CN112241836B - 一种基于增量学习的虚拟负荷主导参数辨识方法 - Google Patents
一种基于增量学习的虚拟负荷主导参数辨识方法 Download PDFInfo
- Publication number
- CN112241836B CN112241836B CN202011080582.0A CN202011080582A CN112241836B CN 112241836 B CN112241836 B CN 112241836B CN 202011080582 A CN202011080582 A CN 202011080582A CN 112241836 B CN112241836 B CN 112241836B
- Authority
- CN
- China
- Prior art keywords
- training
- identification
- samples
- sample
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000001308 synthesis method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于增量学习的虚拟负荷主导参数辨识方法,包括:(1)将虚拟负荷模型主导参数随机取值仿真;(2)建立深度学习神经网络;(3)深度神经网络增量学习;(4)在线快速辨识与循环训练;本发明主要介绍了增量学习应用于电力系统分析的可行性,并将其与负荷参数辨识相结合,在保证辨识精度的同时提高了训练效率,在防止灾难性遗忘的同时保持了存储开销,为参数辨识中训练样本的处理提供了一种新思路,也为虚拟负荷模型主导参数的在线辨识提供了技术支撑;通过持续训练在线快速辨识的思路,将卷积神经网络应用于负荷模型的参数辨识,在电网大数据平台上实现了虚拟负荷模型主导参数的在线辨识,不断循环,持续训练。
Description
技术领域
本发明涉及电力系统负荷辨识领域,具体涉及一种基于增量学习的虚拟负荷主导参数辨识方法。
背景技术
在实际电力系统运行监测中,准确的负荷模型在电力系统的安全稳定运行上起着十分重要的作用。不同的负荷模型导致稳定计算的结果差别很大,甚至是完全相反的结果。因此,如何建立准确的负荷模型、获得准确的模型参数一直是学者们关注的热点课题,长期以来受到广泛关注。负荷建模主要有两大类方法,分别为统计综合法和总体测辨法。统计综合法首先将负荷分类,然后统计每类负荷的特性,综合得出负荷的总体特性。统计综合法的缺点在于统计工作费时费力,并且统计工作不可能在线进行。随着近些年来WAMS、PMU、SCADA等量测系统的快速发展,基于实测数据的总体测辨法成为了负荷建模领域的主流方法,其与人工智能和机器学习的应用是密不可分的。
随着人工智能和机器学习的发展,人们开发了很多机器学习算法。这些算法大部分都是批量学习 (Batch Learning)模式,即假设在训练之前所有训练样本一次都可以得到,学习这些样本之后,学习过程就终止了,不再学习新的知识。然而在实际应用中,训练样本通常不可能一次全部得到,而是随着时间逐步获取,并且样本反映的信息也可能随着时间产生了变化。如果新样本到达后要重新学习全部数据,需要消耗大量时间和空间,因此批量学习的算法不能满足这种需求。而增量学习可以渐进的进行知识更新,且能修正和加强以前的知识,使得更新后的知识能适应新到达的数据,不必重新对全部数据进行学习。
发明内容
本发明要解决的技术问题为:参数辨识结合神经网络增量学习,将母线在线量测的波形与虚拟负荷模型主导参数随机取值仿真得到的波形同时纳入训练。提出一套基于增量学习的虚拟负荷主导参数辨识流程,在保证辨识精度的同时提高了训练效率。克服了大量增长的实测数据与有效处理手段缺乏的矛盾,为电网运行人员进行参数辨识分析提供了新的途径。
为了实现上述发明目的,本发明采取的技术方案具体为:基于增量学习的虚拟负荷主导参数辨识方法,包括以下步骤:
步骤1:从虚拟负荷模型选取主导参数随机取值进行PSASP仿真获得新训练样本;
步骤2:选取卷积神经网络建立深度学习神经网络;
步骤3:对深度神经网络中样本进行增量学习;其中:选取旧样本中代表性的样本送入步骤2中建立的深度学习网络,与步骤1中生成的新训练样本结合进行训练,在训练过程中同时使用不同批次的训练样本,达成训练新样本的同时对老样本的误差进行约束;
步骤4:在线快速辨识与循环训练:从PMU等量测模块得到有效的在线量测波形后,将其送入步骤3中已训练的深度学习神经网络进行参数辨识,得出的辨识参数进行PSASP仿真评估性的量测样本;将所述量测样本送入步骤3中训练样本中循环训练。
进一步,所述步骤3中,所述深度学习神经网络中有关网络参数训练的增量学习方法为:
通过对深度学习神经网络的旧样本选取代表性样本形成样本库;提取代表性样本与步骤1中生成的新训练样本按比例结合送入深度学习神经网络继续训练;达到在训练过程中同时使用不同批次的训练样本,训练新样本的同时对老样本的误差进行约束。
进一步,所述步骤4中,循环训练方法为:
从PMU等量测得到有效的在线量测数据后,将其送入步骤3中训练好的深度神经网络进行参数辨识,得出的结果再送入PSASP进行仿真;经仿真后得出的波形与实际量测波形进行对比,评估辨识准确性:若拟合较准,则输出辨识结果,并保存至样本库参与后续训练;若拟合误差较大,则通过粒子群算法进行单独辨识,结果保存至样本库参与后续训练,如此循环。
有益效果
