CN111355247A - 电网低频振荡预测方法及装置 - Google Patents
电网低频振荡预测方法及装置 Download PDFInfo
- Publication number
- CN111355247A CN111355247A CN202010100034.3A CN202010100034A CN111355247A CN 111355247 A CN111355247 A CN 111355247A CN 202010100034 A CN202010100034 A CN 202010100034A CN 111355247 A CN111355247 A CN 111355247A
- Authority
- CN
- China
- Prior art keywords
- power grid
- frequency oscillation
- low
- damping ratio
- dominant mode
- 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
- 230000010355 oscillation Effects 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013016 damping Methods 0.000 claims abstract description 74
- 238000013136 deep learning model Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000002265 prevention Effects 0.000 claims description 9
- 238000011217 control strategy Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000003449 preventive effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 abstract description 11
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供一种电网低频振荡预测方法及装置，所述方法包括：获取电网潮流数据；将所述电网潮流数据，输入至深度学习模型，输出系统的主导模式阻尼比；其中，所述深度学习模型是基于电网潮流数据样本以及电网潮流数据样本对应的主导模式阻尼比标记进行训练后得到；基于所述主导模式阻尼比确定电网是否出现低频振荡。本发明实施例提供的电网低频振荡预测方法及装置，利用基于深度学习的电网低频振荡预测方法，能够有效提高低频振荡模式的阻尼比，从而防止电网发生低频振荡事故。
Description
技术领域
本发明涉及电力系统技术领域，尤其涉及一种电网低频振荡预测方法及装置。
背景技术
在电力系统中，发电机通过输电线进行并列运行时，若受扰动，发电机转子间会发生相对摇摆，若系统中缺乏阻尼，则会引起持续振荡，与此同时，输电线上的功率潮流也会发生相应的振荡，振荡的频率很低，一般在0.1Hz到2.5Hz之间，因此被称为低频振荡(或者机电振荡)。若系统特征值λi满足其机电回路相关比ρi>1且其对应的振荡频率在0.1～2.5Hz范围内，则λi及其共轭的特征值是系统的一个低频振荡模式。在线实时地对低频振荡模式进行辨识，能够随时地监测电力系统的运行状况，一旦出现危险模式，可以通过调整发电机出力提高低频振荡模式的阻尼，从而实现低频振荡的预防控制。
发明内容
本发明实施例提供一种电网低频振荡预测方法及装置，用于解决现有技术中的上述技术问题。
为了解决上述技术问题，一方面，本发明实施例提供一种电网低频振荡预测方法，包括：
获取电网潮流数据；
将所述电网潮流数据，输入至深度学习模型，输出系统的主导模式阻尼比；其中，所述深度学习模型是基于电网潮流数据样本以及电网潮流数据样本对应的主导模式阻尼比标记进行训练后得到；
基于所述主导模式阻尼比确定电网是否出现低频振荡。
进一步地，所述基于所述主导模式阻尼比确定电网是否出现低频振荡，具体包括：
若所述主导模式阻尼比大于预设的稳定阈值，则电网未出现低频振荡；
若所述主导模式阻尼比小于等于所述稳定阈值，则电网出现低频振荡。
进一步地，所述深度学习模型的训练步骤如下：
构建样本库，所述样本库中包含多个样本数据，每一样本数据均包含数据特征和阻尼比标记值；
利用样本数据对深度学习模型进行训练，生成训练精度达到预设要求的深度学习模型。
进一步地，所述基于所述主导模式阻尼比确定电网是否出现低频振荡之后，还包括：
若电网出现低频振荡，以发电机出力调节量最小为优化目标，采用梯度下降法求解预防控制优化模型，最终得到预防控制策略。
进一步地，所述深度学习模型为卷积神经网络模型。
另一方面，本发明实施例提供一种电网低频振荡预测装置，包括：
获取模块，用于获取电网潮流数据；
输出模块，用于将所述电网潮流数据，输入至深度学习模型，输出系统的主导模式阻尼比；其中，所述深度学习模型是基于电网潮流数据样本以及电网潮流数据样本对应的主导模式阻尼比标记进行训练后得到；
判断模块，用于基于所述主导模式阻尼比确定电网是否出现低频振荡。
