CN115834406A - 一种基于卷积神经网络的电网瞬态稳定性预测方法 - Google Patents
一种基于卷积神经网络的电网瞬态稳定性预测方法 Download PDFInfo
- Publication number
- CN115834406A CN115834406A CN202211455158.9A CN202211455158A CN115834406A CN 115834406 A CN115834406 A CN 115834406A CN 202211455158 A CN202211455158 A CN 202211455158A CN 115834406 A CN115834406 A CN 115834406A
- Authority
- CN
- China
- Prior art keywords
- data
- power grid
- neural network
- convolutional neural
- transient stability
- 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
Images
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于卷积神经网络的电网瞬态稳定性预测方法,属于电力系统电网监测技术领域,解决了传统方法难以对如今复杂结构的电网进行稳定性评估工作的问题;步骤包括:S1、获取电网大数据,构建电网状态评估模型,对所述电网大数据进行评估;S2、依据评估后的电网大数据,建立样本案例集,并使用所述样本案例集,训练多通道多特征融合卷积神经网络回归模型;S3、采用与步骤S1相同的方式,获取实际电网大数据并进行评估,通过训练完成的多通道多特征融合卷积神经网络回归模型,进行电网瞬态稳定性预测;本发明的方法将新技术应用至电力系统监测领域中,具有降低电网瞬态稳定性预测难度、降低误报率和漏报率的优点。
Description
技术领域
本发明属于电力系统电网监测技术领域,涉及电网瞬态稳定性预测过程,具体为一种基于卷积神经网络的电网瞬态稳定性预测方法。
背景技术
随着社会经济的进步,电力系统的电网规模也在不断扩大,因此电网的结构变的越来越复杂;在电力需求不断增加的同时,对电力稳定性的要求也越来越严格,因此保持电网的高稳定性与高可靠性,是非常重要的。
随着电网的快速发展扩张,电网结构的复杂化,现有技术对电网的可靠性评估变的越来越困难;在复杂的电网结构中,传统方法已很难完成对电网状态和系统稳定性的评估工作,从而很难为电网预防和应急控制提供参考信息。
诸如人工智能、边缘计算和大数据等新技术的快速发展,为电网状态检测、扰动评估和系统稳定性预测等电力系统技术问题带来了新的解决思路;那么如何具体应用新技术,实现对复杂结构电网的监测,替代传统方法,已成为电力系统发展中亟待解决的问题。
发明内容
为了解决背景技术中提到的问题,将新技术应用至电力系统监测领域中,本发明在大数据环境下基于卷积神经网络,提出了一种对电网瞬态稳定性进行预测的方法;该方法可有效解决现有技术中电网瞬态稳定性预测难度大,误报率高和漏报率高的问题。
本发明采用了以下技术方案来实现目的:
一种基于卷积神经网络的电网瞬态稳定性预测方法,包括如下步骤:
S1、获取电网大数据,构建电网状态评估模型,对所述电网大数据进行评估;
S2、依据评估后的电网大数据,建立样本案例集,并使用所述样本案例集,训练多通道多特征融合卷积神经网络回归模型;
S3、获取实际电网大数据并进行评估,通过训练完成的多通道多特征融合卷积神经网络回归模型,进行电网瞬态稳定性预测。
进一步的,步骤S1中,构建电网状态评估模型,对电网大数据进行评估的具体过程如下:
S11、采集多种信息管理系统的大数据源,获得多类数据;
S12、将获得的数据划分为实时状态数据、定时状态数据和静态数据;
S13、对所述实时状态数据、定时状态数据和静态数据进行数据清洗操作;数据清洗的方法包括:去除错误数据,补充不完整的数据和删除多余的数据;
S14、将清洗完成后的各类数据转换成结构化数据,对结构化数据的强关联规则进行采集;
S15、依据采集到的结构化数据的强关联规则,进行评估,得出评估结果。
具体的,在步骤S15后,还包括:
S16、将步骤S11至S15的过程作为标准化模型,从而完成电网状态评估模型的构建,并应用于实际电网大数据的评估工作中。
进一步的,步骤S15中,对结构化数据的强关联规则进行评估,具体如下:
S151、判断被评估的数据是否为数值数据,若是,则进入步骤S152;若不是,则进入步骤S153;
