CN110601174A - 一种基于深度学习的负荷建模与在线修正方法 - Google Patents
一种基于深度学习的负荷建模与在线修正方法 Download PDFInfo
- Publication number
- CN110601174A CN110601174A CN201910607099.4A CN201910607099A CN110601174A CN 110601174 A CN110601174 A CN 110601174A CN 201910607099 A CN201910607099 A CN 201910607099A CN 110601174 A CN110601174 A CN 110601174A
- Authority
- CN
- China
- Prior art keywords
- load
- model
- data
- simulation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012937 correction Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000003068 static effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- 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
- Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度学习的负荷建模与在线修正方法,包括:(1)历史样本数据的聚类以及变化量的计算;(2)离线仿真样本的构建以及仿真输出变化量的计算;(3)利用深度学习网络计算输入变化量与输出变化量同负荷模型参数变化之间的关联规则;(4)在线数据的获取以及模型在线修正;本发明在现有电力系统负荷模型研究的基础上,采用离线学习在线应用的思路,基于深度学习方法,解决了智能电网背景下复杂电力系统负荷模型的构建与在线修正问题,为电力系统负荷模型的构建与在线应用提供了一种切实可行的方案,进一步提升了复杂情况下电力系统仿真模型准确性和计算精度,并为后续电力系统负荷建模研究提供了新的研究思路。
Description
技术领域
本发明涉及一种基于深度学习的负荷建模与在线修正方法,具体涉及一种基于深度学习的负荷建模与在线修正方法。
背景技术
负荷作为电力系统中重要的组成部分之一,其对电力系统静态、动态和暂态特性和稳定性的分析与仿真计算都有着较大的影响。然而广泛使用的负荷模型仍然相对过分简化和粗糙,如恒定阻抗、功率等静负荷模型。负荷模型的过分粗糙已成为制约电力系统分析和仿真计算精度的关键因素,建立符合实际、能够准确反映实际重要特性的动态负荷模型具有十分重要的现实意义。
随着电力系统的不断发展,电网结构日趋复杂,电力负荷的类型也逐渐多样化,传统的负荷模型和研究方法渐渐的无法满足运行调度人员的需要。近些年来相量量测单元(PMU)以及广域量测系统(Wide Area Measurement System,WAMS)在电力系统中逐渐普及和发展,海量的量测数据被汇总到电网的调度系统中,这就为复杂电网形式下进一步的负荷建模以及参数测辨研究提供了相应的数据基础。在负荷建模和参数测辨方面,采用基于人工智能思想的深度学习方法进行测辨是一种高效可行的手段。深度学习方法能够较为合理地利用大量的量测数据,通过不断的学习和校正,实现负荷模型参数的辨识。不仅如此,深度学习算法还对于复杂情况下的电力负荷有着较好的辨识能力,这就很好的弥补了传统分析方法的不足,也为能够适应今后不断发展的电网形式,为仿真计算提供更为精确的负荷模型。
发明内容
本发明要解决的技术问题为:基于WAMS量测数据的负荷建模和负荷模型参数在线修正基本理论,提供一种能够在复杂电力系统情况下应用的电力负荷建模与在线修正方法,克服了传统建模方法故障数据依赖程度高、建模算法无法在线应用的缺点,为电网运行人员进行仿真计算分析提供了负荷模型上的准备。
为了实现上述发明目的,本发明采取的技术方案具体为:一种基于深度学习的负荷建模与在线修正方法,包括以下步骤:
(1)获取待辨识负荷节点的历史数据样本,依据其中的仿真计算输入变量对数据样本进行聚类,选取各个类别C中距离聚类中心M最近的样本作为典型样本,并计算同类别中各个样本与典型样本的变化量;
获取的节点历史数据包括负荷节点的有功功率P、无功功率Q、节点电压U以及母线频率f。其中,P和Q是仿真计算的输入量,U和f是仿真计算的输出量。聚类时采用4分钟内连续变化的P和Q波形曲线作为样本进行聚类,聚类方法采用Mini Batch K-Means算法。算法的具体步骤可见参考文献[1]。在聚类结束后,从各个类别中选取一条距离聚类中心最近的样本作为典型样本,然后计算各个类别中每个样本的P和Q与典型样本的变化量ΔP=[ΔP1,ΔP2,ΔP3,…,ΔPn],ΔQ=[ΔQ1,ΔQ2,ΔQ3,…,ΔQn]。
