CN114004155B - 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 - Google Patents
考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 Download PDFInfo
- Publication number
- CN114004155B CN114004155B CN202111282031.7A CN202111282031A CN114004155B CN 114004155 B CN114004155 B CN 114004155B CN 202111282031 A CN202111282031 A CN 202111282031A CN 114004155 B CN114004155 B CN 114004155B
- Authority
- CN
- China
- Prior art keywords
- power system
- sample
- training
- data
- transient
- 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
- 230000001052 transient effect Effects 0.000 title claims abstract description 165
- 238000011156 evaluation Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000013097 stability assessment Methods 0.000 claims abstract description 29
- 238000013210 evaluation model Methods 0.000 claims abstract description 16
- 238000012935 Averaging Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000004088 simulation Methods 0.000 claims description 26
- 230000001133 acceleration Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000368 destabilizing effect Effects 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000005065 mining Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请涉及大电网运行与控制技术领域，特别涉及一种考虑电力系统拓扑结构特征的暂态稳定评估方法及装置，其中，方法包括：获取电力系统暂态数据样本，得到样本集以及样本标签，随机划分训练样本和测试样本；提取融合网络拓扑结构和节点属性信息的关键特征，生成训练特征样本集和测试特征样本集；融合电网网络拓扑结构和节点属性信息的关键特征，通过并行训练不同结构的深度置信网络模型，并采取平均法得到集成深度置信网络的评估输出，得到最终的暂态稳定评估模型。本申请实施例可以提高电力系统暂态稳定评估的效率和准确率，以适应电网在线运行方式多变，实现不同运行方式和不同位置故障下的电力系统暂态稳定快速高效评估的目的。
Description
技术领域
本申请涉及大电网运行与控制技术领域，特别涉及一种考虑电力系统拓扑结构特征的暂态稳定评估方法及装置。
背景技术
随着我国交直流电网规模的扩大、间歇性新能源渗透率的不断増加，大功率缺额事故和复杂连锁故障模式复杂，对电力系统稳定分析与控制带来巨大挑战。广域量测信息和外部环境信息多源化对准确、高效的暂态稳定评估提出了更高要求。传统时域仿真法严重依赖模型，且具有计算量大、耗时长等缺点，难以满足大电网在线应用需求，基于能量函数的直接法评估速度快，但其评估结果具有一定的保守性，且难以适应交直流混联复杂模型。因此，采取更先进技术手段，研究快速有效的电力系统暂态稳定评估方法，提高电力系统客观可控性是亟需解决的重要问题。
目前，电力系统安全稳定问题是一个复杂且难以解析表达的物理问题，电力系统运行数据维数高、特征冗余，人工分析电网动态安全域边界的弊端逐渐显现。因此，从海量电力系统运行数据中，挖掘出与电力系统稳定运行的相关重要信息对电网安全稳定运行具有重要意义。随着广域测量技术的应用和人工智能技术的飞速发展，从模式识别角度出发，基于人工智能技术的机器学习方法为电力系统暂态稳定快速有效评估提供了新的解决思路。
相关技术中，如果对每一种运行方式下每一个位置故障进行电力系统暂态稳定进行评估，均需要训练一个单独的机器学习或者深度学习模型，并且该模型只适用于该位置的评估，不足以应对各种未知场景，评估的准确率大幅度降低。如果需要评估的位置较多，并且再考虑不同的预设故障集，需要训练的模型也会非常多，这将耗费大量的时间和人力，严重影响评估效率，并且模型的管理也非常不方便。因此，现有暂态稳定评估方法及模型无法适应电力系统不同运行方式和位置信息的变化，在应用效果上有一定的局限性。如何采用先进的技术手段提高电力系统暂态稳定评估的效率和准确率，以适应电网在线运行方式多变，实现不同运行方式和不同位置故障下的电力系统暂态稳定快速高效评估是亟待解决的重要问题。
