CN113033064A - 一种基于支持向量机的电力设备冲击负荷模拟方法 - Google Patents
一种基于支持向量机的电力设备冲击负荷模拟方法 Download PDFInfo
- Publication number
- CN113033064A CN113033064A CN202110002098.4A CN202110002098A CN113033064A CN 113033064 A CN113033064 A CN 113033064A CN 202110002098 A CN202110002098 A CN 202110002098A CN 113033064 A CN113033064 A CN 113033064A
- Authority
- CN
- China
- Prior art keywords
- model
- support vector
- data
- impact load
- power equipment
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004088 simulation Methods 0.000 title claims abstract description 25
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000009977 dual effect Effects 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000010076 replication Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000005457 optimization Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于支持向量机的电力设备冲击负荷模拟方法,涉及电力设备冲击性负荷模拟领域。大功率电力设备启用时产生的功率峰值变化是正常运行时几倍甚至几十倍,产生冲击性负荷,从而对电网的运行状态产生很大影响,引起电力系统频率的连续震荡,导致电网电压波动,影响电能质量安全。本方法对实测数据进行归一化处理并分成k份进行交叉训练,再将训练数据导入到模型,引入遗传算法和粒子群算法来自适应寻找SVR模型初始化参数,最后使用Lagrange乘子对偶方法求解“支持向量”,使用核方法完成非线性数据的拟合回归,通过交叉验证获取精确回归结果,最后只需要输入参数到系统对冲击性电力负荷进行模拟。可有效实现精确的电力设备冲击性负荷的模拟。
Description
技术领域
本发明涉及电力设备冲击性负荷模拟领域,尤其涉及一种基于支持向量机的电力设备冲击负荷模拟方法。
背景技术
目前,随着经济的发展,越来越多的大功率如医用CT机、高铁变电牵引机等设备投入到电网中使用,此类设备启用时产生的功率峰值变化是正常运行时几倍甚至几十倍,即产生冲击性负荷,从而对电网的运行状态产生很大影响,引起电力系统频率的连续震荡,导致电网电压波动,影响电能质量安全。
模拟此类功率冲击并针对其特性建模分析,不仅有助于电能表精准计量,减少电力公司损失和用电纠纷,而且通过对发生功率冲击时的系统稳定性仿真研究,可以为电网规划设计和控制策略的制定提供依据。
现有电力设备冲击负荷模拟大多采用机理建模方式,即根据用电设备物理特性建模,其模型形式如下:
式中Tp、Tq为有功和无功需求旳时间常数;α、β为稳态有功和无功指数;Pr、Qr为负荷有功需求和无功需求。R、X分别为稳态电阻和电抗。采用该方法模拟不仅需求的数据类型和数量较多、需辨识的模型参数复杂,而且所建得的模型仅适合稳态的情况,对迅速多变的电力设备冲击性负荷拟合精度较差。
发明内容
本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进,提供一种基于支持向量机的电力设备冲击负荷模拟方法,以提升大功率电力设备冲击性负荷模拟精度和降低模拟的复杂性为目的。为此,本发明采取以下技术方案。
一种基于支持向量机的电力设备冲击负荷模拟方法,包括以下步骤:
1)采集大功率电力设备的电压、电流录波数据,并处理成功率数据;
2)初始化支持向量机回归SVR模型,设置所需的核函数类型及参数Gamma,惩罚因子C的初值;
3)将实测录波数据归一化,输入到SVR模型训练,使用遗传算法和粒子群算法对模型初始化参数Gamma、C进行寻优调整,生成新的初始化值;
4)使用K-Fold交叉验证方法进行模型训练,导入新的初始化参数,通过Lagrange乘子对偶方法求解有效“支持向量”,确定当前支持向量集;
5)使用均方误差函数进行目标函数损失求解;
6)判断目标函数损失是否满足精度阈值,如果满足精度阈值则进行下一步,不满足返回步骤4);
7)使用交叉验证方法的测试组数据进行迭代测试并调整支持向量,确定并保存当前模型参数集合;
8)采集并输入需要模拟的大功率电力设备的实测数据电压U、频率f、时间t等变量,得到有功功率P和无功功率Q的拟合结果,实现大功率电力设备冲击性负荷的精确模拟。
本方法采用基于机器学习的非机理建模方式,无需了解电力设备内部复杂的元器件机理和物理特性,只需系统输入输出数据即可得到冲击负荷模型,考虑因素少,电力数据样本需求量少,可有效降低电力设备冲击负荷模拟的复杂性,采用统计学习Lagrange乘子对偶方法求解有效“支持向量”,并使用交叉验证方法确保泛化性能,通过采用遗传算法和粒子群算法自适应寻找SVR模型初始化参数,获取回归结果的最优精度和最佳泛化性能,有效提升了对不同大功率电力设备冲击性负荷模拟的通用性和精确性。