1、本发明主要介绍了增量学习应用于电力系统分析的可行性,并将其与负荷参数辨识相结合,在保证辨识精度的同时提高了训练效率,在防止灾难性遗忘的同时保持了存储开销,为参数辨识中训练样本的处理提供了一种新思路。
2、本发明提出的方案,也为虚拟负荷模型主导参数的在线辨识提供了技术支撑。通过持续训练在线快速辨识的思路,将卷积神经网络应用于负荷模型的参数辨识,在电网大数据平台上实现了虚拟负荷模型主导参数的在线辨识。
附图说明:
图1为本发明的流程图。
图2为本发明涉及虚拟负荷结构图
具体实施方式
下面结合附图对本发明作出详细说明。
如图1所示,本发明提供一种基于增量学习的虚拟负荷主导参数辨识方法,包括以下步骤:
步骤1:将虚拟负荷模型主导参数随机取值仿真:虚拟负荷是多源异构负荷的聚合体,强调负荷整体对大电网呈现的功能和效用,在不改变现有负荷的接入方式下,通过先进的控制、计量、通信等技术聚合负荷。其整合了各传统模型并添加了分布式新能源模型,相比传统的综合负荷模型,其模型更为精确、细节更为完善,更有利于大电网的负荷的协调优化调度(如图2所示)。选取其主导参数进行一定范围内随机取值并仿真,可以得到大量训练样本。
其中Z、I为静态负荷模型中恒阻抗与恒电流所占比例(ZP+IP+PP=1,ZQ同理),KM为电动机所占总负荷有功功率比例,LF为感应电机滑差,KDG为分布式能源有功占比。以上几个为对响应波形影响较大的主导参数,当其变化时对扰动波形的影响较为显著。其余参数的变动较不敏感采用IEEE典型值即可(例如电机内部参数)。在PSASP中采用IEEE39节点进行仿真,通过临近线路接地使电压随机跌落,对待辨识母线出口进行U、P、Q波形量测。对母线下方负荷采用虚拟负荷聚合模型,仿真生成大量扰动波形进行训练。
步骤2:建立深度学习神经网络,选取卷积神经网络。标准深度前馈网络由输入层、隐藏层和输出层三个部分组成,输入一般为一维列向量,层级均为全连接层,可以将其视为一个描述函数之间关联关系的有向无环图。在标准前馈神经网络输入层之前,增加多层卷积-池化层等特征提取手段增强深度学习网络的分类预测能力,同时在隐藏层随机删除神经元防止训练过拟合。
步骤3:神经网络增量学习:选取旧样本中代表性的样本送入深度学习网络,与步骤1中生成的新训练样本结合进行训练,在训练过程中同时使用不同批次的训练样本,达成训练新样本的同时对老样本的误差进行约束。
其中,将代表性样本定义为数据集中部分样本能表现出整体的绝大多数特征,进而不必在每次读取时将整个数据集遍历一轮,在这里代表性样本选取的一般方法是选择分类误差最小的样本或取每类的平均值中心,分别对应有监督学习与无监督学习;
步骤4:在线快速辨识:从PMU等量测得到有效的在线量测数据后,将其送入步骤3训练好的神经网络进行参数辨识,得出的结果再送入PSASP进行仿真。经仿真后得出的波形与实际量测波形进行对比,评估辨识准确性:若拟合较准,则输出辨识结果,并保存至训练样本库参与后续训练;若拟合误差较大,则通过粒子群等算法进行单独辨识,结果保存至样本库参与后续训练,即将其再当作训练样本执行步骤3。
Claims (2)
1.一种基于增量学习的虚拟负荷主导参数辨识方法,其特征在于,包括以下步骤:
步骤1:从虚拟负荷模型选取主导参数随机取值进行PSASP仿真获得新训练样本;
步骤2:选取卷积神经网络建立深度学习神经网络;
步骤3:对深度神经网络中样本进行增量学习;其中:选取旧样本中代表性的样本送入步骤2中建立的深度学习网络,与步骤1中生成的新训练样本结合进行训练,在训练过程中同时使用不同批次的训练样本,达成训练新样本的同时对老样本的误差进行约束;
步骤4:在线快速辨识与循环训练:从PMU等量测模块得到有效的在线量测波形后,将其送入步骤3中已训练的深度学习神经网络进行参数辨识,得出的辨识参数进行PSASP仿真评估性的量测样本;将所述量测样本送入步骤3中训练样本中循环训练;其中:
从PMU等量测模块得到有效的在线量测数据后,将其送入步骤3中训练好的深度神经网络进行参数辨识,得出的结果再送入PSASP进行仿真;经仿真后得出的波形与实际量测波形进行对比,评估辨识准确性:若拟合准确,则输出辨识结果,并保存至样本库参与后续训练;若拟合有误差,则通过粒子群算法进行单独辨识,结果保存至样本库参与后续训练,如此循环。
2.根据权利要求1所述的基于增量学习的虚拟负荷主导参数辨识方法,其特征在于:所述步骤3中,所述深度学习神经网络中有关网络参数训练的增量学习方法为:
通过对深度学习神经网络的旧样本选取代表性样本形成样本库;提取代表性样本与步骤1中生成的新训练样本按比例结合送入深度学习神经网络继续训练;达到在训练过程中同时使用不同批次的训练样本,训练新样本的同时对老样本的误差进行约束。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011080582.0A CN112241836B (zh) | 2020-10-10 | 2020-10-10 | 一种基于增量学习的虚拟负荷主导参数辨识方法 |
LU500551A LU500551B1 (en) | 2020-10-10 | 2021-08-18 | Virtual load dominant parameter identification method based on incremental learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011080582.0A CN112241836B (zh) | 2020-10-10 | 2020-10-10 | 一种基于增量学习的虚拟负荷主导参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112241836A CN112241836A (zh) | 2021-01-19 |
