CN112711902A - 一种基于蒙特卡洛采样和深度学习的电网电压计算方法 - Google Patents

一种基于蒙特卡洛采样和深度学习的电网电压计算方法 Download PDF

Info

Publication number
CN112711902A
CN112711902A CN202011479717.0A CN202011479717A CN112711902A CN 112711902 A CN112711902 A CN 112711902A CN 202011479717 A CN202011479717 A CN 202011479717A CN 112711902 A CN112711902 A CN 112711902A
Authority
CN
China
Prior art keywords
data set
power grid
neural network
power
fan
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.)
Pending
Application number
CN202011479717.0A
Other languages
English (en)
Inventor
徐晓春
李建宜
罗凯明
樊海锋
蔡康林
颜长鑫
李鹏
郭天宇
王加浩
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.)
North China Electric Power University
HuaiAn Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
North China Electric Power University
HuaiAn Power Supply Co of State Grid Jiangsu 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 North China Electric Power University, HuaiAn Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical North China Electric Power University
Priority to CN202011479717.0A priority Critical patent/CN112711902A/zh
Publication of CN112711902A publication Critical patent/CN112711902A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种基于蒙特卡洛采样和深度学习的配电网电压计算方法：根据光伏、风机实际出力曲线，利用双线性内插法进行数据补充；计算符合实际运行情况的负荷出力概率分布函数，再结合多状态配电网负荷参数数据集形成多状态配电网模型进行最优潮流计算，并保存为多状态配电网节点电压数据集；建立深度学习的全连接神经网络模型，将训练数据集导入全连接神经网络模型进行循环训练，并通过测试数据集进行验证，得到基于蒙特卡洛和深度学习的配电网电压计算模型。本发明可以比较快速的计算多种运行环境下不同参数网络节点电压，更为简单的达到更优计算结果，具有真实性以及可行性。

