CN110866652A - 一种基于lstm模型的在线pmu数据纠错方法及系统 - Google Patents
一种基于lstm模型的在线pmu数据纠错方法及系统 Download PDFInfo
- Publication number
- CN110866652A CN110866652A CN201911149072.1A CN201911149072A CN110866652A CN 110866652 A CN110866652 A CN 110866652A CN 201911149072 A CN201911149072 A CN 201911149072A CN 110866652 A CN110866652 A CN 110866652A
- Authority
- CN
- China
- Prior art keywords
- data
- pmu
- error
- value
- lstm
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000004913 activation Effects 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 230000015654 memory Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了本发明提供一种基于LSTM模型的在线PMU数据纠错方法及系统,所述方法包括:对电网正常运行下的PMU历史数据做归一化处理;利用归一化后的PMU数据训练LSTM神经网络并建立预测模型;将当前PMU数据归一化后输入预测模型,预测电网下一时段的PMU数值;在线比较预测结果相对于实测值的误差,根据设定的误差阈值确定错误数据,对于错误数据采用预测数据更换;实现对于PMU数据实时修正。
Description
技术领域
本发明涉及PMU数据处理领域,具体地,涉及一种基于LSTM模型的在线PMU数据纠错方法及系统。
背景技术
目前电力系统同步测量装置PMU被广泛的运用于进行同步相量的测量和输出以及动态记录。电力系统中PMU从GPS中同步采集次秒级的模拟电压、电流信号,得到电压和电流信号的幅值和相角,并将其传送到调度中心的数据集中器,在调度中心可以得到整个电网的同步相量,以供实时监测、保护和控制等使用,广泛应用于电力系统广域测量系统的各个环节。
考虑到装置异常、传输通道错误及各类不确定的异常事件影响,电网调度端所采集的PMU数据中常存在错误数据或短时采集错误等情况,对于调度人员的人工分析和各类EMS系统的高级应用造成了一定的影响,尤其会干扰各类智能处理程序的分析。目前对于PMU数据中的错误数据和异常数据常通过离线纠错算法辅助人员来修正,但是这一方法实时性差,工作量大,不能够有效满足实时在线的需求。
发明内容
随着人工智能算法和大数据技术的发展,有效的利用数据已经成为科学研究的趋势。为了能够有效的利用PMU数据,解决离线纠错算法实时性差和成本高的问题。本发明提出了一种基于LSTM模型的PMU数据在线纠错方法及系统。本方法及系统利用PMU实时数据在线动态训练LSTM预测模型,通过在线实时数据和LSTM预测模型估算得出下一时段的预测数据。然后对比实测数据与预测数据的误差大小,通过预设门槛值确定错误数据,对于错误数据采用预测数据进行更换,达到数据实时在线纠错的目的。
为了解决上述问题或者至少部分地解决上述问题,本发明提供一种基于LSTM模型的PMU数据在线纠错方法。该方法利用历史PMU数据训练LSTM神经网络来建立预测模型,然后对比实测数据与预测数据的误差大小来评估PMU数据,并根据修正方程对PMU数据进行在线实时纠错。其中,LSTM模型为Long Short-Term Memory模型,PMU为Phasor MeasurementUnit。
具体采用如下方案:
S1、对电网正常运行下的PMU历史幅值数据做归一化处理;
S2、利用处理后的PMU数据训练LSTM神经网络并建立预测模型;
S3、将当前PMU数据归一化后输入预测模型,预测电网下一时段的PMU数值;
S4、在线比较预测结果相对于实测值的误差,根据设定的误差阈值确定错误数据;
S5、对于错误数据采用预测数据更换;
优选地,根据时间序列选取电网正常运行状态下的PMU数据,通过sklearn.preprocessing.MinMaxScaler方法对数据做归一化处理,将幅值数据映射到(0,1)区间内,建立标准化数据。
其中,sklearn.preprocessing.MinMaxScaler方法为将数据的每一个特征缩放到给定的范围,将数据的每一个属性值减去其最小值,然后除以其极差(最大值-最小值)。
所述归一化公式为:
优选地,所述步骤S2包括:
利用归一化后的PMU数据训练LSTM神经网络并建立预测模型,其中选用sigmoid为激活函数,损失函数采用均方误差函数,优化器为Adam优化算法。其中激活函数sigmoid如下:
其中,f(z)是通过激活函数缩放后的数值,z为输入电压幅值。
均方误差函数为:
优选地,所述步骤S3包括:
选取当前电网运行状况下的PMU数据中的某相幅值信息组成时间序列,把这一序列输入到预测模型中,通过预测模型预测电网下一时段的幅值信息。
优选地,所述步骤S4包括:
比较预测结果相对于实测值的误差,根据设定的误差阈值确定错误数据。当预测误差小于预设门槛值时,判定数据无错误,无需进行修正;反之则数据存在错误,需要进一步修正。
例:对于PMU电压可以通过修正方程对PMU数据在线实时纠错。修正方程如下所示:
其中,U是选择的PMU电压数据,Ur真实电压幅值,Up是电压幅值的预测值,Δe是预设电压门槛值。
