CN112600221B - 无功补偿装置配置方法、装置、设备及存储介质 - Google Patents
无功补偿装置配置方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112600221B CN112600221B CN202011422745.9A CN202011422745A CN112600221B CN 112600221 B CN112600221 B CN 112600221B CN 202011422745 A CN202011422745 A CN 202011422745A CN 112600221 B CN112600221 B CN 112600221B
- Authority
- CN
- China
- Prior art keywords
- microgrid
- fault
- position combination
- deep learning
- network model
- 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 69
- 238000013135 deep learning Methods 0.000 claims abstract description 82
- 238000011002 quantification Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 53
- 238000013139 quantization Methods 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种无功补偿装置配置方法、装置、设备及存储介质,所述方法包括:获取微电网在发生各种故障时,每种故障对应的微电网状态参数;将每种故障对应的微电网状态参数输入至预设的深度学习网络模型中,得到每种故障下各个位置组合的量化值;位置组合为多个无功补偿装置的位置组合后得到的;量化值用于表征位置组合的准确度;根据每种故障下各个位置组合的量化值,获取每个位置组合对应的总量化值;根据每个位置组合对应的总量化值,确定目标位置组合。本申请实施例提供的技术方案可以提高无功补偿装置配置位置的准确性。
Description
技术领域
本申请涉及微电网技术领域,特别是涉及一种无功补偿装置配置方法、装置、设备及存储介质。
背景技术
微电网是由分布式电源、负荷和输配电系统构成的电力系统,其可以独立运行或者与大电网并网运行。由于微电网中的发电设备的无功出力能力有限,使得微电网的稳定运行难以保证,因此,可以通过给微电网中的节点配置无功补偿装置来提供无功功率,从而保证微电网能够稳定运行。
为了合理的配置无功补偿装置,通常是采用无功功率裕度算法计算所有节点的无功裕度值,将无功裕度值进行排序后,为较小无功裕度值对应的节点配置无功补偿装置,并根据经验选择无功补偿装置的容量大小,从而实现无功功率补偿。
然而,采用现有的无功补偿装置配置方法,存在无功补偿装置配置位置不准确的问题。
发明内容
基于此,本申请实施例提供了一种无功补偿装置配置方法、装置、设备及存储介质,可以提高无功补偿装置配置位置的准确性。
第一方面,提供了一种无功补偿装置配置方法,该方法包括:
获取微电网在发生各种故障时,每种故障对应的微电网状态参数;将每种故障对应的微电网状态参数输入至预设的深度学习网络模型中,得到每种故障下各个位置组合的量化值;位置组合为多个无功补偿装置的位置组合后得到的;量化值用于表征位置组合的准确度;根据每种故障下各个位置组合的量化值,获取每个位置组合对应的总量化值;根据每个位置组合对应的总量化值,确定目标位置组合。
在其中一个实施例中,获取微电网在发生各种故障时,每种故障对应的微电网状态参数,包括:
根据微电网的结构构建微电网环境模型;根据微电网的初始状态参数和微电网环境模型,获取微电网的初始状态矩阵;根据初始状态矩阵和微电网的各种故障状态参数,获取每种故障对应的微电网状态参数。
在其中一个实施例中,根据微电网的初始状态参数和微电网环境模型中,获取微电网的初始状态矩阵,包括:
选取微电网的第一预设数量的状态参数组合作为初始状态参数;将初始状态参数输入至微电网环境模型中,得到微电网的潮流分布;根据微电网的潮流分布,选取第二预设数量的输出参数组合构建初始状态矩阵。
在其中一个实施例中,该方法还包括:
获取训练状态集;训练状态集中包括多个故障情况下对应的微电网样本状态参数;根据训练状态集和各故障情况对应的各个位置组合的标准量化值,对初始深度学习网络模型进行训练,得到深度学习网络模型。
在其中一个实施例中,根据训练状态集和各故障情况对应的各个位置组合的标准量化值,对初始深度学习网络模型进行训练,得到深度学习网络模型,包括:
将训练状态集中各微电网样本状态参数输入至初始深度学习网络模型中,得到各故障情况下各个位置组合的预测量化值;将各预测量化值和对应的标准量化值代入预设的均方损失函数之中,得到均方误差;根据均方误差,采用梯度下降算法更新初始深度学习网络模型的网络参数,直至达到预设的收敛条件为止,得到深度学习网络模型。
在其中一个实施例中,该方法还包括:
根据微电网中所有线路的总能量损失值、每个设备节点的电压、预设的评价系数、每个无功补偿装置的出力值,计算各个位置组合的标准量化值。
在其中一个实施例中,根据每个位置组合对应的总量化值,确定目标位置组合,包括:
将最大的总量化值对应的位置组合确定为目标位置组合;将目标位置组合中各无功补偿装置对应的最大出力值,确定各无功补偿装置的无功补偿容量。
第二方面,提供了一种无功补偿装置配置装置,该装置包括:
第一获取模块,用于获取微电网在发生各种故障时,每种故障对应的微电网状态参数;
输入模块,用于将每种故障对应的微电网状态参数输入至预设的深度学习网络模型中,得到每种故障下各个位置组合的量化值;位置组合为多个无功补偿装置的位置组合后得到的;量化值用于表征位置组合的准确度;