S152、采用AHP层次分析和模糊数学相结合的方法,对电力设备的劣化程度进行从高至低的排序,对排序中的电力设备赋予对应的权重,得出评估结果;
S153、根据电力设备的健康状况,以打分方式对电力设备进行评价,打分分值高于设定值则作为健康状态好的电力设备,并赋予高分结果;打分分值低于设定值则作为健康状态差的电力设备,并赋予低分结果;从而得出评估结果。
具体的,所述信息管理系统,包括在线检测系统、生产管理系统、调度自动化系统、线路故障定位系统、地理信息系统、雷达监控定位系统和气象信息系统。
具体的,所述实时状态数据,包括在线检测数据、实时监测数据、环境气象数据和电网运行数据;所述定时状态数据,包括离线实验数据和人工检查数据;所述静态数据,包括账本数据和故障缺陷历史数据。
进一步的,所述实时状态数据,包括发动机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据;针对电网运行的随机性和低惯性,CNN模型固定的单一输入特征不能全面准确地表征被干扰系统的行为状态;因此,选择发电机功率角特征、堆叠稀疏自动编码器特征和随机矩阵特征这三个特征集作为CNN模型的多变量输入特征空间。
进一步的,步骤S2中,建立样本案例集的过程如下:
S21、将所述发动机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据,融合为一个特征集,作为卷积神经网络的输入数据,输入后得到卷积神经网络的输出;
S22、依据如下公式:
计算得出极限截止时间的稳定值λ;并将达到稳定值的时间对应于第i个样本的极限截止时间tc;
S23、考虑到特定系统中的多种运行模式和故障条件,在时域仿真软件的帮助下,生成了m样本案例;对于样本,假定t1是电力系统故障出现的时刻,t2是故障消失的时刻,为了可靠地确定瞬态稳定状态,故障清除后的仿真持续时间被设定为5s;依据如下公式:
SMi=tc-(t1-t2)
得到第i个样本的稳定边际SMi;
式中,t1是电力系统故障的出现时刻;t2是故障的消失时刻;样本i的范围为1≤i≤m,m为样本的总个数;tc由步骤S22得出;
S24、依据得到的多个样本中不同的稳定边际,与步骤S21中卷积神经网络的输出进行匹配,从而建立所述样本案例集。
进一步的,将建立完成的样本案例集输入多通道多特征融合卷积神经网络回归模型中,进行训练,得到训练完成的多通道多特征融合卷积神经网络回归模型;其中的训练过程具体为,依据如下公式:
式中,L(S,SO)为损失值;S为实际稳定裕度;Si为第i个样本的实际稳定裕度;SOi为第i个样本的预测稳定裕度;m为样本的总个数;
建立多通道多特征融合卷积神经网络回归模型的损失函数模型,依据损失函数模型对多通道多特征融合卷积神经网络回归模型进行参数调整,从而实现对多通道多特征融合卷积神经网络回归模型的训练。
进一步的,步骤S3中,进行电网瞬态稳定性预测的过程具体为:
采用与步骤S1相同的方式获取实际电网大数据,评估处理后,将实际电网大数据输入训练完成的多通道多特征融合卷积神经网络回归模型,依据如下公式:
对多通道多特征融合卷积神经网络回归模型的输出进行激活,得到稳定裕度预测值;其中,SO是预测稳定裕度,为多通道多特征融合卷积神经网络回归模型的输出;δ是稳定裕度预测值,对应于稳定边际,该值为1时表示电网瞬态稳定性预测结果为稳定,该值为-1时则表示预测结果为不稳定。
综上所述,由于采用了本技术方案,本发明的有益效果如下:
1、大数据分析方法是一种有效的数据处理方法;评估变电站电力系统的本质则是评估电力设备的健康状况。本发明在评估之前,对大数据源中的多源异构数据进行了清洗,以便于后续的数据挖掘和融合分析;从数据中得出有用的价值部分,全面准确的评估电力设备的健康状况,从而可以在电力设备出现故障前发现问题并处理,延长电力设备的服务时间,提高电网的供电可靠性;基于此需求背景,本发明在变电站电力系统中进行电力设备的大数据分析和状态评估理论实践,具有重要意义和广阔的发展前景。
2、本发明的方法在应对电网瞬态稳定性预测时,采用卷积神经网络模型;其中,卷积层可以降低计算的复杂性和过拟合风险;池化层进行子采样或局部平均,降低了输出对数据波动的敏感性,增强了模型的泛化能力;与其他全连接神经网络相比,卷积神经网络具有权重参数少、泛化能力强、并行学习等优点,实际应用于本发明所面对的问题时,获得的效果明显,预测结果准确性均高于其他现有技术中的方法。
附图说明
图1为本发明的方法的整体流程示意图;
图2为不同预测方法的均方根误差图;
图3为不同预测方法的准确性对比图;