(2)构建离线计算样本。仿真计算之前,在取值范围内对负荷模型中各类参数随机取值,得到一系列参数不同的负荷模型,接着将步骤1中聚类的历史数据代入仿真模型中进行计算,得到大量离线样本。最后计算同类别各个样本的仿真输出与对应的典型样本仿真输出的变化量。
在进行仿真计算时,本发明采用中国电科院提出的考虑配网的综合负荷模型进行计算,具体模型如图所示。该模型考虑了负荷和高压母线之间配电网网等值阻抗,负荷可以同时考虑静态负荷、无功补偿、动态负荷、发电机;考虑到连接于配电网侧的负荷端电压,考虑配电网等值阻抗同时考虑了理想变压器,可以控制配电网电压
其中初始的模型参数的确定采用离线负荷辨识的方法,确保典型样本的输入输出数据能够满足误差要求。在初始模型参数确定之后,将模型的参数分为配电网结构类、电动机比例类、静态负荷模型类以及电动机内部参数类。在参数取值范围内,分别修改各类参数,每修改一类参数,将所有类别的输入数据P和Q输入模型进行仿真计算,得到每类参数模型修改后的各类输入所对应的输出U和f,将同类输入对应的输出归为一类。在得到输出结果U=[U1,U2,U3,…,Un]和f=[f1,f2,f3,…,fn]之后,找出典型样本输入Ps=[Ps1,Ps2,Ps3,…,Psn]和Qs=[Qs1,Qs2,Qs3,…,Qsn]仿真计算后得到的对应的典型样本输出Us=[Us1,Us2,Us3,…,Usn]和fs=[fs1,fs2,fs3,…,fsn],接着计算同类别中的所有输出与样本输出之间的变化量ΔU=[ΔU1,ΔU2,ΔU3,…,ΔUn]和Δf=[Δf1,Δf2,Δf3,…,Δfn]。
(3)利用深度学习网络,训练得到输入变化量与输出变化量同负荷模型参数变化之间的关联规则。根据步骤(2)和步骤(1)中所得到的输入变化量输出变化量以及模型参数改变量可得,在采用深度学习方法时,采用文献[2]中提到的基于深度学习框架下的深度置信网络的方法,将同类别的输入变化量和输出变化量作为学习算法的输入,将发生变化的参数作为输出标签,然后利用深度学习网络计算得到对应的关联规则。
(4)获取在线量测数据,判断是否需要进行模型参数修正;如是,判根据离线数据聚类得到的结果,判断出当前量测数据所属的类别,接着计算与上一时刻量测数据的变化量,基于关联规则,确定需要修正的模型参数.
根据获取到的实际电力系统PMU量测数据,将当前时段的负荷节点的有功功率Pt=[Pt1,Pt2,Pt3,…Ptn]、无功功率Qt=[Qt1,Qt2,Qt3,…,Qtn]作为仿真计算的输入量,计算得到对应的仿真计算输出量Ut’=[Ut1’,Ut2’,Ut3’,…,Utn’]和ft’=[ft1’,ft2’,ft3’,…,ftn’];然后对比仿真结果Ut’、ft’和实际测量数据中的Ut=[Ut1,Ut2,Ut3,…,Utn]和ft=[ft1,ft2,ft3,…,ftn]之前的误差,当最大误差绝对值大于测量数据的5%时,则判断当前负荷模型需要进行参数修正。
在判断需要进行模型修正之后,首先找到距离当前数据最近的聚类中心点Mi,将当前数据样本划分到该类别Ci中。在判断样本所属类别时,应当根据当前时段的有功功率Pt=[Pt1,Pt2,Pt3,…Ptn]、无功功率Qt=[Qt1,Qt2,Qt3,…,Qtn]以及节点电压Ut=[Ut1,Ut2,Ut3,…,Utn]和ft=[ft1,ft2,ft3,…,ftn]母线频率分别进行判断,即分别判断Pt、Qt所属的类别Ci以及Ut、ft所属的类别Cj。接着计算当前时刻数据与上一时刻数据之间的变化量,即ΔPt=[ΔPt1,ΔPt2,ΔPt3,…,ΔPtn],ΔQt=[ΔQt1,ΔQt2,ΔQt3,…,ΔQtn],ΔUt=[ΔUt1,ΔUt2,ΔUt3,…,ΔUtn]和Δft=[Δft1,Δft2,Δft3,…,Δftn],然后根据之前判断得到的类别Pt、Qt所属的类别Ci以及Ut、ft所属的类别Cj确定修正参数时用到的关联规则,最后应用该规则以及变化量ΔPt,ΔQt,ΔUt,Δft得到模型参数修正量并进行负荷仿真模型的修正。
有益效果:
1、本发明解决了当前智能电网背景下,复杂电力系统的负荷建模问题,相较于传统的建模方法,本发明提出的方法摆脱了传统方法对大扰动数据的依赖,能够很好的利用WAMS系统采集得到的海量数据。
2、本发明提出的方案,也为电力负荷模型在线应用提供了技术支撑。通过离线学习在线修正的思路,将深度学习网络引入负荷模型的在线修正,在大数据平台上实现了负荷模型的在线修正。
附图说明:
图1是本发明流程图。
图2是本发明涉及现有配网的综合负荷模型示意图。
具体实施方式
一种基于深度学习的负荷建模与在线修正方法,包括以下步骤:
步骤一、获取待辨识负荷节点的历史数据样本,依据其中的仿真计算输入变量对数据样本进行聚类,选取各个类别中距离聚类中心最近的样本作为典型样本,并计算同类别中各个样本与典型样本的变化量;
