CN111368393A - 一种ies背景下含需求响应资源的电力系统稳定性评估方法 - Google Patents

一种ies背景下含需求响应资源的电力系统稳定性评估方法 Download PDF

Info

Publication number
CN111368393A
CN111368393A CN202010004048.5A CN202010004048A CN111368393A CN 111368393 A CN111368393 A CN 111368393A CN 202010004048 A CN202010004048 A CN 202010004048A CN 111368393 A CN111368393 A CN 111368393A
Authority
CN
China
Prior art keywords
power system
stability
gas
ies
function
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
Application number
CN202010004048.5A
Other languages
English (en)
Inventor
董波
崔景侠
徐纬河
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lianyungang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Lianyungang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lianyungang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Lianyungang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202010004048.5A priority Critical patent/CN111368393A/zh
Publication of CN111368393A publication Critical patent/CN111368393A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种IES背景下含需求响应资源的电力系统稳定性评估方法，包括步骤一，建立IES最优能量流模型；步骤二，基于IES最优能量流模型，求取发电机功率和电‑气耦合环节功率，作为堆栈降噪自动编码器的输入；步骤三，搭建不同负荷水平下电力系统暂态仿真模型，通过仿真获取不同故障情况下的系统输出，作为堆栈降噪自动编码器的输出；步骤四，采用深度神经网络训练基于SDAE的电力系统稳定性评估器；步骤五，利用电力系统稳定性评估器对电力系统稳定性进行评估。本发明利用深度神经网络训练堆栈降噪自动编码器，从而得到电力系统稳定性评估器。

