CN114662989A - 电力系统的暂态稳定自适应评估方法及装置 - Google Patents
电力系统的暂态稳定自适应评估方法及装置 Download PDFInfo
- Publication number
- CN114662989A CN114662989A CN202210446090.1A CN202210446090A CN114662989A CN 114662989 A CN114662989 A CN 114662989A CN 202210446090 A CN202210446090 A CN 202210446090A CN 114662989 A CN114662989 A CN 114662989A
- Authority
- CN
- China
- Prior art keywords
- power system
- transient stability
- data
- evaluation model
- stability evaluation
- 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
- 230000001052 transient effect Effects 0.000 title claims abstract description 223
- 238000011156 evaluation Methods 0.000 title claims abstract description 81
- 238000013210 evaluation model Methods 0.000 claims abstract description 131
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims description 43
- 230000015654 memory Effects 0.000 claims description 23
- 238000013097 stability assessment Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 238000013508 migration Methods 0.000 claims description 10
- 230000005012 migration Effects 0.000 claims description 10
- 230000001502 supplementing effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 21
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000010801 machine learning Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 23
- 239000011159 matrix material Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000013526 transfer learning Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/0639—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—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
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种电力系统的暂态稳定自适应评估方法及装置,其中,方法包括:获取并预处理电力系统的样本数据,构建电力系统的源域样本集和目标域样本集;采用源域样本集对源域的基于图卷积神经网络的电力系统暂态稳定评估模型进行预训练,得到预训练好的第一初始电力系统暂态稳定评估模型;采用目标域样本集构建目标域的第二初始电力系统暂态稳定评估模型,并将第一初始电力系统暂态稳定评估模型的模型参数迁移至第二初始电力系统暂态稳定评估模型,生成用于暂态稳定自适应评估的最终电力系统暂态稳定评估模型。由此,解决了相关技术中基于人工智能技术的机器学习方法,无法适应电力系统运行方式和拓扑结构的变化,局限性较大的技术问题。
Description
技术领域
本申请涉及电网运行与控制技术领域,特别涉及一种电力系统的暂态稳定自适应评估方法及装置。
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,现代电力系统运行特性已经发生了显著变化,对电力系统稳定分析与控制带来巨大挑战。
随着广域测量技术的应用以及通信技术和人工智能技术的飞速发展,电网可获得大量实时状态数据,相关技术可以基于人工智能技术的机器学习方法,对电力系统暂态稳定进行快速有效评估。
然而,相关技术中,由于电网拓扑结构对于电网网络特性起决定作用,当系统运行方式和拓扑结构发生变化,导致该场景下的样本与原始训练样本集存在较大差异时,难以通过预训练模型对当前系统的暂态稳定评估状态给出准确评估,造成识别准确率下降。同时,人工智能算法训练耗时较长,如果每次新增样本后,重新进行模型训练,将耗费大量的时间和计算资源,如果需要评估的位置较多,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。此外,实际运行电力系统中故障数据非常少,面临暂态数据积累不足的小样本问题,难以依靠自身样本训练处较准确的模型。