获取的节点历史数据包括负荷节点的有功功率P、无功功率Q、节点电压U以及母线频率f。其中,P和Q是仿真计算的输入量,U和f是仿真计算的输出量。聚类时采用15分钟内连续变化的P和Q波形曲线作为样本进行聚类,聚类方法采用Mini Batch K-Means算法。算法的具体步骤可见参考文献[1]。在聚类结束后,从各个类别中选取一条距离聚类中心最近的样本作为典型样本,然后计算各个类别中每个样本的P和Q与典型样本的变化量ΔP=[ΔP1,ΔP2,ΔP3,…,ΔPn],ΔQ=[ΔQ1,ΔQ2,ΔQ3,…,ΔQn]。
步骤二、构建离线计算样本。仿真计算之前,在取值范围内对负荷模型中各类参数随机取值,得到一系列参数不同的负荷模型,接着将步骤1中聚类的历史数据代入仿真模型中进行计算,得到大量离线样本。最后计算同类别各个样本的仿真输出与对应的典型样本仿真输出的变化量。
在进行仿真计算时,本发明采用中国电科院提出的考虑配网的综合负荷模型进行计算。该模型考虑了负荷和高压母线之间配电网网等值阻抗,负荷可以同时考虑静态负荷、无功补偿、动态负荷、发电机;考虑到连接于配电网侧的负荷端电压,考虑配电网等值阻抗同时考虑了理想变压器,可以控制配电网电压其中初始的模型参数的确定采用离线负荷辨识的方法,确保典型样本的输入输出数据能够满足误差要求。在初始模型参数确定之后,将模型的参数分为配电网结构类、电动机比例类、静态负荷模型类以及电动机内部参数类。在参数取值范围内,分别修改各类参数,每修改一类参数,将所有类别的输入数据P和Q输入模型进行仿真计算,得到每类参数模型修改后的各类输入所对应的输出U和f,将同类输入对应的输出归为一类。在得到输出结果U=[U1,U2,U3,…,Un]和f=[f1,f2,f3,…,fn]之后,找出典型样本输入Ps=[Ps1,Ps2,Ps3,…,Psn]和Qs=[Qs1,Qs2,Qs3,…,Qsn]仿真计算后得到的对应的典型样本输出Us=[Us1,Us2,Us3,…,Usn]和fs=[fs1,fs2,fs3,…,fsn],接着计算同类别中的所有输出与样本输出之间的变化量ΔU=[ΔU1,ΔU2,ΔU3,…,ΔUn]和Δf=[Δf1,Δf2,Δf3,…,Δfn]。
步骤三、利用深度学习网络,训练得到输入变化量与输出变化量同负荷模型参数变化之间的关联规则。根据步骤二和步骤一中所得到的输入变化量输出变化量以及模型参数改变量可得,在采用深度学习方法时,采用文献[2]中提到的基于深度学习框架下的深度置信网络的方法,将同类别的输入变化量和输出变化量作为学习算法的输入,将发生变化的参数作为输出标签,然后利用深度学习网络计算得到对应的关联规则。
步骤四、获取在线量测数据,判断是否需要进行模型参数修正;如是,判根据离线数据聚类得到的结果,判断出当前量测数据所属的类别,接着计算与上一时刻量测数据的变化量,基于关联规则,确定需要修正的模型参数。
根据获取到的实际电力系统PMU量测数据,将当前时段的负荷节点的有功功率Pt=[Pt1,Pt2,Pt3,…Ptn]、无功功率Qt=[Qt1,Qt2,Qt3,…,Qtn]作为仿真计算的输入量,计算得到对应的仿真计算输出量Ut’=[Ut1’,Ut2’,Ut3’,…,Utn’]和ft’=[ft1’,ft2’,ft3’,…,ftn’];然后对比仿真结果Ut’、ft’和实际测量数据中的Ut=[Ut1,Ut2,Ut3,…,Utn]和ft=[ft1,ft2,ft3,…,ftn]之前的误差,当最大误差绝对值大于测量数据的5%时,则判断当前负荷模型需要进行参数修正。
在判断需要进行模型修正之后,首先找到距离当前数据最近的聚类中心点Mi,将当前数据样本划分到该类别Ci中。在判断样本所属类别时,应当根据当前时段的有功功率Pt=[Pt1,Pt2,Pt3,…Ptn]、无功功率Qt=[Qt1,Qt2,Qt3,…,Qtn]以及节点电压Ut=[Ut1,Ut2,Ut3,…,Utn]和ft=[ft1,ft2,ft3,…,ftn]母线频率分别进行判断,即分别判断Pt、Qt所属的类别Ci以及Ut、ft所属的类别Cj。接着计算当前时刻数据与上一时刻数据之间的变化量,即ΔPt=[ΔPt1,ΔPt2,ΔPt3,…,ΔPtn],ΔQt=[ΔQt1,ΔQt2,ΔQt3,…,ΔQtn],ΔUt=[ΔUt1,ΔUt2,ΔUt3,…,ΔUtn]和Δft=[Δft1,Δft2,Δft3,…,Δftn],然后根据之前判断得到的类别Pt、Qt所属的类别Ci以及Ut、ft所属的类别Cj确定修正参数时用到的关联规则,最后应用该规则以及变化量ΔPt,ΔQt,ΔUt,Δft得到模型参数修正量并进行负荷仿真模型的修正。
参考文献:
[1]Sculley D.Web-scale k-means clustering[C]//InternationalConference on World Wide Web.DBLP,2010.
