CN113536509A - 一种基于图卷积网络的微电网拓扑辨识方法 - Google Patents
一种基于图卷积网络的微电网拓扑辨识方法 Download PDFInfo
- Publication number
- CN113536509A CN113536509A CN202110896197.1A CN202110896197A CN113536509A CN 113536509 A CN113536509 A CN 113536509A CN 202110896197 A CN202110896197 A CN 202110896197A CN 113536509 A CN113536509 A CN 113536509A
- Authority
- CN
- China
- Prior art keywords
- microgrid
- graph
- graph convolution
- convolution network
- net
- 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
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
- G06N3/04—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
- 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)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于图卷积网络的微电网拓扑辨识方法,包括:1、将微电网中的DG单元作为节点,所有可能连接的线路作为边,获取微电网的拓扑图并将其抽象成线图;2、计算相邻DG单元的输出电压差数据和断路器状态数据,分别作为训练样本的输入与输出;3、构建图卷积网络并初始化网络参数;4、根据微电网线图的邻接矩阵和训练样本,利用梯度下降算法训练图卷积网络并保存训练完成的网络模型;5、以相邻DG单元的电压差序列作为输入,利用训练完成的网络模型计算断路器状态,实现微电网拓扑辨识。本发明能获得更加精确的微电网运行拓扑信息;且能让拓扑辨识的计算效率能够满足实时性的要求,从而使微电网运行拓扑的辨识过程更加智能。
Description
技术领域
本发明属于微电网运行拓扑技术领域,尤其涉及一种基于图卷积网络的微电网拓扑辨识方法。
背景技术
微电网(Micro-Grid)是指由分布式发电(Distributed Generation,DG)单元、储能装置、负荷、控制装置等组成的小型发配电系统。要保证微电网系统稳定安全的运行,需要对微电网采取合适的控制策略,以保证各DG单元的无功功率在运行时保持均衡状态。当微电网线路出现故障时,继电保护系统通过控制断路器开关切除故障线路,导致微电网拓扑发生变化。而微电网需要及时获取拓扑结构,并根据拓扑结构调整各DG单元的控制策略,抑制因线路阻抗不匹配而导致的微电网无功失衡问题,保证微电网稳定安全运行。因此正确辨识网络拓扑对微电网控制具有重要意义。
目前电力网络拓扑辨识方法主要可分为两大类。一类方法是依靠智能测量设备和历史拓扑库,以潮流分析或者传统的数学运算为基础。例如,基于DSCADA和μPMU数据融合的配电网拓扑辨识方法,通过历史数据库罗列所有可能的拓扑情况,并将含相位的节点电压实际量测以及各拓扑结构下的潮流计算结果进行对比,从而对当前配电网中的开关状态变化进行辨识;还有基于邻接矩阵的网络拓扑辨识方法,将拓扑网络用节点-支路关联矩阵来描述,并利用关联矩阵的简化加快网络拓扑的分析速度。然而此类方法需要安装相应的硬件测量设备,过于依赖历史数据库中拓扑结构的全面性;而且这类拓扑辨识方法效率低且实时性差,难以满足微电网控制对拓扑辨识的快速性需求。另一类拓扑辨识方法是利用人工智能领域中的深度学习技术,运行数据驱动的思想,而不依赖于网络拓扑结构的先验知识。例如,基于深度神经网络的配电网拓扑辨识方法,利用可用于模式识别的电压序列数据,并设计了两层前馈深度神经网络来识别配电网中开关和保护装置的状态;另外,还有采用结合主成分分析和深度置信网络的电网拓扑识别方法,利用主成分分析法中鲁棒特征提取的特点来处理数据和滤除噪声,并使用深度置信网络来捕捉电压幅值和线路开关状态之间的非线性关系。此类方法虽然能够利用采集的数据进行在线拓扑辨识,但是仅仅是单独对电网中节点或者线路数据的挖掘,并没有考虑电网节点间的结构信息,因此拓扑辨识的准确度并不理想。
