CN112883522A - 一种基于gru循环神经网络的微电网动态等效建模方法 - Google Patents

一种基于gru循环神经网络的微电网动态等效建模方法 Download PDF

Info

Publication number
CN112883522A
CN112883522A CN202110049496.1A CN202110049496A CN112883522A CN 112883522 A CN112883522 A CN 112883522A CN 202110049496 A CN202110049496 A CN 202110049496A CN 112883522 A CN112883522 A CN 112883522A
Authority
CN
China
Prior art keywords
gru
neural network
recurrent neural
microgrid
layer
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
CN202110049496.1A
Other languages
English (en)
Inventor
李云路
王紫照
颜宁
马贵卿
杨俊友
王海鑫
李延珍
冯佳威
纪慧超
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.)
Shenyang University of Technology
Original Assignee
Shenyang University of Technology
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 Shenyang University of Technology filed Critical Shenyang University of Technology
Priority to CN202110049496.1A priority Critical patent/CN112883522A/zh
Publication of CN112883522A publication Critical patent/CN112883522A/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]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Neurology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

针对微电网存在未知部分情况下动态建模困难的问题，本发明属于一种建模方法，具体为一种基于GRU循环神经网络的微电网动态等效建模方法，首先采集扰动期间微电网公共耦合点的扰动数据；其次确定GRU循环神经网络的结构和参数，最后利用采集的扰动数据训练GRU循环神经网络，采集适量的模拟结果作为要建立的神经网络模型的训练和测试数据，得到可表示含未知部分的微电网的动态等效模型。该方法利用GRU循环神经网络良好的处理复杂的非线性问题的能力，以及GRU克服梯度消失和爆炸的能力，建立基于GRU循环神经网络的微电网的动态等效模型，以准确表达存在未知部分的微电网的动态性能，满足系统分析的需要，填补对微电网短期尺度动态建模研究的空缺。

