CN111525577B - 一种基于神经网络的远景220kV电网组网方法及其系统 - Google Patents

一种基于神经网络的远景220kV电网组网方法及其系统 Download PDF

Info

Publication number
CN111525577B
CN111525577B CN202010334219.0A CN202010334219A CN111525577B CN 111525577 B CN111525577 B CN 111525577B CN 202010334219 A CN202010334219 A CN 202010334219A CN 111525577 B CN111525577 B CN 111525577B
Authority
CN
China
Prior art keywords
neural network
short
circuit current
transformer substation
district
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.)
Active
Application number
CN202010334219.0A
Other languages
English (en)
Other versions
CN111525577A (zh
Inventor
席云华
杜兆斌
董楠
谢子豪
徐征
曾雨萌
詹浩钦
朱浩骏
蒙文川
黎立丰
肖天颖
孙思扬
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.)
Energy Development Research Institute of China Southern Power Grid Co Ltd
Original Assignee
Energy Development Research Institute of China Southern Power Grid 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 Energy Development Research Institute of China Southern Power Grid Co Ltd filed Critical Energy Development Research Institute of China Southern Power Grid Co Ltd
Priority to CN202010334219.0A priority Critical patent/CN111525577B/zh
Publication of CN111525577A publication Critical patent/CN111525577A/zh
Application granted granted Critical
Publication of CN111525577B publication Critical patent/CN111525577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于神经网络的远景220kV电网组网方法及系统，所述方法包括：将规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和规划变电站并列运行的主变压器台数共五个参数分别输入至预设BP神经网络模型；所述预设BP神经网络模型根据上述参数进行组网，并输出与组网方式对应的短路电流值；在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。本发明计算短路电流时无需构建详细电路模型，简化了工作流程，提高短路电流计算的效率和结果的准确性，可用于远景220kV网络组网规划。

Description

一种基于神经网络的远景220kV电网组网方法及其系统
技术领域
本发明涉及电网组网技术领域，特别是涉及一种基于神经网络的远景220kV电网组网方法及其系统。
背景技术
目前，针对采用短路计算并校核短路电流上限的组网方法，短路电流计算是其关键。其中，BPA短路电流计算通常分为基于潮流和基于网架两种基本方法，两种计算模式都首先要搭建复杂的大电网网架、完成众多元件参数的填写，适用于现有或5-10年内网架；对于更长远的网架，适用性较差。而电力系统规划设计的远期短路电流计算，一般采用简化或近似计算，需要做出假设：如假设故障前为空载、故障前所有节点电压标幺值等于1；假设系统各元件的电阻略去不计，只计算短路电流基频的周期分量；假定大电网提供给某500kV变电站高压侧母线短路电流接近开关限值，测算极端情况下220kV片网运行方式的承载力等，因此往往存在参数不确定的情况，包括电源电抗参数不确定、线路长度不确定等，从而导致计算结果不精确；同时前面所述的假设条件不确定或出现组合多的情况，会导致短路电流计算复杂、效率低下，最终导致组网方案具有较大的盲目性。
发明内容
本发明的目的在于提供一种基于神经网络的远景220kV电网组网方法及其系统。该方法无需构建详细电路模型计算短路电流，简化了工作流程，提高短路电流计算的效率和结果的准确性，可用于远景220kV网络组网规划。
为了克服上述现有技术中的缺陷，本发明实施例提供一种基于神经网络的远景220kV电网组网方法，包括：
将规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数分别输入至预设BP神经网络模型；
所述预设BP神经网络模型根据所述500kV母线的短路电流、所述主变压器阻抗、所述220kV片区的发电厂额定有功功率、所述220kV片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与组网方式对应的短路电流值；
在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。
优选地，所述基于神经网络的远景220kV电网组网方法，还包括：
保持规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率和220kV片区的发电厂接入电网的电压等级不变，分别输入至预设BP神经网络模型；
将所述规划变电站并列运行的主变压器台数从1至预设的最大台数依次输入至所述预设BP神经网络模型；
所述预设BP神经网络模型根据所述500kV母线的短路电流、所述主变压器阻抗、所述220kV片区的发电厂额定有功功率、所述220kV片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与每种所述组网方式对应的短路电流值；
在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。
优选地，所述预设BP神经网络模型的构建方式，包括：
获取不同网络接线以及不同变电站时的多组变电站历史数据，以获得训练样本数据；每组所述变电站历史数据包括规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；