图4为不同预测方法的漏报率和误报率对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以按各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种基于卷积神经网络的电网瞬态稳定性预测方法,包括如下步骤:
S1、获取电网大数据,构建电网状态评估模型,对电网大数据进行评估;
S2、依据评估后的电网大数据,建立样本案例集,并使用样本案例集,训练多通道多特征融合卷积神经网络回归模型;
S3、获取实际电网大数据并进行评估,通过训练完成的多通道多特征融合卷积神经网络回归模型,进行电网瞬态稳定性预测。
步骤S1中,构建电网状态评估模型,对电网大数据进行评估的具体过程如下:
S11、采集多种信息管理系统的大数据源,获得多类数据;其中的信息管理系统,包括在线检测系统、生产管理系统、调度自动化系统、线路故障定位系统、地理信息系统、雷达监控定位系统和气象信息系统;
S12、将获得的数据划分为实时状态数据、定时状态数据和静态数据;其中,实时状态数据,包括在线检测数据、实时监测数据、环境气象数据和电网运行数据;定时状态数据,包括离线实验数据和人工检查数据;静态数据,包括账本数据和故障缺陷历史数据;
本实施例中,实时状态数据,包括发动机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据;针对电网运行的随机性和低惯性,CNN模型固定的单一输入特征不能全面准确地表征被干扰系统的行为状态;因此,选择发电机功率角特征、堆叠稀疏自动编码器特征和随机矩阵特征这三个特征集数据作为CNN模型的多变量输入特征空间。
S13、对实时状态数据、定时状态数据和静态数据进行数据清洗操作;数据清洗的方法包括:去除错误数据,补充不完整的数据和删除多余的数据;
S14、将清洗完成后的各类数据转换成结构化数据,对结构化数据的强关联规则进行采集;
S15、依据采集到的结构化数据的强关联规则,进行评估,得出评估结果。
本实施例中,步骤S15之后,还包括:
S16、将步骤S11至S15的过程作为标准化模型,从而完成电网状态评估模型的构建,并应用于实际电网大数据的评估工作中。
具体而言,在步骤S15中,对结构化数据的强关联规则进行评估,包括如下步骤:
S151、判断被评估的数据是否为数值数据,若是,则进入步骤S152;若不是,则进入步骤S153;
S152、采用AHP层次分析和模糊数学相结合的方法,对电力设备的劣化程度进行从高至低的排序,对排序中的电力设备赋予对应的权重,得出评估结果;
S153、根据电力设备的健康状况,以打分方式对电力设备进行评价,打分分值高于设定值则作为健康状态好的电力设备,并赋予高分结果;打分分值低于设定值则作为健康状态差的电力设备,并赋予低分结果;从而得出评估结果。
随后,步骤S2中,建立样本案例集的过程如下:
S21、将发动机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据,融合为一个特征集,作为卷积神经网络的输入数据,输入后得到卷积神经网络的输出;
S22、依据如下公式:
计算得出极限截止时间的稳定值λ;并将达到稳定值的时间对应于第i个样本的极限截止时间tc;
S23、考虑到特定系统中的多种运行模式和故障条件,在时域仿真软件的帮助下,生成了m样本案例;对于样本,假定t1是电力系统故障出现的时刻,t2是故障消失的时刻,为了可靠地确定瞬态稳定状态,故障清除后的仿真持续时间被设定为5s;依据如下公式:
SMi=tc-(t1-t2)
得到第i个样本的稳定边际SMi;
式中,t1是电力系统故障的出现时刻;t2是故障的消失时刻;样本i的范围为1≤i≤m,m为样本的总个数;tc由步骤S22得出;
S24、依据得到的多个样本中不同的稳定边际,与步骤S21中卷积神经网络的输出进行匹配,从而建立样本案例集。
将建立完成的样本案例集输入多通道多特征融合卷积神经网络回归模型中,进行训练,得到训练完成的多通道多特征融合卷积神经网络回归模型;其中的训练过程具体为,依据如下公式:
建立多通道多特征融合卷积神经网络回归模型的损失函数模型,依据损失函数模型对多通道多特征融合卷积神经网络回归模型进行参数调整,从而实现对多通道多特征融合卷积神经网络回归模型的训练;
该公式中,L(S,SO)为损失值;S为实际稳定裕度;Si为第i个样本的实际稳定裕度;SOi为第i个样本的预测稳定裕度;m为样本的总个数。
最后,在步骤S3中,进行电网瞬态稳定性预测的过程具体为:
采用与步骤S1相同的方式获取实际电网大数据,评估处理后,将实际电网大数据输入训练完成的多通道多特征融合卷积神经网络回归模型,依据如下公式:
对多通道多特征融合卷积神经网络回归模型的输出进行激活,得到稳定裕度预测值;其中,SO是预测稳定裕度,为多通道多特征融合卷积神经网络回归模型的输出;δ是稳定裕度预测值,对应于稳定边际,该值为1时表示电网瞬态稳定性预测结果为稳定,该值为-1时则表示预测结果为不稳定。
本实施例接着介绍对本方法预测效果的仿真试验,同时与其余方法做对比说明;本实施例采用MATLAB编程的方式,实现多通道多特征融合卷积神经网络回归模型的构建。
由于负荷预测需要足够的系统负荷历史数据作为训练样本,以下是电网负荷历史数据的构建;对于每个有功负荷大于20MW的节点,其波动范围设置为±30%,其他节点的波动范围设置为±10%。根据上述处理方法,将配电网仿真系统中每个节点的有功负荷的波动幅度设置为±10%。使用MATLAB编程,随机生成仿真所需的每个小时时刻的有功历史负荷值。使用PSASP来收集故障数据。三相短路故障分别设置为标准负荷水平的70%、80%、90%、100%和110%,故障清除时间为0.3s。为每个负载条件随机设置5个不同的发电机输出。共设置80个不同的故障点,采集1600个样本,数据采样周期为0.01s。
为了评估本实施例提出的方法与其余方法的预测效果,本实施例通过构建以下四个评价指标的方式进行。
(1)均方根误差,它用于评估预测结果的稳定余量的预测精度,其计算方法如下式所示:
(2)漏报率,表示对某一故障引起的不稳定状态没有报警,但预测到了稳定状态,其计算方法如下式所示:
(3)误报率,表示某种故障不会导致系统不稳定,但模型因预测到不稳定而报警,其计算方法如下式所示:
(4)准确率,即总体准确率,表示是否能准确预测某一故障引起的状态,其计算方法如下式所示:
其中,TP代表实际状态稳定,预测状态稳定的情况;FP代表实际状态不稳定,但预测状态稳定的情况;TN代表实际状态不稳定,预测状态不稳定的情况;FN代表实际状态稳定但预测状态不稳定的情况。
为了测试本实施例提出的电网瞬态稳定性预测方法的预测效果,以下将其作为本方法,与现有技术中的方法1:一种基于任务数的电网瞬态稳定性预测方法;方法2:一种应用海量暂态稳定模拟数据分析电力系统暂态稳定特性,进行了比较;不同方法的电网瞬态稳定性预测方法的均方根误差如图2所示,准确率对比如图3所示,漏报率和误报率对比如图4所示。
请参看图2、图3和图4,本实施例提出的方法,在不同采样周期的电网瞬态稳定性预测中,预测效果要高于其他对比方法。故障后9个周期的准确率最高;RMSE、漏报率和误报率的最小值均低于其他对比方法。
仿真结果表明,本实施例的方法在预测电网瞬态稳定性方面具有更好的性能。这是因为在传统卷积神经网络的基础上,选择多个特征集作为卷积神经网络模型的多变量输入特征空间;并利用多通道思想对各种特征进行独立分析,在高维空间进行信息融合,建立多通道多特征融合卷积神经网络回归模型;优化了卷积神经网络固定的单一输入特征不能全面准确表达干扰系统的行为状态的问题。因此提高了模型预测的准确性和整体性能。
Claims (10)
1.一种基于卷积神经网络的电网瞬态稳定性预测方法,其特征在于,包括如下步骤:
S1、获取电网大数据,构建电网状态评估模型,对所述电网大数据进行评估;
S2、依据评估后的电网大数据,建立样本案例集,并使用所述样本案例集,训练多通道多特征融合卷积神经网络回归模型;
S3、获取实际电网大数据并进行评估,通过训练完成的多通道多特征融合卷积神经网络回归模型,进行电网瞬态稳定性预测。
2.根据权利要求1所述的一种基于卷积神经网络的电网瞬态稳定性预测方法,其特征在于,步骤S1中,构建电网状态评估模型,对电网大数据进行评估的具体过程如下:
S11、采集多种信息管理系统的大数据源,获得多类数据;
S12、将获得的数据划分为实时状态数据、定时状态数据和静态数据;
S13、对所述实时状态数据、定时状态数据和静态数据进行数据清洗操作;
S14、将清洗完成后的各类数据转换成结构化数据,对结构化数据的强关联规则进行采集;
S15、依据采集到的结构化数据的强关联规则,进行评估,得出评估结果。
3.根据权利要求2所述的一种基于卷积神经网络的电网瞬态稳定性预测方法,其特征在于,在步骤S15后,还包括:
S16、将步骤S11至S15的过程作为标准化模型,从而完成电网状态评估模型的构建,并应用于实际电网大数据的评估工作中。
4.根据权利要求2所述的一种基于卷积神经网络的电网瞬态稳定性预测方法,其特征在于:步骤S15中,对结构化数据的强关联规则进行评估,具体如下:
S151、判断被评估的数据是否为数值数据,若是,则进入步骤S152;若不是,则进入步骤S153;
S152、采用AHP层次分析和模糊数学相结合的方法,对电力设备的劣化程度进行从高至低的排序,对排序中的电力设备赋予对应的权重,得出评估结果;
S153、根据电力设备的健康状况,以打分方式对电力设备进行评价,打分分值高于设定值则作为健康状态好的电力设备,并赋予高分结果;打分分值低于设定值则作为健康状态差的电力设备,并赋予低分结果;从而得出评估结果。
5.根据权利要求2所述的一种基于卷积神经网络的电网瞬态稳定性预测方法,其特征在于:所述信息管理系统,包括在线检测系统、生产管理系统、调度自动化系统、线路故障定位系统、地理信息系统、雷达监控定位系统和气象信息系统。
6.根据权利要求2所述的一种基于卷积神经网络的电网瞬态稳定性预测方法,其特征在于:所述实时状态数据,包括在线检测数据、实时监测数据、环境气象数据和电网运行数据;所述定时状态数据,包括离线实验数据和人工检查数据;所述静态数据,包括账本数据和故障缺陷历史数据。
7.根据权利要求6所述的一种基于卷积神经网络的电网瞬态稳定性预测方法,其特征在于:所述实时状态数据,包括发动机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据。
8.根据权利要求7所述的一种基于卷积神经网络的电网瞬态稳定性预测方法,其特征在于,步骤S2中,建立样本案例集的过程如下:
S21、将所述发动机功率角特征数据、堆叠稀疏自动编码器特征数据和随机矩阵特征数据,融合为一个特征集,作为卷积神经网络的输入数据,输入后得到卷积神经网络的输出;
S22、依据如下公式:
计算得出极限截止时间的稳定值λ;并将达到稳定值的时间对应于第i个样本的极限截止时间tc;
S23、依据如下公式:
SMi=tc-(t1-t2)
得到第i个样本的稳定边际SMi;
式中,t1是电力系统故障的出现时刻;t2是故障的消失时刻;样本i的范围为1≤i≤m,m为样本的总个数;tc由步骤S22得出;
S24、依据得到的多个样本中不同的稳定边际,与步骤S21中卷积神经网络的输出进行匹配,从而建立所述样本案例集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211455158.9A CN115834406A (zh) | 2022-11-21 | 2022-11-21 | 一种基于卷积神经网络的电网瞬态稳定性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211455158.9A CN115834406A (zh) | 2022-11-21 | 2022-11-21 | 一种基于卷积神经网络的电网瞬态稳定性预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115834406A true CN115834406A (zh) | 2023-03-21 |
Family
ID=85529619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211455158.9A Pending CN115834406A (zh) | 2022-11-21 | 2022-11-21 | 一种基于卷积神经网络的电网瞬态稳定性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115834406A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116467579A (zh) * | 2023-04-12 | 2023-07-21 | 宁波送变电建设有限公司运维分公司 | 基于特征挖掘技术的电力设备健康定级方法及系统 |
-
2022
- 2022-11-21 CN CN202211455158.9A patent/CN115834406A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116467579A (zh) * | 2023-04-12 | 2023-07-21 | 宁波送变电建设有限公司运维分公司 | 基于特征挖掘技术的电力设备健康定级方法及系统 |