Description

一种基于GRU循环神经网络的微电网动态等效建模方法
技术领域
本发明属于电力系统建模和控制技术领域，尤其涉及一种基于GRU循环神经网络的微电网动态等效建模方法。
背景技术
分布式发电系统以其可再生、清洁的优点得到很大程度的开发利用，随着并网功率转换器的广泛应用，越来越多的微电网被纳入配电网。微电网的开发和延伸充分促进了分布式发电系统与可再生能源的大规模接入，实现对负荷多种能源形式的高可靠供给，是实现主动式配电网的一种有效方式，使传统电网向智能电网过渡。随着分布式发电和储能的日益普及，微电网端口的动态行为变得更加复杂。由于微电网的低惯性，其暂态响应容易受到外界波动和突发事件的影响。研究其动态响应对于微网的功率规划、分析和控制具有重要意义。
微电网的动态等效模型对于预测接入电网端口处的瞬态行为和分析其稳定性至关重要，因为它可以通过仿真来评估性能以避免实际测试中的损失和危险，保证电网安全运行。微电网的动态等效模型要求基于详细信息的微电网微分代数方程(DAE)建立精确的模型。但是，由于商业、军事机密以及设备制造商市场退出等因素的限制，在大多数实际仿真过程中大部分目标本信息都无法查证，甚至是拓扑结构都无法获得。此外，由于参数在较长的服务时间内会产生漂移，因此所拥有的信息几乎不会完美准确。因此，迫切需要一种动态等效建模方法来分析含有未知部分的微电网。
目前，人工神经网络已经得到爆炸性的发展。循环神经网络因其良好的处理复杂的非线性问题的能力，同时具有很好的捕捉电力系统动态特性的能力，用于电网接入端口处数据的瞬态分析。在能源技术领域等非线性系统的控制和辨识上得到了广泛的应用。当今科学界提出了多种神经网络来解决电力系统中的建模问题。但是，大多数现有研究都是针对长时间尺度的建模工作，缺乏对微电网短期尺度动态建模的研究。
发明内容
本发明就是针对现有技术存在的缺陷，提出一种基于GRU循环神经网络的微电网动态等效建模方法，利用GRU循环神经网络良好的处理复杂的非线性问题的能力，以及GRU克服梯度消失和爆炸的能力，建立基于GRU循环神经网络的微电网的动态等效模型，以很好的表达含有未知部分的微电网的动态性能，满足系统分析的需要，填补对微电网短期尺度动态建模研究的空缺。
为实现上述目的，本发明采用如下技术方案，包括以下步骤：
步骤1：采集扰动期间微电网公共耦合点的扰动数据；
步骤2：确定GRU循环神经网络的结构和参数；
步骤3：利用步骤1采集的扰动数据训练步骤2中的GRU循环神经网络，采集适量的模拟结果作为要建立的神经网络模型的训练和测试数据，得到可表示微电网的动态等效模型。
进一步地，所述步骤1包括：
步骤11、采集的扰动数据包括微电网接入端口处的电压、电流瞬态值；为了简化数据结构相应的将这两个物理量转化为αβ-框架，V(α,β)为电压时序，I(α,β)为电流时序，可降低数据的维数；
步骤12、选取PMU作为时序测量设备相应的测量不同故障条件下电压、电流的时序数据，电压时序作为神经网络的输入，电流时序作为神经网络的输出。
进一步地，步骤2中所述的GRU循环神经网络的结构包括输入层、归一化层、GRU隐藏层、FC隐藏层、输出层；
步骤2中所述的GRU循环神经网络的参数包括神经元激励函数、神经元数量、学习速率、采样频率。
进一步地，所述步骤2包括：
步骤21、令输入层后为归一化层，对采集的时序数据进行归一化处理，用于将数据的取值范围改为[0，1]；根据微电网的近似规模，第二、三隐藏层选取GRU层，第四、五隐藏层选取FC层，最外层为输出层；
步骤22、在网络训练前首先确定神经元激励函数，包括RNN循环神经网络单元、GRU激活函数、FC激活函数如下：
隐藏层RNN循环神经网络单元如下所示：
Figure BDA0002898487150000031
式(1)中，x(t)和o(t)分别为输入和输出时间序列，σ(.)和φ(.)是激活函数，分别为Sigmoid(.)和tanh(.)；s(t)代表RNN单位在时间步长为t时的状态；U、V、W是权重矩阵；bo和bs是偏差矩阵；
第二、三隐藏层的GRU激活函数如下所示：