采用布谷鸟算法对BP神经网络参数进行处理，利用历史数据进行网络训练，以获得参数优化的BP神经网络模型的网络参数；
使用参数优化后的所述BP神经网络模型对多组变电站测试数据进行测试，得到测试结果；每组所述变电站测试数据包括规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；
根据所述测试结果验证参数优化后的所述BP神经网络模型，以获得所述预设BP神经网络模型。
优选地，所述的采用布谷鸟算法对BP神经网络参数进行处理，利用历史数据训练以获取网络参数，包括：
第一步：初始化BP神经网络参数，设置鸟巢数量n、算法迭代最大次数Nmax和切换概率Pa；
第二步：随机产生鸟巢初始位置，对神经网络的阈值Th和权值We进行编码，设置初始值
Figure GDA0002707204700000031
Figure GDA0002707204700000032
为第i个鸟巢在第0代的位置，设置迭代标志t，令t＝1；
第三步：用布谷鸟算法进行搜索，计算目标函数，记录当前最优鸟巢的位置为
Figure GDA0002707204700000033
目标函数采用MSE误差函数，反映网络输出结果与实际结果偏差，具体公式为：
Figure GDA0002707204700000034
其中，M为训练集或测试集样本数量，ym为第m个样本输出参数Outp实际值，
Figure GDA0002707204700000035
为第m个样本输出参数Outp预测值；
第四步：通过莱维飞行对搜索的位置和路径进行更新，获得第t+1代鸟巢位置
Figure GDA0002707204700000036
Figure GDA0002707204700000041
其中，
Figure GDA0002707204700000042
为第i个鸟巢在第t代的位置，α为步长因子，s为步长，s0为最小步长，Γ(λ)是一种gamma函数，L服从莱维分布，λ为莱维指数；
1)当
Figure GDA0002707204700000043
的MSE值大于或等于
Figure GDA0002707204700000044
的MSE值，
Figure GDA0002707204700000045
2)当
Figure GDA0002707204700000046
的MSE值小于
Figure GDA0002707204700000047
的MSE值，对第t+1代鸟巢位置
Figure GDA0002707204700000048
Figure GDA0002707204700000049
根据最小的MSE值确定当前最优鸟巢的位置
Figure GDA00027072047000000410
Figure GDA00027072047000000411
第五步：通过程序的伪随机数生成函数生成一个随机数K，K的范围为[0,1]，
1)在K>Pa时，根据以下公式更新鸟巢的位置：
Figure GDA00027072047000000412
其中，q为范围[0,1]的随机数，
Figure GDA00027072047000000413
和
Figure GDA00027072047000000414
是通过随机排列选择的两个不同解，j∈{1,2,…,n}，k∈{1,2,…,n}；
1.1)当
Figure GDA00027072047000000415
的MSE值大于或等于
Figure GDA00027072047000000416
的MSE值，
Figure GDA00027072047000000417
1.2)当
Figure GDA00027072047000000418
的MSE值小于
Figure GDA00027072047000000419
的MSE值，对第t+1代鸟巢位置
Figure GDA00027072047000000420
Figure GDA00027072047000000421
根据最小的MSE值确定当前最优鸟巢的位置
Figure GDA00027072047000000422
2)在K≤Pa时，不进行鸟巢位置更新；
第六步：令t＝t+1，若t<Nmax，回到第四步；否则到第七步；
第七步：将布谷鸟算法迭代过程产生的最优结果作为BP神经网络模型的网络参数；所述网络参数包括BP神经网络模型的初始权值Th和阈值We。
本发明实施例还提供一种基于神经网络的远景220kV电网组网系统，包括：
输入模块，用于将规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数分别输入至预设BP神经网络模型；
组网模块，用于将所述预设BP神经网络模型根据所述500kV母线的短路电流、所述主变压器阻抗、所述220kV片区的发电厂额定有功功率、所述220kV片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与组网方式对应的短路电流值；
更新模块，用于在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。
优选地，所述远景220kV电网组网系统中：
所述输入模块，还用于保持规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级不变，分别输入至预设BP神经网络模型；以及
将所述规划变电站并列运行的主变压器台数从1至预设的最大台数依次输入至所述预设BP神经网络模型；
所述组网模块，还用于所述预设BP神经网络模型根据所述500kV母线的短路电流、所述主变压器阻抗、所述220kV片区的发电厂额定有功功率、所述220kV片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与每种所述组网方式对应的短路电流值；
所述更新模块，还用于在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。
优选地，所述的远景220kV电网组网系统，还包括预设BP神经网络模型构建模块，所述预设BP神经网络模型构建模，用于：
获取不同网络接线以及不同变电站时的多组变电站历史数据，以获得训练样本数据；每组所述变电站历史数据包括规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；
采用布谷鸟算法对BP神经网络参数进行处理，利用历史数据进行网络训练，以获得参数优化的BP神经网络模型的网络参数；
使用参数优化后的所述BP神经网络模型对多组变电站测试数据进行测试，得到测试结果；每组所述变电站测试数据包括规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；
根据所述测试结果调整参数优化后的所述BP神经网络模型，以获得所述预设BP神经网络模型。
优选地，所述预设BP神经网络模型构建模块，还用于：
第一步：初始化BP神经网络参数，设置鸟巢数量n、算法迭代最大次数Nmax和切换概率Pa；