Description

一种IES背景下含需求响应资源的电力系统稳定性评估方法
技术领域
本发明涉及电力系统稳定性评估技术领域，尤其涉及一种IES背景下含需求响应资源的 电力系统稳定性评估方法。
背景技术
综合能源系统(integrated energy system,IES)背景下的电力系统暂态特性更为复杂， 同时，随着电力市场的逐渐完善，需求响应资源的渗透率越来越高，传统方法在电力系统的 稳定性的分析问题中将难以胜任。
随着机器学习领域的发展，深度学习理论一经提出便引起了众多研究者的广泛关注。深 度学习方法通过建立多隐含层的深层网络结构，利用海量的数据自动提取和学习样本特征信 息，具有很好的泛化能力和鲁棒性。电力系统稳定性属于暂态问题，受限于传统方法对电力 系统稳定性分析与控制的难度，有学者从信息、机理、仿真、分析和控制等角度分析了电力 系统暂态问题出现的新特点，总结了人工智能在电力系统暂态问题中的应用。在深度学习应 用于电力系统稳定性分析领域，有学者用ANN作为三相短路故障后安全稳定指标的评估算法， 利用了半监督反向传播算法实现了从离散稳定状态到连续稳定指标的映射。有学者研究利用 样本压缩技术降低ANN的训练量以提高ANN在大电网中的训练效率，提出的信息熵与粗糙集 理论结合的数据预处理方法实现了对输入特征的优化处理，并测试了三相短路故障后的暂态 稳定性预测效果。有学者基于决策树算法构建了集成学习模型，能够适应系统的运行条件和 线路拓扑的变化，实现了在线动态安全评估。有学者研究了三相短路故障后系统稳定性的分 类问题，利用AdaBoost提升单一贝叶斯分类器的准确率，对于算法训练效率和防范过拟合问 题均具有有益效果。上述研究利用人工智能方法对电力系统稳定性开展了研究，但是没有学 者研究基于深度学习的IES背景下的电力系统稳定性评估方法。
发明内容
本发明的目的在于提供IES背景下含需求响应资源的电力系统稳定性评估方法，利用深 度神经网络训练堆栈降噪自动编码器，从而得到电力系统稳定性评估器。
为实现上述目的，本发明的技术方案如下：
一种IES背景下含需求响应资源的电力系统稳定性评估方法，包括如下步骤：
步骤一，建立IES最优能量流模型，包括电-气综合能源系统的目标函数和对应系统的约束条 件；
步骤二，基于IES最优能量流模型，求取发电机功率和电-气耦合环节功率，作为堆栈降噪自 动编码器的输入；
步骤三，搭建不同负荷水平下电力系统暂态仿真模型，通过仿真获取不同故障情况下的系统 输出，作为堆栈降噪自动编码器的输出；
步骤四，采用深度神经网络训练基于SDAE的电力系统稳定性评估器；
步骤五，利用电力系统稳定性评估器对电力系统稳定性进行评估。
进一步地，所述步骤一的具体方法为，以综合能源系统运行成本C为优化目标，综合考 虑电力系统、天然气系统运行约束及电-气耦合约束，建立IES最优能量流模型；其中，电- 气综合能源系统的OEF模型的目标函数为：min C＝min(Ce+Cg)，Ce为电力系统成本函数， Cg为天然气系统成本函数；
电力系统成本函数为：
Figure BDA0002354560530000021
式中，
Figure BDA0002354560530000022
表示发电机所在节点的集合；
Figure BDA0002354560530000023
表示在节点i发电机的有功功率；
Figure BDA0002354560530000024
Figure BDA0002354560530000025
表示节点i发电机的成本系数；
天然气系统成本函数为：
Figure BDA0002354560530000026
式中，
Figure BDA0002354560530000027
分别表示气井、储气装置所在节点的集合；
Figure BDA0002354560530000028
分别表示节点i气 井、储气装置注入到气网的天然气流量；
Figure BDA0002354560530000029
分别表示节点i气井、储气装置的成本系 数。
进一步地，步骤四中，深度神经网络训练包括粒子群算法、损失函数和激活函数；损失 函数采用电力系统稳定的实际值与SDAE输出值的差的绝对值：
Figure BDA00023545605300000210
其中，Yt表 示SDAE拟合得到的电力系统稳定性输出值；
Figure BDA00023545605300000211
表示电力系统稳定性的实际值；激活函数采 用Sigmoid函数。
本发明的IES背景下含需求响应资源的电力系统稳定性评估方法具有以下有益效果：
1、对比SVM算法、BP神经网络算法，本发明基于粒子群算法训练堆栈降噪自动编码器， 最终得到电力系统稳定性评估器的识别正确率和计算效率均更优；
2、利用本发明的电力系统稳定性评估器对含需求响应资源的电力系统稳定性进行评估， 计算结果表明，需求响应资源的引入可有效提高电力系统的稳定性。
附图说明
图1是本发明IES背景下含需求响应资源的电力系统稳定性评估方法的流程图；
图2是本发明一实施例中电-气联合网络网架结构示意图；
图3是本发明一实施例中节点电压幅值的曲线测试图；