优选地,所述步骤S5包括:
将判定错误的PMU数据由预测数据替代。
本发明还提供了一种基于LSTM模型的在线PMU数据纠错系统,所述系统包括:
数据处理单元,用于对电网正常运行下的PMU历史幅值数据做归一化处理;
预测模型建立单元,用于利用归一化处理后的PMU数据训练LSTM神经网络并建立预测模型;
预设单元,用于将当前PMU数据归一化处理后输入预测模型,预测电网下一时段的PMU数值;
比较单元,用于比较预测结果相对于实测值的误差,根据设定的误差阈值确定错误数据。
本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明提出的一种基于LSTM模型的PMU数据在线纠错方法,首先选取电网正常运行状态下的PMU历史幅值数据组成时间序列,并且对该序列进行归一化处理;再将处理后的幅值数据输入到LSTM神经网络中,通过该组数据训练预测模型;然后选取当前时刻的电网运行的PMU数据同样做归一化处理后输入到预测模型中,预测下一时段的幅值信息;在线比较预测结果相对于实测值的误差,根据设定的误差阈值确定错误数据,对于错误数据采用预测数据更换;实现对于PMU数据实时修正。本发明基于LSTM神经网络预测模型提出了一种PMU数据的在线纠错方法,充分的基于数据和预测模型提供了一种实时高效的数据纠错方法。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定;
图1为根据本发明一个优选实施例中所述基于LSTM模型的PMU数据在线纠错方法流程框图;
图2为根据本发明一个优选实施例中LSTM记忆单元结构图;
图3为根据本发明一个优选实施例中当前PMU某相幅值变化图;
图4为根据本发明一个优选实施例中历史PMU训练图;
图5为根据本发明一个优选实施例中当前PMU预测图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本领域技术人员应理解的是,在本发明的揭露中,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系,其仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此上述术语不能理解为对本发明的限制。
可以理解的是,术语“一”应理解为“至少一”或“一个或多个”,即在一个实施例中,一个元件的数量可以为一个,而在另外的实施例中,该元件的数量可以为多个,术语“一”不能理解为对数量的限制。
本发明所提供了基于LSTM模型的PMU数据在线纠错方法,该方法通过电网正常运行下的PMU历史幅值数据训练LSTM神经网络来建立预测模型,通过在线比较预测结果相对于实测值的误差来评估数据是否存在问题,并通过在线纠错方法提供的修正方程对数据进行修正。
参阅图1,所述方法具体包括如下步骤:
S1、对电网正常运行下的PMU历史数据做归一化处理;具体的,以时间为周期选取电网正常运行状态下的PMU某相幅值数据作为训练数据,由于正常运行状态下的幅值数据都是正数且数值较大,为了加快训练速度对幅值数据进行归一化处理。在实施例中通过sklearn.preprocessing.MinMaxScaler方法对幅值数据做归一化处理,将幅值数据映射到(0,1)区间内,建立标准化数据。所述归一化公式为:其中xi'是幅值归一化后的标准数据,xi是i时刻的幅值,xmax和xmin是该组采样数据中的最大值和最小值。
S2、利用处理后的PMU数据训练LSTM神经网络并建立预测模型;具体的,参阅图2,把经过归一化处理的PMU信息输入到LSTM神经网络进行训练,在LSTM神经网络中选用sigmoid为激活函数,损失函数采用均方误差函数,优化器为Adam优化算法。其中激活函数sigmoid表达式:均方误差函数表达式:其中,hi为真实值,为预测值。在LSTM神经网络记忆单元中存在输入门,遗忘门和输出门。其中通过输入数据获得输入门表达式:it=σ(Wxixt+Whiht-1+Wcict-1+bi),遗忘门表达式:ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf),根据记忆单元状态获得输出门表达式:ot=σ(Wxoxt+Whoht-1+Wcoct+bo),通过LSTM记忆单元得到的最终输出表达式:ht=ot tanh(ct),其中LSTM中记忆单元状态ct的迭代方程为:ct=ftct-1+tt tanh(Wxcxt+Whcht-1+bc)。
S3、将当前PMU数据归一化后输入预测模型,预测电网下一时段的PMU数值;具体的,为了判断PMU数据是否存需要进行预处理,选取当前时刻下的PMU数据的幅值信息进行归一化处理,然后再把这组数据输入到已经训练好的LSTM预测模型当中,根据在线比较预测结果相对于实测值的误差来评估数据是否存在问题。所选取的幅值信息参阅图3。
S4、比较预测结果相对于实测值的误差,根据设定的误差阈值来评估数据;具体的,在实施例中根据时间周期选取一组电网正常运行状态下的PMU数据,将其归一化后用于训练LSTM神经网络的预测模型,然后再选取当前时刻同一电网相同相的PMU数据进行处理,通过模型估算可以得到两组图像,训练结果参阅图4,预测结果参阅图5。在线比较预测结果相对于实测值的误差,根据设定的误差阈值确定错误数据。
S5、对于错误数据采用预测数据更换;实现对于PMU数据实时修正。
