CN114548762A - 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统 - Google Patents
基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统 Download PDFInfo
- Publication number
- CN114548762A CN114548762A CN202210161660.2A CN202210161660A CN114548762A CN 114548762 A CN114548762 A CN 114548762A CN 202210161660 A CN202210161660 A CN 202210161660A CN 114548762 A CN114548762 A CN 114548762A
- Authority
- CN
- China
- Prior art keywords
- power system
- time
- neural network
- real
- power
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 238000010586 diagram Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012502 risk assessment Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统。本发明的连锁故障风险实时预测方法及系统,通过时空图神经网络提取了历史故障中时序电气特征与最终故障规模间的高度非线性映射关系,并基于这种映射关系根据电力系统实时运行数据预测连锁故障风险。本发明考虑了连锁故障风险的实时预测,对保障电力系统安全稳定运行有着重要意义。
Description
技术领域
本发明属于电力系统技术领域,涉及高比例新能源并网后电力系统安全稳定运行及高比例电力电子系统连锁故障风险评估,尤其是一种基于时空图神经网络的电力系统连锁故障风险实时评估技术。
背景技术
我国的风电、光伏等新能源发电占比日益提高。截止2021年上半年,风电、光伏发电量占比已达12.9%,并有进一步提高的趋势。伴随着新能源容量的快速增长,电力系统发生连锁故障的风险也日益提高。相比传统能源,以电力电子设备并网的风电、光伏等新能源的电压耐受能力和调节更弱,更易因网络波动而脱网。风电、光伏大规模脱网导致的功率缺额可能会引起全系统频率稳定问题,甚至产生连锁扩散,从而影响电力的稳定供应。因此,研究高比例新能源接入背景下的电力系统连锁故障问题,实时评估可能产生的连锁故障风险,对于保障电网安全稳定运行有着重要意义。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的不足,提供一种基于时空图神经网络的电力系统连锁故障风险实时评估方法,有效实时的评估可能存在的连锁故障风险,为电力调度中心提供可靠的决策依据。
为此,本发明采用如下的技术方案:
一种基于时空图神经网络的电力系统连锁故障风险实时评估方法,具体为:实时采集电力系统运行参数,构建每个时刻的特征电气特征矩阵,将一段时间的特征电气特征矩阵及当前电力系统的拓扑矩阵输入至一训练好的时空图神经网络,输出预测的电力系统总失负荷对电力系统连锁故障风险进行实时评估。
其中,每个时刻的特征电气特征矩阵包括电力系统所有节点当前时刻的电压幅值、电压相角、发电机有功出力、发电机无功出力、负荷的有功功率和负荷的无功功率。
所述时空图神经网络包括多个GCN层和一个LSTM层,GCN层的个数与输入的一段时间的特征电气特征矩阵个数相等,每个GCN层的输入为一个时刻的特征电气特征矩阵和当前电力系统的拓扑矩阵。所有GCN层的输出聚合为一个序列作为LSTM的输入,LSTM输出预测的电力系统总失负荷。
进一步地,所述电力系统的拓扑矩阵表示电力系统中,两两节点之间的拓扑连接关系,为0则表示两节点不直接相连,为1则表示两节点直接相连。
进一步地,每个时刻的特征电气特征矩阵具体表示如下:
其中,Vt m,i,Vt a,i,Pt g,i,Qt g,i,Pt l,i,Vt l,i分别表示时刻t时节点i处的电压幅值、电压相角、发电机有功出力、发电机无功出力、负荷的有功功率和负荷的无功功率,N 表示电力系统中节点的数量。
进一步地,还包括训练步骤,所述训练好的时空图神经网络基于所述电力系统的历史故障数据或所述电力系统的仿真故障数据训练获得。
进一步地,所述电力系统的仿真故障数据通过如下方法获得:
步骤1:初始化发电机容量、发电机出力、负荷值、传输线长度及系统的拓扑结构,并数字化为前述格式。使用蒙特卡洛法随机选择故障线路并设置初始故障。
步骤2:计算潮流。如果节点电压高于高电压阈值或低于低电压阈值,则认为节点上新能源发电机因电压保护动作而脱网,并进入步骤3。如果没有新的发电机脱网,则认为连锁故障传播结束,进入步骤4。
步骤3:如果因新能源发电机脱网而导致功率不平衡,则等比例切除负载直到潮流收敛,功率平衡,并返回步骤2。
步骤4:记录连锁故障期间的系统时序电气特征,并记为连锁故障的故障链,并统计总失负荷作为该故障链的最终故障规模。
进一步地,训练方法为:基于所述电力系统的历史故障数据或所述电力系统的仿真故障数据,以均方误差作为损失函数,使用梯度下降法训练神经网络的可训练参数,以最小化均方误差。
一种基于时空图神经网络的电力系统连锁故障风险实时评估系统,包括:
数据获取模块,用于实时采集电力系统运行参数,并构建每个时刻的特征电气特征矩阵;
连锁故障风险实时评估模块,包括一训练好的时空图神经网络,用于依据一段时间的特征电气特征矩阵及当前电力系统的拓扑矩阵,输出预测的电力系统总失负荷对电力系统连锁故障风险进行实时评估。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的基于时空图神经网络的电力系统连锁故障风险实时评估方法。