图4是本发明一实施例中发电机功率的曲线测试图；
图5是本发明一实施例中支路潮流的曲线测试图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的详细说明。
如图1，本发明的一种IES背景下含需求响应资源的电力系统稳定性评估方法，如图1 和图2所示，包括如下步骤：
步骤一，以综合能源系统(IES)运行成本C为优化目标，综合考虑电力系统、天然气系统运行约束及能量耦合约束，建立IES最优能量流(OEF)模型；约束条件包括电气约束 条件、天然气约束条件和电-气耦合环节约束。
对于电力系统，其成本函数为：
Figure BDA0002354560530000031
式中，
Figure BDA0002354560530000032
表示发电机所在节点的集合；
Figure BDA0002354560530000033
表示在节点i发电机的有功功率；
Figure BDA0002354560530000034
Figure BDA0002354560530000035
表示节点i发电机的成本系数。
对于天然气系统，其成本函数为：
Figure BDA0002354560530000036
式中，
Figure BDA0002354560530000037
分别表示气井、储气装置所在节点的集合；
Figure BDA0002354560530000038
分别表示节点i气 井、储气装置注入到气网的天然气流量；
Figure BDA0002354560530000039
分别表示节点i气井、储气装置的成本系 数。
因此，电-气综合能源系统的OEF模型的目标函数可表示为：
minC＝min(Ce+Cg) (3)
电力系统约束包括功率平衡约束、节点电压约束、线路有功潮流约束、发电机运行约束， 具体如下所示：
Figure BDA0002354560530000041
式中，Vi和δi分别表示节点i的电压幅值和相角，δij＝δi-δj；Gij+Bij表示节点导纳矩阵Y 中相应的元素；j∈i表示节点j是节点i的关联节点；
Figure BDA0002354560530000042
分别表示节 点i发电机、风电机组、电-气耦合燃气机组、电转气(P2G)机组以及电负荷的功率；
Figure BDA0002354560530000043
和Vi 分 别表示节点i电压幅值上下限；Pij、
Figure BDA0002354560530000044
和Pij 分别表示线路ij有功潮流及其上下限；
Figure BDA0002354560530000045
和Pi gen 分别表示发电机i的出力上下限。
天然气系统约束包括气流量平衡约束、节点压力约束、管道流量约束、储气装置约束、 气井约束、气流量-功率约束，具体如下所示：
Figure BDA0002354560530000046
式中，
Figure BDA0002354560530000047
和
Figure BDA0002354560530000048
分别表示节点i气井和P2G机组注入到气网的流量；
Figure BDA0002354560530000049
和
Figure BDA00023545605300000410
分别表示 节点i耦合燃气机组和气负荷消耗的天然气流量；
Figure BDA00023545605300000411
和
Figure BDA00023545605300000412
分别表示储气装置i向气网注入和 从气网吸收的气流量；sij取1或-1；cij表示与管道效率、温度、长度、内径、压缩因子等有 关的常数；πi表示节点i的压力；
Figure BDA00023545605300000413
和πi 分别表示节点i压力的上下限；
Figure BDA00023545605300000414
和qij 分别表示管 道ij稳态流量的上下限；
Figure BDA00023545605300000415
和
Figure BDA00023545605300000416
分别表示储气装置i向气网注入和从气网吸收的气流量 的上限；
Figure BDA00023545605300000417
和qi well 分别表示气井i气流量的上下限；Pg表示天然气功率；qg表示天然气流 量；SHHV表示天然气高热值。
电-气耦合环节约束，在电-气综合能源系统中，电力系统和天然气系统之间主要通过燃 气机组和P2G机组耦合，电-气耦合环节约束包括能量输入-输出约束和装置运行约束。
Figure BDA0002354560530000051
式中，
Figure BDA0002354560530000052
和
Figure BDA0002354560530000053
分别表示电-气耦合燃气机组和P2G机组的转化效率；
Figure BDA0002354560530000054
和Pi G2P 分别 表示电-气耦合燃气机组输出电功率的上下限；
Figure BDA0002354560530000055
和
Figure BDA0002354560530000056