综上,相关技术中,暂态稳定评估方法及模型无法适应电力系统运行方式和拓扑结构的变化,当数据集有新增样本时离线学习方法则需要重新训练整个模型,在应用效果上有一定的局限性,亟需改进。
发明内容
本申请提供一种电力系统的暂态稳定自适应评估方法及装置,以解决相关技术中基于人工智能技术的机器学习方法,无法适应电力系统运行方式和拓扑结构的变化,局限性较大的技术问题。
本申请第一方面实施例提供一种电力系统的暂态稳定自适应评估方法,包括以下步骤:获取电力系统的样本数据,并对所述样本数据进行预处理,构建所述电力系统的源域样本集和目标域样本集;采用所述源域样本集对源域的基于图卷积神经网络的电力系统暂态稳定评估模型进行预训练,得到预训练好的第一初始电力系统暂态稳定评估模型;以及采用所述目标域样本集构建目标域的第二初始电力系统暂态稳定评估模型,并将所述所述第一初始电力系统暂态稳定评估模型的模型参数迁移至所述第二初始电力系统暂态稳定评估模型,生成用于暂态稳定自适应评估的最终电力系统暂态稳定评估模型。
可选地,在本申请的一个实施例中,所述获取电力系统的样本数据,包括:基于所述电力系统的仿真数据和历史运行数据生成源域数据;基于所述电力系统的实际运行数据生成目标域数据;根据所述源域数据和所述目标域数据得到所述样本数据。
可选地,在本申请的一个实施例中,所述对所述样本数据进行预处理,构建所述电力系统的源域样本集和目标域样本集,包括:识别所述源域数据和所述目标域数据中的缺失数据,并根据所述缺失数据进行补充;和/或,识别所述源域数据和所述目标域数据中的重复数据,并删除所述重复数据。
可选地,在本申请的一个实施例中,所述生成最终电力系统暂态稳定评估模型,包括:辨识所述目标域的改变情况,得到所述目标域的辨识结果;利用所述辨识结果对迁移后的第二初始电力系统暂态稳定评估模型进行自适应微调,更新所述第二初始电力系统暂态稳定评估模型的模型参数,得到所述最终电力系统暂态稳定评估模型。
可选地,在本申请的一个实施例中,还包括:获取所述电力系统的当前数据;将所述当前数据输入至所述最终电力系统暂态稳定评估模型,得到所述电力系统的当前暂态稳定自适应评估结果。
本申请第二方面实施例提供一种电力系统的暂态稳定自适应评估装置,包括:构建模块,用于获取电力系统的样本数据,并对所述样本数据进行预处理,构建所述电力系统的源域样本集和目标域样本集;第一训练模块,用于采用所述源域样本集对源域的基于图卷积神经网络的电力系统暂态稳定评估模型进行预训练,得到预训练好的第一初始电力系统暂态稳定评估模型;以及第二训练模块,用于采用所述目标域样本集构建目标域的第二初始电力系统暂态稳定评估模型,并将所述所述第一初始电力系统暂态稳定评估模型的模型参数迁移至所述第二初始电力系统暂态稳定评估模型,生成用于暂态稳定自适应评估的最终电力系统暂态稳定评估模型。
可选地,在本申请的一个实施例中,所述构建模块包括:第一生成单元,用于基于所述电力系统的仿真数据和历史运行数据生成源域数据;第二生单元,用于基于所述电力系统的实际运行数据生成目标域数据;获取单元,用于根据所述源域数据和所述目标域数据得到所述样本数据。
可选地,在本申请的一个实施例中,所述构建模块还包括:补充单元,用于识别所述源域数据和所述目标域数据中的缺失数据,并根据所述缺失数据进行补充;和/或,删除单元,用于识别所述源域数据和所述目标域数据中的重复数据。并删除所述重复数据。
可选地,在本申请的一个实施例中,所述第二训练模块包括:辨识单元,用于辨识所述目标域的改变情况,得到所述目标域的辨识结果;生成单元,用于利用所述辨识结果对迁移后的第二初始电力系统暂态稳定评估模型进行自适应微调,更新所述第二初始电力系统暂态稳定评估模型的模型参数,得到所述最终电力系统暂态稳定评估模型。
可选地,在本申请的一个实施例中,还包括:获取模块,用于获取所述电力系统的当前数据;评估模块,用于将所述当前数据输入至所述最终电力系统暂态稳定评估模型,得到所述电力系统的当前暂态稳定自适应评估结果。
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电力系统的暂态稳定自适应评估方法。
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电力系统的暂态稳定自适应评估方法。
本申请实施例可以基于样本数据,构建电力系统的源域样本集和目标域样本集,进而基于源域样本集对基于图卷积神经网络的电力系统暂态稳定评估模型进行预训练,进一步将预训练的电力系统暂态稳定评估模型的参数,迁移至基于目标域样本集训练的电力系统暂态稳定评估模型,得到用于暂态稳定自适应评估的最终电力系统暂态稳定评估模型,可以针对电网拓扑结构和电力系统运行方式多变的海量数据,采用迁移学习与图卷积神经网络相结合的电力系统暂态稳定评估方法进行电力系统暂态稳定评估,突破传统方法存在的计算速度和精度的瓶颈,从而极大地减少模型的训练时间和计算量,进而有效提高电力系统暂态稳定评估的效率和准确率,解决小样本评估准确率受限问题,为不同拓扑结构及运行方式下电力系统暂态稳定分析评估提供技术依据和实用化方法,同时,还能基于大数据思想和深度学习技术,利用卷积神经网络深层次特征表达能力学习到的电力系统暂态稳定特征表达和迁移学习及增量学习规律,使得在电网运行方式变化时,能快速更新暂态稳定评估模型,以适应新的运行方式及新的拓扑场景,具有较强的工程实用性,易于实施。由此,解决了相关技术中基于人工智能技术的机器学习方法,无法适应电力系统运行方式和拓扑结构的变化,局限性较大的技术问题。