Figure BDA0002898487150000032
式(2)中，z是记忆门，r是遗忘门，Sh是隐状态，GRU可视为离散动态系统，用RNN单位或GRU单位构成的计算过程可利用数学方法如下所示：
s(t)＝F(s(t-1),x(t),Wm,bm) (3)
式(3)中，Wm和Bm分别表示GRU隐藏层中的权重和偏差矩阵；结合FC隐藏层，基于GRU的循环神经网络的输出可以写成如式下所示：
o(t)＝G(s(t),x(t),Wf,bf) (4)
式(4)中，Wf和bf分别表示FC层中的权重和偏差矩阵；式(3)和(4)表示基于GRU的循环神经网络的动态系统；
步骤23、在GRU的第二隐藏层中加入X个神经元单元，在GRU的第三隐藏层中加入2X个神经元单元，在FC的第四隐藏层中加入2X个神经元单元，在FC的第五隐藏层中加入X个神经元单元；
步骤24、在网络训练前，输入的数据是时间序列，因此采用神经网络输出和实时序列之间的均方根误差(RMSE)来评估模型的拟合性能；具体如下所示：
Figure BDA0002898487150000041
式(5)中Yi是时间步长i的当前瞬时值，Oi是时间步长i的建议网络输出；N是一个样本输入时间序列的总数；选择Adam优化器。
在训练过程中有各种各样的优化工具可以使用；根据模拟经验，选择Adam优化器，因为它只有一个参数(学习速率)需要设置。
进一步地，对步骤3得到的神经网络的输出与测试结果进行比较，确定等效模型的合理性与准确性，可表示存在未知部分微电网的动态等效模型。
与现有技术相比本发明有益效果。
本发明提供了一种基于GRU地循环神经网络来构建微电网的动态等效模型，循环神经网络具有良好的处理复杂的非线性问题的能力，同时具有很好的捕捉电力系统动态特性的能力，可用于电网接入端口处数据的瞬态分析。该神经网络不需要掌握微电网系统的拓扑结构和具体参数，并且一旦经过很好的训练和测试，基于GRU的神经网络的微电网动态等效模型就可以满足系统分析的需求，填补对微电网短期尺度动态建模研究的空缺。
附图说明
下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。
图1为单个GRU模块结构图。
图2为RNN单元结构图。
图3为循环神经网络结构图。
图4-1、4-2为神经网络输出与仿真结果对比图。
具体实施方式
如图1、2、3、4-1、4-2所示，本发明提供一种基于GRU循环神经网络的微电网动态等效建模方法，其提出一种基于GRU的循环神经网络来构建微电网的动态等效模型，该模型可用于电网端口处数据的瞬态分析。该神经网络不需要掌握微电网系统的拓扑结构和具体参数，并且一旦经过很好的训练和测试，基于GRU的神经网络的微电网动态等效模型就可以满足系统分析的需求，填补对微电网短期尺度动态建模研究的空缺。
一种基于GRU循环神经网络的微电网动态等效建模方法，具体步骤如下：
步骤1：采集扰动期间微电网公共耦合点的扰动数据。
步骤2：确定GRU循环神经网络的结构和参数。
步骤3：利用步骤1采集的扰动数据训练步骤2中的GRU循环神经网络，采集适量的模拟结果作为要建立的神经网络模型的训练和测试数据，得到可表示微电网的动态的等效模型。
步骤1中所述采集的扰动数据包括微电网接入端口处的电压、电流瞬态值，电压时序作为神经网络的输入，电流时序作为神经网络的输出。
所述步骤1包括：
步骤11为了简化数据结构相应的将这两个物理量转化为αβ-框架，V(α,β)为电压时序，I(α,β)为电流时序，可降低数据的维数。
步骤12中选取PMU作为时序测量设备相应的测量不同故障条件下电压、电流的时序数据。
步骤2中所述的GRU循环神经网络的结构如图1所示，包括输入层、归一化层、GRU隐藏层、FC隐藏层、输出层。
步骤2中所述的GRU循环神经网络的参数包括神经元激励函数、神经元数量、学习速率、采样频率。
所述步骤2包括：
步骤21令输入层后为归一化层，对采集地时序数据进行归一化处理，用于将数据的取值范围改为[0，1]；根据微电网的近似规模，第二、三隐藏层选取GRU层，第四、五隐藏层选取FC层，最外层为输出层。