[2]杨智宇,刘俊勇.基于自适应深度信念网络的变电站负荷预测[J/OL].
Claims (2)
1.一种基于深度学习的负荷建模与在线修正方法,其特征在于,包括以下步骤:
步骤1、从实际电力系统中获取待辨识负荷节点的历史数据样本包括负荷节点的有功功率P、无功功率Q、节点电压U以及母线频率f,依据其中的仿真计算输入变量对数据样本进行聚类,选取各个类别C中距离聚类中心M最近的样本作为典型样本,并计算同类别中各个样本与典型样本的变化量;
步骤2、构建离线计算样本;仿真计算之前,在取值范围内对负荷模型中各类参数随机取值,得到一系列参数不同的负荷模型,接着将步骤1中聚类的历史数据代入仿真模型中进行计算,得到大量离线样本;最后计算同类别各个样本的仿真输出与对应的典型样本仿真输出的变化量;
步骤3、利用深度学习网络,训练得到输入变化量与输出变化量同负荷模型参数变化之间的关联规则;
步骤4、从实际电力系统中获取当前时段的在线量测数据,包括负荷节点的有功功率Pt、无功功率Qt、节点电压Ut以及母线频率ft,判断是否需要进行模型参数修正;如是,根据离线数据聚类得到的结果,判断出当前量测数据所属的类别,接着计算与上一时刻量测数据的变化量,基于关联规则,确定需要修正的模型参数。
2.根据权利要求1所述的一种基于深度学习的负荷建模与在线修正方法,其特征在于,步骤4中,模型参数修正的判断方法为:
根据获取到的实际电力系统PMU量测数据,将当前时段的负荷节点的有功功率Pt=[Pt1,Pt2,Pt3,…Ptn]、无功功率Qt=[Qt1,Qt2,Qt3,…,Qtn]作为仿真计算的输入量,计算得到对应的仿真计算输出量Ut’=[Ut1’,Ut2’,Ut3’,…,Utn’]和ft’=[ft1’,ft2’,ft3’,…,ftn’];
然后对比仿真结果Ut’、ft’和实际测量数据中的Ut=[Ut1,Ut2,Ut3,…,Utn]和ft=[ft1,ft2,ft3,…,ftn]之前的误差,当最大误差绝对值大于测量数据的5%时,则判断当前负荷模型需要进行参数修正;
判断当前数据所属类别的方法如下:
在判断样本所属类别时,应当根据当前时段的有功功率Pt=[Pt1,Pt2,Pt3,…Ptn]、无功功率Qt=[Qt1,Qt2,Qt3,…,Qtn]以及节点电压Ut=[Ut1,Ut2,Ut3,…,Utn]和ft=[ft1,ft2,ft3,…,ftn]母线频率分别进行判断,即分别判断Pt、Qt所属的类别Ci以及Ut、ft所属的类别Cj;
在线修正应用方法如下:
计算当前时刻数据与上一时刻数据之间的变化量,
即ΔPt=[ΔPt1,ΔPt2,ΔPt3,…,ΔPtn],ΔQt=[ΔQt1,ΔQt2,ΔQt3,…,ΔQtn],ΔUt=[ΔUt1,ΔUt2,ΔUt3,…,ΔUtn]和Δft=[Δft1,Δft2,Δft3,…,Δftn],
然后,根据之前判断得到的类别Pt、Qt所属的类别Ci以及Ut、ft所属的类别Cj确定修正参数时用到的关联规则,
最后,应用该规则以及变化量ΔPt,ΔQt,ΔUt,Δft得到模型参数修正量并进行负荷仿真模型的修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910607099.4A CN110601174B (zh) | 2019-07-06 | 2019-07-06 | 一种基于深度学习的负荷建模与在线修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910607099.4A CN110601174B (zh) | 2019-07-06 | 2019-07-06 | 一种基于深度学习的负荷建模与在线修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110601174A true CN110601174A (zh) | 2019-12-20 |
CN110601174B CN110601174B (zh) | 2023-04-18 |
Family
ID=68852675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910607099.4A Active CN110601174B (zh) | 2019-07-06 | 2019-07-06 | 一种基于深度学习的负荷建模与在线修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110601174B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111415059A (zh) * | 2020-01-08 | 2020-07-14 | 天津大学 | 一种实用模型机构建及在线应用方法 |
