CN112330488B - 基于迁移学习的电网频率态势预测方法 - Google Patents
基于迁移学习的电网频率态势预测方法 Download PDFInfo
- Publication number
- CN112330488B CN112330488B CN202011222984.XA CN202011222984A CN112330488B CN 112330488 B CN112330488 B CN 112330488B CN 202011222984 A CN202011222984 A CN 202011222984A CN 112330488 B CN112330488 B CN 112330488B
- Authority
- CN
- China
- Prior art keywords
- frequency
- situation prediction
- samples
- frequency situation
- sample set
- 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 39
- 238000013526 transfer learning Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 abstract 3
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening 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
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于迁移学习的电网频率态势预测方法,能够适应电网运行方式和拓扑结构变化时的频率态势预测需求,提高模型的准确率和可靠性。该方法首先基于卷积神经网络(convolutional neural network,以下简称CNN)构建故障后频率态势预测模型,然后利用迁移学习方法来获取足够多的样本进行训练,对CNN频率态势预测模型参数进行修正,从而得到更为准确的预测模型,提高系统频率预测结果的精度。本发明可以显著提高频率态势预测模型的精度,更为准确地预测扰动后系统的频率变化态势,进行相应的切机、切负荷、直流紧急功率控制等控制措施,提高电力系统频率稳定性,减少控制代价,具有重要意义和工程实用价值。
Description
技术领域
本发明涉及电力系统及其自动化技术领域,特别涉及一种基于迁移学习的电网频率态势预测方法。
背景技术
频率是衡量电网是否处于安全稳定运行状态的重要指标。当前形势下,电力系统的区域互联和大规模新能源并网,给电网的频率稳定和控制带来了新的风险和挑战。一方面,随着特高压交直流输电线路的发展,传输容量不断提升,输电线路在因事故断开时,系统频率稳定性受到的威胁也随之增加;另一方面,随着新能源大规模并网,随机波动性增加,电力系统的惯性和频率调节能力均被削弱。因此,准确地预测扰动后系统的频率变化态势,结合系统频率稳定标准,进行相应的切机、切负荷、直流紧急功率控制等控制措施,可以提高电力系统频率稳定性,尽可能减少控制代价,防止电力系统的频率崩溃。
基于物理模型的电力系统频率预测方法存在计算精度与计算速度上的矛盾,而传统的机器学习方法难以适应电力系统运行方式和网络拓扑变化较快的特征。电力系统具有时变特性,发电机出力、负荷和线路功率甚至网络结构都是动态的。基于传统机器学习的频率预测方法缺乏在线实时学习的能力。当电网的网络拓扑结构和运行方式发生改变时,离线训练阶段获得的频率预测模型不足以准确预测各种未知场景。尤其当系统发生例如大容量直流退出运行,大机组跳闸等的大的拓扑改变时,模型预测准确性会大幅度降低。同样,对于缺乏历史数据、无法一次性获得足够多样本的新建地区,也很难通过重新学习、训练得到准确的频率预测模型。
迁移学习算法具有计算成本小、小样本学习的优点,可以高效率的利用电力系统中所有历史数据,挖掘其有用信息,为目标系统服务。近年来也有学者将其应用于电力系统领域,也展现了其在处理电力系统数据上的应用潜力。
因此,考虑将发生扰动后电网频率态势预测问题与迁移学习相结合,提出一种基于迁移学习的电网频率态势预测方法,可以更为准确地预测扰动后系统的频率变化态势,从而为电网频率控制方案的制定提供技术支撑。
发明内容
有鉴于此,本发明的第一方面的目的是提供一种基于迁移学习的电网频率态势预测方法。利用该控制方法可在目标系统训练样本较少的情况下,提高电力系统扰动后频率态势预测模型的精度,为频率控制方案的制定提供更为准确的依据,减少控制代价的同时保证系统的频率安全。
本发明的第一方面的目的是通过以下技术方案实现的:
该种基于迁移学习的电网频率态势预测方法,包括以下步骤:
步骤S1:构建基于CNN的故障后频率态势预测模型;
步骤S2:对源系统样本进行排序;
步骤S3:将相似性满足要求的源系统样本迁移至目标系统的训练样本集中,与任务系统中的原有样本一起构成新的目标系统训练样本集;
步骤S4:利用新的训练样本集对模型进行训练,获得频率态势预测模型;
步骤S5:输入历史数据,输出频率预测结果。
特别地,所述步骤S1中的频率态势预测模型以电力系统运行状态量作为输入,以扰动后的系统频率特征量作为输出,利用电力系统的量测数据与历史运行数据对模型进行训练以确定参数。
特别地,所述步骤S2中迁移构成的目标系统训练样本集中的样本,是由系统内故障发生前、中、后的母线有功负荷、发电机功角和发电机出力构成的特征集。
特别地,所述步骤S2包含以下步骤:
步骤S21::利用目标系统现有的训练样本集,对频率态势预测模型进行初步训练,得到频率态势预测模型M1;
步骤S22:采用预测精度衡量源系统和目标系统内样本的差异性,将源系统样本输入模型M1,根据输出量计算其预测精度并进行排序。
特别地,所述步骤S3中的预测精度由频率曲线的均方根误差(root mean squareerror,RMSE)表示,计算公式如下:
其中j为样本编号;N为样本总数;fj(xj)为第j个样本的预测频率值,yj为测试样本集中第j个样本的频率值。
特别地,所述步骤S3具体包含以下子步骤:
步骤S31:设定源系统与目标系统可迁移样本的精度阈值,满足要求的源系统样本迁移至目标系统的训练样本集中;
步骤S32:迁移样本与目标系统原有样本共同构成新的训练样本集。
本发明的第二方面的目的是提供一种计算机装置,包括存储器、处理器及储存在存储器上并能够在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如前所述的方法。
本发明的第三方面的的目的是提供一种计算机可读存储介质,其上储存有计算机程序,所述计算机程序被处理器执行时实现如前所述的方法。
本发明作为一种频率态势预测方法,其有益效果在于:
1)能够解决当电网运行方式和拓扑结构变化时,历史数据存储不足,训练样本数据较少,导致目标系统频率预测模型精度不够的问题;
2)高效率的利用电力系统数据,通过迁移学习充分挖掘历史数据中的有用信息,提高目标系统扰动后频率态势预测模型的精度,更为准确地预测扰动后系统的频率变化态势,从而为电网频率控制方案的制定提供技术支撑。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
附图1为本发明基于迁移学习的频率态势预测方法流程图;
附图2为本发明中筛选迁移样本的流程图。
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
如图1所示,图1中步骤1描述的是构建基于CNN的故障后频率态势预测模型;图1中步骤2描述的是对源系统样本进行排序;
本发明的基于迁移学习的电网频率态势预测方法,包括以下步骤:
步骤S1:构建基于CNN的故障后频率态势预测模型;
本实施例中,步骤S1中的故障后频率态势预测模型以电力系统运行状态量作为输入,以扰动后的系统频率特征量作为输出,利用电力系统的量测数据与历史运行数据对模型进行训练以确定参数。
步骤S2:对源系统样本进行排序;
本实施例中,步骤S2中迁移构成的目标系统训练样本集中的样本,是由系统内故障发生前、中、后的母线有功负荷、发电机功角和发电机出力构成的特征集。
如图2所示,具体包含以下步骤:
步骤S21:利用目标系统现有的训练样本集,对频率态势预测模型进行初步训练,得到频率态势预测模型M1;
步骤S22:采用预测精度衡量源系统和目标系统内样本的差异性,将源系统样本输入模型M1,根据输出量计算其预测精度并进行排序。
步骤S3:将相似性满足要求的源系统样本迁移至目标系统的训练样本集中,与任务系统中的原有样本一起构成新的目标系统训练样本集;
具体包含以下子步骤:
步骤S31:设定源系统与目标系统可迁移样本的精度阈值,满足要求的源系统样本迁移至目标系统的训练样本集中;
步骤S32:迁移样本与目标系统原有样本共同构成新的训练样本集。
步骤S3中的预测精度由频率曲线的均方根误差(root mean square error,RMSE)表示,计算公式如下:
其中j为样本编号;N为样本总数;fj(xj)为第j个样本的预测频率值,yj为测试样本集中第j个样本的频率值。
步骤S4:利用新的训练样本集对模型进行训练,获得目标系统频率态势预测模型;
步骤S5:输入历史数据,输出频率预测结果。
需要说明的是,本发明的流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.基于迁移学习的电网频率态势预测方法,其特征在于:包括以下步骤:
步骤S1:构建基于CNN的故障后频率态势预测模型;
步骤S2:对源系统样本进行排序;所述步骤S2包含以下步骤:
步骤S21:利用目标系统现有的训练样本集,对频率态势预测模型进行初步训练,得到频率态势预测模型M1;
步骤S22:采用预测精度衡量源系统和目标系统内样本的差异性,将源系统样本输入模型M1,根据输出量计算其预测精度并进行排序;所述步骤S22中的预测精度由频率曲线的均方根误差RMSE表示,计算公式如下:
其中j为样本编号;N为样本总数;fj(xj)为第j个样本的预测频率值,yj为测试样本集中第j个样本的频率值;
步骤S3:将相似性满足要求的源系统样本迁移至目标系统的训练样本集中,与任务系统中的原有样本一起构成新的目标系统训练样本集;所述步骤S3具体包含以下子步骤:
步骤S31:设定源系统与目标系统可迁移样本的精度阈值,满足要求的源系统样本迁移至目标系统的训练样本集中;
步骤S32:迁移样本与目标系统原有样本共同构成新的训练样本集;
步骤S4:利用新的训练样本集对模型进行训练,获得频率态势预测模型;
步骤S5:输入历史数据,输出频率预测结果。
2.根据权利要求1所述的基于迁移学习的电网频率态势预测方法,其特征在于:所述步骤S1中的频率态势预测模型以电力系统运行状态量作为输入,以扰动后的系统频率特征量作为输出,利用电力系统的量测数据与历史运行数据对模型进行训练以确定参数。
3.根据权利要求1或2所述的基于迁移学习的电网频率态势预测方法,其特征在于:所述步骤S3中迁移构成的目标系统训练样本集中的样本,是由系统内故障发生前、中、后的母线有功负荷、发电机功角和发电机出力构成的特征集。
4.一种计算机装置,包括存储器、处理器及储存在存储器上并能够在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1-3任一项所述的方法。
5.一种计算机可读存储介质,其上储存有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011222984.XA CN112330488B (zh) | 2020-11-05 | 2020-11-05 | 基于迁移学习的电网频率态势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011222984.XA CN112330488B (zh) | 2020-11-05 | 2020-11-05 | 基于迁移学习的电网频率态势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330488A CN112330488A (zh) | 2021-02-05 |