Description

一种基于蒙特卡洛采样和深度学习的电网电压计算方法
技术领域
本发明涉及一种电网电压计算方法。特别是涉及一种基于蒙特卡洛采样和深度学习的电网电压计算方法。
背景技术
随着电网中清洁能源渗透率不断提高，其强波动性及不确定性对电网安全经济运行的影响也不断加剧，电压是衡量电网安全运行的重要指标之一，而大量的负载接入以及波动性影响，对电网电压稳定运行有着巨大影响。
现代智能电网出现了信息物理融合和大电网复杂互联的新特征，而随着智能电网建设的逐步推进，电力量测和通信技术快速发展，广域量测和外部信息大量数据接入，使得电力系统已经逐渐成为具有多元信息交互的高维时变非线性电力信息物理系统。从而对电压控制提出了更高要求，引入人工智能中的深度学习以满足当前电网电压计算及控制成为了炙手可热的研究方向。
发明内容
本发明所要解决的技术问题是，提供一种应用于含风机、光伏等新能源负荷的复杂电网在不同运行环境下求解电网各节点电压的基于蒙特卡洛采样和深度学习的电网电压计算方法。
本发明所采用的技术方案是：一种基于蒙特卡洛采样和深度学习的电网电压计算方法，包括如下步骤：
1)根据光伏、风机实际出力曲线，利用双线性内插法进行数据补充；
2)根据电网实际运行参数计算符合实际运行情况的负荷出力概率分布函数，利用蒙特卡洛简单随机采样形式生成负荷数据集，根据电网实际运行参数计算符合实际运行情况的光伏、风机概率分布函数，利用蒙特卡洛重要性采样形式生成光伏、风机数据集，将负荷数据集和光伏、风机数据集整合成多状态电网负荷参数数据集；利用MATLAB中的MATpower工具箱结合多状态电网负荷参数数据集形成多状态电网模型进行最优潮流计算，并将计算结果保存为多状态电网节点电压数据集；整理合并多状态电网负荷参数数据集以及多状态电网节点电压数据集，并分为训练数据集和测试数据集；
3)建立深度学习的全连接神经网络模型，设定全连接神经网络模型层数及每层神经元数量；设置全连接神经网络模型各神经元权重及激活函数；利用梯度下降法设置全连接神经网络模型反向传播中的损失函数，更新各神经元权重；将训练数据集导入全连接神经网络模型进行循环训练，并通过测试数据集进行验证，从而得到基于蒙特卡洛和深度学习的电网电压计算模型。
本发明的一种基于蒙特卡洛采样和深度学习的电网电压计算方法，具有如下优点：
1、本发明解决了传统电网潮流计算计算时间长这一缺点，利用深度学习进行数据集训练，从而可以比较快速的计算多种运行环境下不同参数网络节点电压。
2、本模型摆脱原电网复杂运行环境及输入输出复杂线性关系，利用计算机优势，通过深度学习进行训练，更为简单的达到更优计算结果。
3、本模型引入真实风机光伏数据，且利用蒙特卡洛采样方法形成电网运行参数真实数据集，具有真实性以及可行性。
附图说明
图1是本发明实例中IEEE39节点电网结构模型；
图2是本发明实例中新能源风机、光伏出力；
图3是深度学习神经网络框架结构；
图4是本发明实例中深度学习模型学习结果。
具体实施方式
下面结合实施例和附图对本发明的一种基于蒙特卡洛采样和深度学习的电网电压计算方法做出详细说明。
本发明的一种基于蒙特卡洛采样和深度学习的电网电压计算方法，包括如下步骤：
1)根据光伏、风机实际出力曲线，利用双线性内插法进行数据补充；包括：
利用双线性内插法分别对光伏、风机实际出力曲线进行数据补充，生成数据精度更高的出力曲线，所述双线性内插法公式如下：
Figure BDA0002837120930000021
其中，f()为插值函数；t为待求功率点时刻；Q11为第一个已知功率点；Q12为第二个已知功率点；Q21为第三个已知功率点；Q22为第四个已知功率点；R1为上插值功率点；R2为下插值功率点；P为待求功率点；t1为待求功率点前一时刻；t2为待求功率点后一时刻；p1为待求功率点前一时刻的功率；p2为待求功率点后一时刻的功率。