发明内容
本发明为解决现有方法中拓扑辨识的准确率不够高和计算效率低等一系列问题,提供一种基于图卷积网络的微电网拓扑辨识方法,以期能获得更加精确的微电网运行拓扑信息,让拓扑辨识的计算效率能够满足实时性的要求,从而使微电网运行拓扑的辨识过程更加智能。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于图卷积网络微电网拓扑辨识方法的特点在于,包括如下步骤:
步骤1、获取微电网在无故障下的拓扑图并抽象成线图;
步骤1.1、将微电网中的DG单元作为节点,DG单元间可能连接的线路作为边,从而得到微电网在无故障下的拓扑图记为G={V,E},其中,V={v0,v1,...,vi,...,vN-1}为拓扑图G中的节点集合,E={ei,j|i∈[0,N-1],j∈[0,N-1]}为拓扑图G中的边集合,ei,j表示第i个节点vi和第j个节点vj之间存在边,N为拓扑图G中节点的总个数,i≠j;
步骤1.2、将边集合E中所有的边抽象成新的节点,从而构成新的节点集若新的节点集V*中任意两个不同的节点和在拓扑图G中所对应的边存在一个公共节点,则在第k个节点和第q个节点之间连接一条新的边,并由所有新的边构成新的边集 表示第k个节点和第q个节点之间存在边,k≠q;由新的节点集V*和新的边集E*构造微电网线图记为G*={V*,E*},其中,N*为拓扑图G中边的总个数;
步骤1.3、利用式(1)获取微电网线图G*的N*×N*阶邻接矩阵A中的第k行第q列的元素ak,q,从而得到微电网线图G*的N*×N*阶邻接矩阵A={ak,q|k∈[0,N*-1],q∈[0,N*-1]};
步骤2、对微电网中DG单元的输出电压进行采样以获取训练样本数据;
步骤2.1、获取微电网中断路器处于不同开关状态的R个运行时刻;
步骤2.2、在任意第r个运行时刻,测量并采样微电网中各DG单元的输出电压,得到第r个运行时刻所有DG单元的输出电压序列集合其中为第r个运行时刻第b个DG单元的输出电压序列,为第r个运行时刻第b个DG单元在第c个采样点处的输出电压值,b∈[0,N-1],c∈[0,T-1],r∈[1,R],T为DG单元输出电压的采样点总个数;
步骤2.3、在第r个运行时刻,利用所述输出电压序列集合Ur计算得到微电网相邻DG单元的输出电压差序列矩阵若vi和vj之间有边},其中,表示微电网第r个运行时刻第d条线路两端的第i个DG单元和第j个DG单元的输出电压差序列,d∈[0,N*-1];
步骤2.4、在第r个运行时刻,获取微电网中所有相邻DG单元间线路中的断路器开关状态并进行编码,若断路器闭合,则状态编码为“1”,若断路器断开,则状态编码为“0”,从而得到断路器开关状态向量其中,代表第r个运行时刻第m条线路中的断路器开关状态,m∈[0,N*-1];
步骤2.5、由第r个运行时刻的微电网相邻DG单元的输出电压差序列矩阵Xr和线路中断路器的开关状态向量Yr构成第r组训练样本Trainr={Xr,Yr};从而得到共R组的训练样本集Train={Trainr|r∈[1,R]};
步骤3、构建用于微电网拓扑辨识的图卷积网络并初始化网络参数;
步骤3.1、构建一个用于拓扑辨识的图卷积网络G-Net,所述图卷积网络G-Net中包括L个图卷积层和一个Softmax分类层,并利用式(2)得到第l个图卷积层输出的隐藏特征矩阵Hl+1:
式(2)中,Hl为第l-1个图卷积层输出的隐藏特征矩阵,当l=0时,H0为图卷积网络G-Net的输入特征矩阵;表示添加节点自连边后微电网线图的邻接矩阵, 为N*×N*的单位矩阵;Wl为图卷积网络G-Net中第l个图卷积层的权重矩阵;fl(·)为图卷积网络G-Net中第l个图卷积层的信息聚合函数,l∈[0,L-1];
步骤3.2、定义图卷积网络G-Net的当前迭代次数为μ,并初始化μ=1,设定最大迭代次数为μmax;