第二获取模块,用于根据每种故障下各个位置组合的量化值,获取每个位置组合对应的总量化值;
确定模块,用于根据每个位置组合对应的总量化值,确定目标位置组合。
第三方面,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
上述无功补偿装置配置方法、装置、设备及存储介质,通过获取微电网在发生各种故障时,每种故障对应的微电网状态参数;将每种故障对应的微电网状态参数输入至预设的深度学习网络模型中,得到每种故障下各个位置组合的量化值;位置组合为多个无功补偿装置的位置组合后得到的;量化值用于表征位置组合的准确度;根据每种故障下各个位置组合的量化值,获取每个位置组合对应的总量化值;根据每个位置组合对应的总量化值,确定目标位置组合。在本申请实施例提供的技术方案中,由于采用深度学习网络模型,对微电网多种运行状态在不同故障情况下,配置多种无功补偿配置位置组合的量化值进行学习,再根据总量化值确定出目标位置组合作为最优的位置组合,从而提高了无功补偿装置配置位置的准确性。
附图说明
图1为本申请实施例提供的一种计算机设备的框图;
图2为本申请实施例提供的一种无功补偿装置配置方法的流程图;
图3为本申请实施例提供的一种无功补偿装置配置方法的流程图;
图4为本申请实施例提供的一种无功补偿装置配置方法的流程图;
图5为本申请实施例提供的一种无功补偿装置配置方法的流程图;
图6为本申请实施例提供的一种无功补偿装置配置方法的流程图;
图7为本申请实施例提供的一种无功补偿装置配置方法的流程图;
图8为本申请实施例提供的一种无功补偿装置配置方法的流程图;
图9为本申请实施例提供的一种无功补偿装置配置装置的框图;
图10为本申请实施例提供的一种无功补偿装置配置装置的框图;
图11为本申请实施例提供的一种无功补偿装置配置装置的框图;
图12为本申请实施例提供的一种无功补偿装置配置装置的框图;
图13为本申请实施例提供的一种无功补偿装置配置装置的框图;
图14为本申请实施例提供的一种无功补偿装置配置装置的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请提供的无功补偿装置配置方法可以应用于计算机设备中,计算机设备可以是服务器,也可以是终端,其中,服务器可以为一台服务器也可以为由多台服务器组成的服务器集群,本申请实施例对此不作具体限定,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
以计算机设备是服务器为例,图1示出了一种服务器的框图,如图1所示,服务器可以包括通过系统总线连接的处理器和存储器。其中,该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序以及数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种无功补偿装置配置方法。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的服务器的限定,可选地服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
需要说明的是,本申请实施例的执行主体可以是计算机设备,也可以是无功补偿装置配置装置,下述方法实施例中就以计算机设备为执行主体进行说明。
在一个实施例中,如图2所示,其示出了本申请实施例提供的一种无功补偿装置配置方法的流程图,本实施例涉及的是确定目标位置组合的过程,该方法可以包括以下步骤:
步骤201、获取微电网在发生各种故障时,每种故障对应的微电网状态参数。
其中,微电网的故障是根据实际经验选取的微电网中常见发生的故障,可以包括短路故障、接地故障等。微电网状态参数是用来描述微电网运行状态的参数,微电网状态参数可以包括每个设备节点的有功功率、无功功率、电压和频率等状态参数,还可以包括其他状态参数,由每个设备节点的状态参数构建的矩阵可以作为微电网的状态矩阵。微电网在正常运行时,每个设备节点对应的状态参数构建的矩阵作为微电网的初始状态矩阵,初始状态矩阵中的状态参数可以通过潮流计算得到。
在微电网发生故障后,微电网的状态参数会发生相应变化。可以通过在正常运行状态下添加不同类型的故障,得到不同故障对应的微电网状态参数,每种故障对应的微电网状态参数可以通过正常运行状态下的初始状态矩阵得到。
步骤202、将每种故障对应的微电网状态参数输入至预设的深度学习网络模型中,得到每种故障下各个位置组合的量化值;位置组合为多个无功补偿装置的位置组合后得到的;量化值用于表征位置组合的准确度。
其中,预设的深度学习网络模型是根据多种故障对应的微电网状态参数和每种故障下各个位置组合的量化值,对初始深度学习网络模型进行训练得到的网络模型,初始深度学习网络模型是模型中的参数为设定的初始值的模型。将每种故障对应的微电网状态参数输入至预设的深度学习网络模型中,得到每种故障下各个位置组合的量化值,位置组合为多个无功补偿装置的位置组合后得到的,即,得到每种故障状态对应的每个无功补偿装置的位置组合后的量化值,量化值是用来表征位置组合的准确度的值,可以通过对所有无功补偿装置进行配置后微电网的运行信息确定,也可以由无功补偿装置的无功出力值确定,还可以通过对所有无功补偿装置进行配置后微电网的运行信息和无功补偿装置的无功出力值共同确定,本实施例对此不作具体限定。其中,微电网的运行信息可以包括微电网线路的能量损失值、设备节点的电压值等信息。
步骤203、根据每种故障下各个位置组合的量化值,获取每个位置组合对应的总量化值。
其中,得到每种故障下各个位置组合的量化值后,可以将每个位置组合对应的量化值求和后得到每个位置组合对应的总量化值,每个位置组合对应的总量化值为所有故障下的每个位置组合对应的总量化值。例如,故障包括A和B,位置组合包括C和D,故障A在位置组合C和D下的量化值分别为a和b,故障B在位置组合C和D下的量化值分别为c和d,位置组合C对应的总量化值为a+c,位置组合D对应的总量化值为b+d。