作为优选技术手段:步骤3)中,对于采集的电压、电流数据,首先使用均值归一化方式把数据映射到指定的范围进行处理,简化计算,模型初始化参数确定后,使用步骤4)所述方法,将数据分为K份,其中每份子集数据分别做一次验证集,剩余K-1份导入SVR模型进行训练,每次求解“支持向量”后,切换另外1份数据作为验证集,循环K次。
作为优选技术手段:SVR模型公式如下:
作为优选技术手段:使用Radial Basis Function核方法,其公式如下:
其中,C与γ均为超参数,C表征模型对离值点的重视程度,决定了模型的泛化性能,γ值会影响支持向量对应的高斯作用范围,影响模型的拟合精度。C与γ(Gamma)为步骤3)中所述的超参数,C表征模型对离值点的重视程度的系数,决定了模型的泛化性能,Gamma值即γ值与支持向量对应的高斯作用范围有关,会影响模型的拟合精度。使用RadialBasis Function核方法完成非线性数据的拟合回归,能有效确保数据拟合精度。
作为优选技术手段:超参数数值的确定采用粒子群算法和遗传算法两种启发式方法,遗传算法GA-SVR将待求解参数C、γ编码为染色体,通过k代的遗传、变异、交叉、复制操作获取最优解,粒子群算法PSO-SVR利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解。通过采用遗传算法和粒子群算法,参数寻优过程模仿了自然界生物进化和鸟类觅食等自然规律对模型超参数进行编码和迭代,利用启发式方式,通过较少的计算量自适应确定SVR最优初始化参数,从而获取精确的模型拟合结果和较高的泛化性能,有效提升模拟精度和通用性。
作为优选技术手段:步骤5)中,采用最小均方误差MSE函数,公式如下:
其中ρi'为拟合结果,ρi为真实数据,k为对比数据的个数,MSE越小说明拟合结果越好。
有益效果:
本方法能有效模拟大功率电力设备启动状态时功率变换的规律,采用基于机器学习的非机理建模方式,无需了解电力设备内部复杂的元器件机理和物理特性,只需系统输入输出数据即可实现冲击负荷模拟,考虑因素少,电力数据样本需求量少,可有效降低电力设备冲击负荷模拟的复杂性,采用统计学习Lagrange乘子对偶方法求解有效“支持向量”,并使用交叉验证方法确保了泛化性能,通过采用遗传算法和粒子群算法自适应寻找SVR模型初始化参数,获取回归结果的最优精度和最佳泛化性能,有效提升了对不同大功率电力设备冲击性负荷模拟的通用性和精确性。
附图说明
图1是本发明流程示意图。
图2是本发明中遗传算法寻优求解流程示意图。
图3是本发明粒子群算法寻优求解流程示意图。
图4是本发明中GA-SVR模型参数寻优适应度曲线示意图。
图5是本发明GA-SVR模型有功功率P拟合结果示意图。
图6是本发明GA-SVR模型无功功率Q拟合结果示意图。
图7是本发明PSO-SVR模型参数寻优适应度曲线示意图。
图8是本发明PSO-SVR模型有功功率P拟合结果示意图。
图9是本发明PSO-SVR模型无功功率Q拟合结果示意图。
具体实施方式
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示,一种基于支持向量机的电力设备冲击负荷模拟方法,其过程包括以下步骤:
1)采集大功率电力设备的电压、电流录波数据,并处理成功率数据;
2)初始化支持向量机回归SVR模型,设置所需的核函数类型及参数Gamma,惩罚因子C的初值;
3)将实测录波数据归一化,输入到SVR模型训练,使用遗传算法和粒子群算法对模型初始化参数Gamma、C进行寻优调整,生成新的初始化值;
4)进行模型训练,使用新的初始化参数,通过Lagrange乘子对偶方法求解有效“支持向量”,确定当前支持向量集;
5)使用均方误差函数进行目标函数损失求解;
6)判断目标函数损失是否满足精度阈值,如果满足精度阈值则进行下一步,不满足返回步骤4);
7)使用K-Fold交叉验证的方法迭代测试并调整支持向量,确定并保存当前模型参数集合;
8)采集并输入需要模拟的大功率电力设备的实测数据电压U、频率f、时间t等变量,得到有功功率P和无功功率Q的拟合结果,实现大功率电力设备冲击性负荷的精确模拟。
以下以CT机特性进行进一步说明,其中以病人进入CT机室作为录波触发条件,进行电压、电流数据的记录,并通过处理生成功率数据。
对于采集的电压、电流数据,首先使用均值归一化方式把数据映射到指定的范围进行处理,简化计算。
然后将数据分为K份,其中K-1份导入SVR模型进行训练,求解“支持向量”,剩下一份作为验证集进行测试,SVR模型公式如下:
本发明选择使用Radial Basis Function核方法,其公式如下:
上述模型中,C与γ均为超参数,C表征模型对离值点的重视程度,决定了模型的泛化性能,γ值会影响支持向量对应的高斯作用范围,影响模型的拟合精度。超参数数值的确定是一个困扰SVR模型性能的难题,本发明提出了使用粒子群算法和遗传算法两种启发式方法有效寻找最优参数。
遗传算法寻优求解流程和粒子群算法寻优求解流程分别如图2和图3所示,
其中遗传算法将待求解参数C、γ编码为染色体,通过k代的遗传、变异、交叉、复制操作获取最优解,粒子群算法利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解。
下表为SVR模型参数辨识结果比较示例。