步骤4、训练图卷积网络G-Net;
步骤4.1、初始化r=1;
步骤4.2、将第r组训练样本Trainr中的输出电压差序列矩阵Xr作为输入特征矩阵,并与微电网线图G*的邻接矩阵A一起输入到第μ次迭代的图卷积网络G-Net中,并经过L个图卷积层后输出第μ次迭代的G-Net的隐藏特征矩阵;
步骤4.5、将r+1赋值给r,判断r>R是否成立;若成立,则继续执行步骤4.6,否则返回步骤4.2;
步骤4.7、判断eμ>e0和μ<μmax是否均成立,若均成立,将μ+1赋值给μ,并根据梯度下降算法更新第μ次迭代的图卷积网络G-Net中的权重参数后,返回执行步骤4.1;否则,将第μ次迭代的图卷积网络模型作为最优模型,其中,e0是预设的网络误差阈值;
步骤5、微电网的拓扑辨识;
以微电网中实时获取的相邻DG单元的电压差序列作为输入,利用最优模型计算对应断路器的状态,从而得到微电网实时运行状态下的拓扑图。
与现有技术相比,本发明的有益效果在于:
本发明首先将微电网中的DG单元作为节点,得到微电网在无故障下的拓扑图,并把拓扑图中的边抽象成节点,将其转化为成线图;然后把线图的邻接矩阵和节点特征作为GCN的输入,直接在图结构层面上对微电网数据进行运算以对GCN进行训练;最后将训练完成的GCN模型保存,用于微电网的拓扑辨识。与以往的方法不同,本方法充分考虑了微电网的节点特征和结构特征,在得到训练完成的GCN模型后,可以利用实时采集数据实现微电网拓扑的快速在线辨识,且辨识准确率高。此外,当微电网中断路器开关状态变化,且有其他微电网参数如负载功率变化时,虽然每个DG单元的电压会发生一定的变化,但是相邻间DG单元的差值基本保持不变,很大程度上抑制了其他扰动的影响,因此本方法依然有很高的拓扑辨识准确率,具有较强的鲁棒性和实用性。
附图说明
图1为本发明微电网拓扑辨识方法流程图;
图2为本发明微电网模型结构图;
图3为本发明图卷积网络结构图。
具体实施方式
下面结合附图对本发明做进一步的说明:
本实施例中,参照图1,一种基于图卷积网络微电网拓扑辨识方法,包括如下步骤:
步骤1、获取微电网在无故障下的拓扑图并抽象成线图;
步骤1.1、微电网模型结构图如图2所示,将微电网中的DG单元作为节点,DG单元间可能连接的线路作为边,从而得到微电网在无故障下的拓扑图记为G={V,E},其中,V={v0,v1,...,vi,...,vN-1}为拓扑图G中的节点集合,E={ei,j|i∈[0,N-1],j∈[0,N-1]}为拓扑图G中的边集合,ei,j表示第i个节点vi和第j个节点vj之间存在边,N为拓扑图G中节点的总个数,i≠j;具体实例中,N=8;
步骤1.2、将边集合E中所有的边抽象成新的节点,从而构成新的节点集若新的节点集V*中任意两个不同的节点和在拓扑图G中所对应的边存在一个公共节点,则在第k个节点和第q个节点之间连接一条新的边,并由所有新的边构成新的边集 表示第k个节点和第q个节点之间存在边,k≠q;由新的节点集V*和新的边集E*构造微电网线图记为G*={V*,E*},其中,N*为拓扑图G中边的总个数;具体实例中,N*=8;
步骤1.3、利用式(1)获取微电网线图G*的N*×N*阶邻接矩阵A中的第k行第q列的元素ak,q,从而得到微电网线图G*的N*×N*阶邻接矩阵A={ak,q|k∈[0,N*-1],q∈[0,N*-1]};
步骤2、对微电网中DG单元的输出电压进行采样以获取训练样本数据;
步骤2.1、获取微电网中断路器处于不同开关状态的R个运行时刻;具体实例中,R=900;
步骤2.2、在任意第r个运行时刻,测量并采样微电网中各DG单元的输出电压,得到第r个运行时刻所有DG单元的输出电压序列集合其中为第r个运行时刻第b个DG单元的输出电压序列,为第r个运行时刻第b个DG单元在第c个采样点处的输出电压值,b∈[0,N-1],c∈[0,T-1],r∈[1,R],T为DG单元输出电压的采样点总个数;具体实例中,T=20,且取第r个运行时刻前后各十个采样点的输出电压离散值组成输出电压序列;
步骤2.3、在第r个运行时刻,利用所述输出电压序列集合Ur计算得到微电网相邻DG单元的输出电压差序列矩阵若vi和vj之间有边},其中,表示微电网第r个运行时刻第d条线路两端的第i个DG单元和第j个DG单元的输出电压差序列,d∈[0,N*-1];
