CN113809747A - 一种配电网拓扑识别方法、电子设备及介质 - Google Patents

一种配电网拓扑识别方法、电子设备及介质 Download PDF

Info

Publication number
CN113809747A
CN113809747A CN202111371966.2A CN202111371966A CN113809747A CN 113809747 A CN113809747 A CN 113809747A CN 202111371966 A CN202111371966 A CN 202111371966A CN 113809747 A CN113809747 A CN 113809747A
Authority
CN
China
Prior art keywords
distribution network
voltage amplitude
power distribution
matrix
node
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
Application number
CN202111371966.2A
Other languages
English (en)
Other versions
CN113809747B (zh
Inventor
吴华仪
许昭
杨洪明
徐志强
项胜
黄婧杰
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and 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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202111371966.2A priority Critical patent/CN113809747B/zh
Publication of CN113809747A publication Critical patent/CN113809747A/zh
Application granted granted Critical
Publication of CN113809747B publication Critical patent/CN113809747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

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

Abstract

本发明公开了一种配电网拓扑识别方法、电子设备及介质。首先基于历史的配电网电压幅值数据集形成配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵，构造能够压缩配电网节点电压幅值并用于配电网拓扑识别的马尔可夫毯图向量压缩神经网络的结构，然后进行迭代训练，得到最优的马尔可夫毯图向量压缩神经网络模型；最后根据实时的电压幅值测量对配电网进行拓扑识别，得到配电网实时的线路拓扑通断信息。本发明改进了传统的神经网络模型，能够适用大规模的配电网拓扑识别问题，同时提高计算效率，增强识别的准确度，能够与配电网稳定控制等算法相兼容。