第二步：随机产生鸟巢初始位置，对神经网络的阈值Th和权值We进行编码，设置初始值
Figure GDA0002707204700000061
Figure GDA0002707204700000062
为第i个鸟巢在第0代的位置，设置迭代标志t，令t＝1；
第三步：用布谷鸟算法进行搜索，计算目标函数，记录当前最优鸟巢的位置为
Figure GDA0002707204700000063
目标函数采用MSE误差函数，反映网络输出结果与实际结果偏差，具体公式为：
Figure GDA0002707204700000064
其中，M为训练集或测试集样本数量，ym为第m个样本输出参数Outp实际值，
Figure GDA0002707204700000065
为第m个样本输出参数Outp预测值；
第四步：通过莱维飞行对搜索的位置和路径进行更新，获得第t+1代鸟巢位置
Figure GDA0002707204700000071
Figure GDA0002707204700000072
其中，
Figure GDA0002707204700000073
为第i个鸟巢在第t代的位置，α为步长因子，s为步长，s0为最小步长，Γ(λ)是一种gamma函数，L服从莱维分布，λ为莱维指数；
1)当
Figure GDA0002707204700000074
的MSE值大于或等于
Figure GDA0002707204700000075
的MSE值，
Figure GDA0002707204700000076
2)当
Figure GDA0002707204700000077
的MSE值小于
Figure GDA0002707204700000078
的MSE值，对第t+1代鸟巢位置
Figure GDA0002707204700000079
Figure GDA00027072047000000710
根据最小的MSE值确定当前最优鸟巢的位置
Figure GDA00027072047000000711
Figure GDA00027072047000000712
第五步：通过程序的伪随机数生成函数生成一个随机数K，K的范围为[0,1]，
1)在K>Pa时，根据以下公式更新鸟巢的位置：
Figure GDA00027072047000000713
其中，q为范围[0,1]的随机数，
Figure GDA00027072047000000714
和
Figure GDA00027072047000000715
是通过随机排列选择的两个不同解，j∈{1,2,…,n}，k∈{1,2,…,n}；
1.1)当
Figure GDA00027072047000000716
的MSE值大于或等于
Figure GDA00027072047000000717
的MSE值，
Figure GDA00027072047000000718
1.2)当
Figure GDA00027072047000000719
的MSE值小于
Figure GDA00027072047000000720
的MSE值，对第t+1代鸟巢位置
Figure GDA00027072047000000721
Figure GDA00027072047000000722
根据最小的MSE值确定当前最优鸟巢的位置
Figure GDA00027072047000000723
2)在K≤Pa时，不进行鸟巢位置更新；
第六步：令t＝t+1，若t<Nmax，回到第四步；否则到第七步；
第七步：将布谷鸟算法迭代过程产生的最优结果作为BP神经网络模型的网络参数；所述网络参数包括BP神经网络模型的初始权值Th和阈值We。
本发明实施例还提供一种计算机终端设备，包括存储器和处理器；所述存储器与所述处理器耦接，用于存储一个或多个程序；所述处理器用于根据所述程序中的指令执行权利要求1-4任一项所述的基于神经网络的远景220kV电网组网方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的基于神经网络的远景220kV电网组网方法。
本发明实施例，相对现有技术，具有如下有益效果：无需构建详细电路模型计算短路电流，大大简化了工作流程，计算量少，可以使短路电流的计算更加便捷和高效，同时提高结果的精确性，可用于远景220kV网络组网规划。
附图说明
图1是本发明某一个实施例提供的基于神经网络的远景220kV电网组网方法的流程示意图；
图2是本发明某一个实施例提供的BP神经网络过程结构示意图；
图3是本发明某一个实施例提供的基于神经网络的远景220kV电网组网方法的步骤示意图；
图4是本发明某一个实施例提供的预设BP神经网络模型的构建方式流程图；
图5是本发明某一个实施例提供的基于神经网络的远景220kV电网组网系统的模块连接图。
具体实施方式
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。
请参阅图1，本发明某一实施例提供一种基于神经网络的远景220kV电网组网方法，包括：
S10、将规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数分别输入至预设BP神经网络模型；
S20、所述预设BP神经网络模型根据所述500kV母线的短路电流、所述主变压器阻抗、所述220kV片区的发电厂额定有功功率、所述220kV片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与组网方式对应的短路电流值；
S30、在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。
在本实施例中，提供一种基于神经网络的远景220kV电网组网方法，需要指出的是，城市220kV电网的典型接线主要包括：简单闭式双环网，其220kV电网的两端电源出自同一500kV变电站，500kV变电站是否分站运行会造成片区短路电流存在差异；简单闭式环网的局部加固，增加了电网的短路电流支路；链式网，两端电源来自不同的500kV变电站，由于两个500kV变电站一般相距较远，其他条件相同情况下，电气距离增大有利于降低短路电流。
请参阅图2，在本发明的某一实施例中，所述BP神经网络是一个多层前馈神经网络，具有强大的非线性映射能力和灵活的网络结构，通过误差反向传播算法进行训练。典型的BP神经网络共有三层，分别为输入层，隐藏层和输出层。利用梯度搜索理论，使神经网络输出与期望输出的误差趋近于最小值。前向传播，是数据从输入层经过隐藏层到输出层的过程。反向传播，是输出误差由输出层到输入层的逆向传播过程，依据此误差信号修正每个神经元的阈值和权值。这两个过程不断进行循环，直至网络达到预期的输出响应，过程结构可参照图3。
本发明的某一实施例中，步骤S10、将规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数分别输入至预设BP神经网络模型还包括以下子步骤：
保持规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级不变，分别输入至预设BP神经网络模型；
