CN113553768B - 模型数据混合驱动的电网可靠性快速计算方法及装置 - Google Patents
模型数据混合驱动的电网可靠性快速计算方法及装置 Download PDFInfo
- Publication number
- CN113553768B CN113553768B CN202110848072.1A CN202110848072A CN113553768B CN 113553768 B CN113553768 B CN 113553768B CN 202110848072 A CN202110848072 A CN 202110848072A CN 113553768 B CN113553768 B CN 113553768B
- Authority
- CN
- China
- Prior art keywords
- data
- sdae
- reliability
- network
- improved
- 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 99
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000004364 calculation method Methods 0.000 claims abstract description 61
- 230000009467 reduction Effects 0.000 claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000005065 mining Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 230000006872 improvement Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 22
- 238000000342 Monte Carlo simulation Methods 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 17
- 238000013461 design Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 238000013459 approach Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012614 Monte-Carlo sampling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000012086 standard solution Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 244000141353 Prunus domestica Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000010937 topological data analysis Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06F30/27—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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种模型数据混合驱动的电网可靠性快速计算方法及装置,方法包括:在预抽样阶段,使用最优潮流建模计算每一状态的可靠性指标,用于为改进的SDAE网络训练提供标签与数据样本;在实际抽样阶段,使用训练完毕的改进的SDAE网络进行从系统运行状态到可靠性指标的直接映射,对改进的SDAE网络模型的噪声添加环节加以改进,使之适应于电力系统潮流数据的变化波动,形成了基于深度学习的数据驱动;以深度堆叠的SDAE神经网络挖掘系统中的潮流特征,建立系统运行状态参数与最小负荷削减之间的映射关系,实现以最小负荷削减量为目标的最优潮流计算。装置包括:处理器和存储器。本发明的求解时间和精度符合在线应用要求。
Description
技术领域
本发明涉及电力系统领域,尤其涉及一种针对不确定性的源荷水平产生的海量随机场景下,依靠模型-数据混合驱动的方法进行电网可靠性快速计算的方法及装置。可靠性的计算旨在衡量电力系统持续供电的能力,是电力系统规划的关键环节,为电力系统的规划提供设计参考。
背景技术
可再生能源在电力系统中的高渗透率减轻了碳排放。另一方面,它无可避免地为可靠性计算带来了需要额外分析的海量系统状态,数据驱动的研究方法应运而生。然而,针对电网可靠性计算任务,在数据驱动的模型训练阶段缺少相应的历史数据作为支持,因此有赖于建立模型的评估方法为其提供最基本的样本数据。
可靠性计算方法可分为状态选择、状态分析和指标汇总三部分过程。传统的方法在前两个过程存在其内在的局限性:1、状态空间中对指标计算起主导作用的失败状态的比例较低;2、状态分析过程计算繁琐。
起主导作用的故障状态是指,根据这些状态求得的结果对可靠性指标有主要影响的状态[1]。所有系统状态形成的状态空间可分为成功状态与失败状态两大类,其中失败状态可以进一步分为主导失败状态和非主导状态。现代电力系统的高可靠性要求以及设备的进步使得系统元件可靠性不断提升,使用蒙特卡洛法(MCS)进行状态抽样,获得的状态之中对于可靠性指标起作用的状态占比较低。而对于所抽取的状态只有经过状态分析过程,它们才能够被归类为成功状态或失败状态,因此在经过耗时的分析过程之后,大多数状态对指标的贡献很小。第二个问题源于迭代式的方法求解最优功率流(OPF)算法为获得给定状态的最小负荷削减量,计算量很大。
关于上述问题,数据驱动技术在分类和回归任务中具有强大的能力,决定了其在状态选取和状态分析过程的适用性。数据驱动的分类任务能够根据负荷损失特征对于主导可靠性指标变化的状态进行预分类,有助于计算过程关注主要的故障状态,而不必在非主导状态下耗费计算资源。数据驱动的回归任务作为OPF求解的替代方法,旨在获得系统状态数据和最佳负荷削减之间的精确映射关系,这种端到端的矩阵直接映射计算相比于逐一进行状态分析的传统OPF方法运算更快。
由此,可以从上述讨论中自然得出数据驱动的可靠性计算方法的定义:使用机器学习和其他先进技术来加速状态选择或状态分析过程,最终使在线应用成为可能[2]。与模型驱动的方法不同,在训练过程中,变量之间的关系隐含在神经网络的参数之中。应用训练后的神经网络仅仅需要进行一次前向传播,因此数据驱动的方法在计算速度上将优于任何其他基于模型的方法。数据驱动方法的独特优势在于其特征提取能力,这一点在深度学习方法中尤其凸显。
在过去的20年里,数据驱动方法在电力系统的众多领域呈现出不断发展的趋势,包括系统可靠性计算[3]和电力系统概率潮流[4]。特别是,神经网络由于其对元件故障的诊断能力[5]和对于不确定状态的分析所具有的适应性而得到广泛应用。众多学者对电力系统中的数据驱动方法的现有应用与未来展望进行了深入调查[6-7]。文献[8,9]的主要内容是利用机器学习方法近似计算双状态系统和多状态系统的可靠性指标。文献[10]提出了一种基于拓扑特征分析和深度卷积神经网络的计算配电网结构强度的新方法。文献[11]中提出了基于拓扑分析和深度卷积神经网络的方法用于配电网韧性评估,依靠挖掘故障数据的特征来识别输电线路的故障类型。一种混合方法将堆叠极限学习机算法(Stacked extremelearning machines,SELM)学习框架与经典OPF模型的物理特质相结合,以物理特质作为先验知识,从而降低了神经网络训练的复杂性,同时能够有效纠正最优潮流的预测解的误差[12]。