Description

一种配电网拓扑识别方法、电子设备及介质
技术领域
本发明属于配电网拓扑识别领域，特别涉及一种基于马尔可夫毯图向量压缩神经网络的配电网拓扑识别方法、电子设备及介质。
背景技术
近年来，随着可再生能源，电动汽车，储能器等的集成化程度不断提高，配电网正在迅速发展，在这种情况下，双向潮流可能会流向电网，以反馈剩余的能量。这些变化需要加强对电网运行和控制的管理，其中的先决条件包括对电网拓扑的及时可靠的估计。在实践中，配电网的配置可能经常变化，有时甚至每小时变化几次。
对于配电网的拓扑识别算法，可分为不基于图理论的方法和基于图理论的方法。不基于图理论的方法主要是线性回归法，此方法忽略电压之间的非线性关联性，导致识别精度较低；基于图理论的方法主要有马尔可夫随机场方法，相互信息法和逆相关系数矩阵法。马尔可夫随机场方法需要训练大量的模型参数，不适用大规模电力系统；相互信息法需要遍历每一对节点，计算量极大，效率低；逆相关系数法矩阵法需要完备的网络阻抗信息和节点状态量信息，无法解决部分节点状态量缺失的问题。为了实现实时快速有效高效鲁棒的配电网拓扑识别，有必要利用人工智能强大的学习能力和实时应用能力，构建有效的拓扑数据压缩模型，进而得到实时的拓扑识别方法。
发明内容
为了克服目前配电网拓扑识别存在识别精度低、模型训练慢、效率低、参数要求高的技术问题，本发明提供一种效率高、兼容性好且识别精度高的基于马尔可夫毯图向量压缩神经网络的配电网拓扑识别方法、电子设备及介质。
为了实现上述目的，本发明的技术方案是：
一种配电网拓扑识别方法，包括以下步骤：
步骤1）根据配电网电压幅值的历史数据集中配电网的节点数目和电压幅值样本数建立第一矩阵，然后以相邻节点对的电压幅值并集作为相邻节点对的电压马尔可夫毯来建立第二矩阵，并基于第一矩阵和第二矩阵来建立配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵；其中节点
Figure DEST_PATH_IMAGE001
的电压马尔可夫毯是指与节点
Figure 662975DEST_PATH_IMAGE001
相邻的节点
Figure DEST_PATH_IMAGE002
的电压幅值的集合，则相邻节点对的电压幅值马尔可夫毯为配电网相邻节点对
Figure 281913DEST_PATH_IMAGE001
和
Figure 609121DEST_PATH_IMAGE002
的电压幅值马尔可夫毯的并集；
步骤2）基于配电网总的节点数和配电网电压幅值节点来建立作为马尔可夫毯图向量模型的矩阵，然后将矩阵分别与第二矩阵或相邻节点对中的节点对应于配电网中的位置来联合形成马尔可夫毯图向量压缩模型，再将马尔可夫毯图向量压缩模型作为神经网络中的图卷积层来形成马尔可夫毯图向量压缩神经网络；
步骤3）基于步骤1）的电压幅值测量矩阵对步骤2）的神经网络进行迭代训练，得到最优的马尔可夫毯图向量压缩神经网络模型；
步骤4）基于步骤3）的神经网络模型，根据实时的配电网节点电压幅值马尔可夫毯格式的电压幅值测量矩阵对配电网进行拓扑识别，得到配电网实时的线路拓扑通断信息。
所述的方法，所述的步骤1)中，第一矩阵通过以下方式建立：
将历史电压幅值储存为一个
Figure DEST_PATH_IMAGE003
行
Figure DEST_PATH_IMAGE004
列的矩阵
Figure DEST_PATH_IMAGE005
来作为第一矩阵；其中，
Figure 321774DEST_PATH_IMAGE004
表示配电网的节点数目，
Figure 978889DEST_PATH_IMAGE003
表示总的电压幅值样本数；配电网的节点编号为
Figure DEST_PATH_IMAGE006
，配电网线路的编号为
Figure DEST_PATH_IMAGE007
；其中，
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
分别表示第
Figure 503149DEST_PATH_IMAGE008
，
Figure 566920DEST_PATH_IMAGE009
个配电网节点的编号，
Figure DEST_PATH_IMAGE010
表示配电网相邻节点对
Figure 224209DEST_PATH_IMAGE001
和
Figure 689826DEST_PATH_IMAGE002
之间的线路，
Figure 27397DEST_PATH_IMAGE001
，
Figure 890049DEST_PATH_IMAGE002
分别表示配电网节点本身。
所述的方法，所述的步骤1)中，第二矩阵通过以下方式建立：
建立维度为
Figure DEST_PATH_IMAGE011
的矩阵
Figure DEST_PATH_IMAGE012
作为第二矩阵，其中
Figure 141907DEST_PATH_IMAGE012
中的元素为：
Figure DEST_PATH_IMAGE013
上式中，
Figure DEST_PATH_IMAGE014
表示
Figure 914560DEST_PATH_IMAGE012
中第
Figure 954192DEST_PATH_IMAGE008
行第
Figure 258134DEST_PATH_IMAGE009
列对应的元素，其中
Figure 561685DEST_PATH_IMAGE008
，
Figure 798631DEST_PATH_IMAGE009
分别表示第
Figure 743584DEST_PATH_IMAGE008
，
Figure 518511DEST_PATH_IMAGE009
个配电网节点的编号；
Figure DEST_PATH_IMAGE015
表示配电网节点对
Figure DEST_PATH_IMAGE016
的电压幅值马尔可夫毯中的电压幅值所对应的配电网节点。
所述的方法，所述的步骤1)中，配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵通过以下方式建立：
电压幅值马尔可夫毯格式的电压幅值测量矩阵
Figure DEST_PATH_IMAGE017
通过第一矩阵和第二矩阵进行矩阵乘法得到：
Figure DEST_PATH_IMAGE018
其中T表示矩阵转置符号。
所述的方法，所述的步骤2)中，马尔可夫毯图向量模型的矩阵通过以下方式建立：
构造马尔可夫毯图向量模型
Figure DEST_PATH_IMAGE019
，其中，R表示实数空间；
Figure DEST_PATH_IMAGE020
是大小为
Figure DEST_PATH_IMAGE021
的二维矩阵，其中每一行向量代表一个配电网电压幅值节点，
Figure DEST_PATH_IMAGE022
是大小为
Figure DEST_PATH_IMAGE023
的二维矩阵，每一行向量代表一个配电网线路；
Figure 944463DEST_PATH_IMAGE004
表示配电网总的节点数，L表示配电网的线路总数，d表示行向量的维度。
所述的方法，所述的步骤2)中，马尔可夫毯图向量压缩模型通过以下方式建立：
马尔可夫毯图向量压缩模型