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电力系统的暂态稳定自适应评估方法的流程图;
图2为根据本申请一个实施例的电力系统的暂态稳定自适应评估方法的流程图;
图3为根据本申请一个实施例的电力系统的暂态稳定自适应评估方法的源域基于GCN(Graph Convolutional Network,多层图卷积网络)-LSTM(Long Short-Term Memory,长短期记忆)的结构示意图;
图4为根据本申请实施例提供的一种电力系统的暂态稳定自适应评估装置的结构示意图;
图5为根据本申请实施例提供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电力系统的暂态稳定自适应评估方法及装置。针对上述背景技术中心提到的相关技术中基于人工智能技术的机器学习方法,无法适应电力系统运行方式和拓扑结构的变化,局限性较大的技术问题,本申请提供了一种电力系统的暂态稳定自适应评估方法,在该方法中,可以基于样本数据,构建电力系统的源域样本集和目标域样本集,进而基于源域样本集对基于图卷积神经网络的电力系统暂态稳定评估模型进行预训练,进一步将预训练的电力系统暂态稳定评估模型的参数,迁移至基于目标域样本集训练的电力系统暂态稳定评估模型,得到用于暂态稳定自适应评估的最终电力系统暂态稳定评估模型,可以针对电网拓扑结构和电力系统运行方式多变的海量数据,采用迁移学习与图卷积神经网络相结合的电力系统暂态稳定评估方法进行电力系统暂态稳定评估,突破传统方法存在的计算速度和精度的瓶颈,从而极大地减少模型的训练时间和计算量,进而有效提高电力系统暂态稳定评估的效率和准确率,解决小样本评估准确率受限问题,为不同拓扑结构及运行方式下电力系统暂态稳定分析评估提供技术依据和实用化方法,同时,还能基于大数据思想和深度学习技术,利用卷积神经网络深层次特征表达能力学习到的电力系统暂态稳定特征表达和迁移学习及增量学习规律,使得在电网运行方式变化时,能快速更新暂态稳定评估模型,以适应新的运行方式及新的拓扑场景,具有较强的工程实用性,易于实施。由此,解决了相关技术中基于人工智能技术的机器学习方法,无法适应电力系统运行方式和拓扑结构的变化,局限性较大的技术问题。
具体而言,图1为本申请实施例所提供的一种电力系统的暂态稳定自适应评估方法的流程示意图。
如图1所示,该电力系统的暂态稳定自适应评估方法包括以下步骤:
在步骤S101中,获取电力系统的样本数据,并对样本数据进行预处理,构建电力系统的源域样本集和目标域样本集。
可以理解的是,电力系统数据可以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。在实际执行过程中,本申请实施例可以从电力系统数据中,获取用于离线模型训练的样本数据源域数据,以及用于在线评估的样本数据目标域数据。
进一步地,本申请实施例可以对源域数据和目标域数据进行预处理,从而构建源域样本集Ds1和目标域样本集Dt1。
可选地,在本申请的一个实施例中,获取电力系统的样本数据,包括:基于电力系统的仿真数据和历史运行数据生成源域数据;基于电力系统的实际运行数据生成目标域数据;根据源域数据和目标域数据得到样本数据。
具体地,源域数据可以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;目标域数据可以为在线获取的电力系统实时运行数据。
其中,电力系统历史运行数据,可以为电力系统运行方式潮流数据和故障数据;实时运行数据可以为PMU(Phasor Measurement Unit,同步向量测量单元)中测量的电力系统实时运行数据。
可选地,在本申请的一个实施例中,对样本数据进行预处理,构建电力系统的源域样本集和目标域样本集,包括:识别源域数据和目标域数据中的缺失数据,并根据缺失数据进行补充;和/或,识别源域数据和目标域数据中的重复数据,并删除重复数据。
本领域技术人员可以理解到的是,对样本数据进行预处理的目的主要是对源域数据和目标域数据中缺失数据进行补充,和/或对源域数据和目标域数据中的重复数据进行删除,从而得到电力系统暂态稳定评估的源域样本集Ds1和目标域样本集Dt1。
进一步地,本申请实施例可以将源域样本集Ds1和目标域样本集Dt1按照相同的比例各分为训练集和测试集,即得到源域样本训练集、源域样本测试集、目标域样本训练集和目标域样本测试集,便于后续进行模型训练及测试。
在步骤S102中,采用源域样本集对源域的基于图卷积神经网络的电力系统暂态稳定评估模型进行预训练,得到预训练好的第一初始电力系统暂态稳定评估模型。
作为一种可能实现的方式,本申请实施例可以采用源域样本集Ds1对源域的基于图卷积神经网络的电力系统暂态稳定评估模型进行预训练,得到预训练好的基于图卷积神经网络的第一初始电力系统暂态稳定评估模型和模型的输出值。
具体地,可以包括以下步骤:
S1:设置源域预训练模型输入参数。
预训练模型输入参数可以包含加权邻接矩阵A和节点属性特征矩阵X。
本申请实施例可以将电力系统中母线作为节点,输电线路作为边,电网可以转化为一个无向加权图,节点导纳矩阵能够反映节点间的耦合关系强弱,所以将加权邻接矩阵A的元素定义为:
其中,i和j表示节点i和j,bik表示节点i和k的互导纳,bi0表示节点i的自导纳。