发明内容
本申请提供一种考虑电力系统拓扑结构特征的暂态稳定评估方法及装置，以解决如何采用先进的技术手段提高电力系统暂态稳定评估的效率和准确率，以适应电网在线运行方式多变，实现不同运行方式和不同位置故障下的电力系统暂态稳定快速高效评估的问题。
本申请第一方面实施例提供一种考虑电力系统拓扑结构特征的暂态稳定评估方法，包括以下步骤：基于电力系统的仿真数据与部分实际电力系统历史运行数据，获取电力系统暂态数据样本，并对所述电力系统暂态数据样本进行预处理，得到样本集以及样本标签，并按照预设比例随机划分训练样本和测试样本；将所述样本集输入加速属性网络特征提取模块，针对所述每一个样本集和由所述训练样本和所述测试样本得到的测试样本集和训练样本集，获取电网节点属性矩阵和电网带权重邻接矩阵，利用加速属性网络嵌入算法提取融合网络拓扑结构和节点属性信息的关键特征，获取所有运行方式总特征矩阵，生成训练特征样本集和测试特征样本集；将所述训练特征样本集和所述测试特征样本集中融合电网网络拓扑结构和节点属性信息的关键特征，以作为集成深度置信网络模型输入，通过并行训练不同结构的深度置信网络模型，并采取平均法得到集成深度置信网络的评估输出，得到最终的暂态稳定评估模型，以利用所述最终的暂态稳定评估模型得到任一电力系统的暂态稳定评估结果。
可选地，在本申请的一个实施例中，所述获取电力系统暂态数据样本，包括：在离线仿真阶段，根据网络规模确定需要仿真的运行方式个数；针对每种运行方式执行各种故障仿真，得到所述电力系统暂态数据样本。
可选地，在本申请的一个实施例中，所述对所述电力系统暂态数据样本进行预处理，包括：对所述电力系统暂态数据样本中的缺失数据进行补充，并对所述电力系统暂态数据样本中重复数据进行删除，得到电力系统运行数据；将所述电力系统运行数据源中每一个运行数据构建成一个样本以及对样本标注暂态稳定标签，并根据电力系统暂态稳定状态，对暂态稳定状态的样本打上标签1，对暂态不稳定状态的样本打上标签-1。
可选地，在本申请的一个实施例中，所述通过并行训练不同结构的深度置信网络模型，包括：在预训练阶段，以全体训练样本数据集的多维特征向量作为输入，自底向上逐层向上训练每一个RBM，获得模型的初始化权重和偏置；在微调参数阶段，将所述全体训练样本数据集的多维特征作为预训练后模型的输入，其对应的标签作为输出，以交叉熵作为代价函数，采用Adam优化算法自顶向下微调整个模型的参数，直到达到预设迭代次数值为止。
可选地，在本申请的一个实施例中，深度置信网络的输出层为softmax层，输出层的输出为将样本识别为稳定和失稳的概率，其中，稳定的概率表示为P(C+1|x)和失稳的概率表示为P(C-1|x)，P(C+1|x)+P(C-1|x)＝100％，当P(C+1|x)>P(C-1|x)评估为稳定，P(C+1|x)<P(C-1|x)评估为失稳，且基于平均法的集成深度置信网络分类器的最终输出为：
其中，Pi(C+1|x)和Pi(C-1|x)为第i个深度置信网络子分类器的稳定概率输出和失稳概率输出，N为深度置信网络子分类器的个数。
本申请第二方面实施例提供一种考虑电力系统拓扑结构特征的暂态稳定评估装置，包括：获取模块，用于基于电力系统的仿真数据与部分实际电力系统历史运行数据，获取电力系统暂态数据样本，并对所述电力系统暂态数据样本进行预处理，得到样本集以及样本标签，并按照预设比例随机划分训练样本和测试样本；生成模块，用于将所述样本集输入加速属性网络特征提取模块，针对所述每一个样本集和由所述训练样本和所述测试样本得到的测试样本集和训练样本集，获取电网节点属性矩阵和电网带权重邻接矩阵，利用加速属性网络嵌入算法提取融合网络拓扑结构和节点属性信息的关键特征，获取所有运行方式总特征矩阵，生成训练特征样本集和测试特征样本集；评估模块，用于将所述训练特征样本集和所述测试特征样本集中融合电网网络拓扑结构和节点属性信息的关键特征，以作为集成深度置信网络模型输入，通过并行训练不同结构的深度置信网络模型，并采取平均法得到集成深度置信网络的评估输出，得到最终的暂态稳定评估模型，以利用所述最终的暂态稳定评估模型得到任一电力系统的暂态稳定评估结果。
可选地，在本申请的一个实施例中，所述获取模块进一步用于在离线仿真阶段，根据网络规模确定需要仿真的运行方式个数，并且针对每种运行方式执行各种故障仿真，得到所述电力系统暂态数据样本。
可选地，在本申请的一个实施例中，所述获取模块进一步用于对所述电力系统暂态数据样本中的缺失数据进行补充，并对所述电力系统暂态数据样本中重复数据进行删除，得到电力系统运行数据，并且将所述电力系统运行数据源中每一个运行数据构建成一个样本以及对样本标注暂态稳定标签，并根据电力系统暂态稳定状态，对暂态稳定状态的样本打上标签1，对暂态不稳定状态的样本打上标签-1。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的考虑电力系统拓扑结构特征的暂态稳定评估方法。
本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的考虑电力系统拓扑结构特征的暂态稳定评估方法。