Figure DEST_PATH_IMAGE024
与
Figure DEST_PATH_IMAGE025
是基于第二矩阵
Figure 691708DEST_PATH_IMAGE012
和向量
Figure DEST_PATH_IMAGE026
来分别与
Figure 119147DEST_PATH_IMAGE020
或
Figure 928840DEST_PATH_IMAGE022
进行矩阵乘法计算得到：
Figure DEST_PATH_IMAGE027
其中第二矩阵
Figure 467138DEST_PATH_IMAGE012
的维度为
Figure 616359DEST_PATH_IMAGE011
，
Figure 903115DEST_PATH_IMAGE012
中的元素为：
Figure DEST_PATH_IMAGE028
其中，
Figure 48707DEST_PATH_IMAGE014
表示
Figure 282373DEST_PATH_IMAGE012
中第
Figure 551681DEST_PATH_IMAGE008
行第
Figure 773452DEST_PATH_IMAGE009
列对应的元素；
Figure 42891DEST_PATH_IMAGE015
表示配电网节点对
Figure 63936DEST_PATH_IMAGE016
的电压幅值马尔可夫毯中的电压幅值所对应的配电网节点；其中节点
Figure 233755DEST_PATH_IMAGE001
的电压马尔可夫毯是指与节点
Figure 65576DEST_PATH_IMAGE001
相邻的节点
Figure 71578DEST_PATH_IMAGE002
的电压幅值的集合，则相邻节点对的电压幅值马尔可夫毯为配电网相邻节点对
Figure 207899DEST_PATH_IMAGE001
和
Figure 936952DEST_PATH_IMAGE002
的电压幅值马尔可夫毯的并集；
向量
Figure 188942DEST_PATH_IMAGE026
的维度为
Figure DEST_PATH_IMAGE029
，
Figure 547154DEST_PATH_IMAGE026
中的元素为：
Figure DEST_PATH_IMAGE030
上式中，
Figure DEST_PATH_IMAGE031
表示配电网相邻节点对
Figure 362532DEST_PATH_IMAGE016
对应的线路
Figure 460938DEST_PATH_IMAGE009
。
所述的方法，所述的步骤2)中，马尔可夫毯图向量压缩神经网络通过以下方式构造：
Figure DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE033
其中，
Figure 70780DEST_PATH_IMAGE017
是电压幅值马尔可夫毯格式的电压幅值测量矩阵；
Figure DEST_PATH_IMAGE034
和
Figure DEST_PATH_IMAGE035
分别表示维度为
Figure DEST_PATH_IMAGE036
和
Figure DEST_PATH_IMAGE037
的偏置向量；
Figure DEST_PATH_IMAGE038
是ReLU函数(
Figure DEST_PATH_IMAGE039
)，
Figure DEST_PATH_IMAGE040
是sigmoid函数(
Figure DEST_PATH_IMAGE041
)；
Figure DEST_PATH_IMAGE042
是这个模型的输出，
Figure 890241DEST_PATH_IMAGE042
小于0.5表示线路断开，
Figure 322360DEST_PATH_IMAGE042
大于0.5表示线路正常运行。
所述的方法，所述的步骤3)包括以下过程：
用交叉熵建立损失函数：
Figure DEST_PATH_IMAGE043
式中，
Figure DEST_PATH_IMAGE044
表示每次迭代的电压幅值的样本数目；
Figure DEST_PATH_IMAGE045
表示第
Figure DEST_PATH_IMAGE046
个样本电压幅值样本第
Figure 655033DEST_PATH_IMAGE010
个配电网线路即相邻节点对
Figure 61875DEST_PATH_IMAGE016
通过图向量压缩神经网络预测到的通断状态，大于0.5表示该线路预测正常运行，小于0.5表示该预测线路断开；
Figure DEST_PATH_IMAGE047
表示第
Figure 575770DEST_PATH_IMAGE046
个样本电压幅值样本第
Figure 546000DEST_PATH_IMAGE010
个配电网线路即相邻节点对
Figure 166469DEST_PATH_IMAGE016
实际的通断状态，
Figure DEST_PATH_IMAGE048
表示该配电网线路实际正常运行，
Figure DEST_PATH_IMAGE049
表示该配电网实际线路断开。
然后基于损失函数，通过反向传播的方式，对马尔可夫毯图向量模型
Figure 852534DEST_PATH_IMAGE020
，
Figure 791409DEST_PATH_IMAGE022
的参数进行不断的更新迭代直至拓扑识别的准确率达到预设的要求，并保存马尔可夫毯图向量压缩神经网络模型。
一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现前述的方法。
一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现前述的方法。
本发明的技术效果在于，利用马尔可夫毯图向量压缩技术，通过提出压缩配电网电压幅值的马尔可夫毯图向量压缩模型和用于拓扑识别的图向量压缩神经网络模型，增强了该模型对大规模配电网的识别效率。本发明改进了传统的神经网络模型，能够适用大规模的配电网拓扑识别问题，同时提高计算效率，增强识别的准确度，能够与配电网稳定控制等算法相兼容。
附图说明
图1是本发明流程示意图。
图2是本发明具体实施例中IEEE 33节点配电网的节点图。
图3是本发明具体实施例中IEEE 33节点配电网系统中第33个线路的电压幅值马尔科夫毯。其中(a)是对应的电压幅值马尔可夫毯中的电压幅值所对应的配电网节点，(b)是对应的A l 矩阵和I l 向量。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
本实施例所提供的基于马尔可夫毯图向量压缩神经网络的配电网拓扑识别方法具体包括如下步骤：
S1、基于历史的配电网电压幅值数据集，形成配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵，具体如下：
本实施例中，配电网节点的电压幅值马尔可夫毯的定义是：节点的电压马尔可夫毯指的是该节点的相邻节点的电压幅值的集合。
然后基于这个定义提出配电网相邻节点对的电压幅值马尔可夫毯的概念，指的是一对配电网相邻节点对和的电压幅值马尔可夫毯的并集。