节点属性特征主要包括电力系统故障(扰动)发生时刻到故障(扰动)清除时刻各母线电压幅值、相角以及发电机转速,共计个时步,每个时步的源域样本数据作为对应时步的模块输入,则对应t时刻的节点属性特征矩阵Xt可以如下:
其中,U1t,U2t,…,UNt分别表示t时刻各母线的电压幅值,θ1t,θ2t,…,θNt表示t时刻各母线的电压相角,ω1t,ω2t,…,ωNt表示t时刻各发电机的电转速。
S2:构建源域基于图卷积神经网络的电力系统暂态稳定评估模型,即第一初始电力系统暂态稳定评估模型。
可以理解的是,基于图卷积神经网络的暂态稳定评估模型可以由多层图卷积层(多层GCN)、LSTM网络层、分类器层、输出环节组成。
其中,多层GCN和LSTM联合提取电力系统运行数据中的时空特征,GCN-LSTM的具体结构可以如图2所示。
本申请实施例可以通过多层GCN捕获电网拓扑结构提取空间特征,再将得到的具有空间特征的时间序列输入LSTM网络模型,通过各层神经元间的信息传递获得动态变化,捕获时间序列特征。
分类器层具体网络结构可以由四部分组成,包括全连接层1(Fc1)、Dropout层、全连接层2(Fc2)和全连接层3(Fc3)。
具体地,本申请实施例的模型可以采用Sigmoid函数作为分类函数,具体表达式如下:
其中,x为Sigmoid层的输入值,s(x)为输出概率值。
S3:预训练模型输入参数输入构建的第一初始电力系统暂态稳定评估模型中,初始化图卷积神经网络参数,对模型进行预训练。
S4:获取预训练好的第一初始电力系统暂态稳定评估模型和模型的输出值。
在步骤S103中,采用目标域样本集构建目标域的第二初始电力系统暂态稳定评估模型,并将第一初始电力系统暂态稳定评估模型的模型参数迁移至第二初始电力系统暂态稳定评估模型,生成用于暂态稳定自适应评估的最终电力系统暂态稳定评估模型。
作为一种可能实现的方式,本申请实施例可以基于目标域样本集Dt1,构建基于图卷积神经网络的第二初始电力系统暂态稳定评估模型,并将第一初始电力系统暂态稳定评估模型的模型参数,迁移至第二初始电力系统暂态稳定评估模型,并通过自适应微调,得到用于暂态稳定自适应评估的最终电力系统暂态稳定评估模型。
本申请实施例可以在目标域暂态稳定评估模型中引入迁移学习算法,将第一初始电力系统暂态稳定评估模型的模型参数迁移至第二初始电力系统暂态稳定评估模型中,自适应调节源域和目标域两个领域的分布,利用目标域样本集对目标域暂态稳定评估模型进行微调,得到最终融合迁移学习与图卷积神经网络的电力系统暂态稳定自适应评估模型,从而实现不同运行方式和拓扑结构以及小样本方式条件下的电力系统暂态稳定评估。本发明所提方法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。
可选地,在本申请的一个实施例中,生成最终电力系统暂态稳定评估模型,包括:辨识目标域的改变情况,得到目标域的辨识结果;利用辨识结果对迁移后的第二初始电力系统暂态稳定评估模型进行自适应微调,更新第二初始电力系统暂态稳定评估模型的模型参数,得到最终电力系统暂态稳定评估模型。
具体地,生成最终电力系统暂态稳定评估模型可以包括以下步骤:
S5:第二初始电力系统暂态稳定评估模型输入参数设置。
本申请实施例可以将源域样本集Ds1和目标域训练样本集设置为第一初始电力系统暂态稳定评估模型的输入数据。
S6:构建第二初始电力系统暂态稳定评估模型,该模型与第一初始电力系统暂态稳定评估模型结构相同。
其中,第二初始电力系统暂态稳定评估模型的损失函数,可以采用二元交叉熵损失函数来衡量损失,模型在训练的过程中的目标是最小化损失函数,其具体损失函数可定义为:
其中,w和b分别表示模型的权重和偏置,Cm为自适应迁移惩罚参数,具体表达式可以如下:
其中,m和n分别表示源域样本集Ds1和目标域样本集Dt1中样本的个数,k(…,…)表示核函数,在本申请实施例中可以选择高斯核函数。
S7:迁移学习过程。本申请实施例可以采用迁移学习算法将第一初始电力系统暂态稳定评估模型的模型参数迁移至第二初始电力系统暂态稳定评估模型。
S8:辨识目标域的改变情况,主要包括域分布差异。
具体地,域分布差异主要采用源域与目标域的JS散度来进行辨识:
S9:通过上述步骤的辨识结果,本申请实施例可以对第二初始电力系统暂态稳定评估模型进行自适应微调,得到最终电力系统暂态稳定评估模型。
寻找域分布差异和类别分布差异与损失函数的关系,来对模型参数进行更新。构建模型参数与域分布改变情况的关系模型,自适应调整模型参数。
具体地,本申请实施例可以通过源域和目标域分布的差异辨识结果与模型自适应学习率相结合来对目标域模型进行微调,并采用梯度下降法寻优,得到最终的基于图卷积神经网络的电力系统暂态稳定评估模型,其网络模型微调参数可以包括:
其中,θ为网络模型参数,η为学习率,JS(p‖q)为源域样本集Ds1和目标域样本集Dt1的JS散度,用于衡量两个样本集之间的分布差异。
可选地,在本申请的一个实施例中,还包括:获取电力系统的当前数据;将当前数据输入至最终电力系统暂态稳定评估模型,得到电力系统的当前暂态稳定自适应评估结果。
在实际执行过程中,本申请实施例可以采用不同于目标与训练阶段的样本数据,即电力系统的当前数据,并将数据输入至上述步骤中获得的最终电力系统暂态稳定评估模型中,进行模型测试,从而实现不同场景及小样本场景下电力系统暂态稳定性的评估。
下面结合图2和图3所示,以一个具体实施例对本申请实施例的电力系统的暂态稳定自适应评估方法的工作原理进行详细阐述。
