应的第二设备名称不一致的第一设备名称时，根据第二设备名称和第一设备名称的对应关系，将所述对应名称不一致的第一设备名称转换为对应的第二设备名称，并生成设备名称第二调整序列，当所述设备名称第一调整序列中不存在与对应的第二设备名称不一致的第一设备名称时，将所述设备名称第一调整序列作为第二设备名称调整序列；
根据预先设置的修改电网运行潮流文件中的数据的规则，按照确定的设备名称第二调整序列中第二设备名称的顺序修改潮流文件中的数据，形成新的潮流样本。
根据本发明的另一方面，本发明提供一种基于LSTM算法生成电网仿真样本的系统，所述系统包括：
数据解析单元，其用于采集调整电力系统潮流行为的第一数据，并对所述第一数据进行解析后生成第二数据，所述第二数据包括调整的设备的名称，所述设备的名称为第一设备名称；
模型建立单元，其用于基于所述第二数据，采用LSTM算法建立LSTM模型；
潮流样本单元，其用于根据所述LSTM模型，电网运行潮流文件，以及预先设置的LSTM模型的调整步长和修改电网运行潮流文件中的数据的规则，生成新的潮流样本，其中，所述电网运行潮流文件中的设备的名称为第二设备名称；
仿真样本单元，其用于根据所述潮流样本和预先设置的预想故障集计算电网稳定结果，形成进行电网稳定分析的电网仿真样本集。
进一步地，所述系统还包括初始设置单元，其用于设置修改电网运行潮流文件中的数据的规则和预想故障集，其中：
所述修改电网运行潮流文件中的数据的规则有：
发电机只调整有功，负荷同时调整有功和无功；且
按照负荷有功和机组有功一致性来调整，发电机调整有功时，负荷的有功和无功按照同比例调整；且
设备每次的调整量均按照预先设置的调整量步长来调整，负荷的无功量最大值小于等于所述负荷无功量原始值的n倍，n为预先设置的经验值；
所述预想故障集是在线模拟各种网络故障而生成的故障数据的集合，包括任意多重对称和不对称故障。
进一步地，所述数据解析单元包括：
第一数据单元，其用于对电力系统运行生成的数据进行调整潮流操作，并提取进行调整潮流操作后的二进制日志文件作为第一数据；
第二数据单元，其用于对所述第一数据进行解析确定调整潮流的行为事件时间序列，作为第二数据。
进一步地，所述模型建立单元基于所述第二数据，采用LSTM算法建立LSTM模型包括：
建立3种规模，具有两层隐藏层的LSTM模型，并设置每种规模中隐藏层神经元个数、迭代次数、梯度下降率、使用数据的轮数和学习速率，其中，所述三种规模是指small规模、medium规模和large规模；
对于建立的3种规模的LSTM模型，分别引入keras框架的Sequential、Dense、Activation、Dropout和LSTM函数库，基于所述第二数据和预先设置的潮流调整序列长度值，通过add()方法进行迭代运算，确定所述第二数据中设备名称之间的关联概率。
进一步地，所述潮流样本单元包括：
设备指定单元，其用于任意指定一个电网运行潮流文件中的第二设备名称，当所述第二设备名称与第一设备名称相同时，将所述第二设备名称作为指定的设备名称，当所述第二设备名称与第一设备名称不一致时，根据第二设备名称和第一设备名称对应关系将指定的第二设备名称转换为第一设备名称，并将所述转换的第一设备名称作为指定的设备名称；
第一序列单元，其用于调用LSTM模型，以指定的设备名称作为输入，生成达到所述设置的调整步长的设备名称第一调整序列；
第二序列单元，其用于当所述设备名称第一调整序列中存在与对应的第二设备名称不一致的第一设备名称时，根据第二设备名称和第一设备名称的对应关系，将所述对应名称不一致的第一设备名称转换为对应的第二设备名称，并生成设备名称第二调整序列，当所述设备名称第一调整序列中不存在与对应的第二设备名称不一致的第一设备名称时，将所述设备名称第一调整序列作为第二设备名称调整序列；
数据修改单元，其用于根据预先设置的修改电网运行潮流文件中的数据的规则，按照确定的设备名称第二调整序列中第二设备名称的顺序修改潮流文件中的数据，形成新的潮流样本。