步骤204、根据每个位置组合对应的总量化值,确定目标位置组合。
其中,根据每个位置组合对应的总量化值确定目标位置组合时,可以将每个位置组合对应的总量化值进排序后,可以根据实际需求选取目标位置组合。可以根据实际需求选取总量化值最大的位置组合作为目标位置组合,也可以根据实际需求选取总量化值的中值对应的位置组合作为目标位置组合,还可以是根据实际需求选取其他位置组合,本实施例对此不作具体限定。
本实施例中,通过获取微电网在发生各种故障时,每种故障对应的微电网状态参数;将每种故障对应的微电网状态参数输入至预设的深度学习网络模型中,得到每种故障下各个位置组合的量化值;根据每种故障下各个位置组合的量化值,获取每个位置组合对应的总量化值;根据每个位置组合对应的总量化值,确定目标位置组合。由于采用深度学习网络模型,对微电网多种运行状态在不同故障情况下,配置多种无功补偿配置位置组合的量化值进行学习,再根据总量化值确定出目标位置组合作为最优的位置组合,从而提高了无功补偿装置配置位置的准确性。
在一个实施例中,如图3所示,其示出了本申请实施例提供的一种无功补偿装置配置方法的流程图,本实施例涉及的是获取每种故障对应的微电网状态参数的过程,该方法可以包括以下步骤:
步骤301、根据微电网的结构构建微电网环境模型。
其中,微电网的结构是包含微电网运行状态参数信息的结构,微电网运行状态参数信息可以为微电网的设备节点参数、线路参数等运行状态参数信息,根据微电网的结构构建微电网环境模型,可以将微电网的运行状态参数信息输入至电网仿真软件中,通过对参数进行运算处理后构建出微电网环境模型。
步骤302、根据微电网的初始状态参数和微电网环境模型,获取微电网的初始状态矩阵。
其中,微电网的初始状态参数为给设备节点设定的初始功率参数以及负荷参数等,将微电网的初始状态参数输入至构建出的微电网环境模型中,得到微电网的初始状态矩阵,可以选取一组微电网的初始状态参数输入至构建出的微电网环境模型中,也可以选取多组初始状态参数输入至构建出的微电网环境模型中。在获取微电网的初始状态矩阵时,可选的,可以通过潮流计算方式对微电网环境模型进行求解得到微电网的初始状态矩阵,该微电网的初始状态矩阵为微电网在正常运行状态下的状态参数构成的矩阵。
步骤303、根据初始状态矩阵和微电网的各种故障状态参数,获取每种故障对应的微电网状态参数。
其中,各种故障状态参数可以为故障发生后设备节点的功率参数以及负荷参数等,根据初始状态矩阵和微电网的各种故障状态参数,获取每种故障对应的微电网状态参数,可以将初始状态矩阵和微电网的各种故障状态参数输入至构建出的微电网环境模型中,通过暂态稳定计算方法得到每种故障对应的微电网状态参数。
其中,根据微电网的初始状态参数和微电网环境模型,获取微电网的初始状态矩阵,再根据初始状态矩阵和微电网的各种故障状态参数,获取每种故障对应的微电网状态参数。由于可以通过预先构建的微电网环境模型就可以确定每种故障对应的微电网状态参数,简单易操作,提高了计算微电网状态参数的效率。
在一个实施例中,如图4所示,其示出了本申请实施例提供的一种无功补偿装置配置方法的流程图,本实施例涉及的是获取微电网的初始状态矩阵的过程,该方法可以包括以下步骤:
步骤401、选取微电网的第一预设数量的状态参数组合作为初始状态参数。
其中,第一预设数量是微电网的状态参数组合的数量,在将微电网的初始状态参数输入至构建出的微电网环境模型中得到微电网的初始状态矩阵时,需要选取微电网的状态参数组合的数量。例如,第一预设数量为100,那么可以选取100种功率参数和负荷参数组成初始状态参数。
步骤402、将初始状态参数输入至微电网环境模型中,得到微电网的潮流分布。
其中,将选取的微电网的初始状态参数输入至微电网环境模型中,可以通过潮流计算方法对输入至微电网环境模型中的初始状态参数进行求解后,得到微电网的潮流分布。微电网的潮流分布是用来描述微电网设备节点状态的值,微电网的潮流分布可以包括设备节点的有功功率、无功功率、电压和频率等状态参数。
步骤403、根据微电网的潮流分布,选取第二预设数量的输出参数组合构建初始状态矩阵。
其中,微电网的潮流分布中包含设备节点的多个状态参数值,可以选取第二预设数量的状态参数值作为输出参数组合,根据输出参数组合构建初始状态矩阵。例如,第二预设数量为2,那么初始状态矩阵可以为有功功率和无功功率的组合构建的矩阵,也可以为功功率和电压的组合构建的矩阵,还可以为潮流分布中其他任意两个状态参数的组合构建的矩阵。
本实施例中,通过选取微电网的第一预设数量的状态参数组合作为初始状态参数;将初始状态参数输入至微电网环境模型中,得到微电网的潮流分布;根据微电网的潮流分布,选取第二预设数量的输出参数组合构建初始状态矩阵。由于选取多组初始状态参数输入至微电网环境模型中,计算出来的微电网的潮流分布更加多样化,使得构建的初始状态矩阵也更加多样化。
在一个实施例中,对深度学习网络模型的训练过程进行介绍,如图5所示,其示出了本申请实施例提供的一种无功补偿装置配置方法的流程图,本实施例涉及的是得到深度学习网络模型的过程,该方法可以包括以下步骤:
步骤501、获取训练状态集;训练状态集中包括多个故障情况下对应的微电网样本状态参数。
其中,训练状态集中包括多个故障情况下对应的微电网样本状态参数,微电网样本状态参数是微电网在发生各种故障时,每种故障对应的微电网状态参数。例如,可以选取500组故障下的微电网状态参数作为训练状态集。
步骤502、根据训练状态集和各故障情况对应的各个位置组合的标准量化值,对初始深度学习网络模型进行训练,得到深度学习网络模型。
其中,根据训练状态集和各故障情况对应的各个位置组合的标准量化值,对初始深度学习网络模型进行训练,得到深度学习网络模型。可以通过深度学习网络模型输出的各故障情况对应的各个位置组合的量化值,与标准量化值进行比较后,对初始深度学习网络模型的参数进行更新,最终得到训练好的深度学习网络模型。深度学习网络模型输出的量化值与标准量化值进行比较对初始深度学习网络模型的参数进行更新时,可以通过求解损失函数值,并采用梯度下降算法对模型参数进行更新。