分别表示P2G机组输出气流量的上 下限。
步骤二，基于IES最优能量流模型，求取发电机功率和电-气耦合环节功率，作为堆栈降 噪自动编码器(SDAE)的输入。
采用蒙特卡洛抽样对负荷进行10000次抽样，计算不同负荷水平下的最优能量流，电力 系统的节点电压幅值、发电机功率以及支路潮流的计算结果分别如图3-图5所示。其中，图 3的发电机功率即为SDAE的输入。从图3-图5可以看出，各类负荷水平下电压幅值、发电 机功率以及支路潮流变化巨大，尤其是图4中的2号发电机，其变化范围达到600MW，严峻挑战电力系统稳定性。
步骤三，搭建不同负荷水平下电力系统暂态仿真模型，通过仿真获取不同故障情况下的 系统输出，作为堆栈降噪自动编码器的输出。
为获取发生故障时电力系统的稳定情况，分别搭建不同负荷水平下电力系统的PSCAD 模型。通过设置特定的故障类型、故障持续时间、故障切除时间，通过仿真获取不同负荷水 平下发生故障时电力系统的稳定情况，并以此作为该负荷水平下电力系统稳定性评估器的输 出，参与评估器的训练过程。
具体地，在本实施例中，假设电力系统节点3在某时刻发生三相短路故障，在持续发生 0.15s之后故障被切除，在前述的负荷水平下，利用PSCAD分别仿真该故障条件下的电力系 统稳定性，计算结果如表1所示。
表1电力系统稳定性计算结果
Figure BDA0002354560530000057
步骤四，采用深度神经网络训练堆栈降噪自动编码器，得到电力系统稳定性评估器；发 电机功率和耦合环节功率作为SDAE的输入，将PSCAD得到的电力系统稳定性结果作为 SDAE的输出，通过粒子群算法不断更新SDAE中的参数，在损失函数达到某一阈值时得到训练完成的SDAE模型，即电力系统稳定性评估器。
SDAE的基础是降噪自动编码器(denoising auto-encoders,DAE)，其由多层DAE堆叠而成。 SDAE深度神经网络训练主要需要确定学习算法、损失函数以及激活函数。
对于学习算法，由于电力系统稳定性与负荷大小、发电机和耦合环节功率之间的非线性 特征十分复杂，SDAE能量流模型所需训练样本量大、训练缓慢，传统的解析法难以对此优 化问题进行求解，因此，采用粒子群算法求解SDAE模型中的参数。
根据步骤三得到了10000组负荷水平下的电力系统稳定性样本，随机抽取8000组作为 SDAE的训练样本，其余2000组样本作为测试样本。本实施例中，SDAE的输入层维数为26， 输出层维数为1，设置隐含层维数为100，同时SDAE由4层DAE堆叠而成。在粒子群算法的参数设置中，设置粒子群规模为50，最大迭代次数为100。为了验证粒子群算法在电力系统稳定性识别的准确性，将BP神经网络算法和SVM算法作为对比算法，三种算法的识别正确率和计算时间如表2所示。
表2 SDAE深度神经网络训练不同学习方法的实验结果
Figure BDA0002354560530000061
从表2中可以看出，在SVM算法、BP神经网络算法和粒子群算法中，粒子群算法在识别正确率和计算时间方面均取得了最优结果。通常，BP神经网络算法的深度较浅，在处理较高维的数据过程中存在过拟合以及收敛困难等问题，因此其识别正确率较低；较BP神经网络算法而言SVM算法的识别正确率较高，但是计算时间较长，这是由于当样本规模较大时，难以找到合适的核参数，最终给影响了电力系统稳定性的识别结果。对于粒子群算法，由于SDAE采用的深度学习的数学结构，学习率高，因此其识别精度最高，同时由于SDAE结构 由简单的DAE堆叠而成，因此其计算效率也更优。
对于损失函数，采用电力系统稳定的实际值与SDAE输出值的差的绝对值作为损失函数， 具体如下所示：
Figure BDA0002354560530000071
式中，Yt表示SDAE拟合得到的电力系统稳定性输出值；
Figure BDA0002354560530000072
表示电力系统稳定性的实际 值。
对于激活函数，采用Sigmoid函数，Sigmoid由于在正半轴的函数性质与LIF模型十分 相似，因此作为深度学习的激活函数而广泛使用，其可表示为：
Figure BDA0002354560530000073
步骤五，利用电力系统稳定性评估器对电力系统稳定性进行评估。
在本实施例中，为了验证需求响应资源对电力系统稳定性的影响，分别对图1中峰电价 激励前后的负荷进行采样，分别计算OEF和仿真得到电力系统稳定性，并分别训练基于SDAE 的电力系统稳定性评估器。以此评估器对电力系统稳定性进行评估，评估结果如表3所示。 从表中可以看出，需求响应资源的引入可有效提高电力系统的稳定性。
表3基于电力系统稳定性评估不同方法的实验结果
Figure BDA0002354560530000074
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说 明,所应理解的是，以上所述仅为本发明的具体实施方式，并不用于限定本发明的保护范围， 凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应含在本发明的保 护范围之内。