本申请实施例构建一组反映电力系统节点属性的电气量特征和反映节点间相对位置关系的位置特征，随后采用加速属性网络嵌入算法提取融合电网网络拓扑结构和节点属性信息的关键特征作为集成深度置信网络模型的输入量，充分利用集成深度置信网络性能优势挖掘稳定评估结果与系统特征之间的映射关系，为考虑系统运行方式和拓扑结构变化后暂态稳定评估提供了新的解决方案，从而实现不同位置发生故障后的电力系统暂态稳定评估，有效提高模型对电网拓扑的泛化能力，提高电力系统暂态稳定评估的效率和准确率，以适应电网在线运行方式多变，实现不同运行方式和不同位置故障下的电力系统暂态稳定快速高效评估的目的，适用于电网拓扑结构和电力系统运行方式多样化的场景中。由此，解决了如何采用先进的技术手段提高电力系统暂态稳定评估的效率和准确率，以适应电网在线运行方式多变，实现不同运行方式和不同位置故障下的电力系统暂态稳定快速高效评估的问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种考虑电力系统拓扑结构特征的暂态稳定评估方法的流程图；
图2为根据本申请一个具体实施例的考虑电力系统拓扑结构特征的暂态稳定评估方法的流程图；
图3为根据本申请实施例的考虑电力系统拓扑结构特征的暂态稳定评估装置的示例图；
图4为本申请实施例提出的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的考虑电力系统拓扑结构特征的暂态稳定评估方法及装置。针对上述背景技术中心提到的如何采用先进的技术手段提高电力系统暂态稳定评估的效率和准确率，以适应电网在线运行方式多变，实现不同运行方式和不同位置故障下的电力系统暂态稳定快速高效评估的问题，本申请提供了一种考虑电力系统拓扑结构特征的暂态稳定评估方法，在该方法中，构建一组反映电力系统节点属性的电气量特征和反映节点间相对位置关系的位置特征，随后采用加速属性网络嵌入算法提取融合电网网络拓扑结构和节点属性信息的关键特征作为集成深度置信网络模型的输入量，充分利用集成深度置信网络性能优势挖掘稳定评估结果与系统特征之间的映射关系，为考虑系统运行方式和拓扑结构变化后暂态稳定评估提供了新的解决方案，从而实现不同位置发生故障后的电力系统暂态稳定评估，有效提高模型对电网拓扑的泛化能力，提高电力系统暂态稳定评估的效率和准确率，以适应电网在线运行方式多变，实现不同运行方式和不同位置故障下的电力系统暂态稳定快速高效评估的目的，适用于电网拓扑结构和电力系统运行方式多样化的场景中。由此，解决了如何采用先进的技术手段提高电力系统暂态稳定评估的效率和准确率，以适应电网在线运行方式多变，实现不同运行方式和不同位置故障下的电力系统暂态稳定快速高效评估的问题。
具体而言，图1为本申请实施例所提供的一种考虑电力系统拓扑结构特征的暂态稳定评估方法的流程示意图。
如图1所示，该考虑电力系统拓扑结构特征的暂态稳定评估方法包括以下步骤：
在步骤S101中，基于电力系统的仿真数据与部分实际电力系统历史运行数据，获取电力系统暂态数据样本，并对电力系统暂态数据样本进行预处理，得到样本集以及样本标签，并按照预设比例随机划分训练样本和测试样本。
可以理解的是，首先进行电力系统暂态数据样本获取，模型训练样本来源于电力系统仿真数据以及少部分实际电力系统历史运行数据，并且分别对电力系统暂态数据样本进行预处理，得到样本集以及样本标签，并按照比例随机划分训练样本和测试样本。
可选地，在本申请的一个实施例中，获取电力系统暂态数据样本，包括：在离线仿真阶段，根据网络规模确定需要仿真的运行方式个数；针对每种运行方式执行各种故障仿真，得到电力系统暂态数据样本。
作为一种可能实现的方式，暂态稳定数据样本获取方法可以为：通过采用离线仿真计算，根据网络规模指定需要仿真的运行方式个数，针对每种运行方式执行各种故障仿真，以得到电力系统暂态数据样本。
另外，在本申请的一个实施例中，对电力系统暂态数据样本进行预处理，包括：对电力系统暂态数据样本中的缺失数据进行补充，并对电力系统暂态数据样本中重复数据进行删除，得到电力系统运行数据；将电力系统运行数据源中每一个运行数据构建成一个样本以及对样本标注暂态稳定标签，并根据电力系统暂态稳定状态，对暂态稳定状态的样本打上标签1，对暂态不稳定状态的样本打上标签-1。
作为一种可能实现的方式，电力系统暂态数据样本进行预处理是指对电力系统暂态数据中的缺失数据进行补充，对电力系统暂态数据中重复数据进行删除，得到电力系统运行数据，将所述每一个运行数据构建成一个样本以及对样本标注暂态稳定标签，根据电力系统暂态稳定状态，对暂态稳定状态的样本打上标签1，对暂态不稳定状态的样本打上标签-1。
在步骤S102中，将样本集输入加速属性网络特征提取模块，针对每一个样本集和由训练样本和测试样本得到的测试样本集和训练样本集，获取电网节点属性矩阵和电网带权重邻接矩阵，利用加速属性网络嵌入算法提取融合网络拓扑结构和节点属性信息的关键特征，获取所有运行方式总特征矩阵，生成训练特征样本集和测试特征样本集。
可以理解的是，其次进行基于加速属性网络的特征提取，将建立的初始样本集输入加速属性网络特征提取模块，针对得到的每一个样本集，包括测试样本集和训练样本集，获取电网节点属性矩阵A和电网带权重邻接矩阵W，利用加速属性网络嵌入算法提取融合网络拓扑结构和节点属性信息的关键特征，获取所有运行方式总特征矩阵H，形成训练特征样本集和测试特征样本集。
本申请实施例将采用加速属性网络嵌入算法提取出的融合电网网络拓扑结构和节点属性信息的关键特征作为集成深度置信网络模型的输入量，输入集成深度置信网络模型进行训练，充分利用集成学习和深度置信网络性能优势，综合各不同结构深度置信网络模型充分挖掘稳定评估结果与系统特征之间的映射关系，从而实现不同位置发生故障后的电力系统暂态稳定评估。