CN111428355A (zh) * | 2020-03-18 | 2020-07-17 | 东南大学 | 一种电力负荷数字统计智能综合的建模方法 |
CN112070180A (zh) * | 2020-09-30 | 2020-12-11 | 南方电网科学研究院有限责任公司 | 基于信息物理双侧数据的电网设备状态判断方法及装置 |
CN113673168A (zh) * | 2021-08-27 | 2021-11-19 | 广东电网有限责任公司广州供电局 | 模型参数修正方法、装置、设备及可读存储介质 |
CN113761700A (zh) * | 2020-06-05 | 2021-12-07 | 国家电网有限公司华东分部 | 基于动态聚类的负荷建模与在线修正方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102569922A (zh) * | 2012-03-05 | 2012-07-11 | 同济大学 | 一种基于单体电池一致性的蓄电池组soc估计改进方法 |
WO2014187147A1 (zh) * | 2013-05-20 | 2014-11-27 | 国家电网公司 | 电力系统中长期优化运行的中长期风电出力模型建模方法 |
CN105930860A (zh) * | 2016-04-13 | 2016-09-07 | 闽江学院 | 智能建筑中温度传感大数据的分类优化模型仿真分析方法 |
CN107516115A (zh) * | 2017-09-06 | 2017-12-26 | 中国南方电网有限责任公司 | 一种基于k‑中心点算法的负荷模型典型参数提取方法 |
CN111415059A (zh) * | 2020-01-08 | 2020-07-14 | 天津大学 | 一种实用模型机构建及在线应用方法 |
CN114198881A (zh) * | 2021-12-16 | 2022-03-18 | 珠海格力电器股份有限公司 | 空调控制方法、装置和空调 |
CN114239820A (zh) * | 2021-11-15 | 2022-03-25 | 北京百度网讯科技有限公司 | 纵向联邦学习模型的训练方法、装置和计算机设备 |
-
2019
- 2019-07-06 CN CN201910607099.4A patent/CN110601174B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102569922A (zh) * | 2012-03-05 | 2012-07-11 | 同济大学 | 一种基于单体电池一致性的蓄电池组soc估计改进方法 |
WO2014187147A1 (zh) * | 2013-05-20 | 2014-11-27 | 国家电网公司 | 电力系统中长期优化运行的中长期风电出力模型建模方法 |
CN105930860A (zh) * | 2016-04-13 | 2016-09-07 | 闽江学院 | 智能建筑中温度传感大数据的分类优化模型仿真分析方法 |
CN107516115A (zh) * | 2017-09-06 | 2017-12-26 | 中国南方电网有限责任公司 | 一种基于k‑中心点算法的负荷模型典型参数提取方法 |
CN111415059A (zh) * | 2020-01-08 | 2020-07-14 | 天津大学 | 一种实用模型机构建及在线应用方法 |
CN114239820A (zh) * | 2021-11-15 | 2022-03-25 | 北京百度网讯科技有限公司 | 纵向联邦学习模型的训练方法、装置和计算机设备 |
CN114198881A (zh) * | 2021-12-16 | 2022-03-18 | 珠海格力电器股份有限公司 | 空调控制方法、装置和空调 |
Non-Patent Citations (3)
Title |
---|
XINYUAN HU,等: "Dominant Parameter Identification for Virtual Load Model Based on Incremental Learning", 《 2020 IEEE 4TH CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2)》 * |
曾沅,等: "关键节点空间下的热稳定安全域及可视化方法", 《电力系统及其自动化学报》 * |
曾沅,等: "基于相轨迹分析的实用动态安全域构建方法", 《中国电机工程学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111415059A (zh) * | 2020-01-08 | 2020-07-14 | 天津大学 | 一种实用模型机构建及在线应用方法 |