步骤22在网络训练前首先确定神经元激励函数，包括RNN循环神经网络单元、GRU激活函数、FC激活函数如下：
隐藏层RNN循环神经网络单元如(1)所示：
Figure BDA0002898487150000061
式(1)中，x(t)和o(t)分别为输入和输出时间序列，σ(.)为Sigmoid(.)激活函数，将数据变换为[0-1]范围内的数值，充当门控信号。φ(.)为tanh(.)激活函数，将数据放缩到[-1～1]的范围内。s(t)代表RNN单位在时间步长为t时的状态。U，V，W是权重矩阵。bo和bs是偏差矩阵。RNN结构如图2所示。
第二、三隐藏层的GRU激活函数如(2)所示：
Figure BDA0002898487150000071
式(2)中，z是记忆门，r是遗忘门，Sh是隐状态，GUR可视为离散动态系统，用RNN单位或GRU单位构成的计算过程可利用数学方法如(3)所示：
s(t)＝F(s(t-1),x(t),Wm,bm) (3)
式(3)中，Wm和Bm分别表示GRU隐藏层中的权重和偏差矩阵。结合FC隐藏层，基于GRU的循环神经网络的输出可以写成如式(4)所示：
o(t)＝G(s(t),x(t),Wf,bf) (4)
式(4)中，Wf和bf分别表示FC层中的权重和偏差矩阵。式(3)和(4)表示基于GRU的循环神经网络的动态系统。
步骤23中在GRU的第二隐藏层中加入32个神经元单元，在GRU的第三隐藏层中加入64个神经元单元，在FC的第四隐藏层中加入64个神经元单元，在FC的第五隐藏层中加入32个神经元单元，基于训练数据集，所提出的神经网络的权重和偏差在训练过程中被更新。
步骤24中在网络训练前，输入的数据是时间序列，因此采用神经网络输出和实时序列之间的均方根误差(RMSE)来评估模型的拟合性能。具体如(5)所示：
Figure BDA0002898487150000072
式(5)中Yi是时间步长i的当前瞬时值，Oi是时间步长i的建议网络输出。N是一个样本输入时间序列的总数。在训练过程中有各种各样的优化工具可以使用。根据模拟经验，选择Adam优化器，因为它只有一个参数(学习速率)需要设置。本发明中Adam优化器的学习速率取0.01；
步骤25中本发明记录数据的采样频率取2KHz。
所述步骤3包括：步骤31中本发明设计的训练测试系统是基于带有两个下垂控制的功率转换器的交流微电网，在Matlab环境中进行仿真连接到低短路比(SCR＝1)的电网。设置不同接地电阻[1Ω,40Ω]来模拟三相短路接地故障进行训练，时间序列的长度是从故障开始的5s。
步骤32中随着迭代次数的增加，训练集的总成本降低。当迭代次数达到1万次时，总的训练成本下降到RMSE＝0.3。为了验证这个训练完美的模型的概括能力，测试集的成本也在训练期间计算。当测试集的成本降低到RMSE＝0.4时，建模精度就可还原等效微电网模型。模拟中记录的所有数据分成两组，具有15个模拟结果的训练集和具有5个模拟结果的测试集。
步骤3中对训练的神经网络输出与测试结果进行比较，结果如图4-1、4-2所示。利用新的扰动对等效模型进行验证，确定等效模型的合理性与准确性，可表示存在未知部分微电网的动态等效模型。
本发明包括建立确定GRU神经网络结构、训练GRU神经网络得到等效模型。
本发明确定GRU神经网络结构和参数时综合考虑了建模精度和仿真速度的要求。GRU等效模块的输入包括当前时刻公共耦合点(PCC)测量的电压时序数据、前时刻公共耦合点测量的电流时序数据。其中电压时序作为神经网络的输入，电流时序作为神经网络的输出。
本发明确定结构和参数后，训练时采用均方根误差(RMSE)来评估模型的拟合性能。训练后的模型为非线性等效模型，利用新的扰动对等效模型进行验证，确定等效模型的合理性与准确性。不需要掌握微电网系统的拓扑结构和具体参数就能建立微电网的动态等效模型，可以满足系统分析的需求，填补对微电网短期尺度动态建模研究的空缺。
可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (5)