Claims (3)

1.一种IES背景下含需求响应资源的电力系统稳定性评估方法，其特征在于，包括如下步骤：
步骤一，建立IES最优能量流模型，包括电-气综合能源系统的目标函数和对应系统的约束条件；
步骤二，基于IES最优能量流模型，求取发电机功率和电-气耦合环节功率，作为堆栈降噪自动编码器的输入；
步骤三，搭建不同负荷水平下电力系统暂态仿真模型，通过仿真获取不同故障情况下的系统输出，作为堆栈降噪自动编码器的输出；
步骤四，采用深度神经网络训练基于SDAE的电力系统稳定性评估器；
步骤五，利用电力系统稳定性评估器对电力系统稳定性进行评估。
2.根据权利要求1所述的IES背景下含需求响应资源的电力系统稳定性评估方法，其特征在于，所述步骤一的具体方法为，以综合能源系统运行成本C为优化目标，综合考虑电力系统、天然气系统运行约束及电-气耦合约束，建立IES最优能量流模型；其中，电-气综合能源系统的OEF模型的目标函数为：min C＝min(Ce+Cg)，Ce为电力系统成本函数，Cg为天然气系统成本函数；
电力系统成本函数为：
Figure FDA0002354560520000011
式中，
Figure FDA0002354560520000012
表示发电机所在节点的集合；
Figure FDA0002354560520000013
表示在节点i发电机的有功功率；
Figure FDA0002354560520000014
Figure FDA0002354560520000015
表示节点i发电机的成本系数；
天然气系统成本函数为：
Figure FDA0002354560520000016
式中，
Figure FDA0002354560520000017
分别表示气井、储气装置所在节点的集合；
Figure FDA0002354560520000018
分别表示节点i气井、储气装置注入到气网的天然气流量；
Figure FDA0002354560520000019
分别表示节点i气井、储气装置的成本系数。
3.根据权利要求1所述的IES背景下含需求响应资源的电力系统稳定性评估方法，其特征在于，步骤四中，深度神经网络训练包括粒子群算法、损失函数和激活函数；损失函数采用电力系统稳定的实际值与SDAE输出值的差的绝对值：
Figure FDA00023545605200000110
其中，Yt表示SDAE拟合得到的电力系统稳定性输出值；
Figure FDA0002354560520000021
表示电力系统稳定性的实际值；激活函数采用Sigmoid函数。
CN202010004048.5A 2020-01-03 2020-01-03 一种ies背景下含需求响应资源的电力系统稳定性评估方法 Pending CN111368393A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010004048.5A CN111368393A (zh) 2020-01-03 2020-01-03 一种ies背景下含需求响应资源的电力系统稳定性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010004048.5A CN111368393A (zh) 2020-01-03 2020-01-03 一种ies背景下含需求响应资源的电力系统稳定性评估方法

Publications (1)

Publication Number Publication Date
CN111368393A true CN111368393A (zh) 2020-07-03

Family

ID=71210008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010004048.5A Pending CN111368393A (zh) 2020-01-03 2020-01-03 一种ies背景下含需求响应资源的电力系统稳定性评估方法

Country Status (1)

Country Link
CN (1) CN111368393A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950765A (zh) * 2020-07-06 2020-11-17 四川大川云能科技有限公司 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法
CN115437416A (zh) * 2022-10-17 2022-12-06 杭州市燃气集团有限公司 一种天然气透平膨胀发电系统压力控制方法
US11864700B2 (en) 2020-09-30 2024-01-09 Shenzhen Fly Rodent Dynamics Intelligent Technology Co., Ltd. Self-cleaning method for cleaning robot, cleaning robot, and cleaning system