进一步地，所述基于所述主导模式阻尼比确定电网是否出现低频振荡，具体包括：
若所述主导模式阻尼比大于预设的稳定阈值，则电网未出现低频振荡；
若所述主导模式阻尼比小于等于所述稳定阈值，则电网出现低频振荡。
进一步地，还包括控制模块，若电网出现低频振荡，所述控制模块用于以发电机出力调节量最小为优化目标，采用梯度下降法求解预防控制优化模型，最终得到预防控制策略。
再一方面，本发明实施例提供一种电子设备，包括：存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述方法的步骤。
又一方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述方法的步骤。
本发明实施例提供的电网低频振荡预测方法及装置，利用基于深度学习的电网低频振荡预测方法，能够有效提高低频振荡模式的阻尼比，从而防止电网发生低频振荡事故。
附图说明
图1为本发明实施例提供的电网低频振荡预测方法示意图；
图2为本发明实施例提供的电网低频振荡预测装置示意图；
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的电网低频振荡预测方法示意图，如图1所示，本发明实施例提供一种电网低频振荡预测方法，其执行主体为电网低频振荡预测装置。该方法包括：
步骤S101、获取电网潮流数据。
具体来说，首先，获取电网潮流数据，电网潮流数据可以用运行方式
表示。
步骤S102、将所述电网潮流数据，输入至深度学习模型，输出系统的主导模式阻尼比；其中，所述深度学习模型是基于电网潮流数据样本以及电网潮流数据样本对应的主导模式阻尼比标记进行训练后得到。
具体来说，在获取电网潮流数据
之后，将电网潮流数据
输入至深度学习模型，求得系统的主导模式阻尼比
其中，深度学习模型是基于电网潮流数据样本以及电网潮流数据样本对应的主导模式阻尼比标记进行训练后得到，经过训练后的深度学习模型可以称为电网小干扰稳定评估器。
步骤S103、基于所述主导模式阻尼比确定电网是否出现低频振荡。
具体来说，在确定系统的主导模式阻尼比
之后，根据主导模式阻尼比确定电网是否出现低频振荡。
例如，可以设定主导模式阻尼比的稳定阈值ζth，若
则表明系统小干扰稳定；若
则表明系统不稳定，需要进行预防控制。
本发明实施例提供的电网低频振荡预测方法，利用基于深度学习的电网低频振荡预测方法，能够有效提高低频振荡模式的阻尼比，从而防止电网发生低频振荡事故。
基于上述任一实施例，进一步地，所述基于所述主导模式阻尼比确定电网是否出现低频振荡，具体包括：
若所述主导模式阻尼比大于预设的稳定阈值，则电网未出现低频振荡；
若所述主导模式阻尼比小于等于所述稳定阈值，则电网出现低频振荡。
具体来说，在本发明实施例中，基于主导模式阻尼比
和预先设定的稳定阈值ζth，确定电网是否出现低频振荡。
如果主导模式阻尼比
大于预设的稳定阈值ζth，则电网未出现低频振荡。
如果主导模式阻尼比
小于等于所述稳定阈值ζth，则电网出现低频振荡。
本发明实施例提供的电网低频振荡预测方法，利用基于深度学习的电网低频振荡预测方法，能够有效提高低频振荡模式的阻尼比，从而防止电网发生低频振荡事故。
基于上述任一实施例，进一步地，所述深度学习模型的训练步骤如下：
构建样本库，所述样本库中包含多个样本数据，每一样本数据均包含数据特征和阻尼比标记值；
利用样本数据对深度学习模型进行训练，生成训练精度达到预设要求的深度学习模型。
具体来说，在本发明实施例中，电网小干扰稳定评估器通过如下步骤训练得到：
先根据问题需求与电网特性选取一种深度学习方法，并设定其网络参数。例如，选择卷积神经网络，设定其卷积核大小、步长、填充方式和网络层数等。
将输入数据按照所选深度学习网络要求进行预处理和特征提取，得到输入特征(Pg,Pl)，由(Pg,Pl)和阻尼比标记值的向量ζ构成样本库，用这些样本对所设定的深度学习模型进行训练，训练后精度达到预设要求的深度学习模型即为所求解的稳定评估器。
本发明实施例提供的电网低频振荡预测方法，利用基于深度学习的电网低频振荡预测方法，能够有效提高低频振荡模式的阻尼比，从而防止电网发生低频振荡事故。
基于上述任一实施例，进一步地，所述基于所述主导模式阻尼比确定电网是否出现低频振荡之后，还包括：
若电网出现低频振荡，以发电机出力调节量最小为优化目标，采用梯度下降法求解预防控制优化模型，最终得到预防控制策略。
具体来说，在本发明实施例中，基于主导模式阻尼比确定电网是否出现低频振荡之后，还包括：
如果电网出现低频振荡，以发电机出力调节量最小为优化目标，采用梯度下降法求解预防控制优化模型，最终得到预防控制策略。
具体方法如下：
1)用当前获得的阻尼比向量
中的不在稳定范围内的阻尼比
代入优化目标表达式Obj(P)计算得到优化目标值，其中Obj(P)的表达式如下：
2)计算优化目标Obj(P)对发电机出力Pi的偏导，用所有的偏导组成一个向量
3)计算梯度向量的单位向量
在给定步长
下，定义下一步的发电机出力为
检查此时所有的发电机出力是否在出力范围内，如果发电机i的出力超过限值，则将该发电机出力限定在上限或下限，其他发电机出力保持Pnow，由此得到了迭代下一步的运行方式；
4)检查系统潮流在新的运行方式下是否收敛，如果收敛，计算阻尼比，确定是否在稳定范围内。如果稳定，则输出预防控制策略。如果不稳定，则返回步骤1)，继续迭代求解。
