CN112488550B - 基于深度学习的不确定性电网静态安全分析方法及系统 - Google Patents

基于深度学习的不确定性电网静态安全分析方法及系统 Download PDF

Info

Publication number
CN112488550B
CN112488550B CN202011435461.3A CN202011435461A CN112488550B CN 112488550 B CN112488550 B CN 112488550B CN 202011435461 A CN202011435461 A CN 202011435461A CN 112488550 B CN112488550 B CN 112488550B
Authority
CN
China
Prior art keywords
power grid
node
power
neural network
convolutional neural
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
CN202011435461.3A
Other languages
English (en)
Other versions
CN112488550A (zh
Inventor
钱甜甜
杨胜春
耿建
汪胜和
潘东
石飞
李亚平
王珂
李峰
王勇
刘建涛
王礼文
王刚
徐鹏
于韶源
郭晓蕊
潘玲玲
周竞
朱克东
毛文博
刘俊
汤必强
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Anhui Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Anhui 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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Anhui Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011435461.3A priority Critical patent/CN112488550B/zh
Publication of CN112488550A publication Critical patent/CN112488550A/zh
Application granted granted Critical
Publication of CN112488550B publication Critical patent/CN112488550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Abstract

本发明涉及一种基于深度学习的不确定性电网静态安全分析方法及系统，所述方法包括以下步骤：S1:接收电网静态安全分析请求，所述请求用于请求进行不确定性电网静态安全分析；S2:响应于所述请求，调用深度卷积神经网络模型，计算电网安全校核指标；S3:基于计算出的电网安全校核指标分析所述电网是否处于安全状态；S4：输出所述分析结果。本发明通过调用深度卷积神经网络模型计算电网安全校核指标，基于计算出的电网安全校核指标分析电网是否处于安全状态，分析速度快，效率高。