本发明技术方案提供的基于LSTM算法生成电网仿真样本的方法和系统首先采集调整潮流行为数据，所述数据包括潮流调整的发电机有功和无功、负荷的开断、线路投退状态等，对所述数据进行解析生成第二数据，并基于所述数据建立基于长短期记忆网络LSTM的不同规模的预测电网运行时设备调整顺序的LSTM预测模型，实现潮流调整设备序列的预测，根据预测策略生成不同的电网运行潮流样本，结合生成的潮流样本、预先设置的预想故障集进行仿真计算生成电网仿真样本集。利用所述基于LSTM算法生成电网仿真样本的方法和系统可提供丰富的潮流样本集，弥补在线样本集的不足，从而有效提升了在线数据的数据挖掘泛化能力，而且在电网快速判稳中补充进大量通过本发明所述方法和系统生成的样本，可以大幅提高电网判稳的准确率。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明优选实施方式的基于LSTM算法生成电网仿真样本的方法的流程图；
图2为根据本发明优选实施方式的基于LSTM算法生成电网仿真样本的系统的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的基于LSTM算法生成电网仿真样本的方法的流程图。如图1所示，本优选实施方式所述的基于LSTM算法生成电网仿真样本的方法从步骤101开始。
在步骤101，设置修改电网运行潮流文件中的数据的规则和预想故障集，其中：
所述修改电网运行潮流文件中的数据的规则有：
发电机只调整有功，负荷同时调整有功和无功；且
按照负荷有功和机组有功一致性来调整，发电机调整有功时，负荷的有功和无功按照同比例调整；且
设备每次的调整量均按照预先设置的调整量步长来调整，负荷的无功量最大值小于等于所述负荷无功量原始值的n倍，n为预先设置的经验值；
所述预想故障集是在线模拟各种网络故障而生成的故障数据的集合，包括任意多重对称和不对称故障，所述故障可以是三相短路、三相断线、串联电容三相击穿、单相短路、单负荷投入、两相接地、两相短路、单相断线和串联电容器不对称击穿等，具体地：
1)线路N-1
遍历所有交流线路，故障点位置K％，故障点至极线I侧距离占全线长度的百分数值(1～99)，其中K的取值可按整数增加。
2)主变N-1
变压器的故障位置对于两绕组变压器故障由用户指定故障位置，默认值为0。三绕组变压器有中性点，故障点和切除点都在非中性点侧。根据电压等级，有高压侧、中压侧、低压侧；程序能自动筛选出高压侧故障、中压侧故障、低压侧故障，分别生成故障集。
在步骤102，采集调整电力系统潮流行为的第一数据，并对所述第一数据进行解析后生成第二数据，所述第二数据包括调整的设备的名称，所述设备的名称为第一设备名称。
优选地，所述采集调整电力系统潮流行为的第一数据，并对所述第一数据进行解析后生成第二数据包括：
对电力系统运行生成的数据进行调整潮流操作，并提取进行调整潮流操作后的二进制日志文件作为第一数据；
对所述第一数据进行解析确定调整潮流的行为事件时间序列，作为第二数据。
在电力系统中调整潮流通常采用就近原则，即通过调整发电机的出力、变压器的容量、增加线路等措施来满足系统稳定性，并且得到母线电压、线路潮流、负荷功率消耗、发电机出力等，所以采集调整潮流行为数据主要是采集调整的发电机设备名称、变压器设备名称、负荷名称、静态无功补偿器、换流器设备名称等。
调整潮流行为数据主要通过MySQL的二进制日志文件提取分析获得。用户在计算程序界面上进行调整潮流操作，这些操作触发数据库表的增删改动作，这些动作事件都保存在MySQL二进制日志文件中。通过解析二进制日志文件得以获取用户调整潮流的行为事件时间序列。本优选实施方式中经过解析后生成的第二数据为文本数据，文件的格式如表1所示。
表1用户调整潮流行为文本格式
如表1所示，所述有效标签是表示设备的状态为进行潮流调整还是不进行潮流调整，所述类型标签是自定义的设备元件代码，便于进行数据分析时快速确定设备名称，所述设备元件名称代码是实际的离线设备名称。
在步骤103，基于所述第二数据，采用LSTM算法建立LSTM模型。
优选地，所述基于所述第二数据，采用LSTM算法建立LSTM模型包括：
建立3种规模，具有两层隐藏层的LSTM模型，并设置每种规模中隐藏层神经元个数、迭代次数、梯度下降率、使用数据的轮数和学习速率，其中，所述三种规模是指small规模、medium规模和large规模；
对于建立的3种规模的LSTM模型，分别引入keras框架的Sequential、Dense、Activation、Dropout和LSTM函数库，基于所述第二数据和预先设置的潮流调整序列长度值，通过add()方法进行迭代运算，确定所述第二数据中设备名称之间的关联概率。
在信息论中，困惑度(perplexity[13-15])是用来评价一个语言模型预测样本是否很好的标准。它可以用来对比语言模型的性能。困惑度越低，代表模型的预测性能越好。