本发明实施例提供的电网低频振荡预测方法，利用基于深度学习的电网低频振荡预测方法，能够有效提高低频振荡模式的阻尼比，从而防止电网发生低频振荡事故。
基于上述任一实施例，进一步地，所述深度学习模型为卷积神经网络模型。
具体来说，在本发明实施例中，深度学习模型选择卷积神经网络模型。
本发明实施例提供的电网低频振荡预测方法，利用基于深度学习的电网低频振荡预测方法，能够有效提高低频振荡模式的阻尼比，从而防止电网发生低频振荡事故。
基于上述任一实施例，图2为本发明实施例提供的电网低频振荡预测装置示意图，如图2所示，本发明实施例提供一种电网低频振荡预测装置，包括：
获取模块201用于获取电网潮流数据；输出模块202用于将所述电网潮流数据，输入至电网小干扰稳定评估器，输出系统的主导模式阻尼比；其中，所述电网小干扰稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的主导模式阻尼比标记，对深度学习模型进行训练后得到的；判断模块203用于基于所述主导模式阻尼比确定电网是否出现低频振荡。
本发明实施例提供一种电网低频振荡预测装置，用于执行上述任一实施例中所述的方法，通过本实施例提供的装置执行上述某一实施例中所述的方法的具体步骤与上述相应实施例相同，此处不再赘述。
本发明实施例提供的电网低频振荡预测装置，利用基于深度学习的电网低频振荡预测方法，能够有效提高低频振荡模式的阻尼比，从而防止电网发生低频振荡事故。
图3为本发明实施例提供的电子设备的结构示意图，如图3所示，该电子设备包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301和存储器302通过总线303完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下方法：
获取电网潮流数据；
将所述电网潮流数据，输入至电网小干扰稳定评估器，输出系统的主导模式阻尼比；其中，所述电网小干扰稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的主导模式阻尼比标记，对深度学习模型进行训练后得到的；
基于所述主导模式阻尼比确定电网是否出现低频振荡。
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例中的步骤，例如包括：
获取电网潮流数据；
将所述电网潮流数据，输入至电网小干扰稳定评估器，输出系统的主导模式阻尼比；其中，所述电网小干扰稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的主导模式阻尼比标记，对深度学习模型进行训练后得到的；
基于所述主导模式阻尼比确定电网是否出现低频振荡。
进一步地，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述各方法实施例中的步骤，例如包括：
获取电网潮流数据；
将所述电网潮流数据，输入至电网小干扰稳定评估器，输出系统的主导模式阻尼比；其中，所述电网小干扰稳定评估器是基于电网潮流数据样本以及电网潮流数据样本对应的主导模式阻尼比标记，对深度学习模型进行训练后得到的；
基于所述主导模式阻尼比确定电网是否出现低频振荡。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电网低频振荡预测方法，其特征在于，包括：
获取电网潮流数据；
将所述电网潮流数据，输入至深度学习模型，输出系统的主导模式阻尼比；其中，所述深度学习模型是基于电网潮流数据样本以及电网潮流数据样本对应的主导模式阻尼比标记进行训练后得到；
基于所述主导模式阻尼比确定电网是否出现低频振荡。
2.根据权利要求1所述的电网低频振荡预测方法，其特征在于，所述基于所述主导模式阻尼比确定电网是否出现低频振荡，具体包括：
若所述主导模式阻尼比大于预设的稳定阈值，则电网未出现低频振荡；
若所述主导模式阻尼比小于等于所述稳定阈值，则电网出现低频振荡。
3.根据权利要求1所述的电网低频振荡预测方法，其特征在于，所述深度学习模型的训练步骤如下：
构建样本库，所述样本库中包含多个样本数据，每一样本数据均包含数据特征和阻尼比标记值；
利用样本数据对深度学习模型进行训练，生成训练精度达到预设要求的深度学习模型。
4.根据权利要求1所述的电网低频振荡预测方法，其特征在于，所述基于所述主导模式阻尼比确定电网是否出现低频振荡之后，还包括：
若电网出现低频振荡，以发电机出力调节量最小为优化目标，采用梯度下降法求解预防控制优化模型，最终得到预防控制策略。
5.根据权利要求1-4任一项所述的电网低频振荡预测方法，其特征在于，所述深度学习模型为卷积神经网络模型。
6.一种电网低频振荡预测装置，其特征在于，包括：
获取模块，用于获取电网潮流数据；
输出模块，用于将所述电网潮流数据，输入至深度学习模型，输出系统的主导模式阻尼比；其中，所述深度学习模型是基于电网潮流数据样本以及电网潮流数据样本对应的主导模式阻尼比标记进行训练后得到；
判断模块，用于基于所述主导模式阻尼比确定电网是否出现低频振荡。
7.根据权利要求6所述的电网低频振荡预测装置，其特征在于，所述基于所述主导模式阻尼比确定电网是否出现低频振荡，具体包括：