基于历史的配电网电压幅值数据集，是根据节点注入有功功率在一段时间的历史变化范围，用正态分布函数拟合其分布规律并得到其模型参数。根据建立的节点注入有功功率的概率分布模型，利用蒙特卡洛的方法随机生成负荷和拓扑，用matpower的潮流算法得到对应的配电网的节点电压幅值状态量。其中，随机生成的拓扑要满足辐射性网络结构的要求，利用深度优先搜索算法去除不符合要求的拓扑。
节点电压幅值和对应的拓扑形成了所提方法的历史数据，这些数据中百分之八十形成训练数据，百分之二十形成测试数据。
那么配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵的实现如下：
将历史电压幅值储存为一个
Figure 299751DEST_PATH_IMAGE003
行
Figure 774725DEST_PATH_IMAGE004
列的矩阵
Figure 710320DEST_PATH_IMAGE005
来作为第一矩阵；其中，
Figure 407930DEST_PATH_IMAGE004
表示配电网的节点数目，
Figure 205116DEST_PATH_IMAGE003
表示总的电压幅值样本数；配电网的节点编号为
Figure 49444DEST_PATH_IMAGE006
，配电网线路的编号为
Figure 670787DEST_PATH_IMAGE007
。其中，
Figure 85719DEST_PATH_IMAGE008
，
Figure 935863DEST_PATH_IMAGE009
分别表示第
Figure 883965DEST_PATH_IMAGE008
，
Figure 426942DEST_PATH_IMAGE009
个配电网节点的编号，
Figure 63591DEST_PATH_IMAGE010
表示配电网相邻节点对
Figure 966694DEST_PATH_IMAGE001
和
Figure 520035DEST_PATH_IMAGE002
之间的线路，
Figure 984645DEST_PATH_IMAGE001
，
Figure 826700DEST_PATH_IMAGE002
分别表示配电网节点本身。以下重复出现的符号皆一致，不再另外说明。
针对每一个配电网相邻节点对
Figure 336090DEST_PATH_IMAGE001
和
Figure 432353DEST_PATH_IMAGE002
的电压幅值马尔可夫毯，引入矩阵
Figure 379450DEST_PATH_IMAGE012
，然后应用矩阵乘法可以计算得到电压幅值马尔可夫毯格式的电压幅值测量矩阵。矩阵
Figure 692488DEST_PATH_IMAGE012
的维度为
Figure 235596DEST_PATH_IMAGE011
，其中
Figure 497950DEST_PATH_IMAGE012
中的元素定义如下所示：
Figure 599636DEST_PATH_IMAGE013
(1)
式中，
Figure 698173DEST_PATH_IMAGE014
表示
Figure 277928DEST_PATH_IMAGE012
中第
Figure 598051DEST_PATH_IMAGE008
行第
Figure 372103DEST_PATH_IMAGE009
列对应的元素；
Figure 438893DEST_PATH_IMAGE015
表示配电网节点对
Figure 573071DEST_PATH_IMAGE016
的电压幅值马尔可夫毯中的电压幅值所对应的配电网节点。
电压幅值马尔可夫毯格式的电压幅值测量矩阵
Figure 764013DEST_PATH_IMAGE017
可以通过以下公式获得：
Figure 207501DEST_PATH_IMAGE018
(2)
S2、构造能够压缩配电网节点电压幅值并用于配电网拓扑识别的马尔可夫毯图向量压缩神经网络的结构，该结构包括对配电网节点电压幅值进行压缩的马尔可夫毯图向量模型，将马尔可夫毯图向量模型嵌入神经网络，从而得到用于配电网拓扑识别的马尔可夫毯图向量压缩神经网络的结构，具体如下：
首先,构造马尔可夫毯图向量压缩模型
Figure 529898DEST_PATH_IMAGE024
与
Figure 156183DEST_PATH_IMAGE025
：
对马尔可夫毯图向量压缩模型涉及到的概念进行定义，马尔可夫毯图向量模型
Figure DEST_PATH_IMAGE050
，其中，R表示实数空间；
Figure 355957DEST_PATH_IMAGE020
是大小为
Figure 675074DEST_PATH_IMAGE021
的二维矩阵，其中每一行向量代表一个配电网电压幅值节点，
Figure 734035DEST_PATH_IMAGE022
是大小为
Figure 944437DEST_PATH_IMAGE023
的二维矩阵，每一行向量代表一个配电网线路。
Figure 641128DEST_PATH_IMAGE004
表示配电网总的节点数，L表示配电网的线路总数，d表示行向量的维度。
马尔可夫毯图向量压缩模型
Figure 432279DEST_PATH_IMAGE024
与
Figure 214421DEST_PATH_IMAGE025
可以通过引入矩阵
Figure 494093DEST_PATH_IMAGE012
和向量
Figure 809405DEST_PATH_IMAGE026
，然后利用矩阵乘法计算得到。
Figure 1483DEST_PATH_IMAGE024
的意义在于保留了
Figure 723452DEST_PATH_IMAGE020
中与配电网相邻节点对
Figure 790503DEST_PATH_IMAGE016
的电压幅值马尔可夫毯里面所有配电网节点对应的行向量，其他元素置零；
Figure 727366DEST_PATH_IMAGE025
的意义在于保留了
Figure 854459DEST_PATH_IMAGE022
中与节点
Figure 860462DEST_PATH_IMAGE001
对应行向量，其他元素置零。其中，矩阵
Figure 701510DEST_PATH_IMAGE012
的维度为
Figure 528432DEST_PATH_IMAGE011
，
Figure 327892DEST_PATH_IMAGE012
的定义如上所述；
向量
Figure 24453DEST_PATH_IMAGE026
的维度为
Figure 230044DEST_PATH_IMAGE029
，
Figure 813603DEST_PATH_IMAGE026
中的元素分别为：
Figure 282499DEST_PATH_IMAGE030
(3)
上式中，
Figure 263094DEST_PATH_IMAGE031
表示配电网相邻节点对
Figure 977103DEST_PATH_IMAGE016
对应的线路
Figure 976021DEST_PATH_IMAGE010
。
马尔可夫毯图向量压缩模型的公式：
Figure 569813DEST_PATH_IMAGE027
(4)