CN112330488B true CN112330488B (zh) | 2022-07-05 |
Family
ID=74315338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011222984.XA Active CN112330488B (zh) | 2020-11-05 | 2020-11-05 | 基于迁移学习的电网频率态势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330488B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723593B (zh) * | 2021-08-26 | 2024-01-09 | 国网山东省电力公司济南供电公司 | 一种基于神经网络的切负荷预测方法及系统 |
CN114021180B (zh) * | 2021-10-11 | 2024-04-12 | 清华大学 | 一种电力系统动态安全域确定方法、装置、电子设备及可读介质 |
CN114236232A (zh) * | 2021-12-16 | 2022-03-25 | 广州城市理工学院 | 一种考虑频率变化趋势的小水电频率预测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704926A (zh) * | 2017-11-23 | 2018-02-16 | 清华大学 | 一种大数据跨领域分析的深度迁移学习方法 |
CN108537168A (zh) * | 2018-04-09 | 2018-09-14 | 云南大学 | 基于迁移学习技术的面部表情识别方法 |
CN109102126A (zh) * | 2018-08-30 | 2018-12-28 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
CN109787236A (zh) * | 2019-01-28 | 2019-05-21 | 云南电网有限责任公司 | 一种基于深度学习的电力系统频率态势预测方法 |
CN110175707A (zh) * | 2019-05-13 | 2019-08-27 | 东南大学 | 基于数据继承思想的电力系统暂态频率预测模型更新方法 |
CN110766212A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 用于历史数据缺失电场的超短期光伏功率预测方法 |
CN110879917A (zh) * | 2019-11-08 | 2020-03-13 | 北京交通大学 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
CN111046581A (zh) * | 2019-12-27 | 2020-04-21 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障类型识别方法及系统 |
CN111582502A (zh) * | 2020-05-12 | 2020-08-25 | 上海优扬新媒信息技术有限公司 | 一种样本迁移学习方法和装置 |
CN111582477A (zh) * | 2020-05-09 | 2020-08-25 | 北京百度网讯科技有限公司 | 神经网络模型的训练方法和装置 |
CN111610768A (zh) * | 2020-06-10 | 2020-09-01 | 中国矿业大学 | 基于相似度多源域迁移学习策略的间歇过程质量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11461635B2 (en) * | 2017-10-09 | 2022-10-04 | Nec Corporation | Neural network transfer learning for quality of transmission prediction |
-
2020
- 2020-11-05 CN CN202011222984.XA patent/CN112330488B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704926A (zh) * | 2017-11-23 | 2018-02-16 | 清华大学 | 一种大数据跨领域分析的深度迁移学习方法 |
CN108537168A (zh) * | 2018-04-09 | 2018-09-14 | 云南大学 | 基于迁移学习技术的面部表情识别方法 |
CN109102126A (zh) * | 2018-08-30 | 2018-12-28 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
CN109787236A (zh) * | 2019-01-28 | 2019-05-21 | 云南电网有限责任公司 | 一种基于深度学习的电力系统频率态势预测方法 |
CN110175707A (zh) * | 2019-05-13 | 2019-08-27 | 东南大学 | 基于数据继承思想的电力系统暂态频率预测模型更新方法 |
CN110766212A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 用于历史数据缺失电场的超短期光伏功率预测方法 |
CN110879917A (zh) * | 2019-11-08 | 2020-03-13 | 北京交通大学 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