2)根据电网实际运行参数计算符合实际运行情况的负荷出力概率分布函数，利用蒙特卡洛简单随机采样形式生成负荷数据集，根据电网实际运行参数计算符合实际运行情况的光伏、风机概率分布函数，利用蒙特卡洛重要性采样形式生成光伏、风机数据集，将负荷数据集和光伏、风机数据集整合成多状态电网负荷参数数据集；利用MATLAB中的MATpower工具箱结合多状态电网负荷参数数据集形成多状态电网模型进行最优潮流计算，并将计算结果保存为多状态电网节点电压数据集；整理合并多状态电网负荷参数数据集以及多状态电网节点电压数据集，并分为训练数据集和测试数据集；包括：
(2.1)根据电网实际运行参数，对于功率和电压稳定的线路和发电机，基本概率分布函数采用正态分布函数，负荷出力概率分布函数公式如下：
Figure BDA0002837120930000031
其中，GL()为负荷出力概率分布函数；i为节点编号；π为圆周率；exp为指数函数；pLi为i节点负荷有功功率；
Figure BDA0002837120930000032
为基态节点负荷有功功率；δi为i节点尺度参数；σi为i节点负荷功率标准差；
利用蒙特卡洛简单随机采样根据负荷出力概率分布函数按照随机采样形式生成负荷数据集；所述随机采样形式为利用计算机产生[0,1]伪随机数序列；
(2.2)根据电网实际运行参数，对于功率和电压不稳定的光伏、风机设备，采集光伏、风机设备在电网实际运行环境下不同时刻运行参数，光伏、风机出力概率分布函数如下：
Figure BDA0002837120930000033
其中，Gs()为光伏出力概率分布函数；Gw()为风机出力概率分布函数；si为光伏采样序号；wi为风机采样点序号；psi为光伏在si点采样功率；pwi为风机在wi点采样功率；K(*)为核函数；hs为光伏平滑系数；hw为风机平滑系数；ns为光伏采样次数；nw为风机采样次数；ps为光伏额定功率；pw为风机额定功率；
利用蒙特卡洛重要性采样根据光伏、风机出力概率分布函数按照重要性采样生成光伏、风机数据集；所述重要性采样公式如下：
Figure BDA0002837120930000034
其中，Es| |为光伏重要性采样，Ew| |为风机重要性采样；
(2.3)将蒙特卡洛采样生成的负荷数据集和光伏、风机数据集整理合并获得符合实际运行条件下多状态电网负荷参数数据集Xdata，将多状态电网负荷参数数据集中的30％数据作为输入测试数据集Xtest，70％作为输入训练数据集Xtrain进行保存；
(2.4)利用MATLAB中的MATpower工具箱对经典IEEE39节点电网模型进行建模得到多状态电网结构模型，将多状态电网负荷参数数据集Xdata作为多状态电网结构模型的负荷输入，构成多状态电网模型；
(2.5)利用利用MATLAB中的MATpower工具箱中的最优潮流数学模型计算多状态电网模型，对计算结果进行整理合并得到多状态电网节点电压数据集Ydata，多状态电网节点电压数据集Ydata中的30％的数据作为输出测试数据集Ytest、70％作为输出训练数据集Ytrain进行保存，所述的最优潮流数学模型如下：
Figure BDA0002837120930000041
式中:Ps()为目标函数；Ub为平衡节点电压幅值；θb为平衡节点相位角；u为控制变量电压；λ为待求状态变量；g()为基本潮流方程；h()为电压相位角差约束；s.t表示约束条件。
3)建立深度学习的全连接神经网络模型，设定全连接神经网络模型层数及每层神经元数量；设置全连接神经网络模型各神经元权重及激活函数；利用梯度下降法设置全连接神经网络模型反向传播中的损失函数，更新各神经元权重；将训练数据集导入全连接神经网络模型进行循环训练，并通过测试数据集进行验证，从而得到基于蒙特卡洛和深度学习的电网电压计算模型。其中，
(3.1)所述的深度学习全连接神经网络模型如下：
Figure BDA0002837120930000042