本发明提出的一种基于LSTM模型的PMU数据在线纠错方法,首先选取电网正常运行状态下的PMU历史幅值数据组成时间序列,并且对该序列进行归一化处理;再将处理后的幅值数据输入到LSTM神经网络中,通过该组数据训练预测模型;然后选取当前时刻的电网运行的PMU数据同样做归一化处理后输入到预测模型中,预测下一时段的幅值信息;在线比较预测结果相对于实测值的误差,根据设定的误差阈值确定错误数据,对于错误数据采用预测数据更换;实现对于PMU数据实时修正。本发明基于LSTM神经网络预测模型提出了一种PMU数据的在线纠错方法,充分的基于数据和预测模型提供了一种实时高效的数据纠错方法。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于LSTM模型的在线PMU数据纠错方法,其特征在于,所述方法包括:
S1:对电网正常运行下的PMU历史幅值数据做归一化处理;
S2:利用归一化处理后的PMU数据训练LSTM神经网络并建立预测模型;
S3:将当前PMU数据归一化处理后输入预测模型,预测电网下一时段的PMU数值;
S4:比较预测结果相对于实测值的误差,根据设定的误差阈值确定错误数据。
2.根据权利要求1所述的基于LSTM模型的在线PMU数据纠错方法,其特征在于,所述方法还包括S5:对于错误的实测数据采用预测数据进行更换。
5.根据权利要求1所述的基于LSTM模型的在线PMU数据纠错方法,其特征在于,所述步骤S3包括:
选取当前电网运行状况下的PMU数据中的某相幅值信息组成时间序列,把这一序列输入到预测模型中,通过预测模型预测电网下一时段的幅值信息。
6.根据权利要求1所述的基于LSTM模型的在线PMU数据纠错方法,其特征在于,所述步骤S4包括:
比较预测结果相对于实测值的误差,根据设定的误差阈值确定错误数据;当预测误差小于预设门槛值时,判定实测数据无错误,无需进行修正;反之则实测数据存在错误,需要进一步修正。
8.根据权利要求2所述的基于LSTM模型的在线PMU数据纠错方法,其特征在于,所述步骤S5包括:将判定错误的PMU数据由预测数据替代。
9.一种基于LSTM模型的在线PMU数据纠错系统,其特征在于,所述系统包括:
数据处理单元,用于对电网正常运行下的PMU历史幅值数据做归一化处理;
预测模型建立单元,用于利用归一化处理后的PMU数据训练LSTM神经网络并建立预测模型;
预设单元,用于将当前PMU数据归一化处理后输入预测模型,预测电网下一时段的PMU数值;
比较单元,用于比较预测结果相对于实测值的误差,根据设定的误差阈值确定错误数据。
10.根据权利要求9所述的基于LSTM模型的在线PMU数据纠错系统,其特征在于,所述系统还包括更换单元,用于对于错误的实测数据采用预测数据进行更换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911149072.1A CN110866652B (zh) | 2019-11-21 | 2019-11-21 | 一种基于lstm模型的在线pmu数据纠错方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911149072.1A CN110866652B (zh) | 2019-11-21 | 2019-11-21 | 一种基于lstm模型的在线pmu数据纠错方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866652A true CN110866652A (zh) | 2020-03-06 |
CN110866652B CN110866652B (zh) | 2023-02-28 |
Family
ID=69655686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911149072.1A Active CN110866652B (zh) | 2019-11-21 | 2019-11-21 | 一种基于lstm模型的在线pmu数据纠错方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866652B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780382A (zh) * | 2021-08-29 | 2021-12-10 | 桂林电子科技大学 | 一种基于ae和pmu的高效网络安全态势评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144734A (zh) * | 2017-05-15 | 2017-09-08 | 北京理工大学 | 一种适用于pmu的配电网高精度相量测量方法 |
CN108961816A (zh) * | 2018-07-19 | 2018-12-07 | 泰华智慧产业集团股份有限公司 | 基于优化lstm模型的道路停车泊位预测方法 |
CN109242236A (zh) * | 2018-07-05 | 2019-01-18 | 西安图迹信息科技有限公司 | 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法 |
CN109599866A (zh) * | 2018-12-18 | 2019-04-09 | 国网辽宁省电力有限公司抚顺供电公司 | 一种预测辅助的电力系统状态估计方法 |
CN109921415A (zh) * | 2019-03-13 | 2019-06-21 | 东北大学 | 一种面向混合量测的电网恶性数据注入攻击在线防御方法 |
CN109993361A (zh) * | 2019-03-29 | 2019-07-09 | 国网上海市电力公司 | 一种基于pmu的配电网运行趋势预测方法 |