上述研究大多关注于分类任务,而数据驱动的方法在可靠性计算中的巨大潜力仍未被开发,但数据驱动应用在诸多方面存在限制。其一,机器学习方法对先验知识和超参数的设置要求严重限制了算法最终的性能表现,对于输入特征进行的手动筛选和处理可能出现因经验导致的谬误或人工疏漏。其二,在可靠性领域运用单纯的数据驱动会面临历史数据不足的问题,可靠性计算面向仍处于规划阶段或是扩建计划阶段的电力系统,缺少实际运行的历史数据提供训练样本。为了应对上述问题,本发明提出了基于模型-数据混合驱动的MCS-SDAE混合多阶段方法进行电力系统可靠性计算,其中改进的堆叠去噪自动编码器(SDAE)作为数据驱动阶段主体装置,基于蒙特卡洛抽样和传统OPF迭代的状态评估作为模型驱动的主要内容。
本发明使用改进的SDAE网络模型为基础设计了传统OPF迭代算法的替代方法,与传统的机器学习算法相比,其参数更少。倘若能够与适当的算法相结合,参数的更新就可以从起始随机设置的初值,通过简便的矩阵计算轻松确定。同时,SDAE框架所具有的堆栈式结构赋予其从数据中提取特征的能力,免去了特征的人为设计环节,使得学习与训练更为高效可行,并防止出现经验导致的谬误或人工疏漏。此外,众多研究[13-15]都证实了SDAE框架在故障诊断中的有效性。
这里所提出的方法是一种基于深度学习的传统OPF迭代式算法的替代方法,是实现电力系统可靠性计算的关键。这种依靠深度神经网络建立,实现端到端的回归型任务学习框架,可以直接、大批量地计算运行状态下的最优负荷削减量,进而加速可靠性计算的状态分析过程。
参考文献
[1]Singh C,Wang LF.Role of Artificial Intelligence in the ReliabilityEvaluation of Electric Power Systems.Turkish Journal of ElectricalEngineering&Computer Sciences 2007;16(3),2014.
[2]Li GF,Huang YX,Bie ZH.Review and prospect of operationalreliability evaluation of integrated energy system.Electric Power AutomationEquipment 2019;39(8):12-21,2019.
[3]Urgun D,and Singh C.A Hybrid Monte Carlo Simulation and Multi-Label Classification Method for Composite System Reliability Evaluation.IEEETransactions on Power Systems2018;908-917,2018.
[4]Yang Y,Yang ZF,Yu J,Zhang BS,Zhang YQ,and Yu HX.Fast Calculationof Probabilistic Power Flow:A Model-based Deep Learning Approach.IEEETransactions on Smart Grid 2019;22-30,2019.
[5]Gao ZW,Cecati C and Ding S.X.A Survey of Fault Diagnosis andFault-Tolerant Techniques—Part II:Fault Diagnosis With Knowledge-Based andHybrid/Active Approaches.IEEE Transactions on Industrial Electronics 2015;62(6);3768-3774,2015.
[6]Hu W.The application of new generation artificial intelligence insmart grid and energy internet.Proceedings of the CSEE,2019:1,2019.
[7]Yang T,Gao KL,Yue D.Application of artificial intelligence inpower system and integrated energy system.Automation of Electric PowerSystems 2019;43(1),2-14,2019.
[8]Muselli M.Empirical models based on machine learning techniquesfor determining approximate reliability expressions.Reliability Engineering&System Safety 2004:83(3);301-309,2004.
[9]Muselli M.Approximate multi-state reliability expressions using anew machine learning technique.Reliability Engineering&System Safety 2005;89(3),261-270,2005.
[10]Lin JH,Zhang Y,Zhao T,Su Y.Structure strength assessment methodof distribution network based on improved convolution neural network andnetwork topology feature mining.Proceedings of the CSEE 2019;39(1),84-96,2019.
[11]Xu SW,Qiu CM,Zhang DX,He X,Chu L,Yang H.A deep learning approachfor fault type identification of transmission line.Proceedings of the CSEE2019;39(1),65-74,2019.
[12]Lei XY,Yang XF,Yu J,Zhao JB,Gao Q,Yu HX.Data-Driven Optimal PowerFlow:A Physics-Informed Machine Learning Approach.IEEE Transactions on PowerSystems 2021;36(1),346-354,2021.
[13]Liu RM,Feng SY,Cai YM,Liu MX.State Assessment and FaultPrediction Method of Distribution Terminal Based on SDAE and HierarchicalBayesian.IEEE Sustainable Power and Energy Conference(iSPEC)2019;2783-2787,2019.