如图3所示,本申请实施例可以包括三个阶段:数据预处理阶段、源域离线训练阶段和目标域在线评估阶段。
1、数据预处理阶段:
可以理解的是,电力系统数据可以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。在实际执行过程中,本申请实施例可以从电力系统数据中,获取用于离线模型训练的样本数据源域数据,以及用于在线评估的样本数据目标域数据。
具体地,源域数据可以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;目标域数据可以为在线获取的电力系统实时运行数据。
其中,电力系统历史运行数据,可以为电力系统运行方式潮流数据和故障数据;实时运行数据可以为PMU(Phasor Measurement Unit,同步向量测量单元)中测量的电力系统实时运行数据。
进一步地,本申请实施例可以对源域数据和目标域数据进行预处理,从而构建源域样本集Ds1和目标域样本集Dt1。
本领域技术人员可以理解到的是,对样本数据进行预处理的目的主要是对源域数据和目标域数据中缺失数据进行补充,和/或对源域数据和目标域数据中的重复数据进行删除,从而得到电力系统暂态稳定评估的源域样本集Ds1和目标域样本集Dt1。
进一步地,本申请实施例可以将源域样本集Ds1和目标域样本集Dt1按照相同的比例各分为训练集和测试集,即得到源域样本训练集、源域样本测试集、目标域样本训练集和目标域样本测试集,便于后续进行模型训练及测试。
2、源域离线训练阶段:
作为一种可能实现的方式,本申请实施例可以采用源域样本集Ds1对源域的基于图卷积神经网络的电力系统暂态稳定评估模型进行预训练,得到预训练好的基于图卷积神经网络的第一初始电力系统暂态稳定评估模型和模型的输出值。
具体地,可以包括以下步骤:
S1:设置源域预训练模型输入参数。
预训练模型输入参数可以包含加权邻接矩阵A和节点属性特征矩阵X。
本申请实施例可以将电力系统中母线作为节点,输电线路作为边,电网可以转化为一个无向加权图,节点导纳矩阵能够反映节点间的耦合关系强弱,所以将加权邻接矩阵A的元素定义为:
其中,i和j表示节点i和j,bik表示节点i和k的互导纳,bi0表示节点i的自导纳。
节点属性特征主要包括电力系统故障(扰动)发生时刻到故障(扰动)清除时刻各母线电压幅值、相角以及发电机转速,共计个时步,每个时步的源域样本数据作为对应时步的模块输入,则对应t时刻的节点属性特征矩阵Xt可以如下:
其中,U1t,U2t,…,UNt分别表示t时刻各母线的电压幅值,θ1t,θ2t,…,θNt表示t时刻各母线的电压相角,ω1t,ω2t,…,ωNt表示t时刻各发电机的电转速
S2:构建源域基于图卷积神经网络的电力系统暂态稳定评估模型,即第一初始电力系统暂态稳定评估模型。
可以理解的是,基于图卷积神经网络的暂态稳定评估模型可以由多层图卷积层(多层GCN)、LSTM网络层、分类器层、输出环节组成。
其中,多层GCN和LSTM联合提取电力系统运行数据中的时空特征,GCN-LSTM的具体结构可以如图2所示。
本申请实施例可以通过多层GCN捕获电网拓扑结构提取空间特征,再将得到的具有空间特征的时间序列输入LSTM网络模型,通过各层神经元间的信息传递获得动态变化,捕获时间序列特征。
分类器层具体网络结构可以由四部分组成,包括全连接层1(Fc1)、Dropout层、全连接层2(Fc2)和全连接层3(Fc3)。
具体地,本申请实施例的模型可以采用Sigmoid函数作为分类函数,具体表达式如下:
其中,x为Sigmoid层的输入值,s(x)为输出概率值。
S3:预训练模型输入参数输入构建的第一初始电力系统暂态稳定评估模型中,初始化图卷积神经网络参数,对模型进行预训练。
S4:获取预训练好的第一初始电力系统暂态稳定评估模型和模型的输出值。
3、目标域在线评估阶段:
作为一种可能实现的方式,本申请实施例可以基于目标域样本集Dt1,构建基于图卷积神经网络的第二初始电力系统暂态稳定评估模型,并将第一初始电力系统暂态稳定评估模型的模型参数,迁移至第二初始电力系统暂态稳定评估模型,并通过自适应微调,得到用于暂态稳定自适应评估的最终电力系统暂态稳定评估模型。
具体地,生成最终电力系统暂态稳定评估模型可以包括以下步骤:
S5:第二初始电力系统暂态稳定评估模型输入参数设置。
本申请实施例可以将源域样本集Ds1和目标域训练样本集设置为第一初始电力系统暂态稳定评估模型的输入数据。
S6:构建第二初始电力系统暂态稳定评估模型,该模型与第一初始电力系统暂态稳定评估模型结构相同。
其中,第二初始电力系统暂态稳定评估模型的损失函数,可以采用二元交叉熵损失函数来衡量损失,模型在训练的过程中的目标是最小化损失函数,其具体损失函数可定义为:
其中,w和b分别表示模型的权重和偏置,Cm为自适应迁移惩罚参数,具体表达式可以如下:
其中,m和n分别表示源域样本集Ds1和目标域样本集Dt1中样本的个数,k(…,…)表示核函数,在本申请实施例中可以选择高斯核函数。
S7:迁移学习过程。本申请实施例可以采用迁移学习算法将第一初始电力系统暂态稳定评估模型的模型参数迁移至第二初始电力系统暂态稳定评估模型。
S8:辨识目标域的改变情况,主要包括域分布差异。
具体地,域分布差异主要采用源域与目标域的JS散度来进行辨识:
S9:通过上述步骤的辨识结果,本申请实施例可以对第二初始电力系统暂态稳定评估模型进行自适应微调,得到最终电力系统暂态稳定评估模型。