CN112241836B true CN112241836B (zh) | 2022-05-20 |
Family
ID=74168671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011080582.0A Active CN112241836B (zh) | 2020-10-10 | 2020-10-10 | 一种基于增量学习的虚拟负荷主导参数辨识方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112241836B (zh) |
LU (1) | LU500551B1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536674B (zh) * | 2021-07-13 | 2023-09-29 | 国网浙江省电力有限公司湖州供电公司 | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 |
CN113850302B (zh) * | 2021-09-02 | 2023-08-29 | 杭州海康威视数字技术股份有限公司 | 一种增量学习方法、装置及设备 |
CN114049143B (zh) * | 2021-10-29 | 2022-07-22 | 湖南大学 | 面向节假日电力负荷的衍生簇模型预测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825869A (zh) * | 2010-05-13 | 2010-09-08 | 上海交通大学 | 基于数据驱动的过热器模型参数辨识方法 |
CN105809286A (zh) * | 2016-03-08 | 2016-07-27 | 南昌工程学院 | 一种基于代表数据重构的增量svr负荷预测方法 |
CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
CN107622308A (zh) * | 2017-09-18 | 2018-01-23 | 华中科技大学 | 一种基于dbn网络的发电设备参数预警方法 |
CN107742029A (zh) * | 2017-10-19 | 2018-02-27 | 国家电网公司 | 基于支持向量机的增识度超回归负荷建模多曲线拟合模型 |
CN109784748A (zh) * | 2019-01-25 | 2019-05-21 | 广东电网有限责任公司 | 一种市场竞争机制下用户用电行为辨识方法及装置 |
CN109784529A (zh) * | 2018-12-06 | 2019-05-21 | 国网甘肃省电力公司金昌供电公司 | 一种电力负荷的预测方法及装置 |
CN110045606A (zh) * | 2019-03-25 | 2019-07-23 | 中南大学 | 一种用于分布式参数系统在线建模的增量时空学习方法 |
CN110543906A (zh) * | 2019-08-29 | 2019-12-06 | 彭礼烨 | 基于数据增强和Mask R-CNN模型的肤质自动识别方法 |
CN110782014A (zh) * | 2019-10-23 | 2020-02-11 | 新华三信息安全技术有限公司 | 一种神经网络增量学习方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5554987B2 (ja) * | 2009-12-28 | 2014-07-23 | キヤノン株式会社 | オブジェクト識別装置及びその制御方法 |
US20200265301A1 (en) * | 2019-02-15 | 2020-08-20 | Microsoft Technology Licensing, Llc | Incremental training of machine learning tools |
-
2020
- 2020-10-10 CN CN202011080582.0A patent/CN112241836B/zh active Active
-
2021
- 2021-08-18 LU LU500551A patent/LU500551B1/en active IP Right Grant
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825869A (zh) * | 2010-05-13 | 2010-09-08 | 上海交通大学 | 基于数据驱动的过热器模型参数辨识方法 |
CN105809286A (zh) * | 2016-03-08 | 2016-07-27 | 南昌工程学院 | 一种基于代表数据重构的增量svr负荷预测方法 |
CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
CN107622308A (zh) * | 2017-09-18 | 2018-01-23 | 华中科技大学 | 一种基于dbn网络的发电设备参数预警方法 |
CN107742029A (zh) * | 2017-10-19 | 2018-02-27 | 国家电网公司 | 基于支持向量机的增识度超回归负荷建模多曲线拟合模型 |