[14]Wang YM,Han MH,Liu W.Rolling Bearing Fault Diagnosis Method Basedon Stacked Denoising Autoencoder and Convolutional NeuralNetwork.2019International Conference on Quality,Reliability,Risk,Maintenance,and Safety Engineering(QR2MSE),2019;833-838,2019.
[15]Wang ZH,Sun T,Tian XC.Fault Diagnosis of Rolling Bearing Based onSDAE and PSO-DBN.2019Chinese Control And Decision Conference(CCDC)2019;624-629.
发明内容
本发明建立了一种模型-数据混合驱动的方法对电力系统可靠性进行快速计算,提出了MCS-SDAE多阶段混合计算方法。基于MCS进行可靠性计算的传统方法结合了最优潮流模型的建模分析方法计算可靠性指标,而在本发明所提出的方法中,以上仅作为混合方法的第一阶段,即为模型驱动阶段,旨在提供训练样本;第二阶段则是用模型驱动改进的SDAE网络进行数据特征提取的阶段;第三阶段则应用数据驱动的方法并再次结合MCS进行可靠性计算。该发明基于电力系统的数据特点,改进的堆栈降噪自动编码器(SDAE)网络对数据的噪声添加环节进行修正,更适应于电力系统的受潮流影响的变量变化特性,建立了基于SDAE的能量流模型,有效挖掘非线性潮流方程特征,从而实现最小负荷削减量的快速计算。结合蒙特卡洛法抽样出待解样本,使用训练后的SDAE最优潮流计算模型,通过数据映射得到抽样样本的最小负荷削减量结果进而汇总获得全系统可靠性指标,求解时间和精度符合在线应用要求。最后,在RTS-79测试系统中验证了所提方法的有效性,详见下文描述:
第一方面,一种模型数据混合驱动的电网可靠性快速计算方法,所述方法包括:
在预抽样阶段,使用最优潮流建模计算每一状态的可靠性指标,用于为改进的SDAE网络训练提供标签与数据样本;
在实际抽样阶段,使用训练完毕的改进的SDAE网络进行从系统运行状态到可靠性指标的直接映射,对改进的SDAE网络模型的噪声添加环节加以改进,使之适应于电力系统潮流数据的变化波动,形成了基于深度学习的数据驱动;
以深度堆叠的SDAE神经网络挖掘系统中的潮流特征,建立系统运行状态参数与最小负荷削减之间的映射关系,实现以最小负荷削减量为目标的最优潮流计算。
在一种实施方式中,所述改进的SDAE网络为:
Yl=hl(hl-1(hl-2(···h1(αX⊙sg(A)+X))))
其中,X是原始输入矩阵,A是与X同维度的矩阵;h表示输入层与隐藏层之间的编码关系;sg()是类符号函数;α为噪声相对水平,即所添扰动与数值之比,取值在±5%之间的随机数。
在一种实施方式中,所述对改进的SDAE网络模型的噪声添加环节加以改进具体为:
在一种实施方式中,所述方法将发电量和需求量组成输入数据,每条总线的负载损失作为网络输出;
训练数据集的输入输出数据基于历史数据构建或模型驱动法模拟来获取:
Xi=[Pi1,Qi1,Pi2,Qi2,...,Pin,Qin,PGi1,PGi2,...,PGim]
Yi=[LCi1,LCi2,...,LCin]
其中,Pik和Qik是第i个样本中第k个节点的有功和无功负载需求,PGij表示第j个发电机节点产生的功率;n和m分别表示节点数目和发电机节点的数量,LCin为第i个样本中n节点的负荷损失。
第二方面,一种模型数据混合驱动的电网可靠性快速计算装置,所述装置包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的任一项所述的方法步骤。
第三方面,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时使所述处理器执行第一方面中的任一项所述的方法步骤。
本发明提供的技术方案的有益效果是:
1、该方法能够考虑源荷波动情况,仅借助历史数据特征而不是电力系统的数学物理模型,对于蒙特卡洛模拟法状态抽取产生的海量的电力出力与负荷情景,能够一次性实现对于海量场景下最优负荷削减量的直接而快速的计算,相比需要对系统状态逐一分析的传统迭代型算法,极大提升了电力系统可靠性计算速度;
2、本发明进行可靠性计算旨在衡量系统受电源出力与负荷需求波动情况下持续供电的能力,能够反映各个负荷供电的可靠性信息,以直观呈现负荷点供能薄弱之所在;在保证系统安全性的前提下,改善薄弱环节,为系统规划的改进提供决策参考,从而有针对性地切实提升其供电能力;
3、本发明还适合应用于电源出力变化时的系统可靠性计算,能够对系统发电容量的多种配置方案实现快速检验,从而加速电力系统优化设计的进程。
附图说明
图1为应对源荷波动场景的MCS-SDAE多阶段混合电力系统可靠性计算方法流程图;
图2为节点级可靠性指标的示意图;
图3为若干测试数据的系统级可靠性指标的示意图;
图4为可靠性计算装置的结构示意图;
图5为可靠性计算装置的另一结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
由于电力系统受发电机停运、间接性可再生能源出力以及负荷曲线的影响呈现出源荷的波动变化,其规划设计需要考虑的故障场景和电能出力状态更加多元。为了应对在计算过程中所要额外考虑的海量故障状态数量带来的计算负担,本发明实施例提出了一种考虑电力系统源荷波动的可靠性快速计算方法,能够在电力系统规划阶段实现对不同设计方案的高效计算并提供可靠性水平上的优劣比较;本发明实施例还能同时提供负荷节点的用能可靠性指标,从而有利于对供能易受影响的用户采取有针对性地技术改善,并对系统的改进设计进行快速验证。