寻找域分布差异和类别分布差异与损失函数的关系,来对模型参数进行更新。构建模型参数与域分布改变情况的关系模型,自适应调整模型参数。
具体地,本申请实施例可以通过源域和目标域分布的差异辨识结果与模型自适应学习率相结合来对目标域模型进行微调,并采用梯度下降法寻优,得到最终的基于图卷积神经网络的电力系统暂态稳定评估模型,其网络模型微调参数可以包括:
其中,θ为网络模型参数,η为学习率,JS(p‖q)为源域样本集Ds1和目标域样本集Dt1的JS散度,用于衡量两个样本集之间的分布差异。
在实际执行过程中,本申请实施例可以采用不同于目标与训练阶段的样本数据,即电力系统的当前数据,并将数据输入至上述步骤中获得的最终电力系统暂态稳定评估模型中,进行模型测试,从而实现不同场景及小样本场景下电力系统暂态稳定性的评估。
根据本申请实施例提出的电力系统的暂态稳定自适应评估方法,可以基于样本数据,构建电力系统的源域样本集和目标域样本集,进而基于源域样本集对基于图卷积神经网络的电力系统暂态稳定评估模型进行预训练,进一步将预训练的电力系统暂态稳定评估模型的参数,迁移至基于目标域样本集训练的电力系统暂态稳定评估模型,得到用于暂态稳定自适应评估的最终电力系统暂态稳定评估模型,可以针对电网拓扑结构和电力系统运行方式多变的海量数据,采用迁移学习与图卷积神经网络相结合的电力系统暂态稳定评估方法进行电力系统暂态稳定评估,突破传统方法存在的计算速度和精度的瓶颈,从而极大地减少模型的训练时间和计算量,进而有效提高电力系统暂态稳定评估的效率和准确率,解决小样本评估准确率受限问题,为不同拓扑结构及运行方式下电力系统暂态稳定分析评估提供技术依据和实用化方法,同时,还能基于大数据思想和深度学习技术,利用卷积神经网络深层次特征表达能力学习到的电力系统暂态稳定特征表达和迁移学习及增量学习规律,使得在电网运行方式变化时,能快速更新暂态稳定评估模型,以适应新的运行方式及新的拓扑场景,具有较强的工程实用性,易于实施。由此,解决了相关技术中基于人工智能技术的机器学习方法,无法适应电力系统运行方式和拓扑结构的变化,局限性较大的技术问题。
其次参照附图描述根据本申请实施例提出的电力系统的暂态稳定自适应评估装置。
图4是本申请实施例的电力系统的暂态稳定自适应评估装置的方框示意图。
如图4所示,该电力系统的暂态稳定自适应评估装置10包括:构建模块100、第一训练模块200和第二训练模块300。
具体地,构建模块100,用于获取电力系统的样本数据,并对样本数据进行预处理,构建电力系统的源域样本集和目标域样本集。
第一训练模块200,用于采用源域样本集对源域的基于图卷积神经网络的电力系统暂态稳定评估模型进行预训练,得到预训练好的第一初始电力系统暂态稳定评估模型。
第二训练模块300,用于采用目标域样本集构建目标域的第二初始电力系统暂态稳定评估模型,并将第一初始电力系统暂态稳定评估模型的模型参数迁移至第二初始电力系统暂态稳定评估模型,生成用于暂态稳定自适应评估的最终电力系统暂态稳定评估模型。
可选地,在本申请的一个实施例中,构建模块100包括:第一生成单元、第二生成单元和获取单元。
其中,第一生成单元,用于基于电力系统的仿真数据和历史运行数据生成源域数据。
第二生单元,用于基于电力系统的实际运行数据生成目标域数据。
获取单元,用于根据源域数据和目标域数据得到样本数据。
可选地,在本申请的一个实施例中,构建模块100还包括:补充单元和/或删除单元。
其中,补充单元,用于识别源域数据和目标域数据中的缺失数据,并根据缺失数据进行补充。
删除单元,用于识别源域数据和目标域数据中的重复数据。并删除重复数据。
可选地,在本申请的一个实施例中,第二训练模块300包括:辨识单元和生成单元。
其中,辨识单元,用于辨识目标域的改变情况,得到目标域的辨识结果。
生成单元,用于利用辨识结果对迁移后的第二初始电力系统暂态稳定评估模型进行自适应微调,更新第二初始电力系统暂态稳定评估模型的模型参数,得到最终电力系统暂态稳定评估模型。
可选地,在本申请的一个实施例中,电力系统的暂态稳定自适应评估装置10还包括:获取模块和评估模块。
其中,获取模块,用于获取电力系统的当前数据。
评估模块,用于将当前数据输入至最终电力系统暂态稳定评估模型,得到电力系统的当前暂态稳定自适应评估结果。
需要说明的是,前述对电力系统的暂态稳定自适应评估方法实施例的解释说明也适用于该实施例的电力系统的暂态稳定自适应评估装置,此处不再赘述。
根据本申请实施例提出的电力系统的暂态稳定自适应评估装置,可以基于样本数据,构建电力系统的源域样本集和目标域样本集,进而基于源域样本集对基于图卷积神经网络的电力系统暂态稳定评估模型进行预训练,进一步将预训练的电力系统暂态稳定评估模型的参数,迁移至基于目标域样本集训练的电力系统暂态稳定评估模型,得到用于暂态稳定自适应评估的最终电力系统暂态稳定评估模型,可以针对电网拓扑结构和电力系统运行方式多变的海量数据,采用迁移学习与图卷积神经网络相结合的电力系统暂态稳定评估方法进行电力系统暂态稳定评估,突破传统方法存在的计算速度和精度的瓶颈,从而极大地减少模型的训练时间和计算量,进而有效提高电力系统暂态稳定评估的效率和准确率,解决小样本评估准确率受限问题,为不同拓扑结构及运行方式下电力系统暂态稳定分析评估提供技术依据和实用化方法,同时,还能基于大数据思想和深度学习技术,利用卷积神经网络深层次特征表达能力学习到的电力系统暂态稳定特征表达和迁移学习及增量学习规律,使得在电网运行方式变化时,能快速更新暂态稳定评估模型,以适应新的运行方式及新的拓扑场景,具有较强的工程实用性,易于实施。由此,解决了相关技术中基于人工智能技术的机器学习方法,无法适应电力系统运行方式和拓扑结构的变化,局限性较大的技术问题。