接着，构造马尔可夫毯图向量压缩神经网络的结构：
将上述得到的马尔可夫毯图向量压缩模型作为神经网络中的图卷积层，构造马尔可夫毯图向量压缩神经网络的结构，具体如下：
Figure DEST_PATH_IMAGE051
Figure DEST_PATH_IMAGE052
(5)
其中，
Figure 433776DEST_PATH_IMAGE017
是电压幅值马尔可夫毯格式的电压幅值测量矩阵；
Figure 217055DEST_PATH_IMAGE034
和
Figure 273742DEST_PATH_IMAGE035
分别表示维度为
Figure 100752DEST_PATH_IMAGE036
和
Figure 541092DEST_PATH_IMAGE037
的偏置向量;
Figure 33122DEST_PATH_IMAGE038
是ReLU函数(
Figure 226206DEST_PATH_IMAGE039
)。但实施中不仅限于这个函数，比如Leaky ReLU函数也同样可实现本方案。
Figure 709271DEST_PATH_IMAGE040
是sigmoid函数(
Figure 401022DEST_PATH_IMAGE041
)；
Figure 447475DEST_PATH_IMAGE042
是这个模型的输出，
Figure 42535DEST_PATH_IMAGE042
小于0.5表示线路断开，
Figure 149032DEST_PATH_IMAGE042
大于0.5表示线路正常运行。
S3、基于配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵对马尔可夫毯图向量压缩神经网络进行迭代训练，得到最优的马尔可夫毯图向量压缩神经网络模型。用交叉熵建立损失函数：
Figure 357375DEST_PATH_IMAGE043
(6)
式中，
Figure 958252DEST_PATH_IMAGE044
表示每次迭代的电压幅值的样本数目。
Figure 657086DEST_PATH_IMAGE045
表示第
Figure 183751DEST_PATH_IMAGE046
个样本电压幅值样本第
Figure 820400DEST_PATH_IMAGE010
个配电网线路即相邻节点对
Figure 536552DEST_PATH_IMAGE016
通过图向量压缩神经网络预测到的通断状态，大于0.5表示该线路预测正常运行，小于0.5表示该预测线路断开；
Figure 276844DEST_PATH_IMAGE047
表示第
Figure 538192DEST_PATH_IMAGE046
个样本电压幅值样本第
Figure 380246DEST_PATH_IMAGE010
个配电网线路即相邻节点对
Figure 883778DEST_PATH_IMAGE016
实际的通断状态，
Figure 229309DEST_PATH_IMAGE048
表示该配电网线路实际正常运行，
Figure 927137DEST_PATH_IMAGE049
表示该配电网实际线路断开。
S4、根据所述的损失函数，通过反向传播的方式，对马尔可夫毯图向量压缩模型的参数进行不断的更新迭代直至拓扑识别的准确率达到预设的要求，并保存训练好的马尔可夫毯图向量压缩学习模型。在此迭代过程中，每一个配电网相邻节点对的损失函数只更新了该相邻节点对的马尔可夫毯图向量压缩模型里面的参数。并且，马尔可夫毯图向量压缩模型对于不同的配电网相邻节点对的参数是共享的，不需要为每一个相邻节点对设定特定的神经网络参数，只需要利用马尔可夫毯图向量压缩模型即可达到参数共享的目的。
S5、实时应用时将S3训练好的模型，输入实时的电压幅值的测量矩阵V，即可得到配电网的拓扑。
下面结合具体配电网数据样本来说明本发明的实施方案：
本发明使用含有环状的IEEE33节点低压配电系统为例。图2为本发明具体实施例中IEEE33节点配电网的节点图。图2中联络线可以闭合形成环状的网络结构。
S1首先，构造根据建立的节点注入有功功率的概率分布模型，利用蒙特卡洛的方法随机生成负荷和拓扑，用matpower的潮流算法得到对应的配电网的节点电压幅值状态量。每一个拓扑的电压幅值测量数据由交流潮流计算得到并添加±0.1%的测量噪音。其中，随机生成的拓扑要满足辐射性网络结构的要求，利用深度优先搜索算法去除不符合实际运行要求的含有孤岛的拓扑。IEEE33节点低压配电系统共产生2万个样本数据，其中每一个样本包括节点电压幅值和对应的拓扑。这些这些数据中百分之八十形成训练数据，百分之二十形成测试数据。接着构造电压幅值马尔可夫毯格式的电压幅值测量矩阵
Figure DEST_PATH_IMAGE053
。
S2然后构造用于配电网拓扑识别的马尔可夫毯图向量学习模型的结构：
以IEEE 33节点配电网系统如图2所示的节点对
Figure DEST_PATH_IMAGE054
为例，其对应的电压幅值马尔可夫毯中的电压幅值所对应的配电网节点如图3(a)所示，相对应的
Figure 652560DEST_PATH_IMAGE012
矩阵和
Figure 694203DEST_PATH_IMAGE026
向量如图3(b)所示。
S3根据说明书中所诉的损失函数，通过反向传播的方式，对马尔可夫毯图向量模型的参数进行不断的更新迭代直至拓扑的识别准确率达到一定的阈值，比如0.99，并保存最优的马尔可夫毯图向量压缩神经网络模型。
S4实时应用时将训练好的模型，输入实时的电压幅值的测量矩阵，即可得到配电网的拓扑。下表1是IEEE33节点配电网的拓扑识别准确率和F1值（准确率和F1值是由混淆矩阵计算得到的指标）。该拓扑识别方法的参数d为100。
表1拓扑识别准确率和F1值
测试系统 准确率 F1值
IEEE 33节点系统 0.9939 0.9964
根据本发明的实施例，本发明还提供了一种电子设备和一种计算机可读介质。
其中电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现前述的方法。
具体使用中，用户能够通过作为终端设备的电子设备并基于网络来与同样作为电子设备的服务器进行交互，实现接收或发送消息等功能。终端设备一般是设有显示装置、基于人机界面来使用的各种电子设备，包括但不限于智能手机、平板电脑、笔记本电脑和台式电脑等。其中终端设备上根据需要可安装各种具体的应用软件，包括但不限于网页浏览器软件、即时通信软件、社交平台软件、购物软件等。
服务器是用于提供各种服务的网络服务端，如对收到的从终端设备传输过来的配电网电压幅值的历史数据提供相应计算服务的后台服务器。以实现对接收到的配电网电压幅值的历史数据来训练模型，并进行当前配电网拓扑识别，并将识别结果返回至终端设备。
本实施例所提供的配电网拓扑识别方法一般由服务器执行，在实际运用中，在满足必要条件下，终端设备亦可直接执行配电网拓扑识别。
类似的，本发明的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种配电网拓扑识别方法。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (10)