1.一种基于GRU循环神经网络的微电网动态等效建模方法，其特征在于，包括：
步骤1：采集扰动期间微电网公共耦合点的扰动数据；
步骤2：确定GRU循环神经网络的结构和参数；
步骤3：利用步骤1采集的扰动数据训练步骤2中的GRU循环神经网络，采集适量的模拟结果作为要建立的神经网络模型的训练和测试数据，得到可表示微电网的动态等效模型。
2.根据权利要求1所述的一种基于GRU循环神经网络的微电网动态等效建模方法，其特征在于：所述步骤1包括：
步骤11、采集的扰动数据包括微电网接入端口处的电压、电流瞬态值；为了简化数据结构相应的将这两个物理量转化为αβ-框架，V(α,β)为电压时序，I(α,β)为电流时序，可降低数据的维数；
步骤12、选取PMU作为时序测量设备相应的测量不同故障条件下电压、电流的时序数据，电压时序作为神经网络的输入，电流时序作为神经网络的输出。
3.根据权利要求1所述的一种基于GRU循环神经网络的微电网动态等效建模方法，其特征在于：步骤2中所述的GRU循环神经网络的结构包括输入层、归一化层、GRU隐藏层、FC隐藏层、输出层；
步骤2中所述的GRU循环神经网络的参数包括神经元激励函数、神经元数量、学习速率、采样频率。
4.根据权利要求3所述的一种基于GRU循环神经网络的微电网动态等效建模方法，其特征在于：所述步骤2包括：
步骤21、令输入层后为归一化层，对采集的时序数据进行归一化处理，用于将数据的取值范围改为[0，1]；根据微电网的近似规模，第二、三隐藏层选取GRU层，第四、五隐藏层选取FC层，最外层为输出层；
步骤22、在网络训练前首先确定神经元激励函数，包括RNN循环神经网络单元、GRU激活函数、FC激活函数如下：
隐藏层RNN循环神经网络单元如下所示：
Figure FDA0002898487140000021
式(1)中，x(t)和o(t)分别为输入和输出时间序列，σ(.)和φ(.)是激活函数，分别为Sigmoid(.)和tanh(.)；s(t)代表RNN单位在时间步长为t时的状态；U、V、W是权重矩阵；bo和bs是偏差矩阵；
第二、三隐藏层的GRU激活函数如下所示：
Figure FDA0002898487140000022
式(2)中，z是记忆门，r是遗忘门，Sh是隐状态，GRU可视为离散动态系统，用RNN单位或GRU单位构成的计算过程可利用数学方法如下所示：
s(t)＝F(s(t-1),x(t),Wm,bm) (3)
式(3)中，Wm和Bm分别表示GRU隐藏层中的权重和偏差矩阵；结合FC隐藏层，基于GRU的循环神经网络的输出可以写成如式下所示：
o(t)＝G(s(t),x(t),Wf,bf) (4)
式(4)中，Wf和bf分别表示FC层中的权重和偏差矩阵；式(3)和(4)表示基于GRU的循环神经网络的动态系统；
步骤23、在GRU的第二隐藏层中加入X个神经元单元，在GRU的第三隐藏层中加入2X个神经元单元，在FC的第四隐藏层中加入2X个神经元单元，在FC的第五隐藏层中加入X个神经元单元；
步骤24、在网络训练前，输入的数据是时间序列，因此采用神经网络输出和实时序列之间的均方根误差(RMSE)来评估模型的拟合性能；具体如下所示：
Figure FDA0002898487140000031
式(5)中Yi是时间步长i的当前瞬时值，Oi是时间步长i的建议网络输出；N是一个样本输入时间序列的总数；选择Adam优化器。
5.根据权利要求1所述的一种基于GRU循环神经网络的微电网动态等效建模方法，其特征在于：对步骤3得到的神经网络的输出与测试结果进行比较，确定等效模型的合理性与准确性，可表示存在未知部分微电网的动态等效模型。
CN202110049496.1A 2021-01-14 2021-01-14 一种基于gru循环神经网络的微电网动态等效建模方法 Pending CN112883522A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110049496.1A CN112883522A (zh) 2021-01-14 2021-01-14 一种基于gru循环神经网络的微电网动态等效建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110049496.1A CN112883522A (zh) 2021-01-14 2021-01-14 一种基于gru循环神经网络的微电网动态等效建模方法