本发明建立了一种模型-数据混合驱动的方法对电力系统可靠性进行快速计算。1.提出了MCS-SDAE多阶段混合计算方法。相比于传统的基于非序贯性蒙特卡洛抽样进行的可靠性计算方法,该发明将抽样过程分为预抽样与实际抽样两个阶段,并在其中插入了改进的SDAE网络训练阶段。在预抽样阶段,使用最优潮流建模计算每一状态的可靠性指标,用于为改进的SDAE网络训练提供必要的标签与数据样本,属于模型驱动阶段;而在实际抽样阶段,则使用训练完毕的改进SDAE网络进行从系统运行状态到可靠性指标的直接映射,同时实现多状态批量计算,又可以作为数据驱动阶段。在预抽样阶段,抽样的状态数相对较少;在实际抽样阶段,状态数以能够达到变异系数的设定标准为准,状态数相对较多。2.该发明对于SDAE网络模型的噪声添加环节加以改进,使之适应于电力系统潮流数据的变化波动,形成了基于深度学习的数据驱动方法并作为核心承载装置,与传统模型驱动的方法结合形成数模混合驱动的可靠性计算方法与装置。相比传统迭代式最优潮流求解方法,能够完成端到端的由电力系统源荷水平到负荷削减量的函数建立与直接计算,加速了可靠性计算的状态分析过程,大幅提升可靠性计算的速度。
该方法设计的基本思想是:通过输入输出数据的合理设计包含系统运行状态信息,以深度堆叠的SDAE神经网络挖掘其中的潮流特征,从而建立系统运行状态参数与最小负荷削减之间的映射关系,直接实现以最小负荷削减量为目标的最优潮流快速计算。
SDAE神经网络的基础结构如下:自动编码器(AE)模型作为组成SDAE网络的最基本单元,其数学映射关系可表示为:
其中,X,Y,Z分别是AE网络的输入、隐藏层输出、输出层输出;W,b分别表示编码器的权重矩阵与偏,WT,b’则是解码器中使用的权值矩阵与偏置;h表示输入层与隐藏层之间的编码关系;g表示隐藏层与输出层之间的解码关系;s为激活函数,T为转置。
在AE的网络的最前端添加一个降噪层,进行输入X与噪声处理后的输入X的转换,构成的新网络结构为降噪自动编码器(Denoising auto-encoder,DAE)。一种实用的方式是“随机腐蚀”,即随机选择一定比例的原始输入向量之中的元素置零;而电力系统运行状态到可靠性指标的映射显然不适合使用直接置零的噪声添加策略,而电力系统运行状态的小幅波动引起的可靠性指标的变化则在规划阶段可以接受。因此本发明对于噪声添加环节做了如下修改,即随机选择一定比例的原始输入向量中的元素加入小幅度的波动。
其中,i表示第i个样本,表示经过噪声腐蚀后的输入样本,Ai是与xi同维度的向量,α为噪声比率(所加扰动占数据的相对比例),取值在±5%之间的随机数,⊙表示点乘运算。sg()是类符号函数,其对向量或矩阵的运算相当于对其中每个元素做类符号函数的运算,具体表示为:
其中,j表示向量的第j个元素,pi是与xi,Ai同维度的随机向量,其元素值是0,1之间的随机数,常数r是为网络设定的噪声出现率。
将SAE网络结构进行线性排列并构成全连接,形成堆栈降噪自动编码器结构模型(Stacked denoising auto-encoder,SDAE),以底层神经元的输出作为上层神经元的输入,输入数据的信息通过编码链进行层层提取,如下式所示:
其中,h是编码函数,l是总的隐层层数。
对于本发明提出的改进SDAE网络结构,输出表示为:
Yl=hl(hl-1(hl-2(···h1(αX⊙sg(A)+X)))) (5)
其中,X是原始输入矩阵,A是与X同维度的矩阵。
到此,深度学习的网络雏形构建完毕。面向回归的学习任务,学习目标是寻求合适的参数设定,为系统运行数据和最佳负载损失之间建立准确的函数映射关系。训练过程中,通过目标输出随输入值的变化,同时网络输出随输入值变化,实现从非线性非凸类型的最优潮流模型中提取特征,而提取的特征最后能够用于推导输出。传统OPF模型中的约束条件实际上保持原有水平,而不跟随发电量或负载产生波动。因此可以输入数据中不包括电阻、电抗、线路的传输容量以及PV总线的电压大小。
学习任务是能够建立端到端的由电力系统源荷水平到负荷削减量的函数映射,以学习任务为导向设计了输入向量和损失函数。输入向量的建立如下述式(6)所示,设计发电量和需求量组成输入数据,每条总线的负载损失作为网络输出。此设计能保证适量的特征冗余,并且尽量降低存储占用量。训练数据集的具体输入输出数据可基于历史数据构建或模型驱动法模拟来获取。
其中,Pik和Qik是第i个样本中第k个节点的有功和无功负载需求,PGij表示第j个发电机节点产生的功率;n和m分别表示节点数目和发电机节点的数量,LCin为第i个样本中n节点的负荷损失。
至此,结构确定而参数不同的神经网络可以视为一个函数集。学习过程(即训练阶段)在于通过分析确定神经网络中的权值和偏等参数,以损失函数值的下降方向为迭代方向,从而更新编码器和解码器中的权重与偏差。为建立由电力系统源荷水平到负荷削减量映射关系的端到端计算模型,损失函数选取下述式(4)所示的均方误差(MSE)函数,以衡量实际输出向量与目标输出之间的差异。
选用ReLU函数(如公式(5)所示)作为激活函数,其主要优点在于ReLU函数具有稳定的梯度值可用以连续更新参数,而Sigmoid函数则可能会导致梯度消失问题。
f(x)=max(0,x) (8)
为了保证训练过程使网络输出接近目标输出,以损失函数值的下降方向为迭代方向使损失函数值不断减小,即采用梯度下降算法。在这个参数更新策略中,可以采取“分批训练”的方式来加速训练进程,有助于减轻计算负担并应对局部最优问题。其中,每一个批次中的参数更新规则如下述式(6)所示;此外,两阶段训练的方式也在SDAE网络结构中得到广泛使用。训练的第一阶段是借助AE结构进行无监督特征预训练,第二阶段则需要借助目标输出(标签数据),是有监督的参数微调阶段。对于输入和输出之间具有复杂非线性关系的OPF模型,加入预训练环节更容易取得理想训练效果。