在步骤S103中，将训练特征样本集和测试特征样本集中融合电网网络拓扑结构和节点属性信息的关键特征，以作为集成深度置信网络模型输入，通过并行训练不同结构的深度置信网络模型，并采取平均法得到集成深度置信网络的评估输出，得到最终的暂态稳定评估模型，以利用最终的暂态稳定评估模型得到任一电力系统的暂态稳定评估结果。
可以理解的是，最后将得到的训练特征样本集和测试特征样本集中融合电网网络拓扑结构和节点属性信息的关键特征作为集成深度置信网络模型输入，通过并行训练不同结构的深度置信网络模型，并采取平均法得到集成深度置信网络的评估输出，得到最终的暂态稳定评估模型。
可选地，在本申请的一个实施例中，通过并行训练不同结构的深度置信网络模型，包括：在预训练阶段，以全体训练样本数据集的多维特征向量作为输入，自底向上逐层向上训练每一个RBM，获得模型的初始化权重和偏置；在微调参数阶段，将全体训练样本数据集的多维特征作为预训练后模型的输入，其对应的标签作为输出，以交叉熵作为代价函数，采用Adam优化算法自顶向下微调整个模型的参数，直到达到预设迭代次数值为止。
作为一种可能实现的方式，本申请实施例的深度置信网络模型训练包括如下两个阶段：
第一阶段：预训练，以全体训练样本数据集的d维特征向量作为输入，自底向上逐层向上训练每一个RBM，获得DBN的初始化权重和偏置。
第二阶段：微调参数，将训练集的d维特征作为预训练后DBN模型的输入，其对应的标签作为输出。以交叉熵作为代价函数，采用Adam优化算法自顶向下微调整个模型的参数，直到达到设定迭代次数值为止。
其中，在本申请的一个实施例中，深度置信网络的输出层为softmax层，输出层的输出为将样本识别为稳定和失稳的概率，其中，稳定的概率表示为P(C+1|x)和失稳的概率表示为P(C-1|x)，P(C+1|x)+P(C-1|x)＝100％，当P(C+1|x)>P(C-1|x)评估为稳定，P(C+1|x)<P(C-1|x)评估为失稳，且基于平均法的集成深度置信网络分类器的最终输出为：
其中，Pi(C+1|x)和Pi(C-1|x)为第i个深度置信网络子分类器的稳定概率输出和失稳概率输出，N为深度置信网络子分类器的个数。
也就是说，深度置信网络的输出层为softmax层，输出层的输出为将样本x识别为稳定和失稳的概率，其中稳定的概率表示为P(C+1|x)和失稳的概率表示为P(C-1|x)，P(C+1|x)+P(C-1|x)＝100％，当P(C+1|x)>P(C-1|x)评估为稳定，P(C+1|x)<P(C-1|x)评估为失稳。
基于平均法的集成深度置信网络分类器的最终输出如下式所示：
其中，Pi(C+1|x)和Pi(C-1|x)为第i个深度置信网络子分类器的稳定概率输出和失稳概率输出，N为深度置信网络子分类器的个数。
综上，在本申请的实施例中，构建一组反映电力系统节点属性的电气量特征和反映节点间相对位置关系的位置特征，随后采用加速属性网络嵌入算法提取融合电网网络拓扑结构和节点属性信息的关键特征作为集成深度置信网络模型的输入量，充分利用集成深度置信网络性能优势挖掘稳定评估结果与系统特征之间的映射关系，为考虑系统运行方式和拓扑结构变化后暂态稳定评估提供了新的解决方案，从而实现不同位置发生故障后的电力系统暂态稳定评估，有效提高模型对电网拓扑的泛化能力，适用于电网拓扑结构和电力系统运行方式多样化的场景中。
以下列举实施例，示意性说明。
本领域技术人员应该理解到的是，本申请实施例可以包括以下步骤：
步骤S1：电力系统暂态数据样本获取，离线模型训练样本来源于电力系统仿真数据以及少部分实际电力系统历史运行数据。
电力系统数据主要包括，电力系统潮流仿真数据和电力系统暂态稳定仿真数据。电力系统历史运行数据，主要是指电力系统运行方式潮流数据和故障数据。
步骤S2：分别对步骤S1对所述电力系统暂态数据样本进行预处理，得到样本集以及样本标签，并按照比例随机划分训练样本和测试样本。
对电力系统暂态数据中的缺失数据进行补充，对电力系统暂态数据中重复数据进行删除，得到电力系统运行数据，将所述每一个运行数据构建成一个样本以及对样本标注暂态稳定标签，根据电力系统暂态稳定状态，对暂态稳定状态的样本打上标签1，对暂态不稳定状态的样本打上标签-1。
步骤S2：基于加速属性网络的特征提取，将步骤S2建立的初始样本集输入加速属性网络特征提取模块，针对步骤S2得到的每一个样本集，包括测试样本集和训练样本集，获取电网节点属性矩阵A和电网带权重邻接矩阵W，利用加速属性网络嵌入算法提取融合网络拓扑结构和节点属性信息的关键特征，获取所有运行方式总特征矩阵H，形成训练特征样本集和测试特征样本集。
步骤S3：所述加速属性网络嵌入算法的基本思想是将电网的邻接矩阵和电网中中节点的属性特征相融合，构建一个统一的优化函数，找到一个统一的向量空间，以描述电网节点在属性空间和和电网拓扑空间中的共同关系，从而提取网络节点的融合电网节点属性特征和拓扑结构信息的特征表达。加速属相网络嵌入算法的优化目标如下：
其中，wij为电网网络拓扑加权邻接矩阵W中的第i行第j列元素，S表示节点属性余弦相似度矩阵，H表示融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示，HT表示H的转置矩阵，hi和hj表示共识嵌入矩阵H的第i行和第j行，表示弗洛伯尼范数，||·||2表示2范数，λ表示正则项系数，用于控制优化环节中参数调整敏感度。