一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时实现上述的基于时空图神经网络的电力系统连锁故障风险实时评估方法。
本发明的有益效果是:本发明针对连锁故障的传播机理复杂、难以进行理论计算等问题,提出了一种基于GCN-LSTM模型的数据驱动方法,将电力系统的实时运行状态映射到系统故障风险指标,其中GCN用于在提取某一时间断面下的系统特征(包括电气和拓扑特征,然后将GCN在不同时间断面下的输出结果聚合到LSTM,通过LSTM来捕捉系统的时序特征,最终得到实时的系统连锁故障风险评价指标。
附图说明
图1为本发明的时空图卷积神经网络结构图;
图2为算例所用的IEEE39节点系统结构图;
图3为时空图卷积神经网络超参数设计图。
图4为训练过程中的均方误差指标变化图。
具体实施方式
本发明提供了一种基于时空图神经网络的电力系统连锁故障风险实时评估方法,具体为:实时采集电力系统运行参数,构建每个时刻的特征电气特征矩阵,将一段时间的特征电气特征矩阵及当前电力系统的拓扑矩阵输入至一训练好的时空图神经网络,输出预测的电力系统总失负荷对电力系统连锁故障风险进行实时评估。
其中,每个时刻的特征电气特征矩阵包括电力系统所有节点当前时刻的电压幅值、电压相角、发电机有功出力、发电机无功出力、负荷的有功功率和负荷的无功功率,具体表示如下:
具体表示如下:
其中,Vt m,i,Vt a,i,Pt g,i,Qt g,i,Pt l,i,Vt l,i分别表示时刻t时节点i处的电压幅值、电压相角、发电机有功出力、发电机无功出力、负荷的有功功率和负荷的无功功率, N表示电力系统中节点的数量。
所述电力系统的拓扑矩阵表示电力系统中,两两节点之间的拓扑连接关系,具体表示如下:
其中,Tij表示节点i、j的拓扑连接关系,为0则表示两节点不直接相连,为1则表示两节点直接相连。
所述时空图神经网络结构如图1所示,包括多个GCN层和一个LSTM层, GCN层的个数与输入的一段时间(图中示出为m+1个时刻)的特征电气特征矩阵个数相等,每个GCN层的输入为一个时刻的特征电气特征矩阵和当前电力系统的拓扑矩阵。所有GCN层的输出聚合为一个序列作为LSTM的输入,LSTM 输出预测的电力系统总失负荷。
GCN层的输出如下式所示:
LSTM层的输入输出公式如下所示:
it=sigmoid(Wihht-1+WixHt’+bi)
ft=sigmoid(Wfhht-1+WfxHt’+bf)
ot=sigmoid(Wohht-1+WoxHt’+bo)
gt=tanh(Wghht-1+WgxHt’+bg)
ct=ft⊙ct-1+it⊙gt
ht=ot⊙tanh(ct)
式中,it,ft,ot,gt,ct分别是LSTM层网络的输入门、遗忘门、输出门、输入调制门和记忆门;Ht’是第t个GCN层的输出;ht是第t个隐藏层;Wih,Wfh,Woh, Wgh,Wix,Wfx,Wox,Wgx是需要被训练的参数矩阵;sigmoid(·)表示sigmoid函数。进一步地,所述训练好的时空图神经网络可以基于所述电力系统的历史故障数据或所述电力系统的仿真故障数据训练获得。
以所述电力系统的仿真故障数据进行训练为例,训练过程具体为:
获取所述电力系统的仿真故障数据:
步骤1:初始化发电机容量、发电机出力、负荷值、传输线长度及系统的拓扑结构,并数字化为前述格式。使用蒙特卡洛法随机选择故障线路并设置初始故障。
步骤2:计算潮流。如果节点电压高于高电压阈值或低于低电压阈值,则认为节点上新能源发电机因电压保护动作而脱网,并进入步骤3。如果没有新的发电机脱网,则认为连锁故障传播结束,进入步骤4。
步骤3:如果因新能源发电机脱网而导致功率不平衡,则等比例切除负载直到潮流收敛,功率平衡,并返回步骤2。
步骤4:记录连锁故障期间的系统时序电气特征,并记为连锁故障的故障链,并统计总失负荷作为该故障链的最终故障规模。
将所述电力系统的仿真故障数据输入至时空图神经网络,以最小化预测值与真值的误差(均方误差等)为目标,使用梯度下降法训练神经网络的可训练参数,获得训练好的时空图神经网络。
本发明从电力系统时序运行特征和电力网络拓扑空间中电气特征的相对关系两个维度提取电力系统实时运行参数到故障风险的非线性映射关系,实现的电力系统连锁故障风险实时评估。
以下结合具体实施例对本发明作进一步说明。
实施例1
本实施例基于改进BP神经网络的连锁故障关键节点辨识方法。
如图2所示,本实施例采用IEEE39节点系统对所提方法的有效性进行仿真验证。其中,负荷总量为6254MW。在39系统中10-16,19-20,22-24节点各加装175台装机容量为1.5MW的风机,风电渗透率约为50%。为模拟弱电网下的连锁故障,将39系统中各线路长度增加至1.5倍。初始故障设置为三相平衡的随机线路随机故障程度的短路故障,故障线路46条支路中等概率选取。
1、故障数据量化及神经网络构造:
基于本发明所提的时空图神经网络,以CNN层替代GCN层构造的CNN-LSTM 作为对照,将0.7×106次的仿真结果作为训练样本,将0.15×106作为验证样本对时空图神经网络训练结果进行验证,将剩余的0.15×106作为测试样本最终测试时空图神经网络的准确程度。在时空图神经网络训练过程中,出于在过拟合与欠拟合间的平衡考虑,设置网络的超参数如图3所示。
2、系统最终故障规模预测:
图4分别是六种不同的模型在训练时的表现结果。
如图所示,本发明所提以时空图神经网络在训练至700个回合之后,预测的故障规模与实际规模的误差值已小于0.3%,且明显优于对照网络。
训练结果与测试结果对比表明,训练结果与测试结果基本吻合,所提神经网络能够很好地捕捉连锁故障的高度非线性关系。
与前述基于时空图神经网络的电力系统连锁故障风险实时评估方法的实施例相对应,本发明还提供了基于时空图神经网络的电力系统连锁故障风险实时评估系统的实施例。