CN109784529A (zh) * | 2018-12-06 | 2019-05-21 | 国网甘肃省电力公司金昌供电公司 | 一种电力负荷的预测方法及装置 |
CN109784748A (zh) * | 2019-01-25 | 2019-05-21 | 广东电网有限责任公司 | 一种市场竞争机制下用户用电行为辨识方法及装置 |
CN110045606A (zh) * | 2019-03-25 | 2019-07-23 | 中南大学 | 一种用于分布式参数系统在线建模的增量时空学习方法 |
CN110543906A (zh) * | 2019-08-29 | 2019-12-06 | 彭礼烨 | 基于数据增强和Mask R-CNN模型的肤质自动识别方法 |
CN110782014A (zh) * | 2019-10-23 | 2020-02-11 | 新华三信息安全技术有限公司 | 一种神经网络增量学习方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于CNN和BIRCH聚类算法的类别增量学习;赵璐等;《电子测量技术》;20200630;第79-84页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112241836A (zh) | 2021-01-19 |
LU500551B1 (en) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112241836B (zh) | 一种基于增量学习的虚拟负荷主导参数辨识方法 | |
CN112488395B (zh) | 一种配电网线损预测方法及系统 | |
Iba | Reactive power optimization by genetic algorithm | |
Wang et al. | Population-based intelligent search in reliability evaluation of generation systems with wind power penetration | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN111478314B (zh) | 一种电力系统暂态稳定评估方法 | |
CN114519514B (zh) | 一种低压台区合理线损值测算方法、系统及计算机设备 | |
CN115293257A (zh) | 一种针对异常用电用户的检测方法及系统 | |
CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
Pu et al. | A novel cuckoo search particle filtering strategy for the remaining useful life prediction of the lithium‐ion batteries in hybrid electric vehicle | |
CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
CN116087692B (zh) | 一种配电网树线放电故障识别方法、系统、终端及介质 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
Azuma et al. | Modified Brain Storm Optimization for Load Adjustment Distribution State Estimation Using Correntropy | |
CN113949079B (zh) | 基于深度学习的配电台区用户三相不平衡预测优化方法 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
Li et al. | Real‐time approach for oscillatory stability assessment in large‐scale power systems based on MRMR classifier | |
CN115907158A (zh) | 一种基于启发式配置的负荷预测方法、设备及存储介质 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN113111588A (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors | |
Wang et al. | Reliability evaluation of power-generating systems including time-dependent sources based on binary particle swarm optimization | |
CN117077546B (zh) | 基于数据驱动的电力系统负荷建模方法及其系统 | |
Abdillah et al. | JURNAL RESTI | |
Liu et al. | A Method for Power System Reliability Assessment Based on BP Neural Network |
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 |