LSTM模型适合语言的模型预测，比如LSTM可以写小说或诗词，用大量的文章和诗词通过LSTM训练可以实现自动写小说或诗词，用户调整潮流的过程类似于一个语言序列，用海量的用户调整潮流行为数据经过LSTM模型训练可以实现当用户选择一个元件设备调整的时候，模型可以自动搜索到下一个可以调整的元件设备。因此perplexity也可以作为评价模型的好坏，通过调整LSTM隐藏层的节点个数和大小以及迭代的轮数可以将perplexity值降到更低，模型效果会表现更好。
在本优选实施方式中，以2017年国调冬滚数据为例，建立LSTM模型分析过程如下：
收集选取的3万条调整潮流记录作为样本，并将样本按照7：3比例划分为训练集和测试集，其中，所述潮流操记录中包括6035个设备；
读取训练集中的每条调整潮流记录，提取出记录中的特征即设备名称作为输入。
建立3种规模具有两层隐藏层的LSTM模型，其中隐藏层节点神经元个数分别为200、650、1500迭代次数分别为20、35、35；梯度下降率分别为0.5、0.8、0.8；使用数据的轮数分别为13、39、39；学习速率均为1.0,所述三种规模是指small规模，medium规模和large规模。
利用建立的训练集和测试集，将数据输入建立的LSTM模型，构建训练模型，由于训练数据量比较大，而且需要不断调整模型的参数包括隐藏层节点个数和大小、迭代的轮数等，训练模型花费的时间会相对较长。
实验环境为曙光服务器，操作系统版本凝思Linux-2.6.32，CPU型号E5-2680，主频2.4GHz，内存128G，硬盘480GB，开发环境为Python 3.5，使用Keras 2.0.8及TensorFlow1.4作为后端神经网络训练框架。分别利用small、medium和large三种规模的LSTM模型测试，测试结果为采集的设备个数6035个，潮流调整记录共计31592条，在迭代开始时perplexity值为6035，相当于从六千多个设备中随机选择下一个设备，而分别在small规模，medium规模和large规模3种不同的模型训练结束后perplexity下降到74.05、53.21、3.347，这表明通过训练过程，将选择下一个设备的范围个数在large模型上从六千多个减小到3个。
在步骤104，根据所述LSTM模型，电网运行潮流文件，以及预先设置的LSTM模型的调整步长和修改电网运行潮流文件中的数据的规则，生成新的潮流样本，其中，所述电网运行潮流文件中的设备的名称为第二设备名称。
优选地，根据所述LSTM模型，电网运行潮流文件，以及预先设置的LSTM模型的调整步长和修改电网运行潮流文件中的数据的规则，生成新的潮流样本包括：
任意指定一个电网运行潮流文件中的第二设备名称，当所述第二设备名称与第一设备名称相同时，将所述第二设备名称作为指定的设备名称，当所述第二设备名称与第一设备名称不一致时，根据第二设备名称和第一设备名称对应关系将指定的第二设备名称转换为第一设备名称，并将所述转换的第一设备名称作为指定的设备名称；
调用LSTM模型，以指定的设备名称作为输入，生成达到所述设置的调整步长的设备名称第一调整序列；
当所述设备名称第一调整序列中存在与对应的第二设备名称不一致的第一设备名称时，根据第二设备名称和第一设备名称的对应关系，将所述对应名称不一致的第一设备名称转换为对应的第二设备名称，并生成设备名称第二调整序列，当所述设备名称第一调整序列中不存在与对应的第二设备名称不一致的第一设备名称时，将所述设备名称第一调整序列作为第二设备名称调整序列；
根据预先设置的修改电网运行潮流文件中的数据的规则，按照确定的设备名称第二调整序列中第二设备名称的顺序修改潮流文件中的数据，形成新的潮流样本。
在实际应用中，电网潮流运行文件中的设备名称可能存在与第二数据中得到的设备名称不一致的情形。因此，对于电网运行潮流文件，要调用LSTM模型生成设备调整序列，必须首先保证电网运行潮流文件中的设备名称能够被LSTM识别。
在步骤105，根据所述潮流样本和预先设置的预想故障集计算电网稳定结果，形成进行电网稳定分析的电网仿真样本集。
为了判断采用本发明所述方法生成的电网仿真样本在电网快速判稳中的有效性，在本优选实施方式中，取辽宁电网2018年7月份某两天的数据，通过本发明所述的方法生成了模型补充样本，并结合在线数据样本和随机补充样本一起判断电网判稳的准确率。判断结果如表2所示。