其中,d(n)、d(i)是为了方便表示而定义的中间量,dWi为第i层神经元参数更新需要的权值矩阵的改变量,T表示矩阵转置运算,Yl为网络顶层的输出,Yl为顶层的目标值,W(i)为第i层权重,Yi为第i层输出。
值得注意的是,ReLU功能只能激活具有正输出的神经元。此外,为了包含并传输输入数据的所有信息,同时保证神经元对于潜在特征元素的敏感度,输入和输出数据集需要被归一化为0到1的范围。
下面给出输入的min-max归一化公式,对输出的归一化则同理:
其中,xmin为输入向量中的最小值元素,xmax为输入向量中的最大值元素,x为输入向量中的每一个元素。
图1为本方法流程图,图4为本装置的具体结构,本方法步骤与所借助的装置结构如下:
本发明结合了蒙特卡洛模拟(MCS)和堆叠降噪自动编码器算法为电力系统提供实用快速的可靠性计算新方法。其中,非序贯性的MCS方法用来实现样本数据的收集并为其形成样本标签,而基于SDAE神经网络结构的深度学习策略是批量计算全系统最佳负载削减量的有效方法与装置。本发明所提出的方法以及装置主要分为模型驱动-数据训练-数据驱动三个阶段和五个环节,五个环节的装置组成如图4所示,各部分装置所借助的具体方法与步骤如图1所示。
环节1(模型驱动):数据准备环节。确定可接受的误差标准、收敛停止的标准、网络超参数等常数,初始化训练迭代的最大次数,通过非序贯性MCS抽样模块和传统OPF求解模块准备系统状态数据与负荷削减标准解,数据传输至数据编码器并进行数据预处理操作得到数据集。数据集将按照7:3的比例分为训练数据集与测试集,分别用于神经网络训练与训练效果的判别。
环节2:类平衡判断单元将对数据集的构成加以评估。当接收到“未达到类平衡”的信号,欠采样过滤器则对数据集中多数类中的样本进行过滤与删减,直到每个类别中的状态数接近。此时类平衡判断单元将发出“达到类平衡”信号,数据集将传送至改进SDAE网络用于训练。
环节3(数据训练):训练过程通过预训练和微调两个阶段实现。如果训练数据集上的网络性能未达到准确度标准,超参数库将接受到“欠拟合”信号,其中的训练迭代次数将被修改为当前训练迭代次数的两倍,用于下一次的训练;如果测试数据集中的预测结果未能达到预期,则反馈“过拟合”信号,MCS抽样模块将增加训练数据集的大小为当前数据规模的2倍的并重新分配内存并进行样本数据的补充。如果同时在训练集与测试集中均达到可接受的误差范围,发出“训练完成”信号并存储训练后的网络信息,之后转入环节4。
环节4(数据驱动):用非序贯性MCS法模拟出大量系统状态(10000个)并借助数据编码与预处理单元整理成输入向量的模式,输入到训练完毕的改进SDAE网络中分批进行一次性前向计算,得到对应的输出向量并汇总其期望与标准差,计算并更新电力系统的可靠性指标及其变异系数。
环节5:以变异系数为依据判断收敛情况。如果判断可靠性指标的变异系数大于收敛标准,变异系数判别器向MCS抽样模块反馈“未达到标准”信号指示其回到环节4继续执行抽样任务,即使用MCS方法补充抽取10000个系统状态;如果变异系数小于收敛标准,则发出“达到标准”信号表示计算结束,指示输出单元呈现全系统可靠性水平的计算值。
本发明实施例的计算机硬件配置包括:Intel Core i5-6500CPU,8G内存,操作系统为windows10,仿真软件为MATLAB2020a,传统OPF计算最优负荷削减时利用matpower工具包进行计算。
为适应系统可靠性计算中的状态负荷削减求解,本技术对基本的SDAE模型进行结构改造与具体化设计。在算例系统的应用中,表征具体网络的超参数如下:隐藏层数为3,每层有165个神经元。值得注意的是,学习率的选择需要与训练批次的规模和更新代数相适应。学习率随训练过程的推进而递减。对于训练初期,初始学习率较大,设置为0.8,微调阶段使用的学习率降至0.08。动量设置为学界普遍采用的数值0.5。该网络配合ReLU函数作为激活函数,同时以MSE损失函数的梯度下降方向作为迭代方向指导训练过程中的参数更新,训练分无监督预训练和参数微调两个阶段进行,在每一阶段选用小批量参数更新策略。
为了获取输入系统运行状态数据Xtrain、最优合削减数据的目标输出值Ytrain,需要首先通过蒙特卡洛模拟抽样出待求解的状态集合,并用传统最优潮流计算模型求解各故障状态的负荷损失量作为样本的目标输出;其次,使用公式(10)进行样本数据的归一化;之后,在用SDAE模型构建起的深度神经网络中,使用公式(9)给出的参数更新公式为建立输入输出之间的映射选择合适的参数;最后,利用训练好的网络直接计算蒙特卡洛抽样出的大量状态下的负荷削减水平,计算并汇总各故障场景下的可靠性指标。
该方法在IEEE-RTS79系统上进行测试,考虑了发电机故障对系统电能出力的影响,并考虑了用户用能特性随时间的变化,因此形成了系统的大量场景。该系统包括了24个节点、32台发电机组、38条支路,峰值负荷分别为2850MW。其中,38条支路包括5台变压器支路、1条电缆支路和32条输电支路组成。
预期的未供应能量(EENS)和负载损失概率(LLP)被用作衡量电力系统可靠性的指标。表1给出的数值可用来分析所提方法的计算性能,该方法为电力系统的可靠性计算提供了指标准确性和计算时间方面的理想结果。图2和图3表明,提出的基于SDAE的方法使电力从业者不仅可以获悉电力系统的可靠性指标,而且能掌握每个负荷节点的可靠性水平。
表1计算性能分析
本发明建立了一种模型-数据混合驱动的方法对电力系统可靠性进行快速计算。提出了MCS-SDAE多阶段混合计算方法。该发明对于SDAE网络模型的噪声添加环节加以改进,使之适应于电力系统潮流数据的变化波动,形成了基于深度学习的数据驱动方法并作为核心承载装置,可直接计算考虑源荷波动状态下的系统状态负荷削减量,用于快速计算电力系统的可靠性指标。利用改进SDAE网络为输入输出数据建立映射的功能,而能够直接进行函数运算获得故障状态下系统最优的负载削减策略,不必使用迭代方法计算最优潮流,从而减少了状态分析过程的计算负担。所提方法是一种最优潮流计算的替代性算法,在状态分析阶段使用,因此具有能够与状态生成阶段的任何方法结合使用,例如状态空间剪枝、影响增量法等。