在求解各故障情况对应的各个位置组合的标准量化值时,可选的,可以根据微电网中所有线路的总能量损失值、每个设备节点的电压、预设的评价系数、每个无功补偿装置的出力值,通过公式(1)计算各个位置组合的标准量化值rx,k。其中,总能量损失值是将微电网中所有线路的能量损失相加得到总能量损失值,在故障发生后对设备节点配置无功补偿装置,每个无功补偿装置的出力值可以是根据暂态稳定计算方法得到。
其中,rx,k为第x种故障在第k种无功补偿装置位置组合下的标准量化值;Ltotal为微电网线路的能量总损失值;Ui为设备节点i的电压值;Qx,k,q为第x种故障在第k种无功补偿装置位置组合下,第q个无功补偿装置的无功出力值;α、β、γ均为自定义的权重系数值,可人为设定。
本实施例中,通过获取训练状态集,根据训练状态集和各故障情况对应的各个位置组合的标准量化值,对初始深度学习网络模型进行训练,得到深度学习网络模型。由于对微电网多种运行状态在不同故障情况下,配置多种无功补偿配置位置组合的量化值进行学习,提高了深度学习网络模型的在不同故障下的适应性,从而提高了对深度学习网络模型配置无功补偿装置位置的准确性。并且,根据微电网中所有线路的总能量损失值、每个设备节点的电压、预设的评价系数、每个无功补偿装置的出力值,计算各个位置组合的标准量化值,由于微电网中所有线路的总能量损失值、每个设备节点的电压、每个无功补偿装置的出力值能够清晰反映微电网的运行状态信息,选取这三部分作为计算标准量化值的指标,提高了计算标准量化值的准确性,且计算过程简单。
在一个实施例中,如图6所示,其示出了本申请实施例提供的一种无功补偿装置配置方法的流程图,本实施例涉及的是根据各个位置组合的标准量化值得到深度学习网络模型的一种可能的过程,该方法可以包括以下步骤:
步骤601、将训练状态集中各微电网样本状态参数输入至初始深度学习网络模型中,得到各故障情况下各个位置组合的预测量化值。
步骤602、将各预测量化值和对应的标准量化值代入预设的均方损失函数之中,得到均方误差。
步骤603、根据均方误差,采用梯度下降算法更新初始深度学习网络模型的网络参数,直至达到预设的收敛条件为止,得到深度学习网络模型。
其中,将训练状态集中各微电网样本状态参数输入至初始深度学习网络模型中,初始深度学习网络模型会输出各故障情况下各个位置组合的预测量化值。再将各预测量化值和对应的标准量化值代入预设的均方损失函数之中,计算得到量化值的均方误差。通过计算得到的均方误差,采用梯度下降算法对初始深度学习网络模型的网络参数进行更新,直至达到预设的收敛条件为止,得到深度学习网络模型。预设的收敛条件可以为通过预先设定的均方误差阈值确定的,例如,预设的收敛条件可以是小于预先设定的均方误差阈值,那么在计算得到量化值的均方误差小于预先设定的均方误差阈值的情况下,根据更新得到的网络参数确定出的深度学习网络模型,作为预设的深度学习网络模型。
本实施例中,通过将训练状态集中各微电网样本状态参数输入至初始深度学习网络模型中,得到各故障情况下各个位置组合的预测量化值;再将各预测量化值和对应的标准量化值代入预设的均方损失函数之中,得到均方误差;根据均方误差,采用梯度下降算法更新初始深度学习网络模型的网络参数,直至达到预设的收敛条件为止,得到深度学习网络模型。通过各预测量化值和对应的标准量化值进行误差运算以及梯度下降算法对网络参数进行更新,提高了对深度学习网络模型的训练效率。
在一个实施例中,如图7所示,其示出了本申请实施例提供的一种无功补偿装置配置方法的流程图,本实施例涉及的是确定目标位置组合和无功补偿容量的过程,该方法可以包括以下步骤:
步骤701、将最大的总量化值对应的位置组合确定为目标位置组合。
其中,根据每个位置组合对应的总量化值确定目标位置组合时,可以将每个位置组合对应的总量化值进排序后,根据实际需求选取总量化值最大的位置组合作为目标位置组合。例如,故障包括A和B,位置组合包括C和D,故障A在位置组合C和D下的量化值分别为a和b,故障B在位置组合C和D下的量化值分别为c和d,位置组合C对应的总量化值为a+c,位置组合D对应的总量化值为b+d,对总量化值进行排序后,若a+c大于b+d,那么将位置组合C确定为目标位置组合。
步骤702、将目标位置组合中各无功补偿装置对应的最大出力值,确定各无功补偿装置的无功补偿容量。
其中,在故障发生后对设备节点配置无功补偿装置,通过暂态稳定计算方法得到每个无功补偿装置的出力值,将不同故障下,无功补偿装置的出力值进行排序后,将各无功补偿装置对应的最大出力值作为各无功补偿装置的无功补偿容量Cq。
其中,Cq是各无功补偿装置的无功补偿容量;Cq是各无功补偿装置的编号;是Qx,k,q为第x种故障在第k种无功补偿装置位置组合下,第q个无功补偿装置的无功出力值。
本实施例中,将最大的总量化值对应的位置组合确定为目标位置组合;将目标位置组合中各无功补偿装置对应的最大出力值,确定各无功补偿装置的无功补偿容量。由于目标位置组合和各无功补偿装置的无功补偿容量的确定方式简单且易操作,提高了对无功补偿装置配置的效率。
在一个实施例中,如图8所示,其示出了本申请实施例提供的一种无功补偿装置配置方法的流程图,该方法可以包括以下步骤:
步骤801、根据微电网的结构构建微电网环境模型。
步骤802、选取微电网的第一预设数量的状态参数组合作为初始状态参数。
步骤803、将初始状态参数输入至微电网环境模型中,得到微电网的潮流分布。
步骤804、根据微电网的潮流分布,选取第二预设数量的输出参数组合构建初始状态矩阵。
步骤805、获取训练状态集;训练状态集中包括多个故障情况下对应的微电网样本状态参数。
步骤806、将训练状态集中各微电网样本状态参数输入至初始深度学习网络模型中,得到各故障情况下各个位置组合的预测量化值。