表2采用电网仿真样本的判稳结果
在表2中，所述序号表示电网判稳的次数，样本类型包括在线数据样本，是电网实时运行采集的潮流数据，模型补充样本是根据本发明所述方法生成的样本，随机补充样本是随机加入的数据样本，样本数据是指断面个数和故障个数的乘积，从结果可以看出，只有在线数据样本时判稳正确率最低，说明样本的数量对于电网判稳具有重大意义，但是当样本类型既包括在线数据样本，又包括模型补充样本和随机补充样本时，判稳正确率并没有随着样本数量的增多，而得到更大的提高，反而在数据样本只包括在线数据样本和模型补充样本时，判稳正确率最高。因此，实验结果证明同一数据源下利用模型补充的样本数据比仅仅利用在线数据判稳算法的正确率提高大大提高，利用模型补充的样本比随机补充样本判稳准确率提高5％以上。
图2为根据本发明优选实施方式的基于LSTM算法生成电网仿真样本的系统的结构示意图。如图2所示，本发明优选实施方式所述的基于LSTM算法生成电网仿真样本的系统200包括：
初始设置单元201，其用于设置修改电网运行潮流文件中的数据的规则和预想故障集，其中：
所述修改电网运行潮流文件中的数据的规则有：
发电机只调整有功，负荷同时调整有功和无功；且
按照负荷有功和机组有功一致性来调整，发电机调整有功时，负荷的有功和无功按照同比例调整；且
设备每次的调整量均按照预先设置的调整量步长来调整，负荷的无功量最大值小于等于所述负荷无功量原始值的n倍，n为预先设置的经验值；
所述预想故障集是在线模拟各种网络故障而生成的故障数据的集合，包括任意多重对称和不对称故障。
数据解析单元202，其用于采集调整电力系统潮流行为的第一数据，并对所述第一数据进行解析后生成第二数据，所述第二数据包括调整的设备的名称，所述设备的名称为第一设备名称。
模型建立单元203，其用于基于所述第二数据，采用LSTM算法建立LSTM模型。
潮流样本单元204，其用于根据所述LSTM模型，电网运行潮流文件，以及预先设置的LSTM模型的调整步长和修改电网运行潮流文件中的数据的规则，生成新的潮流样本，其中，所述电网运行潮流文件中的设备的名称为第二设备名称。
仿真样本单元205，其用于根据所述潮流样本和预先设置的预想故障集计算电网稳定结果，形成进行电网稳定分析的电网仿真样本集。
优选地，所述数据解析单元202包括：
第一数据单元221，其用于对电力系统运行生成的数据进行调整潮流操作，并提取进行调整潮流操作后的二进制日志文件作为第一数据；
第二数据单元222，其用于对所述第一数据进行解析确定调整潮流的行为事件时间序列，作为第二数据。
优选地，所述模型建立单元203基于所述第二数据，采用LSTM算法建立LSTM模型包括：
建立3种规模，具有两层隐藏层的LSTM模型，并设置每种规模中隐藏层神经元个数、迭代次数、梯度下降率、使用数据的轮数和学习速率，其中，所述三种规模是指small规模、medium规模和large规模；
对于建立的3种规模的LSTM模型，分别引入keras框架的Sequential、Dense、Activation、Dropout和LSTM函数库，基于所述第二数据和预先设置的潮流调整序列长度值，通过add()方法进行迭代运算，确定所述第二数据中设备名称之间的关联概率。
优选地，所述潮流样本单元204包括：
设备指定单元241，其用于任意指定一个电网运行潮流文件中的第二设备名称，当所述第二设备名称与第一设备名称相同时，将所述第二设备名称作为指定的设备名称，当所述第二设备名称与第一设备名称不一致时，根据第二设备名称和第一设备名称对应关系将指定的第二设备名称转换为第一设备名称，并将所述转换的第一设备名称作为指定的设备名称；
第一序列单元242，其用于调用LSTM模型，以指定的设备名称作为输入，生成达到所述设置的调整步长的设备名称第一调整序列；
第二序列单元243，其用于当所述设备名称第一调整序列中存在与对应的第二设备名称不一致的第一设备名称时，根据第二设备名称和第一设备名称的对应关系，将所述对应名称不一致的第一设备名称转换为对应的第二设备名称，并生成设备名称第二调整序列，当所述设备名称第一调整序列中不存在与对应的第二设备名称不一致的第一设备名称时，将所述设备名称第一调整序列作为第二设备名称调整序列；
数据修改单元244，其用于根据预先设置的修改电网运行潮流文件中的数据的规则，按照确定的设备名称第二调整序列中第二设备名称的顺序修改潮流文件中的数据，形成新的潮流样本。