基于同一发明构思,本发明实施例还提供了一种模型数据混合驱动的电网可靠性快速计算装置,参见图5,该装置包括:处理器1和存储器2,存储器2中存储有程序指令,处理器1调用存储器2中存储的程序指令以使装置执行实施例中的以下方法步骤:
在预抽样阶段,使用最优潮流建模计算每一状态的可靠性指标,用于为改进的SDAE网络训练提供标签与数据样本;
在实际抽样阶段,使用训练完毕的改进的SDAE网络进行从系统运行状态到可靠性指标的直接映射,对改进的SDAE网络模型的噪声添加环节加以改进,使之适应于电力系统潮流数据的变化波动,形成了基于深度学习的数据驱动;
以深度堆叠的SDAE神经网络挖掘系统中的潮流特征,建立系统运行状态参数与最小负荷削减之间的映射关系,实现以最小负荷削减量为目标的最优潮流计算。
在一种实施方式中,改进的SDAE网络为:
Yl=hl(hl-1(hl-2(···h1(αX⊙sg(A)+X))))
其中,X是原始输入矩阵,A是与X同维度的矩阵;h表示输入层与隐藏层之间的编码关系;sg()是类符号函数;α为噪声相对水平,即所添扰动与数值之比,取值在±5%之间的随机数。
在一种实施方式中,对改进的SDAE网络模型的噪声添加环节加以改进具体为:
在一种实施方式中,所述方法将发电量和需求量组成输入数据,每条总线的负载损失作为网络输出;
训练数据集的输入输出数据基于历史数据构建或模型驱动法模拟来获取:
Xi=[Pi1,Qi1,Pi2,Qi2,...,Pin,Qin,PGi1,PGi2,...,PGim]
Yi=[LCi1,LCi2,...,LCin]
其中,Pik和Qik是第i个样本中第k个节点的有功和无功负载需求,PGij表示第j个发电机节点产生的功率;n和m分别表示节点数目和发电机节点的数量,LCin为第i个样本中n节点的负荷损失。
算例结果表明,该装置可以快速、准确地计算出可靠性指标,也为电力系统最优潮流的求解提供了有益借鉴。蒙特卡洛抽样模块按照预设的样本规模抽取出可能出现的系统运行状态,之后调用matpower的最优潮流计算工具包求解每种状态下的最优负荷削减量作为该状态下可靠性指标标准解,直到完成预设的样本规模后,将所得样本进行编码整理成网络要求的输入向量的格式,预处理单元对其进行拆分处理,即将数据集拆分为训练用数据集和测试用数据集。之后训练数据集部分传送到类平衡判别单元进行类别分析,若多数类与少数类的样本数量差异过大(例如超过10%)则做出“未达到类平衡”的判断,并指示欠采样过滤器对多数类进行样本过滤与删减操作,而后回到MCS抽样环节进行补充抽样和状态计算,直到填充满预设的样本规模;相反,则做出“达到类平衡”的判断,继续将训练数据集传入本发明所提的改进SDAE网络装置中用以训练网络参数。
参见图5,改进的SDAE网络装置经过既定的训练代次后,由训练效果判别单元根据改进SDAE网络络装置分别在训练数据与测试数据上的表现判断训练是否产生问题。若网络装置在训练集上就不能达到精度要求,则判定为“欠拟合”问题,需要提升训练代数、学习率等参数以增大学习能力;若网络装置在训练集上准确而在测试集上不准确,则判定为“过拟合”问题,将指示提升样本规模并回到MCS抽样模块补充样本;直到网络装置同时在训练集与测试集上具有高准确率时,训练效果判别单元才发出“训练完成”信号,并允许网络装置经过训练后的参数传输到存储单元进行保存。数据驱动的在线应用阶段首先由蒙特卡洛抽样模块进行批量抽取,这些样本将按照与离线仿真阶段相同的规则整理成为输入变量的形式,之后输入到改进的SDAE网络装置中。其中,SDAE网络参数来自于离线仿真与训练阶段。网络装置的输出即可靠性指标传送至期望值计算单元、标准差计算单元进行汇总,通过二者比值得到变异系数并传输至变异系数判别器与预设标准进行对比。若计算所得变异系数大于既定停止标准,则输出“未达标准”信号指示MCS抽样模块进行追加抽样;若变异系数小于既定停止标准,则反馈“达到标准”信号,并指示期望值计算单元呈现输出量的期望作为系统最终的可靠性指标。
这里需要指出的是,以上实施例中的装置描述是与实施例中的方法描述相对应的,本发明实施例在此不做赘述。
上述的处理器1和存储器2的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件,具体实现时,本发明实施例对执行主体不做限制,根据实际应用中的需要进行选择。
存储器2和处理器1之间通过总线3传输数据信号,本发明实施例对此不做赘述。
基于同一发明构思,本发明实施例还提供了一种计算机可读存储介质,存储介质包括存储的程序,在程序运行时控制存储介质所在的设备执行上述实施例中的方法步骤。
该计算机可读存储介质包括但不限于快闪存储器、硬盘、固态硬盘等。
这里需要指出的是,以上实施例中的可读存储介质描述是与实施例中的方法描述相对应的,本发明实施例在此不做赘述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。
计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者通过计算机可读存储介质进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质或者半导体介质等。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种模型数据混合驱动的电网可靠性快速计算方法,其特征在于,所述方法包括:
在预抽样阶段,使用最优潮流建模计算每一状态的可靠性指标,用于为改进的SDAE网络训练提供标签与数据样本;