式中：yout为输出结果，m为神经网络层数，n为神经元个数，ωm,n为第m层第n个神经元权重，xm,n为第m层第n个神经元输入，bm,n为第m层第n个神经元d1偏置项且初始值设定为0；
(3.2)所述的设置全连接神经网络模型各神经元权重及激活函数，包括
将神经元权重ωm,n初始化：
Figure BDA0002837120930000043
式中：nin为权重被初始化层的输入连接数，N()为区间内正态分布；
设定激活函数为线性整流函数ReLU，所述线性整流函数ReLU函数如下：
ReLU(z)＝max(0,z)
式中：z为输入值；ReLU()为线性整流函数。
(3.3)所述的利用梯度下降法设置全连接神经网络模型反向传播中的损失函数，更新各神经元权重，包括：
将神经元输入xm,n通过激活函数生成输出值r，经过前向传播后通过均方误差损失函数得到误差值，所述均方误差损失函数公式如下：
Figure BDA0002837120930000044
式中：E为神经网络误差值，yk为神经网络输出，tk为监督数据；k为循环训练次数；
将神经网络误差值E对于神经元输入xm,n的求导，通过导数链式法则转换为输出值r对神经元输入xm,n求导，完成全连接神经网络模型反向传播梯度计算，反向传播梯度计算公式如下：
Figure BDA0002837120930000051
式中：rm,n为神经元输入xm,n经过ReLU函数的输出；M为神经元输出对神经元输入求导；E为神经网络误差值；
Figure BDA0002837120930000052
为误差值对于输出值rm,n的梯度，
Figure BDA0002837120930000053
为神经网络误差对于神经元输入xm,n的梯度。
(3.4)所述的将训练数据集导入全连接神经网络模型进行循环训练，并通过测试数据集进行验证，包括：
将输入训练数据集Xtrain作为全连接神经网络模型输入，将输出训练数据集Ytrain作为全连接神经网络模型的输出，循环反复训练，不断更新修正权重参数，形成准确训练集，将输入测试数据集作为全连接神经网络模型的输入，输出测试数据集Ytest作为全连接神经网络模型的输出，进行准确率验证，完成基于蒙特卡洛和深度学习的电网电压计算模型。
下面给出实例：
(1)根据本发明的一种基于蒙特卡洛采样和深度学习的电网电压计算方法，设定存在某电网，该系统内各个节点以及发电机连接如图1所示。
根据实际运行的光伏、风机数据，对其日前出力数据进行采集，绘制出小时为横坐标，功率为纵坐标的光伏、风机出力曲线，光伏、风机出力曲线如图2所示。采集数据如下：
Figure BDA0002837120930000054
Figure BDA0002837120930000061
利用双线性内插法对风机、光伏出力曲线进行数据补充，得到较为全面的风机光伏出力曲线。
(2)将电网模型在Matpower软件中进行建模，利用蒙特卡洛采样后的电网线路参数、发电机参数以及风机、光伏出力参数整理合并为深度学习训练输入数据集Xdata，同时保留部分数据作为测试输入数据集Xtest，并利用上述参数构建真实运行环境下电网。利用Matpower软件进行最优潮流计算，得到电网39节点在不同运行参数下的节点电压，整理合并得到深度学习训练输出数据集Ydata，同时保留部分数据作为测试输出数据集Ytest。
(3)根据本发明的一种基于蒙特卡洛采样和深度学习的电网电压计算方法，构建深度学习全连接神经网络模型，该神经网络模型如图3所示。设置神经网络初始权重和偏置项，将输入数据集Xdata导入神经网络模型进行前向传播，根据输出结果与训练输出数据集Ydata进行均方误差计算，利用反向传播更新神经网络各神经元权重和偏置项，循环反复训练深度学习全连接神经网络模型。
(4)根据训练完毕的深度学习全连接神经网络模型，将测试输入数据集Xtest作为网络输入，得到的网络输出与测试输出数据集Ytest进行比较，得到本次实例数据准确性为98％。深度学习全连接神经网络模型准确率结果如图4所示。