CN116467579B (zh) * | 2023-04-12 | 2023-11-14 | 宁波送变电建设有限公司运维分公司 | 基于特征挖掘技术的电力设备健康定级方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11977375B2 (en) | Scalable systems and methods for assessing healthy condition scores in renewable asset management | |
Garcia Marquez et al. | A comprehensive review of artificial intelligence and wind energy | |
US20200210824A1 (en) | Scalable system and method for forecasting wind turbine failure with varying lead time windows | |
CN113344024B (zh) | 锂离子电池热失控分级预警方法及预警系统 | |
CN111047082A (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
CN116307641B (zh) | 一种面向数字化电厂的资源协同调度管理方法及系统 | |
CN115834406A (zh) | 一种基于卷积神经网络的电网瞬态稳定性预测方法 | |
CN115222141A (zh) | 一种多变量时序异常检测方法、系统、介质、设备及终端 | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN106408016A (zh) | 一种配电网停电时间自动识别模型构造方法 | |
CN115980531A (zh) | 一种特定环境下的gis开关柜质量检测方法及系统 | |
CN115081597A (zh) | 一种基于机器学习的以电核碳方法、系统、设备和介质 | |
Zhang et al. | Wind turbine condition monitoring based on bagging ensemble strategy and KNN algorithm | |
CN113642244A (zh) | 一种基于人工智能的电力计量设备故障预测方法 | |
CN110427689B (zh) | 基于信息新技术的燃机机组机群监测诊断方法 | |
CN110907757A (zh) | 基于电突触传递的snp系统含分布式电源配电网故障定位方法 | |
CN114266370A (zh) | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 | |
Zhou et al. | Power Grid transient stability prediction method based on improved CNN under big data background | |
Zhang et al. | Abnormal data intelligent detection method based on combined machine learning | |
Yan et al. | Time sequence information-based transformer for the judgement on the state of power dispatching | |
Liu et al. | Review of abnormal data identification and correction techniques in active distribution networks | |
Xuefeng et al. | Study on Multi-Sensor Parameter Warning Based on Gaussian Mixed Model and Nonlinear State Estimation Technique | |
Bai | Network Equipment Fault Maintenance Decision System Based on Bayesian Decision Algorithm | |
Wei et al. | Renewable Energy Short Circuit Ratio Prediction Considering the Renewable Power Area-Based Influence |
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 |