CN115828719A - 基于生成对抗网络的电力系统次同步振荡数据生成方法 - Google Patents
基于生成对抗网络的电力系统次同步振荡数据生成方法 Download PDFInfo
- Publication number
- CN115828719A CN115828719A CN202210837928.XA CN202210837928A CN115828719A CN 115828719 A CN115828719 A CN 115828719A CN 202210837928 A CN202210837928 A CN 202210837928A CN 115828719 A CN115828719 A CN 115828719A
- Authority
- CN
- China
- Prior art keywords
- data
- subsynchronous oscillation
- power system
- network
- generated
- 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
Links
- 230000010355 oscillation Effects 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 29
- 238000004088 simulation Methods 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000013016 damping Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 238000003491 array Methods 0.000 claims description 6
- 230000036039 immunity Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 241000669618 Nothes Species 0.000 claims description 2
- 238000005406 washing Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于生成对抗网络的电力系统次同步振荡数据生成方法,属于人工智能技术领域,所述数据生成方法包括次同步振荡训练数据获取及预处理;建立生成对抗网络(Generative Adversarial Networks,GAN)模型结构;使用训练数据和随机噪声联合训练生成对抗网络模型,确定模型参数;使用训练好的模型生成接近真实次同步振荡数据的生成数据:本发明通过利用生成对抗网络能够获取并学习输入数据底层分布的优势,生成和真实次同步振荡数据较为相似的数据,经实验证明,本发明能有效解决电力系统次同步振荡分析方法中数据样本缺乏的问题,具有依靠数据驱动、数据真实性高的特点。
Description
技术领域
本发明涉及电力系统振荡领域和深度学习领域,具体是一种基于生成对抗网络的电力系统次同步振荡数据生成方法。
背景技术
近年来,随着电力系统和新能源的迅速发展,电力电子技术在增强了电力系统灵活性、可控性的基础上,也带来了新的次同步振荡问题。例如变流器和电网之间的相互作用,各种功率控制器的快速电力调节,发电机组阻尼能力发生变化引起机电耦合互相作用,都会导致新型次同步振荡问题,严重危害了电力系统的稳定。为了抑制新型次同步振荡,需要深入研究其振荡特性,包括振荡的起因、振荡的影响程度、振荡功率、电压(电流)的分布以及振荡的源头。电力系统振荡的分析方法大多是基于模型和物理机理建立分析判据,常用的包括基于阻抗分析法、时域仿真分析法、特征值分析法等。但在实际的电力系统运行中出现振荡事故的次数比正常运行次数少,此外,相应的量测设备缺乏,难以及时捕捉并保存数据,导致次同步振荡数据缺乏。
由于电力系统次同步振荡是由多类型设备、多时间尺度控制交互引发的复杂系统问题,随着目前电网的运行方式和结构愈加复杂,人工智能由于具有对系统模型的低依赖性、对大量数据之间非线性复杂关系的强大学习能力以及对随机时变环境的快速适应性等优秀性能,为电力系统次同步振荡问题提供了新的解决思路。目前,人工智能,特别是深度学习方法已经广泛应用于电力系统振荡的辨识、定位和抑制,然而这些算法都依赖于大量的样本,而实际系统中次同步振荡样本缺乏,并且全局数据难以获取。生成对抗网络是学习复杂分布以合成有意义的样本的强大模型,已经广泛应用于人脸合成、图片修复等多种场合,可以用来生成次同步振荡数据,解决次同步振荡样本缺乏的问题。