将所述规划变电站并列运行的主变压器台数从1至预设的最大台数依次输入至所述预设BP神经网络模型。
在本实施例中，需要说明的是，500kV系统阻抗的标幺值与500kV母线短路电流相关，而这个短路电流的限值可能不确定，可将此短路电流作为一类神经网络输入。500kV变电站变压器高-中侧阻抗的标幺值(规划变电站主变压器阻抗)与并列运行的主变压器台数、主变压器参数有关，将主变压器阻抗也作为一类神经网络输入。220kV片区是否有当地电厂接入也将影响最终的短路电流结果，这一个不确定条件可以转变为发电厂额定有功功率及其接入电网的电压等级作为神经网络输入。组网方式不同得到的短路电流不同，则变电站并列运行的主变压器台数也作为一类神经网络输入。综上所述，为了计算规划变电站主变压器并列运行的220kV母线短路电流而搭建的人工神经网络模型的五个输入，即大电网提供给规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级、规划变电站并列运行的主变压器台数这五类，将规划变电站主变压器并列运行的220kV侧母线短路电流作为输出。用含六项参数的不同的历史规划方案或实际电网的组网方式来进行BP神经模型的训练，经过验证满足精度要求后可得到适用的用于预测规划变电站组网方式的BP神经网络。需要研究远景220kV组网方式时，先确定大电网提供给规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级这四类参数，因规划变电站并列运行的主变压器台数是未知的，可以依次输入可能的主变压器台数，一般来说，并列运行的主变压器台数上限有限，一般不会超过六台，若通过BP神经网络计算得到的规划变电站主变压器并列运行的220kV母线短路电流值符合要求，则可以得出可行的220kV组网方案，最终获得所有可行方案的集合供设计人员使用。
请参阅图3，在本发明的某一实施例中，在对远景220kV组网方式进行研究时，本方法先对规划变电站500kV母线的短路电流Unc1、规划变电站主变压器阻抗Unc2、220kV片区的发电厂额定有功功率Unc3及其接入电网的电压等级Unc4赋予新标签值并维持恒定不变，然后将变电站并列运行的主变压器台数测试值Unc5用循环从1至TmaxN依次输入进神经网络，TmaxN为经验值，假设为小于等于6的自然数，通过判断规划变电站主变压器并列运行的220kV母线的短路电流输出值If与上限值Imax的大小来判断组网方式是否可行。
本发明的某一实施例中，提供了如表1所示的20组训练样本数据，其中，BP神经网络模型输入层有五个神经元输入五种变量，隐藏层有4个神经元，输出层有1个神经元输出规划变电站主变压器并列运行的220kV母线短路电流。布谷鸟算法中用到的参数：鸟巢数量n为20，算法最大迭代次数为50，步长因子α为0.01，莱维指数λ为1.5，切换概率pa为0.25。
Figure GDA0002707204700000121
表1
然后再选择4组测试数据来进行校验，校验结果请参阅表2，包括给出四组测试数据对应预测的规划变电站主变压器并列运行的220kV侧母线短路电流值、以及实际值和二者之间的误差值；
可以看出，测试结果与实际值比较贴合，可以使用该神经网络进行短路电流的计算。
Figure GDA0002707204700000122
Figure GDA0002707204700000131
表2
在本发明实施例中，还提供了4组新标签数据，如表3所示，分别预测4个方案中短路电流限制下规划变电站并列运行的主变压器台数允许最大值Unc5max，其中并列运行的主变压器台数选择范围[1,6]。
Unc1(kA) Unc2(标幺值) Unc3(MW) Unc4(kV)
1 63 34.2 0 220
2 50 34.2 600 220
3 63 26.6 600 220
4 50 26.6 600 220
表3
通过本专利提出的方法对表3新标签数据进行预测，预测结果见表4，分析发现与理论计算值相近，可知方案1、2、3和4相应的规划变电站并列运行的主变压器台数最大值Unc5max分别为3、3、3和2。
Figure GDA0002707204700000132
表4
本发明的某一实施例中，提供了所述预设BP神经网络模型的构建方式，请参阅图4，所述步骤包括：
S01、获取不同网络接线以及不同变电站时的多组变电站历史数据，以获得训练样本数据；每组所述变电站历史数据包括规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；
S02、采用布谷鸟算法对BP神经网络参数进行处理，利用历史数据进行网络训练，以获得参数优化的BP神经网络模型的网络参数；
S03、使用参数优化后的所述BP神经网络模型对多组变电站测试数据进行测试，得到测试结果；每组所述变电站测试数据包括规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；
S04、根据所述测试结果验证参数优化后的所述BP神经网络模型，以获得所述预设BP神经网络模型。
本发明的某一实施例中，提供所述步骤S02、采用布谷鸟算法对BP神经网络参数进行处理，利用历史数据训练以获取网络参数的子步骤，包括：
第一步：初始化BP神经网络参数，设置鸟巢数量n、算法迭代最大次数Nmax和切换概率Pa；
第二步：随机产生鸟巢初始位置，对神经网络的阈值Th和权值We进行编码，设置初始值
Figure GDA0002707204700000141
Figure GDA0002707204700000142
为第i个鸟巢在第0代的位置，设置迭代标志t，令t＝1；
第三步：用布谷鸟算法进行搜索，计算目标函数，记录当前最优鸟巢的位置为
Figure GDA0002707204700000143
目标函数采用MSE误差函数，反映网络输出结果与实际结果偏差，具体公式为：
Figure GDA0002707204700000151
其中，M为训练集或测试集样本数量，ym为第m个样本输出参数Outp实际值，
Figure GDA0002707204700000152
为第m个样本输出参数Outp预测值；
第四步：通过莱维飞行对搜索的位置和路径进行更新，获得第t+1代鸟巢位置
Figure GDA0002707204700000153
Figure GDA0002707204700000154
其中，
Figure GDA0002707204700000155
为第i个鸟巢在第t代的位置，α为步长因子，s为步长，s0为最小步长，Γ(λ)是一种gamma函数，L服从莱维分布，λ为莱维指数；
1)当
Figure GDA0002707204700000156
的MSE值大于或等于
Figure GDA0002707204700000157
的MSE值，
Figure GDA0002707204700000158
2)当
Figure GDA0002707204700000159
的MSE值小于
Figure GDA00027072047000001510
的MSE值，对第t+1代鸟巢位置
Figure GDA00027072047000001511