在实际抽样阶段,使用训练完毕的改进的SDAE网络进行从系统运行状态到可靠性指标的直接映射,对改进的SDAE网络模型的噪声添加环节加以改进,使之适应于电力系统潮流数据的变化波动,形成了基于深度学习的数据驱动;
以深度堆叠的SDAE神经网络挖掘系统中的潮流特征,建立系统运行状态参数与最小负荷削减之间的映射关系,实现以最小负荷削减量为目标的最优潮流计算;
其中,所述改进的SDAE网络为:
Yl=hl(hl-1(hl-2(…h1(X⊙(1+α)·sg(A)))))
其中,X是原始输入矩阵,A是与X同维度的矩阵;h表示输入层与隐藏层之间的编码关系;sg()是类符号函数;α为噪声相对水平,即所添扰动与数值之比;
其中,所述对改进的SDAE网络模型的噪声添加环节加以改进具体为:
其中,所述方法将发电量和需求量组成输入数据,每条总线的负载损失作为网络输出;
训练数据集的输入输出数据基于历史数据构建或模型驱动法模拟来获取:
Xi=[Pi1,Qi1,Pi2,Qi2,...,Pin,Qin,PGi1,PGi2,...,PGim]
Yi=[LCi1,LCi2,...,LCin]
其中,Pik和Qik是第i个样本中第k个节点的有功和无功负载需求,PGij表示第j个发电机节点产生的功率;n和m分别表示节点数目和发电机节点的数量,LCin为第i个样本中n节点的负荷损失。
2.一种模型数据混合驱动的电网可靠性快速计算装置,其特征在于,所述装置包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器调用存储器中存储的程序指令以使装置执行权利要求1所述的方法步骤。
3.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时使所述处理器执行权利要求1所述的方法步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848072.1A CN113553768B (zh) | 2021-07-27 | 2021-07-27 | 模型数据混合驱动的电网可靠性快速计算方法及装置 |
PCT/CN2022/106167 WO2023005700A1 (zh) | 2021-07-27 | 2022-07-18 | 模型数据混合驱动的电网可靠性快速计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110848072.1A CN113553768B (zh) | 2021-07-27 | 2021-07-27 | 模型数据混合驱动的电网可靠性快速计算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113553768A CN113553768A (zh) | 2021-10-26 |
CN113553768B true CN113553768B (zh) | 2022-04-01 |
Family
ID=78104518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110848072.1A Active CN113553768B (zh) | 2021-07-27 | 2021-07-27 | 模型数据混合驱动的电网可靠性快速计算方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113553768B (zh) |
WO (1) | WO2023005700A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553768B (zh) * | 2021-07-27 | 2022-04-01 | 天津大学 | 模型数据混合驱动的电网可靠性快速计算方法及装置 |
CN114240069A (zh) * | 2021-11-24 | 2022-03-25 | 国网天津市电力公司电力科学研究院 | 一种基于回归学习与特征挖掘的电网在线风险计算方法 |
CN114297914A (zh) * | 2021-12-14 | 2022-04-08 | 重庆邮电大学 | 一种面向大电网可靠性评估的深度神经网络结果可信性保障方法 |
CN115632406B (zh) * | 2022-12-21 | 2023-04-28 | 国网天津市电力公司城东供电分公司 | 基于数字-机理融合驱动建模的无功电压控制方法及系统 |
CN116565872A (zh) * | 2023-02-06 | 2023-08-08 | 天津大学 | 基于状态相似性的交流电网可靠性快速控制方法与装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304623A (zh) * | 2018-01-15 | 2018-07-20 | 重庆大学 | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106855909B (zh) * | 2017-01-13 | 2020-03-20 | 国网北京经济技术研究院 | 一种适于有源配电网随机动态仿真的显隐混合积分方法 |
CN109902854B (zh) * | 2019-01-11 | 2020-11-27 | 重庆大学 | 电-气互联系统最优潮流全线性模型的构建方法 |
US11366434B2 (en) * | 2019-11-26 | 2022-06-21 | Apex Artificial Intelligence Industries, Inc. | Adaptive and interchangeable neural networks |
CN111177911B (zh) * | 2019-12-24 | 2022-09-20 | 大连理工大学 | 一种基于sdae-dbn算法的零件表面粗糙度在线预测方法 |