步骤807、根据微电网中所有线路的总能量损失值、每个设备节点的电压、预设的评价系数、每个无功补偿装置的出力值,计算各个位置组合的标准量化值。
步骤808、将各预测量化值和对应的标准量化值代入预设的均方损失函数之中,得到均方误差。
步骤809、根据均方误差,采用梯度下降算法更新初始深度学习网络模型的网络参数,直至达到预设的收敛条件为止,得到深度学习网络模型。
步骤810、将每种故障对应的微电网状态参数输入至预设的深度学习网络模型中,得到每种故障下各个位置组合的量化值;位置组合为多个无功补偿装置的位置组合后得到的;量化值用于表征位置组合的准确度。
步骤811、将最大的总量化值对应的位置组合确定为目标位置组合。
步骤812、将目标位置组合中各无功补偿装置对应的最大出力值,确定各无功补偿装置的无功补偿容量。
本实施例提供的无功补偿装置配置方法中各步骤,其实现原理和技术效果与前面各无功补偿装置配置方法实施例中类似,在此不再赘述。图8实施例中各步骤的实现方式只是一种举例,对各实现方式不作限定,各步骤的顺序在实际应用中可进行调整,只要可以实现各步骤的目的即可。
在本申请实施例提供的技术方案中,由于采用深度学习网络模型,对微电网多种运行状态在不同故障情况下,配置多种无功补偿配置位置组合的量化值进行学习,再根据总量化值确定出目标位置组合作为最优的位置组合,从而提高了无功补偿装置配置位置的准确性。
应该理解的是,虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-8中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
请参考图9,其示出了本申请实施例提供的一种无功补偿装置配置装置90的框图。如图9所示,该无功补偿装置配置装置90可以包括:第一获取模块91、输入模块92、第二获取模块93和确定模块94,其中:
第一获取模块91,用于获取微电网在发生各种故障时,每种故障对应的微电网状态参数。
输入模块92,用于将每种故障对应的微电网状态参数输入至预设的深度学习网络模型中,得到每种故障下各个位置组合的量化值;位置组合为多个无功补偿装置的位置组合后得到的;量化值用于表征位置组合的准确度。
第二获取模块93,用于根据每种故障下各个位置组合的量化值,获取每个位置组合对应的总量化值。
确定模块94,用于根据每个位置组合对应的总量化值,确定目标位置组合。
请参考图10,其示出了本申请实施例提供的一种无功补偿装置配置装置100的框图。如图10所示,该第一获取模块91可以包括:构建单元911、第一获取单元912和第二获取单元913,其中:
构建单元911,用于根据微电网的结构构建微电网环境模型。
第一获取单元912,用于根据微电网的初始状态参数和微电网环境模型,获取微电网的初始状态矩阵。
第二获取单元913,用于根据初始状态矩阵和微电网的各种故障状态参数,获取每种故障对应的微电网状态参数。
在一个实施例中,第二获取单元913具体用于选取微电网的第一预设数量的状态参数组合作为初始状态参数;将初始状态参数输入至微电网环境模型中,得到微电网的潮流分布;根据微电网的潮流分布,选取第二预设数量的输出参数组合构建初始状态矩阵。
请参考图11,其示出了本申请实施例提供的一种无功补偿装置配置装置110的框图。如图11所示,该无功补偿装置配置装置110还可以包括:第三获取模块111和训练模块112,其中:
第三获取模块111,用于获取训练状态集;训练状态集中包括多个故障情况下对应的微电网样本状态参数。
训练模块112,用于根据训练状态集和各故障情况对应的各个位置组合的标准量化值,对初始深度学习网络模型进行训练,得到深度学习网络模型。
请参考图12,其示出了本申请实施例提供的一种无功补偿装置配置装置120的框图。如图12所示,该训练模块112可以包括:输入单元1121、代入单元1122和更新单元1123,其中:
输入单元1121,用于将训练状态集中各微电网样本状态参数输入至初始深度学习网络模型中,得到各故障情况下各个位置组合的预测量化值。
代入单元1122,用于将各预测量化值和对应的标准量化值代入预设的均方损失函数之中,得到均方误差。
更新单元1123,用于根据均方误差,采用梯度下降算法更新初始深度学习网络模型的网络参数,直至达到预设的收敛条件为止,得到深度学习网络模型。
请参考图13,其示出了本申请实施例提供的一种无功补偿装置配置装置130的框图。如图13所示,该无功补偿装置配置装置130可以包括:计算模块131,其中:
计算模块131,用于根据微电网中所有线路的总能量损失值、每个设备节点的电压、预设的评价系数、每个无功补偿装置的出力值,计算各个位置组合的标准量化值。
请参考图14,其示出了本申请实施例提供的一种无功补偿装置配置装置140的框图。如图14所示,该确定模块94可以包括:第一确定单元941和第二确定单元942,其中:
第一确定单元941,用于将最大的总量化值对应的位置组合确定为目标位置组合。
第二确定单元942,用于将目标位置组合中各无功补偿装置对应的最大出力值,确定各无功补偿装置的无功补偿容量。
关于无功补偿装置配置装置的具体限定可以参见上文中对于无功补偿装置配置方法的限定,在此不再赘述。上述无功补偿装置配置装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块的操作。
在本申请的一个实施例中,提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取微电网在发生各种故障时,每种故障对应的微电网状态参数;将每种故障对应的微电网状态参数输入至预设的深度学习网络模型中,得到每种故障下各个位置组合的量化值;位置组合为多个无功补偿装置的位置组合后得到的;量化值用于表征位置组合的准确度;根据每种故障下各个位置组合的量化值,获取每个位置组合对应的总量化值;根据每个位置组合对应的总量化值,确定目标位置组合。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据微电网的结构构建微电网环境模型;根据微电网的初始状态参数和微电网环境模型,获取微电网的初始状态矩阵;根据初始状态矩阵和微电网的各种故障状态参数,获取每种故障对应的微电网状态参数。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