Figure GDA00027072047000001512
根据最小的MSE值确定当前最优鸟巢的位置
Figure GDA00027072047000001513
Figure GDA00027072047000001514
第五步：通过程序的伪随机数生成函数生成一个随机数K，K的范围为[0,1]，
1)在K>Pa时，根据以下公式更新鸟巢的位置：
Figure GDA00027072047000001515
其中，q为范围[0,1]的随机数，
Figure GDA00027072047000001516
和
Figure GDA00027072047000001517
是通过随机排列选择的两个不同解，j∈{1,2,…,n}，k∈{1,2,…,n}；
1.1)当
Figure GDA00027072047000001518
的MSE值大于或等于
Figure GDA00027072047000001519
的MSE值，
Figure GDA00027072047000001520
1.2)当
Figure GDA00027072047000001521
的MSE值小于
Figure GDA00027072047000001522
的MSE值，对第t+1代鸟巢位置
Figure GDA00027072047000001523
Figure GDA00027072047000001524
根据最小的MSE值确定当前最优鸟巢的位置
Figure GDA00027072047000001525
2)在K≤Pa时，不进行鸟巢位置更新；
第六步：令t＝t+1，若t<Nmax，回到第四步；否则到第七步；
第七步：将布谷鸟算法迭代过程产生的最优结果作为BP神经网络模型的网络参数；所述网络参数包括BP神经网络模型的初始权值Th和阈值We。
本发明的某一实施例还提供一种基于神经网络的远景220kV电网组网系统，包括：
输入模块，用于将规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数分别输入至预设BP神经网络模型；
组网模块，用于所述预设BP神经网络模型根据所述500kV母线的短路电流、所述主变压器阻抗、所述220kV片区的发电厂额定有功功率、所述220kV片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与组网方式对应的短路电流值；
更新模块，用于在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。
本发明的某一实施例中，所述远景220kV电网组网系统中，
所述输入模块，还用于保持规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级不变，分别输入至预设BP神经网络模型；以及
将所述规划变电站并列运行的主变压器台数从1至预设的最大台数依次输入至所述预设BP神经网络模型；
所述组网模块，还用于所述预设BP神经网络模型根据所述500kV母线的短路电流、所述主变压器阻抗、所述220kV片区的发电厂额定有功功率、所述220kV片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与每种所述组网方式对应的短路电流值；
所述更新模块，还用于在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。
本发明的某一实施例中，所述的远景220kV电网组网系统，还包括预设BP神经网络模型构建模块，所述预设BP神经网络模型构建模，用于：
获取不同网络接线以及不同变电站时的多组变电站历史数据，以获得训练样本数据；每组所述变电站历史数据包括规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；
采用布谷鸟算法对BP神经网络参数进行处理，利用历史数据进行网络训练，以获得参数优化的BP神经网络模型的网络参数；
使用参数优化后的所述BP神经网络模型对多组变电站测试数据进行测试，得到测试结果；每组所述变电站测试数据包括规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；
根据所述测试结果调整参数优化后的所述BP神经网络模型，以获得所述预设BP神经网络模型。
本发明的某一实施例中，所述预设BP神经网络模型构建模，还用于：
第一步：初始化BP神经网络参数，设置鸟巢数量n、算法迭代最大次数Nmax和切换概率Pa；
第二步：随机产生鸟巢初始位置，对神经网络的阈值Th和权值We进行编码，设置初始值
Figure GDA0002707204700000171
Figure GDA0002707204700000172
为第i个鸟巢在第0代的位置，设置迭代标志t，令t＝1；
第三步：用布谷鸟算法进行搜索，计算目标函数，记录当前最优鸟巢的位置为
Figure GDA0002707204700000181
目标函数采用MSE误差函数，反映网络输出结果与实际结果偏差，具体公式为：
Figure GDA0002707204700000182
其中，M为训练集或测试集样本数量，ym为第m个样本输出参数Outp实际值，
Figure GDA0002707204700000183
为第m个样本输出参数Outp预测值；
第四步：通过莱维飞行对搜索的位置和路径进行更新，获得第t+1代鸟巢位置
Figure GDA0002707204700000184
Figure GDA0002707204700000185
其中，
Figure GDA0002707204700000186
为第i个鸟巢在第t代的位置，α为步长因子，s为步长，s0为最小步长，Γ(λ)是一种gamma函数，L服从莱维分布，λ为莱维指数；
1)当
Figure GDA0002707204700000187
的MSE值大于或等于
Figure GDA0002707204700000188
的MSE值，
Figure GDA0002707204700000189
2)当
Figure GDA00027072047000001810
的MSE值小于
Figure GDA00027072047000001811
的MSE值，对第t+1代鸟巢位置
Figure GDA00027072047000001812
Figure GDA00027072047000001813
根据最小的MSE值确定当前最优鸟巢的位置
Figure GDA00027072047000001814
Figure GDA00027072047000001815
第五步：通过程序的伪随机数生成函数生成一个随机数K，K的范围为[0,1]，
1)在K>Pa时，根据以下公式更新鸟巢的位置：
Figure GDA00027072047000001816
其中，q为范围[0,1]的随机数，
Figure GDA00027072047000001817
和
Figure GDA00027072047000001818
是通过随机排列选择的两个不同解，j∈{1,2,…,n}，k∈{1,2,…,n}；
1.1)当