1.一种配电网拓扑识别方法，其特征在于，包括以下步骤：
步骤1）根据配电网电压幅值的历史数据集中配电网的节点数目和电压幅值样本数建立第一矩阵，然后以相邻节点对的电压幅值并集作为相邻节点对的电压马尔可夫毯来建立第二矩阵，并基于第一矩阵和第二矩阵来建立配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵；其中节点
Figure 556530DEST_PATH_IMAGE001
的电压马尔可夫毯是指与节点
Figure 644310DEST_PATH_IMAGE001
相邻的节点
Figure 158468DEST_PATH_IMAGE002
的电压幅值的集合，则相邻节点对的电压幅值马尔可夫毯为配电网相邻节点对
Figure 84835DEST_PATH_IMAGE001
和
Figure 571311DEST_PATH_IMAGE002
的电压幅值马尔可夫毯的并集；
步骤2）基于配电网总的节点数和配电网电压幅值节点来建立作为马尔可夫毯图向量模型的矩阵，然后将矩阵分别与第二矩阵或相邻节点对中的节点对应于配电网中的位置来联合形成马尔可夫毯图向量压缩模型，再将马尔可夫毯图向量压缩模型作为神经网络中的图卷积层来形成马尔可夫毯图向量压缩神经网络；
步骤3）基于步骤1）的电压幅值测量矩阵对步骤2）的神经网络进行迭代训练，得到最优的马尔可夫毯图向量压缩神经网络模型；
步骤4）基于步骤3）的神经网络模型，根据实时的配电网节点电压幅值马尔可夫毯格式的电压幅值测量矩阵对配电网进行拓扑识别，得到配电网实时的线路拓扑通断信息。
2.根据权利要求1所述的方法，其特征在于，所述的步骤1)中，第一矩阵通过以下方式建立：
将历史电压幅值储存为一个
Figure 924932DEST_PATH_IMAGE003
行
Figure 926386DEST_PATH_IMAGE004
列的矩阵
Figure 797390DEST_PATH_IMAGE005
来作为第一矩阵；其中，
Figure 997428DEST_PATH_IMAGE004
表示配电网的节点数目，
Figure 725212DEST_PATH_IMAGE003
表示总的电压幅值样本数；配电网的节点编号为
Figure 151645DEST_PATH_IMAGE006
，配电网线路的编号为
Figure 623078DEST_PATH_IMAGE007
；其中，
Figure 677622DEST_PATH_IMAGE008
，
Figure 289824DEST_PATH_IMAGE009
分别表示第
Figure 62608DEST_PATH_IMAGE008
，
Figure 72152DEST_PATH_IMAGE009
个配电网节点的编号，
Figure 387727DEST_PATH_IMAGE010
表示配电网相邻节点对
Figure 457314DEST_PATH_IMAGE001
和
Figure 717394DEST_PATH_IMAGE002
之间的线路，
Figure 468313DEST_PATH_IMAGE001
，
Figure 700711DEST_PATH_IMAGE002
分别表示配电网节点本身。
3.根据权利要求2所述的方法，其特征在于，所述的步骤1)中，第二矩阵通过以下方式建立：
建立维度为
Figure 269095DEST_PATH_IMAGE011
的矩阵
Figure 626258DEST_PATH_IMAGE012
作为第二矩阵，其中
Figure 243185DEST_PATH_IMAGE012
中的元素为：
Figure 392406DEST_PATH_IMAGE013
上式中，
Figure 69375DEST_PATH_IMAGE014
表示
Figure 412370DEST_PATH_IMAGE012
中第
Figure 629724DEST_PATH_IMAGE008
行第
Figure 836715DEST_PATH_IMAGE009
列对应的元素，其中
Figure 356689DEST_PATH_IMAGE008
，
Figure 78657DEST_PATH_IMAGE009
分别表示第
Figure 37386DEST_PATH_IMAGE008
，
Figure 770987DEST_PATH_IMAGE009
个配电网节点的编号；
Figure 586496DEST_PATH_IMAGE015
表示配电网节点对
Figure 733444DEST_PATH_IMAGE016
的电压幅值马尔可夫毯中的电压幅值所对应的配电网节点。
4.根据权利要求3所述的方法，其特征在于，所述的步骤1)中，配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵通过以下方式建立：
电压幅值马尔可夫毯格式的电压幅值测量矩阵
Figure 167967DEST_PATH_IMAGE017
通过第一矩阵和第二矩阵进行矩阵乘法得到：
Figure 146287DEST_PATH_IMAGE018
其中T表示矩阵转置符号。
5.根据权利要求1所述的方法，其特征在于，所述的步骤2)中，马尔可夫毯图向量模型的矩阵通过以下方式建立：
构造马尔可夫毯图向量模型
Figure 241020DEST_PATH_IMAGE019
，其中，
Figure 875264DEST_PATH_IMAGE020
表示实数空间；
Figure 238112DEST_PATH_IMAGE021
是大小为
Figure 946305DEST_PATH_IMAGE022
的二维矩阵，其中每一行向量代表一个配电网电压幅值节点，
Figure 41300DEST_PATH_IMAGE023
是大小为
Figure 225157DEST_PATH_IMAGE024
的二维矩阵，每一行向量代表一个配电网线路；
Figure 1483DEST_PATH_IMAGE004
表示配电网总的节点数，L表示配电网的线路总数，d表示行向量的维度。
6.根据权利要求5所述的方法，其特征在于，所述的步骤2)中，马尔可夫毯图向量压缩模型通过以下方式建立：
马尔可夫毯图向量压缩模型
Figure 626499DEST_PATH_IMAGE025
与
Figure 220291DEST_PATH_IMAGE026
是基于第二矩阵
Figure 235652DEST_PATH_IMAGE012
和向量
Figure 143565DEST_PATH_IMAGE027
来分别与
Figure 950984DEST_PATH_IMAGE021
或
Figure 653361DEST_PATH_IMAGE023
进行矩阵乘法计算得到：
Figure 654553DEST_PATH_IMAGE028
其中第二矩阵
Figure 162894DEST_PATH_IMAGE012
的维度为
Figure 762503DEST_PATH_IMAGE011
，
Figure 573464DEST_PATH_IMAGE012
中的元素为：
Figure 891313DEST_PATH_IMAGE029
其中，
Figure 672187DEST_PATH_IMAGE014
表示
Figure 329565DEST_PATH_IMAGE012
中第
Figure 373744DEST_PATH_IMAGE008
行第
Figure 241206DEST_PATH_IMAGE009
列对应的元素；
Figure 701137DEST_PATH_IMAGE015
表示配电网节点对
Figure 275338DEST_PATH_IMAGE016
的电压幅值马尔可夫毯中的电压幅值所对应的配电网节点；其中节点
Figure 552736DEST_PATH_IMAGE001
的电压马尔可夫毯是指与节点
Figure 579598DEST_PATH_IMAGE001
相邻的节点
Figure 341755DEST_PATH_IMAGE002
的电压幅值的集合，则相邻节点对的电压幅值马尔可夫毯为配电网相邻节点对
Figure 832779DEST_PATH_IMAGE001
和
Figure 218761DEST_PATH_IMAGE002
的电压幅值马尔可夫毯的并集；
向量
Figure 936181DEST_PATH_IMAGE027
的维度为
Figure 862549DEST_PATH_IMAGE030
，
Figure 145763DEST_PATH_IMAGE027
中的元素为：
Figure 905908DEST_PATH_IMAGE031
上式中，
Figure 907363DEST_PATH_IMAGE032
表示配电网相邻节点对
Figure 637421DEST_PATH_IMAGE016
对应的线路
Figure 712825DEST_PATH_IMAGE010
。
7.根据权利要求6所述的方法，其特征在于，所述的步骤2)中，马尔可夫毯图向量压缩神经网络通过以下方式构造：
Figure 706188DEST_PATH_IMAGE033
Figure 991676DEST_PATH_IMAGE034
其中，
Figure 899327DEST_PATH_IMAGE035
是电压幅值马尔可夫毯格式的电压幅值测量矩阵；
Figure 157133DEST_PATH_IMAGE036
和
Figure 118136DEST_PATH_IMAGE037
分别表示维度为
Figure 766286DEST_PATH_IMAGE038
和
Figure 41409DEST_PATH_IMAGE039
的偏置向量；
Figure 216039DEST_PATH_IMAGE040
是ReLU函数(
Figure 223309DEST_PATH_IMAGE041
)，
Figure 483389DEST_PATH_IMAGE042
是sigmoid函数(
Figure 296624DEST_PATH_IMAGE043
)；
Figure 466706DEST_PATH_IMAGE044
是这个模型的输出，
Figure 503932DEST_PATH_IMAGE044
小于0.5表示线路断开，
Figure 454570DEST_PATH_IMAGE044
大于0.5表示线路正常运行。
8.根据权利要求6所述的方法，其特征在于，所述的步骤3)包括以下过程：
用交叉熵建立损失函数：
Figure 507715DEST_PATH_IMAGE045
式中，
Figure 391357DEST_PATH_IMAGE046
表示每次迭代的电压幅值的样本数目；
Figure 68326DEST_PATH_IMAGE047
表示第
Figure 178365DEST_PATH_IMAGE048
个样本电压幅值样本第
Figure 333402DEST_PATH_IMAGE010
个配电网线路即相邻节点对
Figure 337130DEST_PATH_IMAGE016
通过图向量压缩神经网络预测到的通断状态，大于0.5表示该线路预测正常运行，小于0.5表示该预测线路断开；
Figure 857105DEST_PATH_IMAGE049
表示第
Figure 516756DEST_PATH_IMAGE048
个样本电压幅值样本第
Figure 537802DEST_PATH_IMAGE010
个配电网线路即相邻节点对
Figure 271403DEST_PATH_IMAGE016
实际的通断状态，
Figure 290174DEST_PATH_IMAGE050
表示该配电网线路实际正常运行，
Figure 499439DEST_PATH_IMAGE051
表示该配电网实际线路断开；
然后，根据所述的损失函数，通过反向传播的方式，对马尔可夫毯图向量模型
Figure 166918DEST_PATH_IMAGE021
，
Figure 82921DEST_PATH_IMAGE023
的参数进行不断的更新迭代直至拓扑识别的准确率达到预设的要求，并保存最优的马尔可夫毯图向量压缩神经网络模型。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
CN202111371966.2A 2021-11-19 2021-11-19 一种配电网拓扑识别方法、电子设备及介质 Active CN113809747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111371966.2A CN113809747B (zh) 2021-11-19 2021-11-19 一种配电网拓扑识别方法、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111371966.2A CN113809747B (zh) 2021-11-19 2021-11-19 一种配电网拓扑识别方法、电子设备及介质