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734391A (zh) * 2018-05-08 2018-11-02 重庆大学 基于堆栈降噪自动编码器的电-气综合能源系统概率能流量计算方法
WO2019200662A1 (zh) * 2018-04-20 2019-10-24 东北大学 电-热-气综合能源系统的稳定评估与静态控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019200662A1 (zh) * 2018-04-20 2019-10-24 东北大学 电-热-气综合能源系统的稳定评估与静态控制方法
CN108734391A (zh) * 2018-05-08 2018-11-02 重庆大学 基于堆栈降噪自动编码器的电-气综合能源系统概率能流量计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱乔木;陈金富;李弘毅;石东源;李银红;段献忠;: "基于堆叠自动编码器的电力系统暂态稳定评估" *
董波 等: "含需求响应资源的电力系统稳定性智能化评估方法" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950765A (zh) * 2020-07-06 2020-11-17 四川大川云能科技有限公司 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法
CN111950765B (zh) * 2020-07-06 2024-04-19 四川大川云能科技有限公司 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法
US11864700B2 (en) 2020-09-30 2024-01-09 Shenzhen Fly Rodent Dynamics Intelligent Technology Co., Ltd. Self-cleaning method for cleaning robot, cleaning robot, and cleaning system
CN115437416A (zh) * 2022-10-17 2022-12-06 杭州市燃气集团有限公司 一种天然气透平膨胀发电系统压力控制方法
CN115437416B (zh) * 2022-10-17 2023-07-11 杭州市燃气集团有限公司 一种天然气透平膨胀发电系统压力控制方法

Similar Documents

Publication Publication Date Title
CN111368393A (zh) 一种ies背景下含需求响应资源的电力系统稳定性评估方法
Ewees et al. Social-spider optimization algorithm for improving ANFIS to predict biochar yield
Tao et al. Fault diagnosis of photovoltaic array based on deep belief network optimized by genetic algorithm
CN102074955B (zh) 基于知识发现技术的电力系统稳定评估及控制方法
CN108832619A (zh) 基于卷积神经网络的电力系统暂态稳定评估方法
CN103413174A (zh) 基于深度学习方法的短期风速多步预测方法
Goudarzi et al. Intelligent analysis of wind turbine power curve models
CN109412161B (zh) 一种电力系统概率潮流计算方法及系统
CN114580706A (zh) 基于gru-lstm神经网络的电力金融业务风控方法及系统
CN110689068B (zh) 一种基于半监督svm的变压器故障类型诊断方法
CN110009141B (zh) 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统
CN110609477A (zh) 一种基于深度学习的电力系统暂态稳定性判别系统及方法
CN116245033A (zh) 人工智能驱动的电力系统分析方法及智能软件平台
Zhang et al. Transient stability prediction of power systems based on deep belief networks
Peng et al. A very short term wind power prediction approach based on Multilayer Restricted Boltzmann Machine
CN115409369A (zh) 基于机理和数据混合驱动的综合能源系统可靠性评估方法
Shan et al. Reliability analysis of power distribution network based on PSO-DBN
Jia et al. Voltage stability constrained operation optimization: An ensemble sparse oblique regression tree method
CN117172413B (zh) 基于多模态数据联合表征和动态权重学习的电网设备运行状态监测方法
Liang et al. Dissolved gas analysis of transformer oil based on Deep Belief Networks
Yue et al. Research of the micro grid renewable energy control system based on renewable related data mining and forecasting technology
Liu The forecast of household power load based on genetic algorithm optimizing BP neural network
CN116187508A (zh) 一种融合知识图谱和深度学习的风电机组故障预测方法
CN115907198A (zh) 一种长距离供热负荷智能预测系统
CN114418287A (zh) 一种含电-气-热耦合系统的微电网频率安全评估方法

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