Figure GDA0002707204700000191
的MSE值大于或等于
Figure GDA0002707204700000192
的MSE值，
Figure GDA0002707204700000193
1.2)当
Figure GDA0002707204700000194
的MSE值小于
Figure GDA0002707204700000195
的MSE值，对第t+1代鸟巢位置
Figure GDA0002707204700000196
Figure GDA0002707204700000197
根据最小的MSE值确定当前最优鸟巢的位置
Figure GDA0002707204700000198
2)在K≤Pa时，不进行鸟巢位置更新；
第六步：令t＝t+1，若t<Nmax，回到第四步；否则到第七步；
第七步：将布谷鸟算法迭代过程产生的最优结果作为BP神经网络模型的网络参数；所述网络参数包括BP神经网络模型的初始权值Th和阈值We。
本发明实施例还提供一种计算机终端设备，包括存储器和处理器；所述存储器与所述处理器耦接，用于存储一个或多个程序；所述处理器用于根据所述程序中的指令执如上述任意一个实施例中的一种基于神经网络的远景220kV电网组网方法。
本发明实施例还提供一种计算机可读存储介质，用于存储程序代码，所述程序代码用于执行如上述任意一个实施例中的一种基于神经网络的远景220kV电网组网方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，构建完整疾病深度分析决策系统，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于神经网络的远景220kV电网组网方法，其特征在于，包括：
将规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数分别输入至预设BP神经网络模型；
所述预设BP神经网络模型根据所述500kV母线的短路电流、所述主变压器阻抗、所述220kV片区的发电厂额定有功功率、所述220kV片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与组网方式对应的短路电流值；
在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。
2.根据权利要求1所述的远景220kV电网组网方法，其特征在于，还包括：
保持规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率和220kV片区的发电厂接入电网的电压等级不变，分别输入至预设BP神经网络模型；
将所述规划变电站并列运行的主变压器台数从1至预设的最大台数依次输入至所述预设BP神经网络模型；
所述预设BP神经网络模型根据所述500kV母线的短路电流、所述主变压器阻抗、所述220kV片区的发电厂额定有功功率、所述220kV片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与每种所述组网方式对应的短路电流值；
在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。
3.根据权利要求1所述的远景220kV电网组网方法，其特征在于，所述预设BP神经网络模型的构建方式包括：
获取不同网络接线以及不同变电站时的多组变电站历史数据，以获得训练样本数据；每组所述变电站历史数据包括规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；
采用布谷鸟算法对BP神经网络参数进行处理，利用历史数据进行网络训练，以获得参数优化的BP神经网络模型的网络参数；
使用参数优化后的所述BP神经网络模型对多组变电站测试数据进行测试，得到测试结果；每组所述变电站测试数据包括规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；
根据所述测试结果验证参数优化后的所述BP神经网络模型，以获得所述预设BP神经网络模型。
4.根据权利要求3所述的远景220kV电网组网方法，其特征在于，所述的采用布谷鸟算法对BP神经网络参数进行处理，利用历史数据训练以获取网络参数，包括：
第一步：初始化BP神经网络参数，设置鸟巢数量n、算法迭代最大次数Nmax和切换概率Pa；
第二步：随机产生鸟巢初始位置，对神经网络的阈值Th和权值We进行编码，设置初始值
Figure FDA0002707204690000021
Figure FDA0002707204690000022
为第i个鸟巢在第0代的位置，设置迭代标志t，令t＝1；
第三步：用布谷鸟算法进行搜索，计算目标函数，记录当前最优鸟巢的位置为
Figure FDA0002707204690000023
b∈{1,2,…,n}；
目标函数采用MSE误差函数，反映网络输出结果与实际结果偏差，具体公式为：
Figure FDA0002707204690000031
其中，M为训练集或测试集样本数量，ym为第m个样本输出参数Outp实际值，
Figure FDA0002707204690000032
为第m个样本输出参数Outp预测值；
第四步：通过莱维飞行对搜索的位置和路径进行更新，获得第t+1代鸟巢位置
Figure FDA0002707204690000033
Figure FDA0002707204690000034
其中，
Figure FDA0002707204690000035
为第i个鸟巢在第t代的位置，α为步长因子，s为步长，s0为最小步长，Γ(λ)是一种gamma函数，L服从莱维分布，λ为莱维指数；
1)当
Figure FDA0002707204690000036
的MSE值大于或等于
Figure FDA0002707204690000037
的MSE值，
Figure FDA0002707204690000038
2)当
Figure FDA0002707204690000039
的MSE值小于
Figure FDA00027072046900000310
的MSE值，对第t+1代鸟巢位置
Figure FDA00027072046900000311
i∈{1,2,…,n}，根据最小的MSE值确定当前最优鸟巢的位置
Figure FDA00027072046900000312
b∈{1,2,…,n}；
第五步：通过程序的伪随机数生成函数生成一个随机数K，K的范围为[0,1]，
1)在K>Pa时，根据以下公式更新鸟巢的位置：
Figure FDA00027072046900000313
其中，q为范围[0,1]的随机数，
Figure FDA00027072046900000314
和
Figure FDA00027072046900000315
是通过随机排列选择的两个不同解，j∈{1,2,…,n}，k∈{1,2,…,n}；
1.1)当
Figure FDA00027072046900000316
的MSE值大于或等于
Figure FDA00027072046900000317