系统包括:
数据获取模块,用于实时采集电力系统运行参数,并构建每个时刻的特征电气特征矩阵;
连锁故障风险实时评估模块,包括一训练好的时空图神经网络,用于依据一段时间的特征电气特征矩阵及当前电力系统的拓扑矩阵,输出预测的电力系统总失负荷对电力系统连锁故障风险进行实时评估。
对于系统及电子设备实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可,在此不再赘述。以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
进一步地,本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述基于时空图神经网络的电力系统连锁故障风险实时评估方法。
上述系统及电子设备中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
本发明实施例还提供一种计算机可读存储介质,所述计算机可执行指令在由计算机处理器执行时实现前述的基于时空图神经网络的电力系统连锁故障风险实时评估方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。
Claims (9)
1.一种基于时空图神经网络的电力系统连锁故障风险实时评估方法,其特征在于,具体为:实时采集电力系统运行参数,构建每个时刻的特征电气特征矩阵,将一段时间的特征电气特征矩阵及当前电力系统的拓扑矩阵输入至一训练好的时空图神经网络,输出预测的电力系统总失负荷对电力系统连锁故障风险进行实时评估。
其中,每个时刻的特征电气特征矩阵包括电力系统所有节点当前时刻的电压幅值、电压相角、发电机有功出力、发电机无功出力、负荷的有功功率和负荷的无功功率。
所述时空图神经网络包括多个GCN层和一个LSTM层,GCN层的个数与输入的一段时间的特征电气特征矩阵个数相等,每个GCN层的输入为一个时刻的特征电气特征矩阵和当前电力系统的拓扑矩阵。所有GCN层的输出聚合为一个序列作为LSTM的输入,LSTM输出预测的电力系统总失负荷。
2.根据权利要求1所述的方法,其特征在于,所述电力系统的拓扑矩阵表示电力系统中,两两节点之间的拓扑连接关系,为0则表示两节点不直接相连,为1则表示两节点直接相连。
4.根据权利要求1所述的方法,其特征在于,还包括训练步骤,所述训练好的时空图神经网络基于所述电力系统的历史故障数据或所述电力系统的仿真故障数据训练获得。
5.根据权利要求4所述的方法,其特征在于,所述电力系统的仿真故障数据通过如下方法获得:
步骤1:初始化发电机容量、发电机出力、负荷值、传输线长度及系统的拓扑结构,并数字化为前述格式。使用蒙特卡洛法随机选择故障线路并设置初始故障。
步骤2:计算潮流。如果节点电压高于高电压阈值或低于低电压阈值,则认为节点上新能源发电机因电压保护动作而脱网,并进入步骤3。如果没有新的发电机脱网,则认为连锁故障传播结束,进入步骤4。
步骤3:如果因新能源发电机脱网而导致功率不平衡,则等比例切除负载直到潮流收敛,功率平衡,并返回步骤2。
步骤4:记录连锁故障期间的系统时序电气特征,并记为连锁故障的故障链,并统计总失负荷作为该故障链的最终故障规模。
6.根据权利要求4所述的方法,其特征在于,训练方法为:基于所述电力系统的历史故障数据或所述电力系统的仿真故障数据,以均方误差作为损失函数,使用梯度下降法训练神经网络的可训练参数,以最小化均方误差。
7.一种基于时空图神经网络的电力系统连锁故障风险实时评估系统,其特征在于,包括:
数据获取模块,用于实时采集电力系统运行参数,并构建每个时刻的特征电气特征矩阵;
连锁故障风险实时评估模块,包括一训练好的时空图神经网络,用于依据一段时间的特征电气特征矩阵及当前电力系统的拓扑矩阵,输出预测的电力系统总失负荷对电力系统连锁故障风险进行实时评估。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述的基于时空图神经网络的电力系统连锁故障风险实时评估方法。
9.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-6任一项所述的基于时空图神经网络的电力系统连锁故障风险实时评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210161660.2A CN114548762A (zh) | 2022-02-22 | 2022-02-22 | 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210161660.2A CN114548762A (zh) | 2022-02-22 | 2022-02-22 | 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548762A true CN114548762A (zh) | 2022-05-27 |
Family
ID=81677020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210161660.2A Pending CN114548762A (zh) | 2022-02-22 | 2022-02-22 | 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548762A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116613754A (zh) * | 2023-07-21 | 2023-08-18 | 南方电网数字电网研究院有限公司 | 配电系统可靠性评估方法、模型训练方法、装置及设备 |
-
2022