Publications (2)

Publication Number Publication Date
CN113809747A true CN113809747A (zh) 2021-12-17
CN113809747B CN113809747B (zh) 2022-02-15

Family

ID=78938368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111371966.2A Active CN113809747B (zh) 2021-11-19 2021-11-19 一种配电网拓扑识别方法、电子设备及介质

Country Status (1)

Country Link
CN (1) CN113809747B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828481A (zh) * 2022-11-22 2023-03-21 国网山东省电力公司潍坊供电公司 一种基于近似马尔科夫毯的配电网拓扑识别方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120215450A1 (en) * 2011-02-23 2012-08-23 Board Of Regents, The University Of Texas System Distinguishing between sensor and process faults in a sensor network with minimal false alarms using a bayesian network based methodology
CN103843000A (zh) * 2011-08-26 2014-06-04 菲利普莫里斯生产公司 用于表征拓扑网络扰动的系统和方法
CN104882884A (zh) * 2015-02-27 2015-09-02 国网河南省电力公司电力科学研究院 基于马尔可夫链-蒙特卡罗法的系统谐波概率评估方法
CN107666155A (zh) * 2017-09-28 2018-02-06 河海大学 基于Markov模型的多能互补系统随机稳定性分析方法
WO2018140428A1 (en) * 2017-01-25 2018-08-02 Gonzalez Brenes Jose Systems and methods for automatic bayesian network generation with user historical data
CN109740976A (zh) * 2019-03-11 2019-05-10 长沙理工大学 一种基于马尔可夫过程的综合能源系统连锁故障溯源方法
CN109934284A (zh) * 2019-03-11 2019-06-25 长沙理工大学 一种基于故障耦合传播过程的综合能源系统负荷安全域交互特性生成方法
CN110190600A (zh) * 2019-06-21 2019-08-30 国网天津市电力公司 一种基于ami量测近邻回归的三相配电网拓扑辨识方法
CN110601187A (zh) * 2019-09-18 2019-12-20 浙江大学 一种基于连续离散函数的多状态电力系统优化构建方法
CN111295592A (zh) * 2017-11-03 2020-06-16 3M创新有限公司 用于电力网络中的异常检测的系统和方法
CN111313403A (zh) * 2020-02-26 2020-06-19 上海电力大学 一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法
US20200356900A1 (en) * 2019-05-07 2020-11-12 Cerebri AI Inc. Predictive, machine-learning, locale-aware computer models suitable for location- and trajectory-aware training sets