步骤2.4、在第r个运行时刻,获取微电网中所有相邻DG单元间线路中的断路器开关状态并进行编码,若断路器闭合,则状态编码为“1”,若断路器断开,则状态编码为“0”,从而得到断路器开关状态向量其中,代表第r个运行时刻第m条线路中的断路器开关状态,m∈[0,N*-1];
步骤2.5、由第r个运行时刻的微电网相邻DG单元的输出电压差序列矩阵Xr和线路中断路器的开关状态向量Yr构成第r组训练样本Trainr={Xr,Yr};从而得到共R组的训练样本集Train={Trainr|r∈[1,R]};
步骤3、构建用于微电网拓扑辨识的图卷积网络并初始化网络参数;
步骤3.1、构建一个用于拓扑辨识的图卷积网络G-Net,图卷积网络结构图如图3所示,所述图卷积网络G-Net中包括L个图卷积层和一个Softmax分类层,并利用式(2)得到第l个图卷积层输出的隐藏特征矩阵Hl+1:
式(2)中,Hl为第l-1个图卷积层输出的隐藏特征矩阵,当l=0时,H0为图卷积网络G-Net的输入特征矩阵;表示添加节点自连边后微电网线图的邻接矩阵, 为N*×N*的单位矩阵;Wl为图卷积网络G-Net中第l个图卷积层的权重矩阵;fl(·)为图卷积网络G-Net中第l个图卷积层的信息聚合函数,l∈[0,L-1];具体实例中,L=2,之所以图卷积的层数选择2,一方面是因为数据集的样本个数有限,过多的图卷积层会增多GCN待训练的参数,容易出现过拟合现象;另一方面由于本文应用场景微电网中节点个数不多,分支较少,所以图卷积网络层数过多会导致信息汇集出现交叉,从而使图中所有节点特征趋于一致,降低拓扑辨识的精度。因此设置图卷积层为2层便可以获得最佳的拓扑辨识性能;
步骤3.2、定义图卷积网络G-Net的当前迭代次数为μ,并初始化μ=1,设定最大迭代次数为μmax;具体实例中,μmax=300;
步骤4、训练图卷积网络G-Net;
步骤4.1、初始化r=1;
步骤4.2、将第r组训练样本Trainr中的输出电压差序列矩阵Xr作为输入特征矩阵,并与微电网线图G*的邻接矩阵A一起输入到第μ次迭代的图卷积网络G-Net中,并经过L个图卷积层后输出第μ次迭代的G-Net的隐藏特征矩阵;
步骤4.5、将r+1赋值给r,判断r>R是否成立;若成立,则继续执行步骤4.6,否则返回步骤4.2;
步骤4.7、判断eμ>e0和μ<μmax是否均成立,若均成立,将μ+1赋值给μ,并根据梯度下降算法更新第μ次迭代的图卷积网络G-Net中的权重参数后,返回执行步骤4.1;否则,将第μ次迭代的图卷积网络模型作为最优模型,其中,e0是预设的网络误差阈值;具体实例中,e0=0.05;
步骤5、微电网的拓扑辨识;
以微电网中实时获取的相邻DG单元的电压差序列作为输入,利用最优模型计算对应断路器的状态,从而得到微电网实时运行状态下的拓扑图。
Claims (1)
1.一种基于图卷积网络微电网拓扑辨识方法,其特征在于,包括如下步骤:
步骤1、获取微电网在无故障下的拓扑图并抽象成线图;
步骤1.1、将微电网中的DG单元作为节点,DG单元间可能连接的线路作为边,从而得到微电网在无故障下的拓扑图记为G={V,E},其中,V={v0,v1,...,vi,...,vN-1}为拓扑图G中的节点集合,E={ei,j|i∈[0,N-1],j∈[0,N-1]}为拓扑图G中的边集合,ei,j表示第i个节点vi和第j个节点vj之间存在边,N为拓扑图G中节点的总个数,i≠j;
步骤1.2、将边集合E中所有的边抽象成新的节点,从而构成新的节点集若新的节点集V*中任意两个不同的节点和在拓扑图G中所对应的边存在一个公共节点,则在第k个节点和第q个节点之间连接一条新的边,并由所有新的边构成新的边集表示第k个节点和第q个节点之间存在边,k≠q;由新的节点集V*和新的边集E*构造微电网线图记为G*={V*,E*},其中,N*为拓扑图G中边的总个数;
步骤1.3、利用式(1)获取微电网线图G*的N*×N*阶邻接矩阵A中的第k行第q列的元素ak,q,从而得到微电网线图G*的N*×N*阶邻接矩阵A={ak,q|k∈[0,N*-1],q∈[0,N*-1]};