- 2022-02-22 CN CN202210161660.2A patent/CN114548762A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116613754A (zh) * | 2023-07-21 | 2023-08-18 | 南方电网数字电网研究院有限公司 | 配电系统可靠性评估方法、模型训练方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liao et al. | Fault diagnosis of power transformers using graph convolutional network | |
Li et al. | An intelligent transient stability assessment framework with continual learning ability | |
CN107947164A (zh) | 一种考虑多重不确定性及相关性的电力系统日前鲁棒调度方法 | |
CN109102146B (zh) | 基于多参数线性规划的电力系统风险评估加速方法 | |
CN107977744A (zh) | 一种基于传统Benders分解法的电力系统日前鲁棒调度方法 | |
CN107730111A (zh) | 一种考虑用户负荷和新能源接入的配网电压风险评估模型 | |
CN111181201B (zh) | 基于双层强化学习的多能园区调度方法及系统 | |
Liu et al. | Non‐parametric statistics‐based predictor enabling online transient stability assessment | |
Du et al. | Applying deep convolutional neural network for fast security assessment with N-1 contingency | |
Dai et al. | Fault diagnosis of data‐driven photovoltaic power generation system based on deep reinforcement learning | |
Lin et al. | Stochastic economic dispatch of power system with multiple wind farms and pumped‐storage hydro stations using approximate dynamic programming | |
Zhao et al. | Identification of critical lines for enhancing disaster resilience of power systems with renewables based on complex network theory | |
CN105354628A (zh) | 一种输电系统鲁棒可用输电能力评估方法 | |
CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
Assis et al. | Unsupervised machine learning techniques applied to composite reliability assessment of power systems | |
CN114548762A (zh) | 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统 | |
Zhang et al. | Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet | |
Ballireddy et al. | Reliability evaluation of power system incorporating wind farm for generation expansion planning based on ANLSA approach | |
CN115660421A (zh) | 一种新能源电力系统的风险早期预警分类方法 | |
Chen et al. | Real‐time risk assessment of cascading failure in power system with high proportion of renewable energy based on fault graph chains | |
CN107102543A (zh) | 一种能量路由器抗干扰控制器的形成方法及装置 | |
CN110797906B (zh) | 风电基地最大装机容量的确定方法、装置及存储介质 | |
Zhang et al. | CNN‐LSTM based power grid voltage stability emergency control coordination strategy | |
Song et al. | A fast method for probabilistic reliability assessment of bulk power system using FSOM neural network as system states filters | |
Xuan et al. | Distribution network risk prediction based on status assessment and semi-invariant method |
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 |