Claims (7)

1.一种基于蒙特卡洛采样和深度学习的电网电压计算方法，其特征在于，包括如下步骤：
1)根据光伏、风机实际出力曲线，利用双线性内插法进行数据补充；
2)根据电网实际运行参数计算符合实际运行情况的负荷出力概率分布函数，利用蒙特卡洛简单随机采样形式生成负荷数据集，根据电网实际运行参数计算符合实际运行情况的光伏、风机概率分布函数，利用蒙特卡洛重要性采样形式生成光伏、风机数据集，将负荷数据集和光伏、风机数据集整合成多状态电网负荷参数数据集；利用MATLAB中的MATpower工具箱结合多状态电网负荷参数数据集形成多状态电网模型进行最优潮流计算，并将计算结果保存为多状态电网节点电压数据集；整理合并多状态电网负荷参数数据集以及多状态电网节点电压数据集，并分为训练数据集和测试数据集；
3)建立深度学习的全连接神经网络模型，设定全连接神经网络模型层数及每层神经元数量；设置全连接神经网络模型各神经元权重及激活函数；利用梯度下降法设置全连接神经网络模型反向传播中的损失函数，更新各神经元权重；将训练数据集导入全连接神经网络模型进行循环训练，并通过测试数据集进行验证，从而得到基于蒙特卡洛和深度学习的电网电压计算模型。
2.根据权利要求1所述的一种基于蒙特卡洛采样和深度学习的电网电压计算方法，其特征在于，步骤1)包括：利用双线性内插法分别对光伏、风机实际出力曲线进行数据补充，生成数据精度更高的出力曲线，所述双线性内插法公式如下：
Figure FDA0002837120920000011
其中，f()为插值函数；t为待求功率点时刻；Q11为第一个已知功率点；Q12为第二个已知功率点；Q21为第三个已知功率点；Q22为第四个已知功率点；R1为上插值功率点；R2为下插值功率点；P为待求功率点；t1为待求功率点前一时刻；t2为待求功率点后一时刻；p1为待求功率点前一时刻的功率；p2为待求功率点后一时刻的功率。
3.根据权利要求1所述的一种基于蒙特卡洛采样和深度学习的电网电压计算方法，其特征在于，步骤2)包括：
(2.1)根据电网实际运行参数，对于功率和电压稳定的线路和发电机，基本概率分布函数采用正态分布函数，负荷出力概率分布函数公式如下：
Figure FDA0002837120920000021
其中，GL()为负荷出力概率分布函数；i为节点编号；π为圆周率；exp为指数函数；pLi为i节点负荷有功功率；
Figure FDA0002837120920000022
为基态节点负荷有功功率；δi为i节点尺度参数；σi为i节点负荷功率标准差；
利用蒙特卡洛简单随机采样根据负荷出力概率分布函数按照随机采样形式生成负荷数据集；所述随机采样形式为利用计算机产生[0,1]伪随机数序列；
(2.2)根据电网实际运行参数，对于功率和电压不稳定的光伏、风机设备，采集光伏、风机设备在电网实际运行环境下不同时刻运行参数，光伏、风机出力概率分布函数如下：
Figure FDA0002837120920000023
其中，Gs()为光伏出力概率分布函数；Gw()为风机出力概率分布函数；si为光伏采样序号；wi为风机采样点序号；psi为光伏在si点采样功率；pwi为风机在wi点采样功率；K(*)为核函数；hs为光伏平滑系数；hw为风机平滑系数；ns为光伏采样次数；nw为风机采样次数；ps为光伏额定功率；pw为风机额定功率；
利用蒙特卡洛重要性采样根据光伏、风机出力概率分布函数按照重要性采样生成光伏、风机数据集；所述重要性采样公式如下：
Figure FDA0002837120920000024
其中，Es||为光伏重要性采样，Ew||为风机重要性采样；
(2.3)将蒙特卡洛采样生成的负荷数据集和光伏、风机数据集整理合并获得符合实际运行条件下多状态电网负荷参数数据集Xdata，将多状态电网负荷参数数据集中的30％数据作为输入测试数据集Xtest，70％作为输入训练数据集Xtrain进行保存；
(2.4)利用MATLAB中的MATpower工具箱对经典IEEE39节点电网模型进行建模得到多状态电网结构模型，将多状态电网负荷参数数据集Xdata作为多状态电网结构模型的负荷输入，构成多状态电网模型；