步骤2、对微电网中DG单元的输出电压进行采样以获取训练样本数据;
步骤2.1、获取微电网中断路器处于不同开关状态的R个运行时刻;
步骤2.2、在任意第r个运行时刻,测量并采样微电网中各DG单元的输出电压,得到第r个运行时刻所有DG单元的输出电压序列集合其中为第r个运行时刻第b个DG单元的输出电压序列,为第r个运行时刻第b个DG单元在第c个采样点处的输出电压值,b∈[0,N-1],c∈[0,T-1],r∈[1,R],T为DG单元输出电压的采样点总个数;
步骤2.3、在第r个运行时刻,利用所述输出电压序列集合Ur计算得到微电网相邻DG单元的输出电压差序列矩阵若vi和vj之间有边},其中,表示微电网第r个运行时刻第d条线路两端的第i个DG单元和第j个DG单元的输出电压差序列,d∈[0,N*-1];
步骤2.4、在第r个运行时刻,获取微电网中所有相邻DG单元间线路中的断路器开关状态并进行编码,若断路器闭合,则状态编码为“1”,若断路器断开,则状态编码为“0”,从而得到断路器开关状态向量其中,代表第r个运行时刻第m条线路中的断路器开关状态,m∈[0,N*-1];
步骤2.5、由第r个运行时刻的微电网相邻DG单元的输出电压差序列矩阵Xr和线路中断路器的开关状态向量Yr构成第r组训练样本Trainr={Xr,Yr};从而得到共R组的训练样本集Train={Trainr|r∈[1,R]};
步骤3、构建用于微电网拓扑辨识的图卷积网络并初始化网络参数;
步骤3.1、构建一个用于拓扑辨识的图卷积网络G-Net,所述图卷积网络G-Net中包括L个图卷积层和一个Softmax分类层,并利用式(2)得到第l个图卷积层输出的隐藏特征矩阵Hl+1:
式(2)中,Hl为第l-1个图卷积层输出的隐藏特征矩阵,当l=0时,H0为图卷积网络G-Net的输入特征矩阵;表示添加节点自连边后微电网线图的邻接矩阵, 为N*×N*的单位矩阵;Wl为图卷积网络G-Net中第l个图卷积层的权重矩阵;fl(·)为图卷积网络G-Net中第l个图卷积层的信息聚合函数,l∈[0,L-1];
步骤3.2、定义图卷积网络G-Net的当前迭代次数为μ,并初始化μ=1,设定最大迭代次数为μmax;
步骤4、训练图卷积网络G-Net;
步骤4.1、初始化r=1;
步骤4.2、将第r组训练样本Trainr中的输出电压差序列矩阵Xr作为输入特征矩阵,并与微电网线图G*的邻接矩阵A一起输入到第μ次迭代的图卷积网络G-Net中,并经过L个图卷积层后输出第μ次迭代的G-Net的隐藏特征矩阵;
步骤4.5、将r+1赋值给r,判断r>R是否成立;若成立,则继续执行步骤4.6,否则返回步骤4.2;
步骤4.7、判断eμ>e0和μ<μmax是否均成立,若均成立,将μ+1赋值给μ,并根据梯度下降算法更新第μ次迭代的图卷积网络G-Net中的权重参数后,返回执行步骤4.1;否则,将第μ次迭代的图卷积网络模型作为最优模型,其中,e0是预设的网络误差阈值;
步骤5、微电网的拓扑辨识;
以微电网中实时获取的相邻DG单元的电压差序列作为输入,利用最优模型计算对应断路器的状态,从而得到微电网实时运行状态下的拓扑图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110896197.1A CN113536509B (zh) | 2021-08-05 | 2021-08-05 | 一种基于图卷积网络的微电网拓扑辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110896197.1A CN113536509B (zh) | 2021-08-05 | 2021-08-05 | 一种基于图卷积网络的微电网拓扑辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536509A true CN113536509A (zh) | 2021-10-22 |
CN113536509B CN113536509B (zh) | 2023-04-18 |
Family