选取微电网的第一预设数量的状态参数组合作为初始状态参数;将初始状态参数输入至微电网环境模型中,得到微电网的潮流分布;根据微电网的潮流分布,选取第二预设数量的输出参数组合构建初始状态矩阵。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取训练状态集;训练状态集中包括多个故障情况下对应的微电网样本状态参数;根据训练状态集和各故障情况对应的各个位置组合的标准量化值,对初始深度学习网络模型进行训练,得到深度学习网络模型。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
将训练状态集中各微电网样本状态参数输入至初始深度学习网络模型中,得到各故障情况下各个位置组合的预测量化值;将各预测量化值和对应的标准量化值代入预设的均方损失函数之中,得到均方误差;根据均方误差,采用梯度下降算法更新初始深度学习网络模型的网络参数,直至达到预设的收敛条件为止,得到深度学习网络模型。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据微电网中所有线路的总能量损失值、每个设备节点的电压、预设的评价系数、每个无功补偿装置的出力值,计算各个位置组合的标准量化值。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
将最大的总量化值对应的位置组合确定为目标位置组合;将目标位置组合中各无功补偿装置对应的最大出力值,确定各无功补偿装置的无功补偿容量。
本申请实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在本申请的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取微电网在发生各种故障时,每种故障对应的微电网状态参数;将每种故障对应的微电网状态参数输入至预设的深度学习网络模型中,得到每种故障下各个位置组合的量化值;位置组合为多个无功补偿装置的位置组合后得到的;量化值用于表征位置组合的准确度;根据每种故障下各个位置组合的量化值,获取每个位置组合对应的总量化值;根据每个位置组合对应的总量化值,确定目标位置组合。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据微电网的结构构建微电网环境模型;根据微电网的初始状态参数和微电网环境模型,获取微电网的初始状态矩阵;根据初始状态矩阵和微电网的各种故障状态参数,获取每种故障对应的微电网状态参数。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
选取微电网的第一预设数量的状态参数组合作为初始状态参数;将初始状态参数输入至微电网环境模型中,得到微电网的潮流分布;根据微电网的潮流分布,选取第二预设数量的输出参数组合构建初始状态矩阵。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取训练状态集;训练状态集中包括多个故障情况下对应的微电网样本状态参数;根据训练状态集和各故障情况对应的各个位置组合的标准量化值,对初始深度学习网络模型进行训练,得到深度学习网络模型。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将训练状态集中各微电网样本状态参数输入至初始深度学习网络模型中,得到各故障情况下各个位置组合的预测量化值;将各预测量化值和对应的标准量化值代入预设的均方损失函数之中,得到均方误差;根据均方误差,采用梯度下降算法更新初始深度学习网络模型的网络参数,直至达到预设的收敛条件为止,得到深度学习网络模型。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据微电网中所有线路的总能量损失值、每个设备节点的电压、预设的评价系数、每个无功补偿装置的出力值,计算各个位置组合的标准量化值。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将最大的总量化值对应的位置组合确定为目标位置组合;将目标位置组合中各无功补偿装置对应的最大出力值,确定各无功补偿装置的无功补偿容量。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种无功补偿装置配置方法,其特征在于,所述方法包括:
根据训练状态集和各故障情况对应的各个位置组合的标准量化值,对初始深度学习网络模型进行训练,得到深度学习网络模型;所述训练状态集中包括多个故障情况下对应的微电网样本状态参数;
获取微电网在发生各种故障时,每种故障对应的微电网状态参数;
将所述每种故障对应的微电网状态参数输入至所述深度学习网络模型中,得到所述每种故障下各个位置组合的量化值;所述位置组合为多个无功补偿装置的位置组合后得到的;所述量化值用于表征位置组合的准确度;
根据所述每种故障下各个位置组合的量化值,获取每个所述位置组合对应的总量化值;
根据每个所述位置组合对应的总量化值,确定目标位置组合。
2.根据权利要求1所述的方法,其特征在于,所述获取微电网在发生各种故障时,每种故障对应的微电网状态参数,包括:
根据所述微电网的结构构建微电网环境模型;
根据所述微电网的初始状态参数和所述微电网环境模型,获取所述微电网的初始状态矩阵;