图5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501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
处理器502执行程序时实现上述实施例中提供的电力系统的暂态稳定自适应评估方法。
进一步地,电子设备还包括:
通信接口503,用于存储器501和处理器502之间的通信。
存储器501,用于存放可在处理器502上运行的计算机程序。
存储器501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501、处理器502和通信接口503独立实现,则通信接口503、存储器501和处理器502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5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。
可选地,在具体实现上,如果存储器501、处理器502及通信接口503,集成在一块芯片上实现,则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
处理器502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电力系统的暂态稳定自适应评估方法。
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 (10)
1.一种电力系统的暂态稳定自适应评估方法,其特征在于,包括以下步骤:
获取电力系统的样本数据,并对所述样本数据进行预处理,构建所述电力系统的源域样本集和目标域样本集;
采用所述源域样本集对源域的基于图卷积神经网络的电力系统暂态稳定评估模型进行预训练,得到预训练好的第一初始电力系统暂态稳定评估模型;以及
采用所述目标域样本集构建目标域的第二初始电力系统暂态稳定评估模型,并将所述所述第一初始电力系统暂态稳定评估模型的模型参数迁移至所述第二初始电力系统暂态稳定评估模型,生成用于暂态稳定自适应评估的最终电力系统暂态稳定评估模型。
2.根据权利要求1所述的方法,其特征在于,所述获取电力系统的样本数据,包括:
基于所述电力系统的仿真数据和历史运行数据生成源域数据;
基于所述电力系统的实际运行数据生成目标域数据;
根据所述源域数据和所述目标域数据得到所述样本数据。
3.根据权利要求2所述的方法,其特征在于,所述对所述样本数据进行预处理,构建所述电力系统的源域样本集和目标域样本集,包括:
识别所述源域数据和所述目标域数据中的缺失数据,并根据所述缺失数据进行补充;
和/或,识别所述源域数据和所述目标域数据中的重复数据,并删除所述重复数据。
4.根据权利要求1所述的方法,其特征在于,所述生成最终电力系统暂态稳定评估模型,包括:
辨识所述目标域的改变情况,得到所述目标域的辨识结果;
利用所述辨识结果对迁移后的第二初始电力系统暂态稳定评估模型进行自适应微调,更新所述第二初始电力系统暂态稳定评估模型的模型参数,得到所述最终电力系统暂态稳定评估模型。
5.根据权利要求1-4任一项所述的方法,其特征在于,还包括:
获取所述电力系统的当前数据;
将所述当前数据输入至所述最终电力系统暂态稳定评估模型,得到所述电力系统的当前暂态稳定自适应评估结果。
6.一种电力系统的暂态稳定自适应评估装置,其特征在于,包括:
构建模块,用于获取电力系统的样本数据,并对所述样本数据进行预处理,构建所述电力系统的源域样本集和目标域样本集;
第一训练模块,用于采用所述源域样本集对源域的基于图卷积神经网络的电力系统暂态稳定评估模型进行预训练,得到预训练好的第一初始电力系统暂态稳定评估模型;以及
第二训练模块,用于采用所述目标域样本集构建目标域的第二初始电力系统暂态稳定评估模型,并将所述所述第一初始电力系统暂态稳定评估模型的模型参数迁移至所述第二初始电力系统暂态稳定评估模型,生成用于暂态稳定自适应评估的最终电力系统暂态稳定评估模型。
7.根据权利要求6所述的装置,其特征在于,所述第二训练模块包括:
辨识单元,用于辨识所述目标域的改变情况,得到所述目标域的辨识结果;
生成单元,用于利用所述辨识结果对迁移后的第二初始电力系统暂态稳定评估模型进行自适应微调,更新所述第二初始电力系统暂态稳定评估模型的模型参数,得到所述最终电力系统暂态稳定评估模型。
8.根据权利要求6所述的装置,其特征在于,还包括:
获取模块,用于获取所述电力系统的当前数据;
评估模块,用于将所述当前数据输入至所述最终电力系统暂态稳定评估模型,得到所述电力系统的当前暂态稳定自适应评估结果。
9.一种电子设备,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1-5任一项所述的电力系统的暂态稳定自适应评估方法。
10.一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1-5任一项所述的电力系统的暂态稳定自适应评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210446090.1A CN114662989A (zh) | 2022-04-26 | 2022-04-26 | 电力系统的暂态稳定自适应评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210446090.1A CN114662989A (zh) | 2022-04-26 | 2022-04-26 | 电力系统的暂态稳定自适应评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114662989A true CN114662989A (zh) | 2022-06-24 |