若所述主导模式阻尼比大于预设的稳定阈值，则电网未出现低频振荡；
若所述主导模式阻尼比小于等于所述稳定阈值，则电网出现低频振荡。
8.根据权利要求6所述的电网低频振荡预测装置，其特征在于，还包括控制模块，若电网出现低频振荡，所述控制模块用于以发电机出力调节量最小为优化目标，采用梯度下降法求解预防控制优化模型，最终得到预防控制策略。
9.一种电子设备，包括存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至5任一项所述电网低频振荡预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至5任一所述电网低频振荡预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010100034.3A CN111355247B (zh) | 2020-02-18 | 2020-02-18 | 电网低频振荡预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010100034.3A CN111355247B (zh) | 2020-02-18 | 2020-02-18 | 电网低频振荡预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111355247A true CN111355247A (zh) | 2020-06-30 |
| CN111355247B CN111355247B (zh) | 2022-04-01 |
Family
ID=71197122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010100034.3A Active CN111355247B (zh) | 2020-02-18 | 2020-02-18 | 电网低频振荡预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111355247B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112103949A (zh) * | 2020-08-28 | 2020-12-18 | 清华大学 | 电网扰动稳定控制方法及装置、电子设备及存储介质 |
| US20220115871A1 (en) * | 2020-10-08 | 2022-04-14 | Zhe Yu | Power System Low-Frequency Oscillation Mechanism Identification with CNN and Transfer Learning |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012139067A (ja) * | 2010-12-27 | 2012-07-19 | Mitsubishi Electric Corp | 電力動揺検出装置および電力動揺検出方法 |
| CN106505590A (zh) * | 2016-12-09 | 2017-03-15 | 华北电力大学（保定） | 新能源电力系统小干扰稳定状态紧急控制方法 |
| CN109066728A (zh) * | 2018-09-05 | 2018-12-21 | 河海大学 | 特高压电网多个区间振荡模式在线阻尼协调控制方法 |
| CN110414412A (zh) * | 2019-07-25 | 2019-11-05 | 长沙理工大学 | 基于大数据分析的广域电网多重扰动精确识别方法和装置 |
| CN110674791A (zh) * | 2019-10-17 | 2020-01-10 | 东南大学 | 一种基于多阶段迁移学习的强迫振荡分层定位方法 |
-
2020
- 2020-02-18 CN CN202010100034.3A patent/CN111355247B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012139067A (ja) * | 2010-12-27 | 2012-07-19 | Mitsubishi Electric Corp | 電力動揺検出装置および電力動揺検出方法 |
| CN106505590A (zh) * | 2016-12-09 | 2017-03-15 | 华北电力大学（保定） | 新能源电力系统小干扰稳定状态紧急控制方法 |
| CN109066728A (zh) * | 2018-09-05 | 2018-12-21 | 河海大学 | 特高压电网多个区间振荡模式在线阻尼协调控制方法 |
| CN110414412A (zh) * | 2019-07-25 | 2019-11-05 | 长沙理工大学 | 基于大数据分析的广域电网多重扰动精确识别方法和装置 |
| CN110674791A (zh) * | 2019-10-17 | 2020-01-10 | 东南大学 | 一种基于多阶段迁移学习的强迫振荡分层定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王学健: "基于智能计算的电力系统低频振荡模式辨识的研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