步骤S4：将步骤S3得到的训练特征样本集和测试特征样本集中融合电网网络拓扑结构和节点属性信息的关键特征作为集成深度置信网络模型输入，通过并行训练不同结构的深度置信网络模型，并采取平均法得到集成深度置信网络的评估输出，得到最终的暂态稳定评估模型。
步骤S4的基于加速属性网络嵌入算法和集成深度置信网络的暂态稳定评估框架如图2所示。
步骤S4的集成深度置信网络(deepbeliefnetwork，DBN)是由若干层限制玻尔兹曼机(restricted Boltzmann machine，RBM)叠加而成的深度表达学习模型。深度置信网络(DBN)的训练过程分为由下而上的限制玻尔兹曼机(RBM)无监督预训练和反向监督参数精调两个阶段：
1)预训练，以全体训练样本数据集的d维特征向量作为输入，自底向上逐层向上训练每一个RBM，获得DBN的初始化权重和偏置。
2)微调参数，将训练集的d维特征作为预训练后DBN模型的输入，其对应的标签作为输出。以交叉熵作为代价函数，采用Adam优化算法自顶向下微调整个模型的参数，直到达到设定值为止。
根据本申请实施例提出的考虑电力系统拓扑结构特征的暂态稳定评估方法，构建一组反映电力系统节点属性的电气量特征和反映节点间相对位置关系的位置特征，随后采用加速属性网络嵌入算法提取融合电网网络拓扑结构和节点属性信息的关键特征作为集成深度置信网络模型的输入量，充分利用集成深度置信网络性能优势挖掘稳定评估结果与系统特征之间的映射关系，为考虑系统运行方式和拓扑结构变化后暂态稳定评估提供了新的解决方案，从而实现不同位置发生故障后的电力系统暂态稳定评估，有效提高模型对电网拓扑的泛化能力，提高电力系统暂态稳定评估的效率和准确率，以适应电网在线运行方式多变，实现不同运行方式和不同位置故障下的电力系统暂态稳定快速高效评估的目的，适用于电网拓扑结构和电力系统运行方式多样化的场景中。
其次参照附图描述根据本申请实施例提出的考虑电力系统拓扑结构特征的暂态稳定评估装置。
图3是本申请实施例的考虑电力系统拓扑结构特征的暂态稳定评估装置的方框示意图。
如图3所示，该考虑电力系统拓扑结构特征的暂态稳定评估装置10包括：获取模块100、生成模块200和评估模块300。
其中，获取模块100，用于基于电力系统的仿真数据与部分实际电力系统历史运行数据，获取电力系统暂态数据样本，并对电力系统暂态数据样本进行预处理，得到样本集以及样本标签，并按照预设比例随机划分训练样本和测试样本。
生成模块200，用于将样本集输入加速属性网络特征提取模块，针对每一个样本集和由训练样本和测试样本得到的测试样本集和训练样本集，获取电网节点属性矩阵和电网带权重邻接矩阵，利用加速属性网络嵌入算法提取融合网络拓扑结构和节点属性信息的关键特征，获取所有运行方式总特征矩阵，生成训练特征样本集和测试特征样本集。
评估模块300，用于将训练特征样本集和测试特征样本集中融合电网网络拓扑结构和节点属性信息的关键特征，以作为集成深度置信网络模型输入，通过并行训练不同结构的深度置信网络模型，并采取平均法得到集成深度置信网络的评估输出，得到最终的暂态稳定评估模型，以利用最终的暂态稳定评估模型得到任一电力系统的暂态稳定评估结果。
可选地，在本申请的一个实施例中，获取模块100进一步用于在离线仿真阶段，根据网络规模确定需要仿真的运行方式个数，并且针对每种运行方式执行各种故障仿真，得到电力系统暂态数据样本。
可选地，在本申请的一个实施例中，获取模块100进一步用于对电力系统暂态数据样本中的缺失数据进行补充，并对电力系统暂态数据样本中重复数据进行删除，得到电力系统运行数据，并且将电力系统运行数据源中每一个运行数据构建成一个样本以及对样本标注暂态稳定标签，并根据电力系统暂态稳定状态，对暂态稳定状态的样本打上标签1，对暂态不稳定状态的样本打上标签-1。
可选地，在本申请的一个实施例中，评估模块300进一步用于在预训练阶段，以全体训练样本数据集的多维特征向量作为输入，自底向上逐层向上训练每一个RBM，获得模型的初始化权重和偏置；在微调参数阶段，将全体训练样本数据集的多维特征作为预训练后模型的输入，其对应的标签作为输出，以交叉熵作为代价函数，采用Adam优化算法自顶向下微调整个模型的参数，直到达到预设迭代次数值为止
可选地，在本申请的一个实施例中，深度置信网络的输出层为softmax层，输出层的输出为将样本识别为稳定和失稳的概率，其中，稳定的概率表示为P(C+1|x)和失稳的概率表示为P(C-1|x)，P(C+1|x)+P(C-1|x)＝100％，当P(C+1|x)>P(C-1|x)评估为稳定，P(C+1|x)<P(C-1|x)评估为失稳，且基于平均法的集成深度置信网络分类器的最终输出为：
其中，Pi(C+1|x)和Pi(C-1|x)为第i个深度置信网络子分类器的稳定概率输出和失稳概率输出，N为深度置信网络子分类器的个数。
需要说明的是，前述对考虑电力系统拓扑结构特征的暂态稳定评估方法实施例的解释说明也适用于该实施例的考虑电力系统拓扑结构特征的暂态稳定评估装置，此处不再赘述。