Family
ID=82036988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210446090.1A Pending CN114662989A (zh) | 2022-04-26 | 2022-04-26 | 电力系统的暂态稳定自适应评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662989A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702629A (zh) * | 2023-08-04 | 2023-09-05 | 国网山西省电力公司电力科学研究院 | 一种具备可迁移能力的电力系统暂态稳定评估方法 |
-
2022
- 2022-04-26 CN CN202210446090.1A patent/CN114662989A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702629A (zh) * | 2023-08-04 | 2023-09-05 | 国网山西省电力公司电力科学研究院 | 一种具备可迁移能力的电力系统暂态稳定评估方法 |
CN116702629B (zh) * | 2023-08-04 | 2023-10-10 | 国网山西省电力公司电力科学研究院 | 一种具备可迁移能力的电力系统暂态稳定评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106326585B (zh) | 基于贝叶斯网络推理的预测分析方法以及装置 | |
WO2022021726A1 (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN110889255B (zh) | 一种基于级联深度森林的电力系统暂态稳定评估方法 | |
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 | |
CN105572572B (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN105608004A (zh) | 一种基于cs-ann的软件缺陷预测方法 | |
CN113608566B (zh) | 一种纺织车间的环境监控调整方法及系统 | |
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 | |
CN112330488B (zh) | 基于迁移学习的电网频率态势预测方法 | |
CN116505665A (zh) | 一种电网配电线路的故障监测方法及系统 | |
CN110414718A (zh) | 一种深度学习下的配电网可靠性指标优化方法 | |
Mukherjee et al. | Real-time dynamic security analysis of power systems using strategic PMU measurements and decision tree classification | |
CN114662989A (zh) | 电力系统的暂态稳定自适应评估方法及装置 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN115658664A (zh) | 基于任意分割异常线损数据修复方法、系统、设备及介质 | |
CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
CN113726558A (zh) | 基于随机森林算法的网络设备流量预测系统 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
Kumar et al. | Deep Learning based Fault Detection in Power Transmission Lines | |
Habib et al. | Deep statistical solver for distribution system state estimation | |
CN111965442A (zh) | 一种数字孪生环境下的能源互联网故障诊断方法及装置 | |
CN116451608A (zh) | 一种复杂地形的混合风功率预测方法及装置 | |
CN114070438B (zh) | 一种5g基站电磁信号的检测方法及系统 | |
Fadzail et al. | Application of Automated Machine Learning (AutoML) method in wind turbine fault detection |
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 |