Description

基于深度学习的不确定性电网静态安全分析方法及系统
技术领域
本发明属于电力系统自动化领域，尤其涉及一种基于深度学习的不确定性电网静态安全分析方法及系统。
背景技术
近年来，我国新能源的装机容量增长迅猛。以风、光为代表的新能源运行状态随机性强，随着新能源大规模集中接入电力系统，其随机性会使系统源侧的输出电量具有强不确定性。为应对日益增长的不确定性对电力系统运行的影响，电力系统N-1静态安全分析除了考虑线路断线场景外，还需要考虑新能源出力的不确定性对电力系统运行安全造成的影响。
传统的N-1静态安全分析方法多基于数学物理模型，即采用迭代求解的方式先求解一组多元非线性方程组计算出潮流，如交流法、直流法、快速解耦法。然后再根据潮流计算结果判断是否有电压或线路潮流越限。这些方法在面对只有N条支路开断的场景时，计算负担问题并不严重。但是考虑可再生能源带来的源侧强不确定性问题后，假设源侧有M个风光电场，每个风光电场的不确定性场景有P个，则N-1静态安全分析需要考虑N*PM个场景，其计算负担是呈指数级增长的。这些传统方法均比较耗时，其原因在于每做一次安全分析，都需要求解大量的潮流计算。因此，亟需一种可以快速准确进行N-1静态安全分析的新方法。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于深度学习的不确定性电网静态安全分析方法及系统，通过调用深度卷积神经网络模型计算电网安全校核指标，基于计算出的电网安全校核指标分析电网是否处于安全状态，分析速度快，效率高。
根据本发明的一个方面，本发明提供了一种基于深度学习的不确定性电网静态安全分析方法，所述方法包括以下步骤：
接收电网静态安全分析请求，所述请求用于请求进行不确定性电网静态安全分析；
响应于所述请求，调用深度卷积神经网络模型，计算电网安全校核指标；
基于计算出的电网安全校核指标分析所述电网是否处于安全状态。
优选地，还包括输出所述分析结果的步骤。
优选地，所述电网安全校核指标为PI，PI满足下式：
其中，Vi是节点i的实际电压幅值，Vi d是节点i的额定电压幅值，Vi u是设定的节点电压幅值上限，Vi l是设定的节点电压幅值下限，m、n是指数，Pl是线路l的潮流，Pl Lim是线路l的潮流极限，NL是系统中功率越限的线路数。
优选地，所述深度卷积神经网络包含两个卷积层和两个全连接层，并含有多个隐层，每个隐层由一组卷积核构成，通过对输入数据进行卷积运算进而提取其特征。
优选地，计算出各节点的Vi和各支路潮流Pl，进而计算出综合指标PI′i，以P1,P2,Q,V1,V2,θ,G,B作为输入量，输入到所述深度卷积神经网络模型中，以PI′i作为目标量，训练所述深度卷积神经网络模型；其中，P1、P2表示节点的有功功率，Q表示节点的无功功率，V1、V2电压幅值，θ表示电压角度，G、B表示电网节点导纳矩阵中的元素。
根据本发明的另一方面，本发明还提供了一种基于深度学习的不确定性电网静态安全分析系统，所述系统包括：
接收模块，用于接收电网静态安全分析请求，所述请求用于请求进行不确定性电网静态安全分析；
计算模块，用于响应于所述请求，调用深度卷积神经网络模型，计算电网安全校核指标；
分析模块，用于基于计算出的电网安全校核指标分析所述电网是否处于安全状态。
优选的，还包括：输出模块，用于输出所述分析结果。
优选地，所述电网安全校核指标为PI，PI满足下式：
其中，Vi是节点i的实际电压幅值，Vi d是节点i的额定电压幅值，Vi u是设定的节点电压幅值上限，Vi l是设定的节点电压幅值下限，m、n是指数，Pl是线路l的潮流，Pl Lim是线路l的潮流极限，NL是系统中功率越限的线路数。
优选地，所述深度卷积神经网络包含两个卷积层和两个全连接层，并含有多个隐层，每个隐层由一组卷积核构成，通过对输入数据进行卷积运算进而提取其特征。
优选地，计算出各节点的Vi和各支路潮流Pl，进而计算出综合指标PI′i，以P1,P2,Q,V1,V2,θ,G,B作为输入量，输入到所述深度卷积神经网络模型中，以PI′i作为目标量，训练所述深度卷积神经网络模型；其中，P1、P2表示节点的有功功率，Q表示节点的无功功率，V1、V2电压幅值，θ表示电压角度，G、B表示电网节点导纳矩阵中的元素。
根据本发明的另一方面，本发明还提供了一种基于深度学习的不确定性电网静态安全分析系统，所述系统包括：处理器、存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现上述方法步骤。
根据本发明的另一方面，本发明还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现上述方法步骤。
有益效果：本发明通过调用深度卷积神经网络模型计算电网安全校核指标，基于计算出的电网安全校核指标分析电网是否处于安全状态，分析速度快，效率高。
通过参照以下附图及对本发明的具体实施方式的详细描述，本发明的特征及优点将会变得清楚。
附图说明
图1是基于深度学习的不确定性电网静态安全分析方法流程图；
图2是深度卷积神经网络的结构示意图；
图3是IEEE 14节点网络的结构示意图；
图4是基于深度学习的不确定性电网静态安全分析系统示意图；
图5是另一基于深度学习的不确定性电网静态安全分析系统示意图。
具体实施方式
下面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。
实施例1
图1是基于深度学习的不确定性电网静态安全分析方法流程图。如图1所示，本发明提供了一种基于深度学习的不确定性电网静态安全分析方法，所述方法包括以下步骤：
S1:接收电网静态安全分析请求，所述请求用于请求进行不确定性电网静态安全分析。