根据本申请实施例提出的考虑电力系统拓扑结构特征的暂态稳定评估装置，构建一组反映电力系统节点属性的电气量特征和反映节点间相对位置关系的位置特征，随后采用加速属性网络嵌入算法提取融合电网网络拓扑结构和节点属性信息的关键特征作为集成深度置信网络模型的输入量，充分利用集成深度置信网络性能优势挖掘稳定评估结果与系统特征之间的映射关系，为考虑系统运行方式和拓扑结构变化后暂态稳定评估提供了新的解决方案，从而实现不同位置发生故障后的电力系统暂态稳定评估，有效提高模型对电网拓扑的泛化能力，提高电力系统暂态稳定评估的效率和准确率，以适应电网在线运行方式多变，实现不同运行方式和不同位置故障下的电力系统暂态稳定快速高效评估的目的，适用于电网拓扑结构和电力系统运行方式多样化的场景中。
图4为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
处理器402执行程序时实现上述实施例中提供的考虑电力系统拓扑结构特征的暂态稳定评估方法。
进一步地，电子设备还包括：
通信接口403，用于存储器401和处理器402之间的通信。
存储器401，用于存放可在处理器402上运行的计算机程序。
存储器401可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器401、处理器402和通信接口403独立实现，则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器401、处理器402及通信接口403，集成在一块芯片上实现，则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
处理器402可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的考虑电力系统拓扑结构特征的暂态稳定评估方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种考虑电力系统拓扑结构特征的暂态稳定评估方法，其特征在于，包括以下步骤：
基于电力系统的仿真数据与部分实际电力系统历史运行数据，获取电力系统暂态数据样本，并对所述电力系统暂态数据样本进行预处理，得到样本集以及样本标签，并按照预设比例随机划分训练样本和测试样本；
将所述样本集输入加速属性网络特征提取模块，针对所述每一个样本集和由所述训练样本和所述测试样本得到的测试样本集和训练样本集，获取电网节点属性矩阵和电网带权重邻接矩阵，利用加速属性网络嵌入算法提取融合网络拓扑结构和节点属性信息的关键特征，获取所有运行方式总特征矩阵，生成训练特征样本集和测试特征样本集；以及
将所述训练特征样本集和所述测试特征样本集中融合电网网络拓扑结构和节点属性信息的关键特征，以作为集成深度置信网络模型输入，通过并行训练不同结构的深度置信网络模型，并采取平均法得到集成深度置信网络的评估输出，得到最终的暂态稳定评估模型，以利用所述最终的暂态稳定评估模型得到任一电力系统的暂态稳定评估结果，其中，所述通过并行训练不同结构的深度置信网络模型，包括：
在预训练阶段，以全体训练样本数据集的多维特征向量作为输入，自底向上逐层向上训练每一个限制玻尔兹曼机RBM，获得模型的初始化权重和偏置；
在微调参数阶段，将所述全体训练样本数据集的多维特征作为预训练后模型的输入，其对应的标签作为输出，以交叉熵作为代价函数，采用Adam优化算法自顶向下微调整个模型的参数，直到达到预设迭代次数值为止；
其中，所述深度置信网络的输出层为softmax层，所述输出层的输出为将样本识别为稳定和失稳的概率，其中，稳定的概率表示为P(C+1|x)和失稳的概率表示为P(C-1|x)，P(C+1|x)+P(C-1|x)＝100％，当P(C+1|x)>P(C-1|x)评估为稳定，P(C+1|x)<P(C-1|x)评估为失稳，且基于平均法的集成深度置信网络分类器的最终输出为：
其中，Pi(C+1|x)和Pi(C-1|x)为第i个深度置信网络子分类器的稳定概率输出和失稳概率输出，N为深度置信网络子分类器的个数。
2.根据权利要求1所述的方法，其特征在于，所述获取电力系统暂态数据样本，包括：
在离线仿真阶段，根据网络规模确定需要仿真的运行方式个数；
针对每种运行方式执行各种故障仿真，得到所述电力系统暂态数据样本。
3.根据权利要求1所述的方法，其特征在于，所述对所述电力系统暂态数据样本进行预处理，包括：
对所述电力系统暂态数据样本中的缺失数据进行补充，并对所述电力系统暂态数据样本中重复数据进行删除，得到电力系统运行数据；
将所述电力系统运行数据源中每一个运行数据构建成一个样本以及对样本标注暂态稳定标签，并根据电力系统暂态稳定状态，对暂态稳定状态的样本打上标签1，对暂态不稳定状态的样本打上标签-1。
4.一种考虑电力系统拓扑结构特征的暂态稳定评估装置，其特征在于，包括：
获取模块，用于基于电力系统的仿真数据与部分实际电力系统历史运行数据，获取电力系统暂态数据样本，并对所述电力系统暂态数据样本进行预处理，得到样本集以及样本标签，并按照预设比例随机划分训练样本和测试样本；
生成模块，用于将所述样本集输入加速属性网络特征提取模块，针对所述每一个样本集和由所述训练样本和所述测试样本得到的测试样本集和训练样本集，获取电网节点属性矩阵和电网带权重邻接矩阵，利用加速属性网络嵌入算法提取融合网络拓扑结构和节点属性信息的关键特征，获取所有运行方式总特征矩阵，生成训练特征样本集和测试特征样本集；以及
评估模块，用于将所述训练特征样本集和所述测试特征样本集中融合电网网络拓扑结构和节点属性信息的关键特征，以作为集成深度置信网络模型输入，通过并行训练不同结构的深度置信网络模型，并采取平均法得到集成深度置信网络的评估输出，得到最终的暂态稳定评估模型，以利用所述最终的暂态稳定评估模型得到任一电力系统的暂态稳定评估结果，其中，所述通过并行训练不同结构的深度置信网络模型，包括：