因此,本发明提出了一种基于生成对抗网络的电力系统次同步振荡数据生成方法,可以有效解决电力系统次同步振荡分析法中缺乏大量时序振荡数据的问题。
发明内容
本发明的目的在于提供一种基于生成对抗网络的电力系统次同步振荡数据生成方法,通过深度学习生成对抗网络方法,解决目前电力系统次同步振荡分析法中缺乏大量时序振荡数据的问题,并提供大量训练样本保证深度学习技术在电力系统中的深入发展。
本发明的目的可以通过以下技术方案实现:
一种基于生成对抗网络的电力系统次同步振荡数据生成方法,包括次同步振荡训练数据获取及预处理;建立生成对抗网络模型结构;使用训练数据和随机噪声联合训练生成对抗网络模型,确定模型参数;使用训练好的模型生成接近真实次同步振荡数据的生成数据。
所述数据生成方法包括以下步骤:
步骤1:获取次同步振荡训练数据:包括获取电力系统中故障录波的次同步振荡数据,以及搭建电力系统仿真模型得到仿真电力系统下的次同步振荡数据两种方式;
步骤2:训练数据预处理,利用箱型图法计算数据的上下四分位数和四分位间距,并计算上下边缘值,将超出上下边缘范围的次同步振荡数据判定为异常值,将异常值剔除后使用线性插值法对缺失值进行填充,并对数据进行标准化和重采样操作,作为真实样本用于训练;
步骤3:搭建生成对抗网络模型,生成对抗网络模型包括判别器和生成器;所述生成器和判别器的网络主体引入了长短期记忆网络,用于捕获次同步振荡中的时序特征;引入一维卷积层和一维反卷积层,对判别器网络中的所有卷积层添加谱归一化约束,使判别器网络的梯度在训练过程中满足1-Lipschitz约束;引入Wasserstein距离对生成对抗损失和判别对抗损失进行改进;
步骤4:使用预处理后的次同步振荡数据,对构建的生成对抗网络进行训练,并保存训练好的网络模型;
步骤:5:取生成对抗网络模型中的生成器网络,从高斯分布中随机采样作为输入,生成新的次同步振荡数据,作为真实次同步振荡数据的替代或扩充;
步骤7:对生成数据和真实数据使用动态时间规整算法,计算累加距离,设置阈值,若大于阈值,则:返回步骤6减小阈值;返回步骤3,调整卷积层和反卷积层中的神经元个数以及每批数据量的大小Batch size,直到满足条件大于阈值。
其中,步骤1中所述的获取电力系统中故障录波的次同步振荡数据,主要包括振荡功率、电压、电流信号数据;步骤1中所述搭建电力系统仿真模型获取训练数据的步骤包括:选取代表系统运行状态的系统变量,在其上下限范围内随机选取的值,从稳态开始仿真并产生振荡,采样得到次同步振荡训练数据。
其中,步骤2中,预处理步骤具体为:使用箱型图法判断仿真数据中是否有异常值,去除异常值并进行填充;判断获取的仿真时序数据的长度是否一致,通过上/下采样法保证时序数据长度一致;数据清洗后将次同步振荡仿真数据进行z-score标准化。
其中,步骤3中,所述判别器网络模型和生成器网络模型由改进后的双向长短期记忆网络构成,本方法能考虑数据中的上下文信息,充分提取一维次同步振荡数据的时序特征;
所述卷积层包括卷积运算、批量归一化层以及LeakyRelu激活函数层;所述反卷积层包括转置卷积运算、批量归一化层以及线性整流激活函数层;所述卷积层和反卷积层后都引入了Dropout层,按一定概率将其暂时从网络中丢弃,避免训练中产生过拟合;所述判别器网络最后一层通过Sigmoid激活函数输出样本为真的概率,区间范围在[0,1]。
其中,引入Wasserstein距离替代传统的JS距离,既解决了训练不稳定的问题,也提供了一个可靠的训练进程指标,利用该指标可指导生成更高精度的电力系统振荡数据;
步骤3中,Wasserstein距离的定义为:
其中,步骤6中,动态调整阈值和网络参数,提升生成数据质量,并验证该生成对抗网络模型的准确性;其中频率-阻尼比验证法,用于从电力系统次同步振荡机理上验证生成数据的可用性,输入生成数据、阶数和采样时间,通过公式计算出频率和阻尼比,使用多项式函数拟合数据点, 多项式函数形式为:
其中,步骤7中,动态时间规整算法,它用满足一定条件的时间规整函数W(n)描述测试模板和参考模板的时间对应关系,求解两模板匹配时累计距离最小所对应的规整函数,用于比较不同长度的两个数组或时间序列之间的相似性或计算两者间的距离,定义一个累加距离,即从(0,0)点开始匹配两个序列,每到一个点,之前所有的点计算的距离都会累加,累加距离表示成以下公式:
本发明的有益效果:
1、本发明公开的数据生成方法基于数据驱动,不依赖领域内先验知识,无需对系统进行建模,并且对复杂环境有更强的适应能力;
2、本发明公开的数据生成方法结合长短期记忆神经网络,充分学习原始数据的时间序列特性,生成数据的数量和质量都较高;
3、本发明公开的数据生成方法可以充分学习原始振荡数据的内在物理机理,生成数据符合振荡的波动性和周期性,可以作为原始数据的替代或补充;
4、本发明公开的数据生成方法有效解决了电力系统不同分析法中缺乏大量时序振荡数据的问题,可满足对大量数据的要求。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明流程图;
图2是本发明模型结构总图;
图3是判别器模型网络结构图;
图4是生成器模型网络结构图;
图5是真实数据和生成数据的可视化对比图;
图6是真实数据和生成数据的频率-阻尼比分析对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1:一种基于生成对抗网络的电力系统次同步振荡数据生成方法,包括次同步振荡训练数据获取及预处理;建立生成对抗网络模型结构;使用训练数据和随机噪声联合训练生成对抗网络模型,确定模型参数;使用训练好的模型生成接近真实次同步振荡数据的生成数据。
所述数据生成方法包括以下步骤:
步骤1:获取次同步振荡训练数据:包括获取电力系统中故障录波的次同步振荡数据,以及搭建电力系统仿真模型得到仿真电力系统下的次同步振荡数据两种方式;
步骤2:训练数据预处理,利用箱型图法进行计算并识别次同步振荡数据中的异常值,并对数据进行标准化和重采样操作,作为真实样本用于训练;
步骤3:搭建生成对抗网络模型,生成对抗网络模型包括判别器和生成器;所述生成器和判别器的网络主体引入了长短期记忆网络,用于捕获次同步振荡中的时序特征;引入一维卷积层和一维反卷积层,对判别器网络中的所有卷积层添加谱归一化约束,使判别器网络的梯度在训练过程中满足1-Lipschitz约束;引入Wasserstein距离对生成对抗损失和判别对抗损失进行改进;
步骤4:使用预处理后的次同步振荡数据,对构建的生成对抗网络进行训练,并保存训练好的网络模型;
步骤5:取生成对抗网络模型中的生成器网络,从高斯分布中随机采样作为输入,生成新的次同步振荡数据,作为真实次同步振荡数据的替代或扩充;
步骤7:对生成数据和真实数据使用动态时间规整算法,计算累加距离,设置阈值,若大于阈值,则:返回步骤6减小阈值;返回步骤3,调整卷积层和反卷积层中的神经元个数以及每批数据量的大小Batch size,直到满足条件大于阈值。
其中,步骤1中所述的获取电力系统中故障录波的次同步振荡数据,主要包括振荡功率、电压、电流信号数据;步骤1中所述搭建电力系统仿真模型获取训练数据的步骤包括:选取代表系统运行状态的系统变量,在其上下限范围内随机选取的值,从稳态开始仿真并产生振荡,采样得到次同步振荡训练数据。
其中,步骤2中,预处理步骤具体为:使用箱型图法判断仿真数据中是否有异常值,去除异常值并进行填充;判断获取的仿真时序数据的长度是否一致,通过上/下采样法保证时序数据长度一致;数据清洗后将次同步振荡仿真数据进行z-score标准化;
其中, 步骤3中,所述判别器网络模型和生成器网络模型由改进后的双向长短期记忆网络构成,本方法能考虑数据中的上下文信息,充分提取一维次同步振荡数据的时序特征;
所述卷积层包括卷积运算、批量归一化层以及LeakyRelu激活函数层;所述反卷积层包括转置卷积运算、批量归一化层以及线性整流激活函数层;所述卷积层和反卷积层后都引入了Dropout层,按一定概率将其暂时从网络中丢弃,避免训练中产生过拟合;所述判别器网络最后一层通过Sigmoid激活函数输出样本为真的概率,区间范围在[0,1]。
其中,引入Wasserstein距离替代传统的JS距离,既解决了训练不稳定的问题,也提供了一个可靠的训练进程指标,利用该指标可指导生成更高精度的电力系统振荡数据;
步骤3中,Wasserstein距离的定义为:
其中,步骤6中,动态调整阈值和网络参数,提升生成数据质量,并验证该生成对抗网络模型的准确性;其中频率-阻尼比验证法,用于从电力系统次同步振荡机理上验证生成数据的可用性,输入生成数据、阶数和采样时间,通过公式计算出频率和阻尼比,使用多项式函数拟合数据点,多项式函数形式为:
其中,步骤7中,动态时间规整算法,它用满足一定条件的时间规整函数W(n)描述测试模板和参考模板的时间对应关系,求解两模板匹配时累计距离最小所对应的规整函数,用于比较不同长度的两个数组或时间序列之间的相似性或计算两者间的距离,定义一个累加距离,即从(0,0)点开始匹配两个序列,每到一个点,之前所有的点计算的距离都会累加,累加距离表示成以下公式:
实施例2:本发明的实施例中的电力系统采用永磁直驱风电场系统,选取代表系统运行状态的系统变量L 1,L 2...L n,在其上下限范围内随机选取L 1,L 2...L n的值,从稳态开始仿真并产生振荡,然后通过调节系统的振荡参数并设置扰动,仿真出实施例所需的次同步振荡有功功率样本。将采集的电力系统次同步振荡样本进行预处理,去除掉异常值并进行标准化,输入生成对抗网络模型进行训练并生成新的振荡数据。下面结合一个实施例对本方法做进一步说明。
实施例3:电力系统次同步振荡有功功率数据生成:
(1)、次同步振荡训练数据生成;
首先设置系统稳态仿真参数,风机台数为1台,电压环的PI控制器参数选取kpv为10,kiv为500,kpi为0.1,kii为1,风速为6,仿真时间为1s,保存仿真后的稳态值;然后调整系统振荡仿真参数,风机台数为1台,电压环的PI控制器选取kpv为0.2,kiv为500,设置风速从稳态基础上每次增加0.001作为扰动,仿真时间为1s,采样时间为0.001s,得到系统次同步振荡有功功率数据;将仿真数据进行处理,去除异常值并进行标准化后作为训练数据。
(2)、训练生成对抗网络模型;
基于上述次同步振荡有功功率训练数据,共计6000个数据作为训练样本;使用Pytorch框架搭建生成对抗网络模型,在生成器和判别器中分别加入一层双向长短期记忆网络以及卷积层和反卷积层神经网络,激活函数选择Dropout激活函数和Sigmoid激活函数;损失函数选择交叉熵损失函数,优化器选择Adam优化器;生成器输入噪声为高斯随机噪声;进行批训练,每批256个样本;训练迭代1000次使损失函数值降到最低。
(3)、使用训练好的生成器模型生成数据;
将训练好的生成器模型输入随机的高斯噪声,得到生成器生成的数据;将生成的数据进行反标准化处理;将生成数据与真实数据进行频率-阻尼比分布分析并计算动态时间规整值,剔除偏差大于阈值的数据,不断调整网络参数和阈值,直到满足条件。
相对于使用单纯的生成模型来生成次同步振荡数据的技术来说,本发明提出了一种能够更加充分学习原始次同步振荡数据时空分布特性并能够生成更加有效的次同步振荡数据的新方法和途径。该方法模型能够基于次同步振荡数据的分布特性达到稳定训练状态,最终能够让生成器充分学习原始数据,较稳定的曲线为生成器的损失,波动稍大的为判别器的损失。本发明所提出的对抗博弈训练主要目的是要获得一个能够准确把握原始次同步振荡数据分布特性的生成网络,因此在实践中训练生成器的次数为训练判别器次数的3倍,也导致了判别器训练的损失在一定程度上波动。但从整体来讲,生成器和判别器都是趋于稳定的。通过本发明所提出的方法模型来合成数据不是简单的记忆原始次同步振荡数据或者简单得拟合原始次同步振荡数据,而是基于学习原始数据分布特征的基础上生成更加真实、更加多样性的次同步振荡数据,进而解决现有的基于次同步振荡数据的相关分析方法中数据缺乏的问题。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (7)
1.基于生成对抗网络的电力系统次同步振荡数据生成方法,其特征在于,所述数据生成方法包括以下步骤:
步骤1:获取次同步振荡训练数据:包括获取电力系统中故障录波的次同步振荡数据,以及搭建电力系统仿真模型得到仿真电力系统下的次同步振荡数据两种方式;
步骤2:训练数据预处理,利用箱型图法计算数据的上下四分位数和四分位间距,并计算上下边缘值,将超出上下边缘范围的次同步振荡数据判定为异常值,将异常值剔除后使用线性插值法对缺失值进行填充,并对数据进行标准化和重采样操作,作为真实样本用于训练;
步骤3:搭建生成对抗网络模型,生成对抗网络模型包括判别器和生成器;所述生成器和判别器的网络主体引入长短期记忆网络,用于捕获次同步振荡中的时序特征;引入一维卷积层和一维反卷积层,对判别器网络中的所有卷积层添加谱归一化约束,使判别器网络的梯度在训练过程中满足1-Lipschitz约束;引入Wasserstein距离对生成对抗损失和判别对抗损失进行改进;