ID=78090572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110896197.1A Active CN113536509B (zh) | 2021-08-05 | 2021-08-05 | 一种基于图卷积网络的微电网拓扑辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536509B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114597970A (zh) * | 2022-03-18 | 2022-06-07 | 合肥工业大学 | 一种基于图卷积网络的主动配电网分区方法 |
CN114899823A (zh) * | 2022-03-23 | 2022-08-12 | 合肥工业大学 | 一种变拓扑微电网的分布式二次控制器设计方法 |
CN115935262A (zh) * | 2023-01-05 | 2023-04-07 | 合肥工业大学 | 图数据驱动的配电网拓扑辨识方法、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914484A (zh) * | 2020-08-07 | 2020-11-10 | 中国南方电网有限责任公司 | 一种用于电网暂态稳定评估的递归图卷积网络系统 |
CN112072659A (zh) * | 2020-09-17 | 2020-12-11 | 清华大学 | 一种对量测数据质量自适应的配电网拓扑与参数辨识方法 |
CN112287605A (zh) * | 2020-11-04 | 2021-01-29 | 浙江大学 | 一种基于图卷积网络加速的潮流校核方法 |
CN112862065A (zh) * | 2021-01-14 | 2021-05-28 | 国网浙江省电力有限公司湖州供电公司 | 一种基于多任务图神经网络的电网支路参数辨识方法 |
CN113036772A (zh) * | 2021-05-11 | 2021-06-25 | 国网江苏省电力有限公司南京供电分公司 | 一种基于深度强化学习的配电网拓扑电压调节方法 |
-
2021
- 2021-08-05 CN CN202110896197.1A patent/CN113536509B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914484A (zh) * | 2020-08-07 | 2020-11-10 | 中国南方电网有限责任公司 | 一种用于电网暂态稳定评估的递归图卷积网络系统 |
CN112072659A (zh) * | 2020-09-17 | 2020-12-11 | 清华大学 | 一种对量测数据质量自适应的配电网拓扑与参数辨识方法 |
CN112287605A (zh) * | 2020-11-04 | 2021-01-29 | 浙江大学 | 一种基于图卷积网络加速的潮流校核方法 |
CN112862065A (zh) * | 2021-01-14 | 2021-05-28 | 国网浙江省电力有限公司湖州供电公司 | 一种基于多任务图神经网络的电网支路参数辨识方法 |
CN113036772A (zh) * | 2021-05-11 | 2021-06-25 | 国网江苏省电力有限公司南京供电分公司 | 一种基于深度强化学习的配电网拓扑电压调节方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114597970A (zh) * | 2022-03-18 | 2022-06-07 | 合肥工业大学 | 一种基于图卷积网络的主动配电网分区方法 |
CN114597970B (zh) * | 2022-03-18 | 2024-03-08 | 合肥工业大学 | 一种基于图卷积网络的主动配电网分区方法 |
CN114899823A (zh) * | 2022-03-23 | 2022-08-12 | 合肥工业大学 | 一种变拓扑微电网的分布式二次控制器设计方法 |