CN111415059B (zh) * | 2020-01-08 | 2022-04-29 | 天津大学 | 一种实用模型机构建及在线应用方法 |
CN111428355A (zh) * | 2020-03-18 | 2020-07-17 | 东南大学 | 一种电力负荷数字统计智能综合的建模方法 |
CN111428355B (zh) * | 2020-03-18 | 2024-04-02 | 东南大学溧阳研究院 | 一种电力负荷数字统计智能综合的建模方法 |
CN113761700A (zh) * | 2020-06-05 | 2021-12-07 | 国家电网有限公司华东分部 | 基于动态聚类的负荷建模与在线修正方法及系统 |
CN112070180A (zh) * | 2020-09-30 | 2020-12-11 | 南方电网科学研究院有限责任公司 | 基于信息物理双侧数据的电网设备状态判断方法及装置 |
CN112070180B (zh) * | 2020-09-30 | 2024-01-19 | 南方电网科学研究院有限责任公司 | 基于信息物理双侧数据的电网设备状态判断方法及装置 |
CN113673168A (zh) * | 2021-08-27 | 2021-11-19 | 广东电网有限责任公司广州供电局 | 模型参数修正方法、装置、设备及可读存储介质 |
CN113673168B (zh) * | 2021-08-27 | 2024-05-31 | 广东电网有限责任公司广州供电局 | 模型参数修正方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110601174B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110601174B (zh) | 一种基于深度学习的负荷建模与在线修正方法 | |
CN103887815B (zh) | 基于运行数据的风电场参数辨识及动态等值方法 | |
CN107123994B (zh) | 区间无功优化模型的线性化求解方法 | |
CN109063276B (zh) | 适用于长时域风速波动的风电场动态等值建模方法 | |
CN111179121A (zh) | 基于专家系统与深度逆向强化学习的电网紧急控制方法 | |
CN106505593A (zh) | 一种基于大数据的配变三相不平衡分析与负荷调整的方法 | |
CN104732300B (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
CN109886604A (zh) | 一种基于一维卷积神经网络的电力系统暂态稳定评估方法 | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
CN109711662B (zh) | 一种基于多源数据融合的电网抗差状态估计方法 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN108596407B (zh) | 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法 | |
CN109829246B (zh) | 一种基于参数综合可疑度的线路参数辨识方法 | |
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 | |
CN105914752A (zh) | 基于快速搜索与密度峰值聚类的主导节点选择方法 | |
CN110474323B (zh) | 一种电力系统惯性时间常数测量方法 | |
CN105279297A (zh) | 一种基于工程应用的pss/e电力系统等值方法 | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
CN115133540A (zh) | 一种配电网无模型的实时电压控制方法 | |
Zhang et al. | Equivalent modeling and multi-parameter coupling optimization for DFIG-based wind farms considering SSO mode | |
Yun et al. | Regional voltage stability prediction based on decision tree algorithm | |
CN108448569B (zh) | 一种大电网机电暂态仿真数值收敛性的识别和提高方法 | |
CN110633489A (zh) | 一种基于参数综合可疑度的线路参数辨识方法 |
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 |