步骤4:使用预处理后的次同步振荡数据,对构建的生成对抗网络进行训练,并保存训练好的网络模型;
步骤5:取生成对抗网络模型中的生成器网络,从高斯分布中随机采样作为输入,生成新的次同步振荡数据,作为真实次同步振荡数据的替代或扩充;
3.根据权利要求1所述的基于生成对抗网络的电力系统次同步振荡数据生成方法,其特征在于,步骤2中,预处理步骤具体为:使用箱型图法判断仿真数据中是否有异常值,去除异常值并进行填充;判断获取的仿真时序数据的长度是否一致,通过上/下采样法保证时序数据长度一致;数据清洗后将次同步振荡仿真数据进行z-score标准化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210837928.XA CN115828719B (zh) | 2022-07-17 | 2022-07-17 | 基于生成对抗网络的电力系统次同步振荡数据生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210837928.XA CN115828719B (zh) | 2022-07-17 | 2022-07-17 | 基于生成对抗网络的电力系统次同步振荡数据生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115828719A true CN115828719A (zh) | 2023-03-21 |
CN115828719B CN115828719B (zh) | 2023-10-03 |
Family
ID=85522836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210837928.XA Active CN115828719B (zh) | 2022-07-17 | 2022-07-17 | 基于生成对抗网络的电力系统次同步振荡数据生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828719B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102340146A (zh) * | 2011-08-31 | 2012-02-01 | 东南大学 | 一种电力系统次同步振荡的抑制装置及其抑制方法 |
CN109409508A (zh) * | 2018-11-06 | 2019-03-01 | 成都信息工程大学 | 一种基于生成对抗网络使用感知损失解决模型崩塌的方法 |
CN112131782A (zh) * | 2020-08-27 | 2020-12-25 | 浙江大学 | 一种多回路智能工厂边缘侧数字孪生场景耦合装置 |
US20210359628A1 (en) * | 2017-12-29 | 2021-11-18 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Method, device for subsynchronous oscillation suppression and controller for converter |
CN113937792A (zh) * | 2021-10-14 | 2022-01-14 | 广西大学 | 一种混合向量图神经强化学习的超低频振荡阻尼控制方法 |
CN114169249A (zh) * | 2021-12-16 | 2022-03-11 | 福州大学 | 一种配电网高阻接地故障人工智能识别方法 |
-
2022
- 2022-07-17 CN CN202210837928.XA patent/CN115828719B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102340146A (zh) * | 2011-08-31 | 2012-02-01 | 东南大学 | 一种电力系统次同步振荡的抑制装置及其抑制方法 |
US20210359628A1 (en) * | 2017-12-29 | 2021-11-18 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Method, device for subsynchronous oscillation suppression and controller for converter |