| 盛逸标等: "滚动优化PSS参数搜索小干扰稳定极限边界策略研究", 《电力系统保护与控制》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112103949A (zh) * | 2020-08-28 | 2020-12-18 | 清华大学 | 电网扰动稳定控制方法及装置、电子设备及存储介质 |
| US20220115871A1 (en) * | 2020-10-08 | 2022-04-14 | Zhe Yu | Power System Low-Frequency Oscillation Mechanism Identification with CNN and Transfer Learning |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111355247B (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102170105B1 (ko) | 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체 | |
| CN111355247B (zh) | 电网低频振荡预测方法及装置 | |
| US8380646B2 (en) | Method for the computer-assisted learning of a control and/or a feedback control of a technical system using a modified quality function and a covariance matrix | |
| JP5768834B2 (ja) | プラントモデル管理装置及び方法 | |
| WO2019101836A1 (en) | Population based training of neural networks | |
| US11042410B2 (en) | Resource management of resource-controlled system | |
| Xie et al. | Distributional deep reinforcement learning-based emergency frequency control | |
| Younesi et al. | Application of reinforcement learning for generating optimal control signal to the IPFC for damping of low‐frequency oscillations | |
| CN115145812A (zh) | 测试用例生成方法、装置、电子设备和存储介质 | |
| CN111400964A (zh) | 一种故障发生时间预测方法及装置 | |
| CN114509951A (zh) | 一种基于神经网络的加氢自适应控制方法及装置 | |
| CN109783769B (zh) | 一种基于用户项目评分的矩阵分解方法和装置 | |
| Penarrocha et al. | Synthesis of nonlinear controller for wind turbines stability when providing grid support | |
| CN112103949B (zh) | 电网扰动稳定控制方法及装置、电子设备及存储介质 | |
| JP6067289B2 (ja) | 電力系統の縮約モデル作成装置、作成方法及び作成プログラム | |
| CN110889316B (zh) | 一种目标对象识别方法、装置及存储介质 | |
| CN111724176A (zh) | 店铺流量调节方法、装置、设备及计算机可读存储介质 | |
| CN112989581A (zh) | 一种频率动态仿真方法、装置、电子设备及存储介质 | |
| CN114358692A (zh) | 配送时长调整方法、装置及电子设备 | |
| CN114140351A (zh) | 一种图像修复方法、装置、设备及存储介质 | |
| WO2022152404A1 (en) | Methods and apparatus for implementing reinforcement learning | |
| CN114417945A (zh) | 一种回归模型训练方法、装置、设备及存储介质 | |
| CN117993461B (zh) | 大语言模型的训练方法及装置、计算机设备和存储介质 | |
| CN115319741B (zh) | 机器人控制模型的训练方法和机器人控制方法 | |
| CN114499998B (zh) | 安全防护方法、装置、电子设备和存储介质 |
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 |