在预训练阶段，以全体训练样本数据集的多维特征向量作为输入，自底向上逐层向上训练每一个限制玻尔兹曼机RBM，获得模型的初始化权重和偏置；
在微调参数阶段，将所述全体训练样本数据集的多维特征作为预训练后模型的输入，其对应的标签作为输出，以交叉熵作为代价函数，采用Adam优化算法自顶向下微调整个模型的参数，直到达到预设迭代次数值为止；
其中，所述深度置信网络的输出层为softmax层，所述输出层的输出为将样本识别为稳定和失稳的概率，其中，稳定的概率表示为P(C+1|x)和失稳的概率表示为P(C-1|x)，P(C+1|x)+P(C-1|x)＝100％，当P(C+1|x)>P(C-1|x)评估为稳定，P(C+1|x)<P(C-1|x)评估为失稳，且基于平均法的集成深度置信网络分类器的最终输出为：
其中，Pi(C+1|x)和Pi(C-1|x)为第i个深度置信网络子分类器的稳定概率输出和失稳概率输出，N为深度置信网络子分类器的个数。
5.根据权利要求4所述的装置，其特征在于，所述获取模块进一步用于在离线仿真阶段，根据网络规模确定需要仿真的运行方式个数，并且针对每种运行方式执行各种故障仿真，得到所述电力系统暂态数据样本。
6.根据权利要求4所述的装置，其特征在于，所述获取模块进一步用于对所述电力系统暂态数据样本中的缺失数据进行补充，并对所述电力系统暂态数据样本中重复数据进行删除，得到电力系统运行数据，并且将所述电力系统运行数据源中每一个运行数据构建成一个样本以及对样本标注暂态稳定标签，并根据电力系统暂态稳定状态，对暂态稳定状态的样本打上标签1，对暂态不稳定状态的样本打上标签-1。
7.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-3任一项所述的考虑电力系统拓扑结构特征的暂态稳定评估方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-3任一项所述的考虑电力系统拓扑结构特征的暂态稳定评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111282031.7A CN114004155B (zh) | 2021-11-01 | 2021-11-01 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111282031.7A CN114004155B (zh) | 2021-11-01 | 2021-11-01 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114004155A CN114004155A (zh) | 2022-02-01 |
| CN114004155B true CN114004155B (zh) | 2024-04-12 |
Family
ID=79926007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111282031.7A Active CN114004155B (zh) | 2021-11-01 | 2021-11-01 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114004155B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116054977B (zh) * | 2023-01-29 | 2024-05-07 | 浙江万胜智能科技股份有限公司 | 一种基于双模模块的无线通信质量评估分析方法及系统 |
| CN116167289B (zh) * | 2023-04-26 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 电网运行场景生成方法、装置、计算机设备和存储介质 |
| CN116707141B (zh) * | 2023-07-31 | 2023-11-17 | 国网山东省电力公司阳信县供电公司 | 一种电力运行数据分析方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107391852A (zh) * | 2017-07-26 | 2017-11-24 | 清华大学 | 基于深度置信网络的暂态稳定性实时评估方法及装置 |
| CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力系统暂态稳定评估方法 |
| CN110879917A (zh) * | 2019-11-08 | 2020-03-13 | 北京交通大学 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
| CN111914486A (zh) * | 2020-08-07 | 2020-11-10 | 中国南方电网有限责任公司 | 一种基于图注意力网络的电力系统暂态稳定评估方法 |