本步骤中，用户可以通过系统中的用户界面输入请求，以请求系统进行不确定性电网静态安全分析。
S2:响应于所述请求，调用深度卷积神经网络模型，计算电网安全校核指标。
具体地，首先构建电网N-1安全校核指标。传统算法在做N-1安全校核时，通常是先根据场景进行相应的潮流计算，然后判断节点电压和线路潮流是否越限来判断系统是否处于安全状态。
本实施例所提算法是基于神经网络映射，即建立电网状态量和静态安全指标的映射关系，因此需建立一种可综合判断电网N-1安全校核的指标来判断系统是否处于安全状态。
建立判断电压是否越限的安全指标，如式(3)所示。这里，Vi是节点i的实际电压幅值，Vi d是节点i的额定电压幅值，Vi u是设定的节点电压幅值上限，Vi l是设定的节点电压幅值下限，m是指数。
建立判断线路潮流是否越限的安全指标，如(4)式所示。
这里，Pl是线路l的潮流(直流潮流法求解)，Pl Lim是线路l的潮流极限，NL是系统中功率越限的线路数，n是指数。
为了能综合评估电网的静态安全状态，结合式(3)、(4)，得到式(5)式：
当电网在静态安全边界范围内时，PI＝0，当电网在静态安全边界范围及以外时，PI≥1。
建立安全校核指标计算的神经网络模型。网络输入量，需要选取能够全面表示电网运行状态的量，本发明选取的输入量为P1,P2,Q,V1,V2,θ,G,B，其中，P1Q表示PQ节点的有功功率和无功功率，P2 V1表示PV节点的有功功率及电压幅值，V2θ表示平衡节点的电压幅值及电压角度，GB表示电网节点导纳矩阵中的元素(每断开一条支路，GB值变化一次)。对于本实施例所提的静态安全分析问题来说，其是一个回归问题，与最终输出相关的特征有P1,P2,Q,V1,V2,θ,G,B，若只是取其中的几个特征作为网络的输入，会降低最终结果的精度，因此，本实施例选择全特征量作为输入。需要注意的是，由于导纳矩阵是对称的，且导纳矩阵中对角线元素是由每一行元素相加后取反得到的，因此只需要考虑导纳矩阵上三角矩阵中的元素即可，这在一定程度上可以减少输入量的维度。
请参阅图2所示，本实施例构建了一种深度卷积神经网络，该网络包含两个卷积层和两个全连接层。卷积层的输入量形状为[N,n]，其中，n为特征量的个数，N为输入了多少组特征量，全连接层的输出量形状为[N，1]。
相比普通卷积神经网络，其含有多个隐层，每个隐层由一组卷积核构成，通过对输入数据进行卷积运算进而提取其特征。理论上，随着卷积神经网络的隐层层数增加，可以分析和提取到输入数据的更多特征。卷积核的形状中，前两个维度表示卷积核的长度和宽度，第三维表示卷积核的深度，第四维表示卷积核的数量。BatchNorm函数表示网络隐层的批量标准化[18]，ReLU表示激活函数，Flatten函数的作用是将卷积层的输出量维度压缩为1维，方便与后面的全连接层连接。
卷积核对于输入数据X的运算如式(6)所示，X(i,j)是一个原始输入单元，ω(u,v)是卷积核元素，也称为权重，c、d是卷积核的长度和宽度，b是偏置参数，Xnew(i,j)是经过此运算的输出量。可以看出，每个输出单元可以表达为输入量X与c*d单元卷积核的权重和，即提取了c*d单元输入量的特征，整个输入量的特征为这些局部特征的聚合量。卷积核数量越多，就能够提取到输入数据越多的局部特征，以此为深度卷积模型的回归提供更多信息。
采用平均相对误差(Mean Absolute Error，MRE)来衡量网络模型的训练效果，其表达式如下：
这里，Nd为计算的数据数量，PI′i为目标PI值。
S3:基于计算出的电网安全校核指标分析所述电网是否处于安全状态。
本实施例采用IEEE 14节点网络系统计算安全校核指标值，该系统的网络结构如图3所示。
本实施例选取IEEE14节点网络作为算例，该网络有14个节点，20条支路，网络结构如图3所示。将节点2处的电源在±30％范围内离散化来模拟可再生能源的不确定性。采用matpower，计算出各节点的Vi和各支路潮流Pl，进而计算出综合指标PI′i。以P1,P2,Q,V1,V2,θ,G,B作为输入量，输入到本发明设计的深度卷积神经网络DCNN中，以PI′i作为目标量，训练所述DCNN。本实施例总共计算了100000组数据，用80000组作为训练集，20000组作为测试集。部分计算结果如表1所示：
表1 IEEE 14节点系统的安全指标计算结果
可以看出，本发明所提算法与传统基于潮流算法的计算误差在10-4数量级。对于20000组测试数据，本发明所提方法的计算时间是0.7s，传统算法的时间是173s，仅为传统算法的1/250。
系统根据上述生成的电网静态安全校核指标值，按照预设的分析规则，可分析出电网是否处于安全状态。
S4：输出所述分析结果。
本步骤中，可以通过用户界面的显示器输出显示出分析结果。
本实施例通过调用深度卷积神经网络模型计算电网安全校核指标，基于计算出的电网安全校核指标分析电网是否处于安全状态，分析速度快，效率高。
实施例2
图4是基于深度学习的不确定性电网静态安全分析系统示意图。如图4所示，本发明还提供了一种基于深度学习的不确定性电网静态安全分析系统，所述系统包括：
接收模块，用于接收电网静态安全分析请求，所述请求用于请求进行不确定性电网静态安全分析；
计算模块，用于响应于所述请求，调用深度卷积神经网络模型，计算电网安全校核指标；
分析模块，用于基于计算出的电网安全校核指标分析所述电网是否处于安全状态；
输出模块，用于输出所述分析结果。
优选地，所述电网安全校核指标为PI，PI满足下式：
其中，Vi是节点i的实际电压幅值，Vi d是节点i的额定电压幅值，Vi u是设定的节点电压幅值上限，Vi l是设定的节点电压幅值下限，m、n是指数，Pl是线路l的潮流，Pl Lim是线路l的潮流极限，NL是系统中功率越限的线路数。