(2.5)利用利用MATLAB中的MATpower工具箱中的最优潮流数学模型计算多状态电网模型，对计算结果进行整理合并得到多状态电网节点电压数据集Ydata，多状态电网节点电压数据集Ydata中的30％的数据作为输出测试数据集Ytest、70％作为输出训练数据集Ytrain进行保存，所述的最优潮流数学模型如下：
Figure FDA0002837120920000031
式中:Ps()为目标函数；Ub为平衡节点电压幅值；θb为平衡节点相位角；u为控制变量电压；λ为待求状态变量；g()为基本潮流方程；h()为电压相位角差约束；s.t表示约束条件。
4.根据权利要求1所述的一种基于蒙特卡洛采样和深度学习的电网电压计算方法，其特征在于，步骤3)所述的深度学习全连接神经网络模型如下：
Figure FDA0002837120920000032
式中：yout为输出结果，m为神经网络层数，n为神经元个数，ωm,n为第m层第n个神经元权重，xm,n为第m层第n个神经元输入，bm,n为第m层第n个神经元d1偏置项且初始值设定为0。
5.根据权利要求1所述的一种基于蒙特卡洛采样和深度学习的电网电压计算方法，其特征在于，步骤3)所述的设置全连接神经网络模型各神经元权重及激活函数，包括
将神经元权重ωm,n初始化：
Figure FDA0002837120920000033
式中：nin为权重被初始化层的输入连接数，N()为区间内正态分布；
设定激活函数为线性整流函数ReLU，所述线性整流函数ReLU函数如下：
ReLU(z)＝max(0,z)
式中：z为输入值；ReLU()为线性整流函数。
6.根据权利要求1所述的一种基于蒙特卡洛采样和深度学习的电网电压计算方法，其特征在于，步骤3)所述的利用梯度下降法设置全连接神经网络模型反向传播中的损失函数，更新各神经元权重，包括：
将神经元输入xm,n通过激活函数生成输出值r，经过前向传播后通过均方误差损失函数得到误差值，所述均方误差损失函数公式如下：
Figure FDA0002837120920000034
式中：E为神经网络误差值，yk为神经网络输出，tk为监督数据；k为循环训练次数；
将神经网络误差值E对于神经元输入xm,n的求导，通过导数链式法则转换为输出值r对神经元输入xm,n求导，完成全连接神经网络模型反向传播梯度计算，反向传播梯度计算公式如下：
Figure FDA0002837120920000041
式中：rm,n为神经元输入xm,n经过ReLU函数的输出；M为神经元输出对神经元输入求导；E为神经网络误差值；
Figure FDA0002837120920000042
为误差值对于输出值rm,n的梯度，
Figure FDA0002837120920000043
为神经网络误差对于神经元输入xm,n的梯度。
7.根据权利要求1所述的一种基于蒙特卡洛采样和深度学习的电网电压计算方法，其特征在于，步骤3)所述的将训练数据集导入全连接神经网络模型进行循环训练，并通过测试数据集进行验证，包括：
将输入训练数据集Xtrain作为全连接神经网络模型输入，将输出训练数据集Ytrain作为全连接神经网络模型的输出，循环反复训练，不断更新修正权重参数，形成准确训练集，将输入测试数据集作为全连接神经网络模型的输入，输出测试数据集Ytest作为全连接神经网络模型的输出，进行准确率验证，完成基于蒙特卡洛和深度学习的电网电压计算模型。
CN202011479717.0A 2020-12-15 2020-12-15 一种基于蒙特卡洛采样和深度学习的电网电压计算方法 Pending CN112711902A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011479717.0A CN112711902A (zh) 2020-12-15 2020-12-15 一种基于蒙特卡洛采样和深度学习的电网电压计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011479717.0A CN112711902A (zh) 2020-12-15 2020-12-15 一种基于蒙特卡洛采样和深度学习的电网电压计算方法