本发明所述基于LSTM算法生成电网仿真样本的系统生成电网仿真样本的方法与本发明所述基于LSTM算法生成电网仿真样本的方法的步骤相同，并且达到的技术效果也相同，此处不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于LSTM算法生成电网仿真样本的方法，其特征在于，所述方法包括：
采集调整电力系统潮流行为的第一数据，并对所述第一数据进行解析后生成第二数据，所述第二数据包括调整的设备的名称，所述设备的名称为第一设备名称；
基于所述第二数据，采用LSTM算法建立LSTM模型；
根据所述LSTM模型，电网运行潮流文件，以及预先设置的LSTM模型的调整步长和修改电网运行潮流文件中的数据的规则，生成新的潮流样本，其中，所述电网运行潮流文件中的设备的名称为第二设备名称；
根据所述潮流样本和预先设置的预想故障集计算电网稳定结果，形成进行电网稳定分析的电网仿真样本集。
2.根据权利要求1所述的方法，其特征在于，所述方法在采集调整电力系统潮流行为的第一数据前还包括设置修改电网运行潮流文件中的数据的规则和预想故障集，其中：
所述修改电网运行潮流文件中的数据的规则有：
发电机只调整有功，负荷同时调整有功和无功；且
按照负荷有功和机组有功一致性来调整，发电机调整有功时，负荷的有功和无功按照同比例调整；且
设备每次的调整量均按照预先设置的调整量步长来调整，负荷的无功量最大值小于等于所述负荷无功量原始值的n倍，n为预先设置的经验值；
所述预想故障集是在线模拟各种网络故障而生成的故障数据的集合，包括任意多重对称和不对称故障。
3.根据权利要求1所述的方法，其特征在于，所述采集调整电力系统潮流行为的第一数据，并对所述第一数据进行解析后生成第二数据包括：
对电力系统运行生成的数据进行调整潮流操作，并提取进行调整潮流操作后的二进制日志文件作为第一数据；
对所述第一数据进行解析确定调整潮流的行为事件时间序列，作为第二数据。
4.根据权利要求1所述的方法，其特征在于，所述基于所述第二数据，采用LSTM算法建立LSTM模型包括：
建立3种规模，具有两层隐藏层的LSTM模型，并设置每种规模中隐藏层神经元个数、迭代次数、梯度下降率、使用数据的轮数和学习速率，其中，所述三种规模是指small规模、medium规模和large规模；
对于建立的3种规模的LSTM模型，分别引入keras框架的Sequential、Dense、Activation、Dropout和LSTM函数库，基于所述第二数据和预先设置的潮流调整序列长度值，通过add()方法进行迭代运算，确定所述第二数据中设备名称之间的关联概率。
5.根据权利要求1所述的方法，其特征在于，根据所述LSTM模型，电网运行潮流文件，以及预先设置的LSTM模型的调整步长和修改电网运行潮流文件中的数据的规则，生成新的潮流样本包括：
任意指定一个电网运行潮流文件中的第二设备名称，当所述第二设备名称与第一设备名称相同时，将所述第二设备名称作为指定的设备名称，当所述第二设备名称与第一设备名称不一致时，根据第二设备名称和第一设备名称对应关系将指定的第二设备名称转换为第一设备名称，并将所述转换的第一设备名称作为指定的设备名称；
调用LSTM模型，以指定的设备名称作为输入，生成达到所述设置的调整步长的设备名称第一调整序列；
当所述设备名称第一调整序列中存在与对应的第二设备名称不一致的第一设备名称时，根据第二设备名称和第一设备名称的对应关系，将所述对应名称不一致的第一设备名称转换为对应的第二设备名称，并生成设备名称第二调整序列，当所述设备名称第一调整序列中不存在与对应的第二设备名称不一致的第一设备名称时，将所述设备名称第一调整序列作为第二设备名称调整序列；
根据预先设置的修改电网运行潮流文件中的数据的规则，按照确定的设备名称第二调整序列中第二设备名称的顺序修改潮流文件中的数据，形成新的潮流样本。
6.一种基于LSTM算法生成电网仿真样本的系统，其特征在于，所述系统包括：
数据解析单元，其用于采集调整电力系统潮流行为的第一数据，并对所述第一数据进行解析后生成第二数据，所述第二数据包括调整的设备的名称，所述设备的名称为第一设备名称；
模型建立单元，其用于基于所述第二数据，采用LSTM算法建立LSTM模型；