优选地，所述深度卷积神经网络包含两个卷积层和两个全连接层，并含有多个隐层，每个隐层由一组卷积核构成，通过对输入数据进行卷积运算进而提取其特征。
优选地，计算出各节点的Vi和各支路潮流Pl，进而计算出综合指标PI′i，以P1,P2,Q,V1,V2,θ,G,B作为输入量，输入到所述深度卷积神经网络模型中，以PI′i作为目标量，训练所述深度卷积神经网络模型；其中，P1、P2表示节点的有功功率，Q表示节点的无功功率，V1、V2电压幅值，θ表示电压角度，G、B表示电网节点导纳矩阵中的元素。
本实施例2中各个模块所执行的方法步骤的具体实施过程与实施例1中的各个步骤的实施过程相同，在此不再赘述。
实施例3
图5是另一基于深度学习的不确定性电网静态安全分析系统示意图。如图5所示，本发明还提供了一种基于深度学习的不确定性电网静态安全分析系统，所述系统包括：处理器、存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现实施例1中的方法步骤，具体的实现过程可以参考实施例1中的方法步骤的实现过程，在此不再赘述。
实施例4
根据本发明的另一方面，本发明还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现实施例1中的方法步骤，具体的实现过程可以参考实施例1中的方法步骤的实现过程，在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种基于深度学习的不确定性电网静态安全分析方法，其特征在于，所述方法包括以下步骤：
接收电网静态安全分析请求，所述请求用于请求进行不确定性电网静态安全分析；
响应于所述请求，调用深度卷积神经网络模型，计算电网安全校核指标；
基于计算出的电网安全校核指标分析所述电网是否处于安全状态；
所述电网安全校核指标为PI，PI满足下式：
其中，Vi是电网节点i的实际电压幅值，Vi d是电网节点i的额定电压幅值，Vi u是设定的电网节点电压幅值上限，Vi l是设定的电网节点电压幅值下限，m、n是指数，Pl是电网线路l的潮流，Pl Lim是电网线路l的潮流极限，NL是系统中功率越限的线路数；PIb为判断电压是否越限的安全指标；PIl为线路潮流是否越限的安全指标。
2.根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络包含两个卷积层和两个全连接层，并含有多个隐层，每个隐层由一组卷积核构成，通过对输入数据进行卷积运算提取其特征。
3.根据权利要求1所述的方法，其特征在于，计算出电网各节点的Vi和各支路潮流Pl，基于各节点的Vi和各支路潮流Pl计算出综合指标PI'i；以P1,P2,Q,V1,V2,θ,G,B作为输入量，输入到所述深度卷积神经网络模型中，以PI′i作为目标量，训练所述深度卷积神经网络模型；其中，P1、P2表示节点的有功功率，Q表示节点的无功功率，V1、V2电压幅值，θ表示电压角度，G、B表示电网节点导纳矩阵中的元素。
4.一种基于深度学习的不确定性电网静态安全分析系统，其特征在于，所述系统包括：
接收模块，用于接收电网静态安全分析请求，所述请求用于请求进行不确定性电网静态安全分析；
计算模块，用于响应于所述请求，调用深度卷积神经网络模型，计算电网安全校核指标；
分析模块，用于基于计算出的电网安全校核指标分析所述电网是否处于安全状态；
所述电网安全校核指标为PI，PI满足下式：
其中，Vi是电网节点i的实际电压幅值，Vi d是电网节点i的额定电压幅值，Vi u是设定的电网节点电压幅值上限，Vi l是设定的电网节点电压幅值下限，m、n是指数，Pl是线路l的潮流，Pl Lim是线路l的潮流极限，NL是系统中功率越限的线路数；PIb为判断电压是否越限的安全指标；PIl为线路潮流是否越限的安全指标。
5.根据权利要求4所述的系统，其特征在于，所述深度卷积神经网络包含两个卷积层和两个全连接层，并含有多个隐层，每个隐层由一组卷积核构成，通过对输入数据进行卷积运算进而提取其特征。
6.根据权利要求4所述的系统，其特征在于，计算出电网各节点的Vi和各支路潮流Pl，基于各节点的Vi和各支路潮流Pl计算出综合指标PI'i，以P1,P2,Q,V1,V2,θ,G,B作为输入量，输入到所述深度卷积神经网络模型中，以PI′i作为目标量，训练所述深度卷积神经网络模型；其中，P1、P2表示节点的有功功率，Q表示节点的无功功率，V1、V2电压幅值，θ表示电压角度，G、B表示电网节点导纳矩阵中的元素。
7.一种基于深度学习的不确定性电网静态安全分析系统，其特征在于，所述系统包括：处理器、存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1-3任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1-3任一项所述的方法。
CN202011435461.3A 2020-12-09 2020-12-09 基于深度学习的不确定性电网静态安全分析方法及系统 Active CN112488550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011435461.3A CN112488550B (zh) 2020-12-09 2020-12-09 基于深度学习的不确定性电网静态安全分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011435461.3A CN112488550B (zh) 2020-12-09 2020-12-09 基于深度学习的不确定性电网静态安全分析方法及系统