的MSE值，
Figure FDA00027072046900000318
1.2)当
Figure FDA00027072046900000319
的MSE值小于
Figure FDA00027072046900000320
的MSE值，对第t+1代鸟巢位置
Figure FDA00027072046900000321
i∈{1,2,…,n}，根据最小的MSE值确定当前最优鸟巢的位置
Figure FDA00027072046900000322
b∈{1,2,…,n}；
2)在K≤Pa时，不进行鸟巢位置更新；
第六步：令t＝t+1，若t<Nmax，回到第四步；否则到第七步；
第七步：将布谷鸟算法迭代过程产生的最优结果作为BP神经网络模型的网络参数；所述网络参数包括BP神经网络模型的初始权值Th和阈值We。
5.一种基于神经网络的远景220kV电网组网系统，其特征在于，包括：
输入模块，用于将规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数分别输入至预设BP神经网络模型；
组网模块，用于将所述预设BP神经网络模型根据所述500kV母线的短路电流、所述主变压器阻抗、所述220kV片区的发电厂额定有功功率、所述220kV片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与组网方式对应的短路电流值；
更新模块，用于在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。
6.根据权利要求5所述的远景220kV电网组网系统，其特征在于，还包括：
所述输入模块，还用于保持规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级不变，分别输入至预设BP神经网络模型；以及
将所述规划变电站并列运行的主变压器台数从1至预设的最大台数依次输入至所述预设BP神经网络模型；
所述组网模块，还用于所述预设BP神经网络模型根据所述500kV母线的短路电流、所述主变压器阻抗、所述220kV片区的发电厂额定有功功率、所述220kV片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与每种所述组网方式对应的短路电流值；
所述更新模块，还用于在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。
7.根据权利要求5所述的远景220kV电网组网系统，其特征在于，还包括预设BP神经网络模型构建模块，所述预设BP神经网络模型构建模，用于：
获取不同网络接线以及不同变电站时的多组变电站历史数据，以获得训练样本数据；每组所述变电站历史数据包括规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；
采用布谷鸟算法对BP神经网络参数进行处理，利用历史数据进行网络训练，以获得参数优化的BP神经网络模型的网络参数；
使用参数优化后的所述BP神经网络模型对多组变电站测试数据进行测试，得到测试结果；每组所述变电站测试数据包括规划变电站500kV母线的短路电流、规划变电站主变压器阻抗、220kV片区的发电厂额定有功功率、220kV片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；
根据所述测试结果调整参数优化后的所述BP神经网络模型，以获得所述预设BP神经网络模型。
8.根据权利要求7所述的远景220kV电网组网系统，其特征在于，所述预设BP神经网络模型构建模块，还用于：
第一步：初始化BP神经网络参数，设置鸟巢数量n、算法迭代最大次数Nmax和切换概率Pa；
第二步：随机产生鸟巢初始位置，对神经网络的阈值Th和权值We进行编码，设置初始值
Figure FDA0002707204690000061
Figure FDA0002707204690000062
为第i个鸟巢在第0代的位置，设置迭代标志t，令t＝1；
第三步：用布谷鸟算法进行搜索，计算目标函数，记录当前最优鸟巢的位置为
Figure FDA0002707204690000063
b∈{1,2,…,n}；
目标函数采用MSE误差函数，反映网络输出结果与实际结果偏差，具体公式为：
Figure FDA0002707204690000064
其中，M为训练集或测试集样本数量，ym为第m个样本输出参数Outp实际值，
Figure FDA0002707204690000065
为第m个样本输出参数Outp预测值；
第四步：通过莱维飞行对搜索的位置和路径进行更新，获得第t+1代鸟巢位置
Figure FDA0002707204690000066
Figure FDA0002707204690000067
其中，
Figure FDA0002707204690000068
为第i个鸟巢在第t代的位置，α为步长因子，s为步长，s0为最小步长，Γ(λ)是一种gamma函数，L服从莱维分布，λ为莱维指数；
1)当
Figure FDA0002707204690000069
的MSE值大于或等于
Figure FDA00027072046900000610
的MSE值，
Figure FDA00027072046900000611
2)当
Figure FDA00027072046900000612
的MSE值小于
Figure FDA00027072046900000613
的MSE值，对第t+1代鸟巢位置
Figure FDA00027072046900000614
i∈{1,2,…,n}，根据最小的MSE值确定当前最优鸟巢的位置
Figure FDA00027072046900000615
b∈{1,2,…,n}；
第五步：通过程序的伪随机数生成函数生成一个随机数K，K的范围为[0,1]，
1)在K>Pa时，根据以下公式更新鸟巢的位置：
Figure FDA0002707204690000071
其中，q为范围[0,1]的随机数，
Figure FDA0002707204690000072
和
Figure FDA0002707204690000073
是通过随机排列选择的两个不同解，j∈{1,2,…,n}，k∈{1,2,…,n}；
1.1)当
Figure FDA0002707204690000074
的MSE值大于或等于
Figure FDA0002707204690000075
的MSE值，
Figure FDA0002707204690000076
1.2)当
Figure FDA0002707204690000077
的MSE值小于
Figure FDA0002707204690000078
的MSE值，对第t+1代鸟巢位置
Figure FDA0002707204690000079
i∈{1,2,…,n}，根据最小的MSE值确定当前最优鸟巢的位置
Figure FDA00027072046900000710
b∈{1,2,…,n}；
2)在K≤Pa时，不进行鸟巢位置更新；
第六步：令t＝t+1，若t<Nmax，回到第四步；否则到第七步；