Publications (1)

Publication Number Publication Date
CN112711902A true CN112711902A (zh) 2021-04-27

Family

ID=75543401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011479717.0A Pending CN112711902A (zh) 2020-12-15 2020-12-15 一种基于蒙特卡洛采样和深度学习的电网电压计算方法

Country Status (1)

Country Link
CN (1) CN112711902A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344435A (zh) * 2021-06-29 2021-09-03 南方电网数字电网研究院有限公司 台区供电状态评估、装置、电子设备和存储介质
CN113807029A (zh) * 2021-10-19 2021-12-17 华北电力大学（保定） 一种基于深度强化学习的双时间尺度电网电压优化方法
CN114784883A (zh) * 2022-06-16 2022-07-22 国网江西省电力有限公司电力科学研究院 基于节点电压约束的分布式光伏并网优化方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002942A (zh) * 2018-09-28 2018-12-14 河南理工大学 一种基于随机神经网络的短期负荷预测方法
CN109117951A (zh) * 2018-01-15 2019-01-01 重庆大学 基于bp神经网络的概率潮流在线计算方法
CN109995031A (zh) * 2019-05-05 2019-07-09 重庆大学 基于物理模型的概率潮流深度学习计算方法
CN110970901A (zh) * 2019-12-11 2020-04-07 国电南瑞科技股份有限公司 适应波动电源及直流送受端电压安全的控制方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117951A (zh) * 2018-01-15 2019-01-01 重庆大学 基于bp神经网络的概率潮流在线计算方法
CN109002942A (zh) * 2018-09-28 2018-12-14 河南理工大学 一种基于随机神经网络的短期负荷预测方法
CN109995031A (zh) * 2019-05-05 2019-07-09 重庆大学 基于物理模型的概率潮流深度学习计算方法
CN110970901A (zh) * 2019-12-11 2020-04-07 国电南瑞科技股份有限公司 适应波动电源及直流送受端电压安全的控制方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
代晓康: "大规模电力系统调度决策的粗粒度并行计算", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *
任海军等: "基于概念格的神经网络日最大负荷预测输入参数选择", 《吉林大学学报（理学版）》 *
郑智聪等: "基于深度学习模型融合的电压暂降源识别方法", 《中国电机工程学报》 *
郑瓛: "大河沿梯级水电站AGC系统开发与研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *
颜伟等: "光伏电源输出功率的非参数核密度估计模型", 《电力系统自动化》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344435A (zh) * 2021-06-29 2021-09-03 南方电网数字电网研究院有限公司 台区供电状态评估、装置、电子设备和存储介质
CN113344435B (zh) * 2021-06-29 2023-02-24 南方电网数字电网研究院有限公司 台区供电状态评估、装置、电子设备和存储介质
CN113807029A (zh) * 2021-10-19 2021-12-17 华北电力大学（保定） 一种基于深度强化学习的双时间尺度电网电压优化方法
CN114784883A (zh) * 2022-06-16 2022-07-22 国网江西省电力有限公司电力科学研究院 基于节点电压约束的分布式光伏并网优化方法及系统
CN114784883B (zh) * 2022-06-16 2022-10-11 国网江西省电力有限公司电力科学研究院 基于节点电压约束的分布式光伏并网优化方法及系统

Similar Documents

Publication Publication Date Title
CN112711902A (zh) 一种基于蒙特卡洛采样和深度学习的电网电压计算方法
CN111179121B (zh) 基于专家系统与深度逆向强化学习的电网紧急控制方法
Mellit et al. Application of neural networks and genetic algorithms for sizing of photovoltaic systems
Jain et al. Analytical study of Wind power prediction system by using Feed Forward Neural Network
CN110738344A (zh) 电力系统负荷预测的分布式无功优化方法及装置
CN105184027B (zh) 一种基于交互式多模型算法的电力负荷建模方法
Mellit ANN-based GA for generating the sizing curve of stand-alone photovoltaic systems
CN105182245A (zh) 基于无迹卡尔曼滤波的大容量电池系统荷电状态估计方法
CN111415010A (zh) 一种基于贝叶斯神经网络的风电机组参数辨识方法
CN105634018B (zh) 一种基于随机响应面法和内点法的含风电随机最优潮流求解方法
CN113836783B (zh) 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法
CN106921161A (zh) 电力系统薄弱点识别方法及薄弱点电压分布特性分析方法
CN114784823A (zh) 基于深度确定性策略梯度的微电网频率控制方法及系统
Du et al. Applying deep convolutional neural network for fast security assessment with N-1 contingency
CN107069708B (zh) 一种基于极限学习机的输电网线路有功安全校正方法
Ibrahim et al. Novel data compression technique for power waveforms using adaptive fuzzy logic
CN114611676A (zh) 基于神经网络的新能源发电系统阻抗模型辨识方法及系统
CN117910120A (zh) 基于轻量化Transformer的风-桥系统抖振响应预测方法
CN112560352B (zh) 一种基于am-lstm神经网络的系统频率响应模型建模方法
Arango et al. Robust loss coefficients: application to power systems with solar and wind energy
CN105896547A (zh) 一种风电接入下的大电网分级电压控制方法
CN115659844B (zh) 基于风电场动态模型的仿真方法、装置和计算机设备
CN106126871A (zh) 一种pscad电磁暂态仿真用的调速器模型建模方法
CN110829434B (zh) 一种提高深度神经网络潮流模型扩展性的方法
CN111612255B (zh) 一种基于支持向量回归的风电场功率曲线建模方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210427

WD01 Invention patent application deemed withdrawn after publication