Publications (2)

Publication Number Publication Date
CN112488550A CN112488550A (zh) 2021-03-12
CN112488550B true CN112488550B (zh) 2023-10-20

Family

ID=74940915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011435461.3A Active CN112488550B (zh) 2020-12-09 2020-12-09 基于深度学习的不确定性电网静态安全分析方法及系统

Country Status (1)

Country Link
CN (1) CN112488550B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205303A (zh) * 2021-04-16 2021-08-03 深圳供电局有限公司 一种配网主站数据智能校核系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148935A (zh) * 2019-05-10 2019-08-20 东北电力大学 一种基于长短期记忆神经网络的电网静态安全裕度评估方法
CN110929989A (zh) * 2019-10-29 2020-03-27 重庆大学 基于深度学习的含不确定性n-1安全校核方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148935A (zh) * 2019-05-10 2019-08-20 东北电力大学 一种基于长短期记忆神经网络的电网静态安全裕度评估方法
CN110929989A (zh) * 2019-10-29 2020-03-27 重庆大学 基于深度学习的含不确定性n-1安全校核方法

Also Published As

Publication number Publication date
CN112488550A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN108054757A (zh) 一种内嵌无功和电压的n-1闭环安全校核方法
CN116031887B (zh) 一种电网仿真分析算例数据生成方法、系统、设备及介质
CN109412161A (zh) 一种电力系统概率潮流计算方法及系统
CN112488550B (zh) 基于深度学习的不确定性电网静态安全分析方法及系统
CN111181164B (zh) 一种改进的主从分裂输配协同潮流计算方法及系统
CN110880062A (zh) 一种配电设备状态检修时间的确定方法
CN112649642A (zh) 一种窃电位置判断方法、装置、设备和存储介质
Du et al. Applying deep convolutional neural network for fast security assessment with N-1 contingency
CN105024645A (zh) 一种基于矩阵进化的光伏阵列故障定位方法
CN111864728B (zh) 一种可重构配电网重要设备识别方法和系统
CN110751328A (zh) 基于联合加权熵的高比例可再生能源电网适应性规划方法
CN115528684A (zh) 一种超短期负荷预测方法、装置及电子设备
CN116050250A (zh) 基于混合驱动模型的电网数字孪生模型建模方法及装置
CN113627655B (zh) 一种配电网灾前故障场景模拟预测方法及装置
Mahdavi et al. Evaluation of GA performance in TNEP considering voltage level, network losses and number of bundle lines
CN111371089B (zh) 一种电网动态等值的量化评估方法及系统
CN114744631A (zh) 一种基于非pmu配电网的数据驱动电压估计方法
Qian et al. Static security analysis of source-side high uncertainty power grid based on deep learning
Adebayo et al. An alternative method for voltage stability assessment in power system
CN111541252B (zh) 基于历史数据和误差分析的配电网线性化潮流通式最优独立变量选取方法
CN116432541B (zh) 一种基于优化聚类算法的新能源场站建模方法及系统
Fu et al. A hybrid artificial neural network (ANN) and Ward equivalent approach for on-line power system voltage security assessment
Shaikh et al. Computational intelligence and voltage stability analysis for mitigation of blackout
CN113204480A (zh) 一种面向对象协议的测试方法及系统
Prashal et al. Dynamic Weight Enabled Physics-Aware Graph Attention Network for Power Flow Analysis

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