根据所述初始状态矩阵和所述微电网的各种故障状态参数,获取所述每种故障对应的微电网状态参数。
3.根据权利要求2所述的方法,其特征在于,所述根据所述微电网的初始状态参数和所述微电网环境模型中,获取所述微电网的初始状态矩阵,包括:
选取所述微电网的第一预设数量的状态参数组合作为所述初始状态参数;
将所述初始状态参数输入至所述微电网环境模型中,得到所述微电网的潮流分布;
根据所述微电网的潮流分布,选取第二预设数量的输出参数组合构建所述初始状态矩阵。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据训练状态集和各故障情况对应的各个位置组合的标准量化值,对初始深度学习网络模型进行训练,得到深度学习网络模型,包括:
将训练状态集中各所述微电网样本状态参数输入至所述初始深度学习网络模型中,得到各故障情况下各个位置组合的预测量化值;
将各所述预测量化值和对应的标准量化值代入预设的均方损失函数之中,得到均方误差;
根据所述均方误差,采用梯度下降算法更新所述初始深度学习网络模型的网络参数,直至达到预设的收敛条件为止,得到所述深度学习网络模型。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据所述微电网中所有线路的总能量损失值、每个设备节点的电压、预设的评价系数、每个无功补偿装置的出力值,计算所述各个位置组合的标准量化值。
6.根据权利要求1-3任一项所述的方法,其特征在于,所述根据每个所述位置组合对应的总量化值,确定目标位置组合,包括:
将最大的总量化值对应的位置组合确定为所述目标位置组合;
将所述目标位置组合中各无功补偿装置对应的最大出力值,确定各无功补偿装置的无功补偿容量。
7.一种无功补偿装置配置装置,其特征在于,所述装置包括:
模型训练模块,用于根据训练状态集和各故障情况对应的各个位置组合的标准量化值,对初始深度学习网络模型进行训练,得到深度学习网络模型;所述训练状态集中包括多个故障情况下对应的微电网样本状态参数;
第一获取模块,用于获取微电网在发生各种故障时,每种故障对应的微电网状态参数;
输入模块,用于将所述每种故障对应的微电网状态参数输入至所述深度学习网络模型中,得到所述每种故障下各个位置组合的量化值;所述位置组合为多个无功补偿装置的位置组合后得到的;所述量化值用于表征位置组合的准确度;
第二获取模块,用于根据所述每种故障下各个位置组合的量化值,获取每个所述位置组合对应的总量化值;
确定模块,用于根据每个所述位置组合对应的总量化值,确定目标位置组合。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
计算模块,用于根据所述微电网中所有线路的总能量损失值、每个设备节点的电压、预设的评价系数、每个无功补偿装置的出力值,计算所述各个位置组合的标准量化值。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至6任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011422745.9A CN112600221B (zh) | 2020-12-08 | 2020-12-08 | 无功补偿装置配置方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011422745.9A CN112600221B (zh) | 2020-12-08 | 2020-12-08 | 无功补偿装置配置方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112600221A CN112600221A (zh) | 2021-04-02 |
CN112600221B true CN112600221B (zh) | 2023-03-03 |
Family
ID=75189001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011422745.9A Active CN112600221B (zh) | 2020-12-08 | 2020-12-08 | 无功补偿装置配置方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112600221B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106655210A (zh) * | 2016-11-21 | 2017-05-10 | 清华大学 | 一种电网无功补偿方法 |
CN109449947A (zh) * | 2018-11-02 | 2019-03-08 | 华南理工大学 | 孤岛微电网无功电压控制能力评估方法及其优化方法 |
CN110233484A (zh) * | 2019-06-12 | 2019-09-13 | 国网青海省电力公司 | 考虑补偿效益的多目标无功优化配置方法 |
CN110609903A (zh) * | 2019-08-01 | 2019-12-24 | 华为技术有限公司 | 信息表示方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6339956B2 (ja) * | 2015-03-19 | 2018-06-06 | アズビル株式会社 | 不具合要因特定支援装置および不具合要因特定支援方法 |
US10333308B2 (en) * | 2016-08-15 | 2019-06-25 | Nec Corporation | Two-level predictive based reactive power coordination and voltage restoration for microgrids |