潮流样本单元，其用于根据所述LSTM模型，电网运行潮流文件，以及预先设置的LSTM模型的调整步长和修改电网运行潮流文件中的数据的规则，生成新的潮流样本，其中，所述电网运行潮流文件中的设备的名称为第二设备名称；
仿真样本单元，其用于根据所述潮流样本和预先设置的预想故障集计算电网稳定结果，形成进行电网稳定分析的电网仿真样本集。
7.根据权利要求6所述的系统，其特征在于，所述系统还包括初始设置单元，其用于设置修改电网运行潮流文件中的数据的规则和预想故障集，其中：
所述修改电网运行潮流文件中的数据的规则有：
发电机只调整有功，负荷同时调整有功和无功；且
按照负荷有功和机组有功一致性来调整，发电机调整有功时，负荷的有功和无功按照同比例调整；且
设备每次的调整量均按照预先设置的调整量步长来调整，负荷的无功量最大值小于等于所述负荷无功量原始值的n倍，n为预先设置的经验值；
所述预想故障集是在线模拟各种网络故障而生成的故障数据的集合，包括任意多重对称和不对称故障。
8.根据权利要求6所述的系统，其特征在于，所述数据解析单元包括：
第一数据单元，其用于对电力系统运行生成的数据进行调整潮流操作，并提取进行调整潮流操作后的二进制日志文件作为第一数据；
第二数据单元，其用于对所述第一数据进行解析确定调整潮流的行为事件时间序列，作为第二数据。
9.根据权利要求6所述的系统，其特征在于，所述模型建立单元基于所述第二数据，采用LSTM算法建立LSTM模型包括：
建立3种规模，具有两层隐藏层的LSTM模型，并设置每种规模中隐藏层神经元个数、迭代次数、梯度下降率、使用数据的轮数和学习速率，其中，所述三种规模是指small规模、medium规模和large规模；
对于建立的3种规模的LSTM模型，分别引入keras框架的Sequential、Dense、Activation、Dropout和LSTM函数库，基于所述第二数据和预先设置的潮流调整序列长度值，通过add()方法进行迭代运算，确定所述第二数据中设备名称之间的关联概率。
10.根据权利要求6所述的系统，其特征在于，所述潮流样本单元包括：
设备指定单元，其用于任意指定一个电网运行潮流文件中的第二设备名称，当所述第二设备名称与第一设备名称相同时，将所述第二设备名称作为指定的设备名称，当所述第二设备名称与第一设备名称不一致时，根据第二设备名称和第一设备名称对应关系将指定的第二设备名称转换为第一设备名称，并将所述转换的第一设备名称作为指定的设备名称；
第一序列单元，其用于调用LSTM模型，以指定的设备名称作为输入，生成达到所述设置的调整步长的设备名称第一调整序列；
第二序列单元，其用于当所述设备名称第一调整序列中存在与对应的第二设备名称不一致的第一设备名称时，根据第二设备名称和第一设备名称的对应关系，将所述对应名称不一致的第一设备名称转换为对应的第二设备名称，并生成设备名称第二调整序列，当所述设备名称第一调整序列中不存在与对应的第二设备名称不一致的第一设备名称时，将所述设备名称第一调整序列作为第二设备名称调整序列；
数据修改单元，其用于根据预先设置的修改电网运行潮流文件中的数据的规则，按照确定的设备名称第二调整序列中第二设备名称的顺序修改潮流文件中的数据，形成新的潮流样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910641704.XA CN110532596A (zh) | 2019-07-16 | 2019-07-16 | 一种基于lstm算法生成电网仿真样本的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910641704.XA CN110532596A (zh) | 2019-07-16 | 2019-07-16 | 一种基于lstm算法生成电网仿真样本的方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110532596A true CN110532596A (zh) | 2019-12-03 |
Family
ID=68660275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910641704.XA Pending CN110532596A (zh) | 2019-07-16 | 2019-07-16 | 一种基于lstm算法生成电网仿真样本的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110532596A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476400A (zh) * | 2020-03-11 | 2020-07-31 | 珠海格力电器股份有限公司 | 电路故障预测方法、装置、设备及计算机可读介质 |