CN111046581A (zh) * | 2019-12-27 | 2020-04-21 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障类型识别方法及系统 |
CN111582477A (zh) * | 2020-05-09 | 2020-08-25 | 北京百度网讯科技有限公司 | 神经网络模型的训练方法和装置 |
CN111582502A (zh) * | 2020-05-12 | 2020-08-25 | 上海优扬新媒信息技术有限公司 | 一种样本迁移学习方法和装置 |
CN111610768A (zh) * | 2020-06-10 | 2020-09-01 | 中国矿业大学 | 基于相似度多源域迁移学习策略的间歇过程质量预测方法 |
Non-Patent Citations (6)
Title |
---|
Weighted Multi-source TrAdaBoost;CHENG Yuhu 等;《Chinese Journal of Electronics》;20130731;第22卷(第3期);505-510 * |
一种基于增量式SVR学习的在线自适应建模方法;王平 等;《化工学报》;20100815;第61卷(第08期);2040-2045 * |
基于改进迁移学习的高速铁路短期客流时间序列预测方法;闻克宇 等;《系统工程》;20200511;第38卷(第3期);73-83 * |
基于特征迁移学习的综合能源系统小样本日前电力负荷预测;孙晓燕 等;《控制理论与应用》;20200928;第38卷(第1期);63-72 * |
基于迁移学习的电力系统暂态稳定自适应预测;张若愚 等;《电网技术》;20200330;第44卷(第6期);2196-2203 * |
迁移学习系列---基于实例方法的迁移学习;frank_hetest;《https://blog.csdn.net/hestendelin/article/details/101546519》;20160918;网页全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112330488A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330488B (zh) | 基于迁移学习的电网频率态势预测方法 | |
Bahmanyar et al. | Power system voltage stability monitoring using artificial neural networks with a reduced set of inputs | |
CN104134999B (zh) | 基于多数据源的配电网量测有效性分析实用化计算方法 | |
CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
Rahi et al. | Power system voltage stability assessment through artificial neural network | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN114004155A (zh) | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 | |
Wang et al. | A DRL-aided multi-layer stability model calibration platform considering multiple events | |
CN116796644A (zh) | 基于多智能体sac深度强化学习的风电场参数辨识方法 | |
CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及系统 | |
CN115713320A (zh) | 设备的运维策略优化方法、装置、设备及存储介质 | |
CN112332420B (zh) | 电力系统风险评估中的分层负荷削减量确定装置及方法 | |
CN112989587A (zh) | 一种电容式电压互感器劣化成因在线分析方法及系统 | |
CN111537832A (zh) | 多端柔性直流输电系统线路故障定位方法、终端及系统 | |
Xia et al. | A digital twin based reliability assessment of superbuck converters | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
CN116541748A (zh) | 基于人工智能技术的电网故障诊断方法和系统 | |
CN111478332B (zh) | 基于保守极限的暂态稳定紧急控制切机定值在线调整方法 | |
CN111756031A (zh) | 一种电网运行趋势估算方法和系统 | |
CN115718478A (zh) | 基于sac深度强化学习的svg参数优化辨识方法 | |
CN110866652B (zh) | 一种基于lstm模型的在线pmu数据纠错方法及系统 | |
Ali et al. | Online assessment of voltage stability using Newton‐Corrector algorithm | |
Huang et al. | A recursive Bayesian approach to load phase detection in unbalanced distribution system | |
CN113569423B (zh) | 微电网联合故障定位方法、终端及存储介质 | |
CN111293701B (zh) | 含分布式光伏的配电网凹陷域的预估方法及装置 |
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 |