Publications (1)

Publication Number Publication Date
CN112883522A true CN112883522A (zh) 2021-06-01

Family

ID=76049180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110049496.1A Pending CN112883522A (zh) 2021-01-14 2021-01-14 一种基于gru循环神经网络的微电网动态等效建模方法

Country Status (1)

Country Link
CN (1) CN112883522A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837432A (zh) * 2021-08-12 2021-12-24 华北电力大学 一种物理-数据联合驱动的电力系统频率预测方法
CN113948189A (zh) * 2021-12-22 2022-01-18 北京航空航天大学杭州创新研究院 基于gru神经网络的meg源定位方法
CN115796038A (zh) * 2022-12-02 2023-03-14 哈尔滨工业大学 基于循环神经网络的实时混合试验方法
CN116720468A (zh) * 2023-06-12 2023-09-08 南京邮电大学 一种结合神经网络的单元库时序模型构建方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109088406A (zh) * 2018-06-26 2018-12-25 河海大学常州校区 一种基于lstm神经网络的微电网等效建模方法
CN112085163A (zh) * 2020-08-26 2020-12-15 哈尔滨工程大学 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109088406A (zh) * 2018-06-26 2018-12-25 河海大学常州校区 一种基于lstm神经网络的微电网等效建模方法
CN112085163A (zh) * 2020-08-26 2020-12-15 哈尔滨工程大学 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUNLU LI: "Dynamic equivalent modeling for microgrid based on GRU", ENERGY REPORTS, vol. 6 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837432A (zh) * 2021-08-12 2021-12-24 华北电力大学 一种物理-数据联合驱动的电力系统频率预测方法
CN113948189A (zh) * 2021-12-22 2022-01-18 北京航空航天大学杭州创新研究院 基于gru神经网络的meg源定位方法
CN113948189B (zh) * 2021-12-22 2022-03-15 北京航空航天大学杭州创新研究院 基于gru神经网络的meg源定位方法
CN115796038A (zh) * 2022-12-02 2023-03-14 哈尔滨工业大学 基于循环神经网络的实时混合试验方法
CN115796038B (zh) * 2022-12-02 2023-06-30 哈尔滨工业大学 基于循环神经网络的实时混合试验方法
CN116720468A (zh) * 2023-06-12 2023-09-08 南京邮电大学 一种结合神经网络的单元库时序模型构建方法
CN116720468B (zh) * 2023-06-12 2024-01-19 南京邮电大学 一种结合神经网络的单元库时序模型构建方法

Similar Documents

Publication Publication Date Title
CN112883522A (zh) 一种基于gru循环神经网络的微电网动态等效建模方法
CN110829417B (zh) 基于lstm双结构模型的电力系统暂态稳定预测方法
El-Keib et al. Application of artificial neural networks in voltage stability assessment
CN103245881B (zh) 一种基于潮流分布特征的配电网故障分析方法及装置
Rahi et al. Power system voltage stability assessment through artificial neural network
CN109713685B (zh) 一种适用于vsc接入引发次同步振荡的在线定位方法
Abdel-Nasser et al. A novel smart grid state estimation method based on neural networks
WO2022021726A1 (zh) 一种基于pmu的电力系统状态估计性能评价方法
CN110348114B (zh) 一种电网完备性状态信息重构的非精确故障识别方法
CN112287605B (zh) 一种基于图卷积网络加速的潮流校核方法
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
Chen et al. Data-driven robust state estimation through off-line learning and on-line matching
LU500551B1 (en) Virtual load dominant parameter identification method based on incremental learning
CN113837432A (zh) 一种物理-数据联合驱动的电力系统频率预测方法
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN114583767B (zh) 一种数据驱动的风电场调频响应特性建模方法及系统
Li et al. Failure correlation evaluation for complex structural systems with cascaded synchronous regression
CN112415326A (zh) 一种基于模糊聚类算法的配电网故障区段辨识方法
Wshah et al. Deep learning for model parameter calibration in power systems
CN114116832A (zh) 一种基于数据驱动的配电网异常识别方法
Shi et al. A fault location method for distribution system based on one-dimensional convolutional neural network
Li et al. Dynamic equivalent modeling for power converter based on LSTM neural network in wide operating range
CN117077546A (zh) 基于数据驱动的电力系统负荷建模方法及其系统
CN116502526A (zh) 基于改进pso-grnn神经网络称重传感器故障诊断方法
CN114169118A (zh) 考虑分布式电源出力相关性的配电网拓扑结构辨识方法

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