CN109409508A (zh) * | 2018-11-06 | 2019-03-01 | 成都信息工程大学 | 一种基于生成对抗网络使用感知损失解决模型崩塌的方法 |
CN112131782A (zh) * | 2020-08-27 | 2020-12-25 | 浙江大学 | 一种多回路智能工厂边缘侧数字孪生场景耦合装置 |
CN113937792A (zh) * | 2021-10-14 | 2022-01-14 | 广西大学 | 一种混合向量图神经强化学习的超低频振荡阻尼控制方法 |
CN114169249A (zh) * | 2021-12-16 | 2022-03-11 | 福州大学 | 一种配电网高阻接地故障人工智能识别方法 |
Non-Patent Citations (1)
Title |
---|
张骞 等: ""基于SVD-Prony及主成分回归的次同步振荡阻尼特性影响因素研究"", 《电工技术学报》, vol. 37, no. 17, pages 4364 - 4376 * |
Also Published As
Publication number | Publication date |
---|---|
CN115828719B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
CN109272156B (zh) | 一种超短期风电功率概率预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN114970774B (zh) | 一种智能变压器故障预测方法和装置 | |
CN111368892A (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
CN111222992A (zh) | 一种基于注意力机制的长短期记忆神经网络的股票价格预测方法 | |
CN115062272A (zh) | 一种水质监测数据异常识别及预警方法 | |
CN117471252A (zh) | 基于iceemdan-kpca特征提取与soa-kelm的直流故障电弧诊断方法 | |
CN115689055A (zh) | 一种短期太阳辐照度预测方法及装置 | |
CN115983374A (zh) | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 | |
CN111612242A (zh) | 一种基于lstm深度学习模型的电机状态参数预测方法 | |
CN112016774A (zh) | 一种基于数据增强技术的配网运行状态辨识方法及系统 | |
CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
CN117390502A (zh) | 一种基于ResIOFNN网络的电压数据缺失值填补方法及系统 | |
CN117421972A (zh) | 一种综合负荷模型参数的辨识方法及终端 | |
CN117171713A (zh) | 一种基于轴承寿命的交叉自适应深度迁移学习方法及系统 | |
CN111815458A (zh) | 基于细粒度量化标注和集成方法的动态投资组合配置方法 | |
CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
CN115828719B (zh) | 基于生成对抗网络的电力系统次同步振荡数据生成方法 | |
CN116911419A (zh) | 一种基于趋势相关性特征学习的长时序预测方法 | |
CN113722970B (zh) | 一种光伏功率超短期在线预测方法 | |
CN115296298A (zh) | 一种风电场功率预测方法 | |
CN114091343A (zh) | 一种光伏功率预测方法及相应的存储介质 | |
Liu et al. | Wind-speed forecasting model based on DBN-Elman combined with improved PSO-HHT | |
CN112651537A (zh) | 一种光伏发电超短期功率预测方法及系统 |
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 |