CN114899823B (zh) * | 2022-03-23 | 2024-03-26 | 合肥工业大学 | 一种变拓扑微电网的分布式二次控制器设计方法 |
CN115935262A (zh) * | 2023-01-05 | 2023-04-07 | 合肥工业大学 | 图数据驱动的配电网拓扑辨识方法、电子设备及存储介质 |
CN115935262B (zh) * | 2023-01-05 | 2023-05-12 | 合肥工业大学 | 图数据驱动的配电网拓扑辨识方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113536509B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113536509B (zh) | 一种基于图卷积网络的微电网拓扑辨识方法 | |
CN112217202B (zh) | 考虑灵活性投资的分布式新能源、储能与配电网规划方法 | |
CN110398663B (zh) | 一种基于卷积神经网络的柔性直流电网故障识别方法 | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN111881971A (zh) | 一种基于深度学习lstm模型的输电线路故障类型识别方法 | |
CN103728535A (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
CN112862065B (zh) | 一种基于多任务图神经网络的电网支路参数辨识方法 | |
CN114006370B (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN114091816A (zh) | 基于数据融合的门控图神经网络的配电网状态估计方法 | |
CN115693661A (zh) | 一种基于图神经网络的连锁故障风险关键线路辨识方法 | |
CN110059737B (zh) | 基于集成深度神经网络的配电变压器连接关系辨识方法 | |
CN111401792A (zh) | 一种基于极限梯度提升决策树的动态安全评估方法 | |
CN106529816B (zh) | 电力线信道的调整方法和系统 | |
CN117787915A (zh) | 一种配电网数字孪生智慧大脑构建方法 | |
Roy et al. | Hardware efficient, neuromorphic dendritically enhanced readout for liquid state machines | |
Abiyev | Fuzzy wavelet neural network for prediction of electricity consumption | |
CN117057623A (zh) | 一种综合性电网安全优化调度方法、装置、存储介质 | |
CN115201632A (zh) | 一种多端直流输电线路故障识别方法 | |
CN115659833A (zh) | 基于bp神经网络的电力网络节点脆弱性评估方法 | |
CN111628531B (zh) | 一种针对电力系统静态电压稳定评估的数据驱动方法 | |
Hoya et al. | An heuristic pattern correction scheme for GRNNs and its application to speech recognition | |
CN115935262B (zh) | 图数据驱动的配电网拓扑辨识方法、电子设备及存储介质 | |
CN113205182A (zh) | 一种基于稀疏剪枝方法的实时电力负荷预测系统 | |
Liu et al. | Theoretical line loss calculation method for low-voltage distribution network via matrix completion and ReliefF-CNN |
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 |