CN113553768B (zh) * | 2021-07-27 | 2022-04-01 | 天津大学 | 模型数据混合驱动的电网可靠性快速计算方法及装置 |
-
2021
- 2021-07-27 CN CN202110848072.1A patent/CN113553768B/zh active Active
-
2022
- 2022-07-18 WO PCT/CN2022/106167 patent/WO2023005700A1/zh unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304623A (zh) * | 2018-01-15 | 2018-07-20 | 重庆大学 | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 |
Non-Patent Citations (2)
Title |
---|
A reliability assessment approach for the urban energy system and its application in energy hub planning;Xu X等;《Power & Energy Society General Meeting. IEEE》;20160331;全文 * |
区域综合能源系统可靠性评估及优化配置方法研究;王越;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20200615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113553768A (zh) | 2021-10-26 |
WO2023005700A1 (zh) | 2023-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113553768B (zh) | 模型数据混合驱动的电网可靠性快速计算方法及装置 | |
CN109117951B (zh) | 基于bp神经网络的概率潮流在线计算方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN110580543A (zh) | 一种基于深度信念网络的电力负荷预测方法及系统 | |
CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
CN110542819A (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
Chinnathambi et al. | Deep neural networks (DNN) for day-ahead electricity price markets | |
US20230237316A1 (en) | Forecast method and system of wind power probability density | |
CN112116130A (zh) | 一种基于可变结构深度学习框架的短期调度规则提取方法 | |
CN109412161A (zh) | 一种电力系统概率潮流计算方法及系统 | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN116245033A (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
Castellanos et al. | Average hourly wind speed forecasting with ANFIS | |
Dong et al. | Data-driven power system reliability evaluation based on stacked denoising auto-encoders | |
Anh et al. | Effect of gradient descent optimizers and dropout technique on deep learning LSTM performance in rainfall-runoff modeling | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
CN112329335B (zh) | 一种变压器油中溶解气体含量的长期预测方法 | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
Reddy et al. | An optimal neural network model for software effort estimation | |
CN110829434B (zh) | 一种提高深度神经网络潮流模型扩展性的方法 | |
Jianli et al. | Wind power forecasting by using artificial neural networks and Grubbs criterion | |
Sun et al. | Reliability prediction of distribution network based on PCA-GA-BP neural network | |
Cheng et al. | Short-term load forecasting method for low voltage users based on deep belief neural network |
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 |