ES2824841T3 (es) * | 2018-03-16 | 2021-05-13 | Siemens Ag | Procedimiento para hacer funcionar una red de suministro de energía eléctrica y un equipo de control para controlar equipos de una red de distribución eléctrica |
US20200265301A1 (en) * | 2019-02-15 | 2020-08-20 | Microsoft Technology Licensing, Llc | Incremental training of machine learning tools |
CN110210350B (zh) * | 2019-05-22 | 2021-12-21 | 北京理工大学 | 一种基于深度学习的快速停车位检测方法 |
CN111523737B (zh) * | 2020-05-29 | 2022-06-28 | 四川大学 | 深度q网络驱动的电力系统运行方式自动趋优调整方法 |
-
2020
- 2020-12-08 CN CN202011422745.9A patent/CN112600221B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106655210A (zh) * | 2016-11-21 | 2017-05-10 | 清华大学 | 一种电网无功补偿方法 |
CN109449947A (zh) * | 2018-11-02 | 2019-03-08 | 华南理工大学 | 孤岛微电网无功电压控制能力评估方法及其优化方法 |
CN110233484A (zh) * | 2019-06-12 | 2019-09-13 | 国网青海省电力公司 | 考虑补偿效益的多目标无功优化配置方法 |
CN110609903A (zh) * | 2019-08-01 | 2019-12-24 | 华为技术有限公司 | 信息表示方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112600221A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116090840A (zh) | 基于储能规划的配电网韧性提升方法、装置、设备和介质 | |
da Silva et al. | Toward a more reliable system for contingency selection in static security analysis of electric power systems | |
CN111600309B (zh) | 电压控制方法、装置、设备、计算机设备和存储介质 | |
CN117318052B (zh) | 发电机组进相试验无功功率预测方法、装置和计算机设备 | |
CN112801374B (zh) | 模型训练方法、用电负荷预测方法、装置及设备 | |
CN117175664B (zh) | 基于使用场景的储能充电设备输出功率自适应调节系统 | |
CN113094899B (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
CN112600221B (zh) | 无功补偿装置配置方法、装置、设备及存储介质 | |
CN117035298A (zh) | 工业用户设备集群的用电管理方法、装置和计算机设备 | |
Saric et al. | Two-stage stochastic programming model for market clearing with contingencies | |
CN113592361B (zh) | 电力系统潮流计算方法、装置、计算机设备和存储介质 | |
Ramesh et al. | Electrical power system state estimation meter placement—a comparative survey report | |
CN112488224B (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
CN115459299A (zh) | 低压配电无功调节方法、装置、计算机设备和存储介质 | |
CN112686440B (zh) | 高温超导电缆的部署位置确定方法、装置及设备 | |
CN109449972A (zh) | 配电线路选型方法和装置 | |
CN111640043B (zh) | 配电网重构方法、装置、计算机设备和存储介质 | |
CN113449863A (zh) | 一种基于查表的神经网络量化方法 | |
CN109063859B (zh) | 电网设备检修优化处理方法与装置 | |
CN112733433A (zh) | 装备测试性策略优化方法和装置 | |
Titare et al. | Genetic algorithm used for load shedding based on sensitivity to enhance voltage stability | |
CN111193271B (zh) | 电网无功优化方法、装置、计算机设备及存储介质 | |
CN117937477B (zh) | 发电机组无功功率边界值预测方法、装置和计算机设备 | |
CN118353073B (zh) | 基于经验模态分解的新能源储能优化配置方法及装置 | |
CN112600200B (zh) | 电网节点的谐波潮流计算方法、装置、设备及存储介质 |
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 |