-
2019
- 2019-11-21 CN CN201911149072.1A patent/CN110866652B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144734A (zh) * | 2017-05-15 | 2017-09-08 | 北京理工大学 | 一种适用于pmu的配电网高精度相量测量方法 |
CN109242236A (zh) * | 2018-07-05 | 2019-01-18 | 西安图迹信息科技有限公司 | 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法 |
CN108961816A (zh) * | 2018-07-19 | 2018-12-07 | 泰华智慧产业集团股份有限公司 | 基于优化lstm模型的道路停车泊位预测方法 |
CN109599866A (zh) * | 2018-12-18 | 2019-04-09 | 国网辽宁省电力有限公司抚顺供电公司 | 一种预测辅助的电力系统状态估计方法 |
CN109921415A (zh) * | 2019-03-13 | 2019-06-21 | 东北大学 | 一种面向混合量测的电网恶性数据注入攻击在线防御方法 |
CN109993361A (zh) * | 2019-03-29 | 2019-07-09 | 国网上海市电力公司 | 一种基于pmu的配电网运行趋势预测方法 |
Non-Patent Citations (6)
Title |
---|
包永金: ""基于支持向量机的电力系统不良数据在线检测辨识与修正"", 《四川电力技术》 * |
吴雷等: "计及PMU的电力系统状态估计算法分析研究", 《微计算机信息》 * |
杨佳宁 等: ""基于双层栈式长短期记忆的电网时空轨迹预测"", 《计算机科学》 * |
王晶: "电力系统异常数据检测辨识方法综述", 《电力与能源》 * |
郭创新: ""采用分层多源信息融合的电网故障诊断方法"", 《高电压技术》 * |
陶维青: ""配电网相量数据接入方式比较及技术分析"", 《电网技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780382A (zh) * | 2021-08-29 | 2021-12-10 | 桂林电子科技大学 | 一种基于ae和pmu的高效网络安全态势评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110866652B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190265768A1 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警系统及方法 | |
CN104181883A (zh) | 实时数据采集系统的异常数据实时处理方法 | |
CN116125361B (zh) | 电压互感器误差评估方法、系统、电子设备及存储介质 | |
CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN111458661A (zh) | 一种配电网线变关系诊断方法、装置及系统 | |
CN113358993B (zh) | 一种多电平变换器igbt的在线故障诊断方法及系统 | |
CN112330488B (zh) | 基于迁移学习的电网频率态势预测方法 | |
CN109524982B (zh) | 一种交直流电网暂态稳定风险评估方法 | |
CN115455746B (zh) | 一种核动力装置运行监测数据异常检测与校正一体化方法 | |
CN115221233A (zh) | 基于深度学习的变电站多类带电检测数据异常检测方法 | |
CN110866652B (zh) | 一种基于lstm模型的在线pmu数据纠错方法及系统 | |
CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
CN108459933B (zh) | 一种基于深度递归网络的大数据计算机系统故障检测方法 | |
CN106325258B (zh) | 一种基于在线监测信息的继电保护装置状态评估方法 | |
CN117131022B (zh) | 一种电力信息系统的异构数据迁移方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN109523030A (zh) | 一种基于机器学习的遥测参数异常监测系统 | |
CN117236380A (zh) | 一种电力系统故障预测方法、系统、电子设备和介质 | |
Amoateng et al. | A deep unsupervised learning approach to PMU event detection in an active distribution network | |
CN113468720B (zh) | 一种数模联动的随机退化设备寿命预测方法 | |
CN112966785B (zh) | 一种智能化星座状态识别方法和系统 | |
CN110244563B (zh) | 一种神经网络内模控制器模型失配识别及在线更新方法 | |
CN110676855A (zh) | 一种配电网无功电压控制参数智能优化调整方法 |
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 |