第七步：将布谷鸟算法迭代过程产生的最优结果作为BP神经网络模型的网络参数；所述网络参数包括BP神经网络模型的初始权值Th和阈值We。
9.一种计算机终端设备，其特征在于，包括存储器和处理器；
所述存储器与所述处理器耦接，用于存储一个或多个程序；
所述处理器用于根据所述程序中的指令执行权利要求1-4任一项所述的基于神经网络的远景220kV电网组网方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的基于神经网络的远景220kV电网组网方法。
CN202010334219.0A 2020-04-24 2020-04-24 一种基于神经网络的远景220kV电网组网方法及其系统 Active CN111525577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010334219.0A CN111525577B (zh) 2020-04-24 2020-04-24 一种基于神经网络的远景220kV电网组网方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010334219.0A CN111525577B (zh) 2020-04-24 2020-04-24 一种基于神经网络的远景220kV电网组网方法及其系统

Publications (2)

Publication Number Publication Date
CN111525577A CN111525577A (zh) 2020-08-11
CN111525577B true CN111525577B (zh) 2020-12-01

Family

ID=71904554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010334219.0A Active CN111525577B (zh) 2020-04-24 2020-04-24 一种基于神经网络的远景220kV电网组网方法及其系统

Country Status (1)

Country Link
CN (1) CN111525577B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114069581A (zh) * 2021-11-19 2022-02-18 国家电网有限公司 一种电网短路电流限制方法
CN114139737B (zh) * 2021-11-19 2024-10-18 广东电网有限责任公司电力调度控制中心 一种适用于厂站母线失压的优化方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2542193C (en) * 2006-04-06 2009-02-03 Programmable Control Services, Inc. Electrical power distribution control systems and processes
CN103077212B (zh) * 2012-12-28 2016-06-08 广东电网公司电力科学研究院 变电站配置文件管控方法和系统
CN108537415A (zh) * 2018-03-20 2018-09-14 深圳市泰和安科技有限公司 一种在线式安全用电的配电方法、装置及系统
CN110034585A (zh) * 2019-05-08 2019-07-19 蔡浩 一种分布式电源快速规划方法
CN110569534B (zh) * 2019-07-22 2024-02-20 中国电力科学研究院有限公司 一种考虑短路电流影响的新能源并网规模确定方法及系统

Also Published As

Publication number Publication date
CN111525577A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
CN110348048B (zh) 基于考虑热岛效应负荷预测的配电网优化重构方法
CN112653142B (zh) 优化深度Transformer网络的风电功率预测方法及系统
CN112487702A (zh) 一种锂离子电池剩余使用寿命预测方法
CN111525577B (zh) 一种基于神经网络的远景220kV电网组网方法及其系统
CN111859733B (zh) 一种基于蚁群算法的汽车排气系统可靠性优化方法
CN113722980B (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
CN113468817A (zh) 一种基于igoa优化elm的超短期风电功率预测方法
CN110046774A (zh) 一种配电网故障定位方法、装置及相关设备
CN114781692A (zh) 短期电力负荷预测方法、装置及电子设备
CN118040678A (zh) 一种短期海上风电功率组合预测方法
CN118050589A (zh) 一种基于智能算法的故障区段定位方法
CN111639463B (zh) 一种基于XGBoost算法的电力系统扰动后频率特征预测方法
CN117639093A (zh) 微电网多目标区间优化调度方法、装置、存储介质
CN111860617A (zh) 一种配电网综合优化运行方法
CN116840617A (zh) 一种基于分层模型与改进鲸鱼算法的配电网故障定位方法
CN115800397A (zh) 一种配电台区拓扑优化方法、系统、设备及介质
CN115630316A (zh) 基于改进长短期记忆网络的超短期风速预测方法
Wang et al. Adequacy assessment of power-generating systems including wind power integration based on ant colony system algorithm
CN113592565B (zh) 一种电力系统节点重要度预测方法
CN116451049B (zh) 基于代理辅助进化神经网络结构搜索的风电功率预测方法
CN117763939A (zh) 基于多策略混合模型的混压多回路感应预测方法及系统
CN116526463A (zh) 一种基于cnn-lstm模型含分布式电源的低压配电网拓扑辨识方法
Wang et al. Artificial immune system based reliability appraisal methodology of power generation systems with wind power penetration
CN116865353A (zh) 一种基于iboa-vikor的多目标配电网优化与评价方法
CN117040032A (zh) 一种基于impa算法的多目标配电网重构方法

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