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120215450A1 (en) * 2011-02-23 2012-08-23 Board Of Regents, The University Of Texas System Distinguishing between sensor and process faults in a sensor network with minimal false alarms using a bayesian network based methodology
CN103843000A (zh) * 2011-08-26 2014-06-04 菲利普莫里斯生产公司 用于表征拓扑网络扰动的系统和方法
CN104882884A (zh) * 2015-02-27 2015-09-02 国网河南省电力公司电力科学研究院 基于马尔可夫链-蒙特卡罗法的系统谐波概率评估方法
WO2018140428A1 (en) * 2017-01-25 2018-08-02 Gonzalez Brenes Jose Systems and methods for automatic bayesian network generation with user historical data
CN107666155A (zh) * 2017-09-28 2018-02-06 河海大学 基于Markov模型的多能互补系统随机稳定性分析方法
CN111295592A (zh) * 2017-11-03 2020-06-16 3M创新有限公司 用于电力网络中的异常检测的系统和方法
CN109740976A (zh) * 2019-03-11 2019-05-10 长沙理工大学 一种基于马尔可夫过程的综合能源系统连锁故障溯源方法
CN109934284A (zh) * 2019-03-11 2019-06-25 长沙理工大学 一种基于故障耦合传播过程的综合能源系统负荷安全域交互特性生成方法
US20200356900A1 (en) * 2019-05-07 2020-11-12 Cerebri AI Inc. Predictive, machine-learning, locale-aware computer models suitable for location- and trajectory-aware training sets
CN110190600A (zh) * 2019-06-21 2019-08-30 国网天津市电力公司 一种基于ami量测近邻回归的三相配电网拓扑辨识方法
CN110601187A (zh) * 2019-09-18 2019-12-20 浙江大学 一种基于连续离散函数的多状态电力系统优化构建方法
CN111313403A (zh) * 2020-02-26 2020-06-19 上海电力大学 一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
MISHFAD VEEDU: "Topology Learning of Linear Dynamical Systems with Latent Nodes using Matrix Decomposition", 《 IEEE TRANSACTIONS ON AUTOMATIC CONTROL》 *
TROY, NY等: "Hybrid Markov Blanket Discovery", 《2016 23RD INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 *
XIANGLIN YANG: "Three-Fast-Inter Incremental Association Markov Blanket learning algorithm", 《PATTERN RECOGNITION LETTERS》 *
傅顺开等: "基于拓扑信息加速马尔科夫毯学习", 《计算机科学》 *
谭翔元等: "基于马尔科夫毯约束的最优贝叶斯网络结构学习算法", 《电子学报》 *
陈国炎等: "数据驱动的配电开关设备交互式诊断平台", 《电工电能新技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828481A (zh) * 2022-11-22 2023-03-21 国网山东省电力公司潍坊供电公司 一种基于近似马尔科夫毯的配电网拓扑识别方法及系统

Also Published As

Publication number Publication date
CN113809747B (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
Pan et al. Recursive coupled projection algorithms for multivariable output‐error‐like systems with coloured noises
Roy et al. Quasi-oppositional biogeography-based optimization for multi-objective optimal power flow
Yoon et al. Winning the l2rpn challenge: Power grid management via semi-markov afterstate actor-critic
Wang et al. Improved BP neural network algorithm to wind power forecast
Yeh et al. Simplex simplified swarm optimisation for the efficient optimisation of parameter identification for solar cell models
Dai et al. Exponential consensus of non‐linear multi‐agent systems with semi‐Markov switching topologies
Ray et al. Hybrid methodology for fault distance estimation in series compensated transmission line
CN107423839A (zh) 一种基于深度学习的智能楼宇微网负荷预测的方法
Cui et al. Finite‐time cluster synchronisation of Markovian switching complex networks with stochastic perturbations
Wang et al. From weighted potential game to weighted harmonic game
CN110390461B (zh) 基于复杂网络的非线性模糊语言配电网节点脆弱性评价方法
Yeh et al. Simplified swarm optimisation for the solar cell models parameter estimation problem
CN113809747B (zh) 一种配电网拓扑识别方法、电子设备及介质
Wu et al. A transformer fault diagnosis method based on hybrid improved grey wolf optimization and least squares‐support vector machine
Yang et al. Fuzzified Choquet integral with a fuzzy-valued integrand and its application on temperature prediction
Xie et al. Reliability evaluation of bulk power systems using the uniform design technique
Yu et al. Equivalent model considering frequency characteristics and renewable uncertainties for probabilistic power flow
Smith et al. Physics-informed implicit representations of equilibrium network flows
CN116523001A (zh) 电网薄弱线路识别模型构建方法、装置和计算机设备
Tiwari et al. Power Flow Analysis Using Deep Neural Networks in Three-Phase Unbalanced Smart Distribution Grids
Wu et al. Stabilisation of stochastic delay Markovian reaction‐diffusion systems via boundary control
Wang et al. MDGN: Circuit design of memristor‐based denoising autoencoder and gated recurrent unit network for lithium‐ion battery state of charge estimation
Zhang et al. Optimisation of offshore wind farm collection systems‐based on modified genetic algorithm
Abd Elrahman Fully optimised charge simulation method by using particle swarm optimisation
Xie et al. PPFGED: Federated learning for graphic element detection with privacy preservation in multi-source substation drawings

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