| CN113435575A (zh) * | 2021-06-22 | 2021-09-24 | 国网黑龙江省电力有限公司 | 基于不平衡数据的门图神经网络暂态稳定性评估方法 |
| CN114021387A (zh) * | 2021-11-26 | 2022-02-08 | 国网四川省电力公司电力科学研究院 | 一种电力系统多场景智能仿真方法、系统及电子设备 |
| CN114819458A (zh) * | 2021-12-31 | 2022-07-29 | 第四范式（北京）技术有限公司 | 仿真模型的构建方法和仿真模型的构建装置 |
| CN116031887A (zh) * | 2023-02-17 | 2023-04-28 | 中国电力科学研究院有限公司 | 一种电网仿真分析算例数据生成方法、系统、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101447671A (zh) * | 2008-12-08 | 2009-06-03 | 中国电力科学研究院 | 一种潮流数据自动整合调整方法 |
| CN109447439A (zh) * | 2018-10-17 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种基于FP-Growth算法的潮流调整样本生成方法及装置 |
| CN109873425A (zh) * | 2017-12-01 | 2019-06-11 | 中国电力科学研究院有限公司 | 基于深度学习和用户行为的电力系统调整潮流方法及系统 |
-
2019
- 2019-07-16 CN CN201910641704.XA patent/CN110532596A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101447671A (zh) * | 2008-12-08 | 2009-06-03 | 中国电力科学研究院 | 一种潮流数据自动整合调整方法 |
| CN109873425A (zh) * | 2017-12-01 | 2019-06-11 | 中国电力科学研究院有限公司 | 基于深度学习和用户行为的电力系统调整潮流方法及系统 |
| CN109447439A (zh) * | 2018-10-17 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种基于FP-Growth算法的潮流调整样本生成方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 陈继林等: "《基于LSTM算法的电网仿真样本生成方法》", 《中国电机工程学报》, vol. 39, no. 14, 14 June 2019 (2019-06-14), pages 4129 - 4134 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476400A (zh) * | 2020-03-11 | 2020-07-31 | 珠海格力电器股份有限公司 | 电路故障预测方法、装置、设备及计算机可读介质 |
| CN113435575A (zh) * | 2021-06-22 | 2021-09-24 | 国网黑龙江省电力有限公司 | 基于不平衡数据的门图神经网络暂态稳定性评估方法 |
| CN113435575B (zh) * | 2021-06-22 | 2022-07-29 | 国网黑龙江省电力有限公司 | 基于不平衡数据的门图神经网络暂态稳定性评估方法 |
| CN114021387A (zh) * | 2021-11-26 | 2022-02-08 | 国网四川省电力公司电力科学研究院 | 一种电力系统多场景智能仿真方法、系统及电子设备 |