Table 1 Optimization results of SVR parameter identification
由实验结果表格可知,其中GA-SVR方式能更快收敛,误差更小,但有一定的过拟合风险,PSO-SVR方式虽然收敛慢,但超参数大小合适,不容易过拟合,可根据实际需要选择对应的模型参数辨识方式。
模型评价方法为广泛使用的最小均方误差(MSE)函数
其中ρi'为拟合结果,ρi为真实数据,k为对比数据的个数,MSE越小说明拟合结果越好。
如图4所示为GA-SVR模型参数寻优适应度曲线示意图,如图5所示为GA-SVR模型有功功率P拟合结果示意图,如图6所示为GA-SVR模型无功功率Q拟合结果示意图;如图7所示为PSO-SVR模型参数寻优适应度曲线示意图,如图8所示为PSO-SVR模型有功功率P拟合结果示意图,如图9所示为PSO-SVR模型无功功率Q拟合结果示意图。由拟合结果图可以看出,SVR模型在小样本训练的情况下,通过引入核函数和不同的参数寻优方法,在复杂非线性的真实实测数据下获得了较好的测试效果,证明了模型的有效性。
由于具有较高的泛化性,对于训练完成的模型,通过系统化开发后,对于需要模拟的CT机和其他大功率电力设备的冲击性负荷,在取得录波数据后,可以将实测录波数据输入系统,能方便地得到有功功率P和无功功率Q的拟合结果,实现大功率电力设备冲击性负荷的精确模拟。
以上图1-9所示的一种基于支持向量机的电力设备冲击负荷模拟方法是本发明的具体实施例,已经体现出本发明突出的实质性特点和显著进步,可根据实际的使用需要,在本发明的启示下,对其进行形状、结构等方面的等同修改,均在本方案的保护范围之列。
Claims (6)
1.一种基于支持向量机的电力设备冲击负荷模拟方法,其特征在于包括以下步骤:
1)采集大功率电力设备的电压、电流录波数据,并处理成功率数据;
2)初始化支持向量机回归SVR模型,设置所需的核函数类型及参数Gamma,惩罚因子C的初值;
3)将实测录波数据归一化,输入到SVR模型训练,使用遗传算法和粒子群算法对模型初始化参数Gamma、C进行寻优调整,生成新的初始化值;
4)进行模型训练,使用新的初始化参数,通过Lagrange乘子对偶方法求解有效“支持向量”,确定当前支持向量集;
5)使用均方误差函数进行目标函数损失求解;
6)判断目标函数损失是否满足精度阈值,如果满足精度阈值则进行下一步,不满足返回步骤4);
7)使用K-Fold交叉验证的方法迭代测试并调整支持向量,确定并保存当前模型参数集合,完成模型训练;
8)采集并输入需要模拟的大功率电力设备的实测数据电压U、频率f、时间t等变量,得到有功功率P和无功功率Q的拟合结果,实现大功率电力设备冲击性负荷的精确模拟。
2.根据权利要求1所述的一种基于支持向量机的电力设备冲击负荷模拟方法,其特征在于:步骤3)中,对于采集的电压、电流数据,首先使用均值归一化方式把数据映射到指定的范围进行处理,简化计算;模型初始化参数确定后,使用步骤4)所述方法,将数据分为K份,其中每份子集数据分别做一次验证集,剩余K-1份导入SVR模型进行训练,每次求解“支持向量”后,切换另外1份数据作为验证集,循环K次。
5.根据权利要求4所述的一种基于支持向量机的电力设备冲击负荷模拟方法,其特征在于:超参数数值的确定采用粒子群算法和遗传算法两种启发式方法,遗传算法GA-SVR将待求解参数C、γ编码为染色体,通过k代的遗传、变异、交叉、复制操作获取最优解,粒子群算法PSO-SVR利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110002098.4A CN113033064B (zh) | 2021-01-04 | 2021-01-04 | 一种基于支持向量机的电力设备冲击负荷模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110002098.4A CN113033064B (zh) | 2021-01-04 | 2021-01-04 | 一种基于支持向量机的电力设备冲击负荷模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033064A true CN113033064A (zh) | 2021-06-25 |
CN113033064B CN113033064B (zh) | 2024-03-01 |
Family
ID=76459133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110002098.4A Active CN113033064B (zh) | 2021-01-04 | 2021-01-04 | 一种基于支持向量机的电力设备冲击负荷模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033064B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343584A (zh) * | 2021-06-30 | 2021-09-03 | 青岛恒星智能装备有限公司 | 一种任意负载状态下感应电机功率因数的估算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103078347A (zh) * | 2013-01-12 | 2013-05-01 | 华南理工大学 | 降低电压越限风险的冲击负荷消纳方法 |
CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
CN110598900A (zh) * | 2019-07-31 | 2019-12-20 | 成都三六八建设工程有限公司 | 基于遗传算法和支持向量机的电力负荷预测算法 |
WO2020063690A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统预测的方法和装置 |
-
2021
- 2021-01-04 CN CN202110002098.4A patent/CN113033064B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103078347A (zh) * | 2013-01-12 | 2013-05-01 | 华南理工大学 | 降低电压越限风险的冲击负荷消纳方法 |
CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
WO2020063690A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统预测的方法和装置 |
CN110598900A (zh) * | 2019-07-31 | 2019-12-20 | 成都三六八建设工程有限公司 | 基于遗传算法和支持向量机的电力负荷预测算法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343584A (zh) * | 2021-06-30 | 2021-09-03 | 青岛恒星智能装备有限公司 | 一种任意负载状态下感应电机功率因数的估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113033064B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Evaluation of English interpretation teaching quality based on GA optimized RBF neural network | |
CN105930901B (zh) | 一种基于rbpnn的变压器故障诊断方法 | |
CN109214605A (zh) | 电力系统短期负荷概率预测方法、装置及系统 | |
CN112487702A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
US20210334658A1 (en) | Method for performing clustering on power system operation modes based on sparse autoencoder | |
CN112990695B (zh) | 基于博弈dea-多目标决策的dg电能质量评估方法 | |
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 | |
CN116306226B (zh) | 一种燃料电池性能退化预测方法 | |
CN114881106A (zh) | 一种基于mpa-svm的变压器故障诊断方法及装置 | |
CN114781692A (zh) | 短期电力负荷预测方法、装置及电子设备 | |
CN113033064B (zh) | 一种基于支持向量机的电力设备冲击负荷模拟方法 | |
CN116362376A (zh) | 基于机器学习的综合能源站建设碳排放预测方法 | |
CN115860170A (zh) | 一种考虑电力电子负载的配电系统电能质量优化方法 | |
Xie | The optimization of share price prediction model based on support vector machine | |
CN114240069A (zh) | 一种基于回归学习与特征挖掘的电网在线风险计算方法 | |
CN117170244A (zh) | 一种基于igwo-svr的交流接触器控制参数优化方法 | |
CN112257348A (zh) | 一种锂电池长期退化趋势预测方法 | |
CN112100902A (zh) | 一种基于流数据的锂离子电池寿命预测方法 | |
CN116430234A (zh) | 一种燃料电池故障诊断模型构建方法 | |
Ying et al. | A novel optimization algorithm for BP neural network based on RS-MEA | |
Shen et al. | Electric power carbon emission prediction based on stacking ensemble model with k-fold cross validation | |
CN115374823A (zh) | 一种基于tlbo算法的电能质量扰动分类方法及系统 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN114548602A (zh) | 基于lstm网络的线损预测方法、装置、设备及介质 |
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 |