| CN112330165A (zh) * | 2020-11-11 | 2021-02-05 | 中国电力科学研究院有限公司 | 基于特征分离型神经网络的电网暂态稳定评估方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
-
2021
- 2021-11-01 CN CN202111282031.7A patent/CN114004155B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107391852A (zh) * | 2017-07-26 | 2017-11-24 | 清华大学 | 基于深度置信网络的暂态稳定性实时评估方法及装置 |
| CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力系统暂态稳定评估方法 |
| CN110879917A (zh) * | 2019-11-08 | 2020-03-13 | 北京交通大学 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
| CN111914486A (zh) * | 2020-08-07 | 2020-11-10 | 中国南方电网有限责任公司 | 一种基于图注意力网络的电力系统暂态稳定评估方法 |
| CN112330165A (zh) * | 2020-11-11 | 2021-02-05 | 中国电力科学研究院有限公司 | 基于特征分离型神经网络的电网暂态稳定评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114004155A (zh) | 2022-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114004155B (zh) | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 | |
| 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 | |
| CN112508442A (zh) | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 | |
| CN112925909B (zh) | 一种考虑局部不变性约束的图卷积文献分类方法及系统 | |
| CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
| CN111478314A (zh) | 一种电力系统暂态稳定评估方法 | |
| CN113608140A (zh) | 一种电池故障诊断方法及系统 | |
| CN111553112A (zh) | 一种基于深度置信网络的电力系统故障辨识方法及装置 | |
| CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
| CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
| CN114757286A (zh) | 一种基于条件对抗生成网络的多类别故障数据生成方法 | |
| CN114021433A (zh) | 一种电力系统的主导失稳模式识别模型的构建方法及应用 | |
| Sharma et al. | A semi-supervised generalized vae framework for abnormality detection using one-class classification | |
| CN114330571A (zh) | 基于迁移学习的电力系统主导失稳模式识别方法及系统 | |
| CN114662989A (zh) | 电力系统的暂态稳定自适应评估方法及装置 | |
| CN116451608A (zh) | 一种复杂地形的混合风功率预测方法及装置 | |
| CN116432023A (zh) | 基于样本迁移学习的新型电力系统故障分类方法 | |
| Bilski et al. | Artificial intelligence methods in diagnostics of analog systems | |
| CN116010831A (zh) | 一种基于潜在决策结果的组合聚类场景缩减方法及系统 | |
| CN113486926B (zh) | 一种自动化码头设备异常检测系统 | |
| CN115713032A (zh) | 一种电网预防控制方法、装置、设备及介质 | |
| CN115329906B (zh) | 一种基于图正则化网络的故障诊断方法及装置 | |
| CN117150393B (zh) | 一种基于决策树的电力系统薄弱支路辨识方法及系统 | |
| Luo et al. | A Novel Generative Adversarial Networks via Music Theory Knowledge for Early Fault Intelligent Diagnosis of Motor Bearings | |
| CN114662687B (zh) | 一种基于层间互信息的图对比学习方法及系统 |
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 |