| CN114021387B (zh) * | 2021-11-26 | 2023-05-02 | 国网四川省电力公司电力科学研究院 | 一种电力系统多场景智能仿真方法、系统及电子设备 |
| CN114819458A (zh) * | 2021-12-31 | 2022-07-29 | 第四范式（北京）技术有限公司 | 仿真模型的构建方法和仿真模型的构建装置 |
| CN116031887A (zh) * | 2023-02-17 | 2023-04-28 | 中国电力科学研究院有限公司 | 一种电网仿真分析算例数据生成方法、系统、设备及介质 |
| CN116031887B (zh) * | 2023-02-17 | 2023-08-01 | 中国电力科学研究院有限公司 | 一种电网仿真分析算例数据生成方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110532596A (zh) | 一种基于lstm算法生成电网仿真样本的方法和系统 | |
| CN110311376B (zh) | 一种电力系统动态安全评估综合模型及时空可视化方法 | |
| CN103177188B (zh) | 一种基于特征映射的电力系统负荷动特性分类方法 | |
| CN104392056B (zh) | 一种直驱风电机组建模方法及装置 | |
| Mei et al. | Response-based decision trees to trigger one-shot stabilizing control | |
| CN103440497B (zh) | 一种gis绝缘缺陷局部放电图谱模式识别方法 | |
| CN105322519A (zh) | 一种智能配电网大数据融合分析与运行状态监测方法 | |
| CN106897833A (zh) | 一种新能源配电网可靠性的评估方法及装置 | |
| CN104318317A (zh) | 一种基于分布式综合供能系统的黑启动方案优化方法 | |
| Rueda et al. | Heuristic optimization based approach for identification of power system dynamic equivalents | |
| CN105205244A (zh) | 基于机电-电磁混合仿真技术的合环操作仿真系统 | |
| CN104716646A (zh) | 一种基于注入电流的节点耦合度分析方法 | |
| CN105048473B (zh) | 变电站自动电压控制中低压无功设备电压灵敏度统计方法 | |
| CN115640748A (zh) | 一种电力系统扰动后各发电机动态频率响应预测方法 | |
| CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
| CN105701265B (zh) | 一种双馈风电机组建模方法及装置 | |
| Gupta et al. | Power system network equivalents: Key issues and challenges | |
| CN116070384A (zh) | 基于电网特征排列重要性的暂态稳定评估方法及系统 | |
| CN111404163A (zh) | 一种电磁环网开环方法 | |
| He et al. | Power system frequency situation prediction method based on transfer learning | |
| CN115526475A (zh) | 一种智能配电网多流融合提升电压质量的方法 | |
| Li et al. | Visualization of CNN transient voltage classification based on feature recognition and enhancement | |
| CN112651628A (zh) | 一种基于胶囊神经网络的电力系统暂态稳定评估方法 | |
| CN106253328A (zh) | 一种对风电场并网点进行合理选址的分析方法 | |
| CN111525590A (zh) | 动态无功补偿装置建模方法及装置 |
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 |