CN115965288A - 基于IWO优化BiLSTM的有源配电网频率安全评估方法 - Google Patents
基于IWO优化BiLSTM的有源配电网频率安全评估方法 Download PDFInfo
- Publication number
- CN115965288A CN115965288A CN202211726750.8A CN202211726750A CN115965288A CN 115965288 A CN115965288 A CN 115965288A CN 202211726750 A CN202211726750 A CN 202211726750A CN 115965288 A CN115965288 A CN 115965288A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- bilstm
- power distribution
- active power
- frequency safety
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 230000002452 interceptive effect Effects 0.000 title description 5
- 230000005540 biological transmission Effects 0.000 title description 2
- 241000196324 Embryophyta Species 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 10
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 241000894006 Bacteria Species 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 14
- 238000012352 Spearman correlation analysis Methods 0.000 description 12
- 230000002596 correlated effect Effects 0.000 description 8
- 238000004146 energy storage Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008278 dynamic mechanism Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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)
Abstract
一种基于IWO优化BiLSTM的有源配电网频率安全评估方法,该方法包括以下步骤:S1、从有源配电网的扰动点处获取多种电气特征量,并利用Spearman相关系数分析提取与有源配电网频率安全强相关的电气特征量;S2、将与有源配电网频率安全强相关的电气特征量数据输入BiLSTM模型中,并利用入侵杂草优化算法对BiLSTM模型中的参数进行迭代优化;S3、利用优化后的BiLSTM模型对有源配电网的频率安全状态进行评估。本发明可以快速实现有源配电网频率安全的评估,解决了传统频率安全评估方法精度低的问题,对有源配电网安全稳定运行有指导意义。
Description
技术领域
本发明涉及电力系统频率评估领域,尤其涉及一种基于IWO优化BiLSTM的有源配电网频率安全评估方法。
背景技术
随着国家能源结构的转型,越来越多的新能源发电场站、储能、电动汽车、智慧楼宇等可控调频资源通过各种电力电子设备不均匀分布于配网侧各节点,使得配电网呈现有源化、可控化、低惯性,同时加大了配网频率时空分布差异化程度,这些配网新特征使得配网频率动态机理更为复杂。传统配电网频率安全响应分析难以适应这些新特征,难以保证配网各个节点有功实时平衡,这使得配网频率安全隐患进一步加大。如何快速、精准地对有源配电网的频率安全做出评估,以保障扰动后有源配电网的持续可靠供电是一个亟需解决的关键问题。
现有技术文献中:Frequency Dynamics Constrained Unit Commitment WithBattery Energy Storage(Y.Wen,W.Li,G.Huang and X.Liu,“Frequency DynamicsConstrained Unit Commitment With Battery Energy Storage,”in IEEE Transactionson Power Systems,vol.31,no.6,pp.5115-5125,Nov.2016.)提出从极值频率、最大频率变化率和准稳态频率三个方面对扰动下电力系统的频率安全进行综合评判。基于多级模型的电力系统频率时域仿真(古丽扎提·海拉提,解大,加玛力汗·库马什.基于多机模型的电力系统频率时域仿真[J].电力科学与技术学报,2010,25(04):71-77.)搭建多机系统频率响应模型,通过时域仿真得到扰动下的频率变化曲线并以此判断系统频率安全是否符合正常运行要求。基于改进频率响应模型的低频减载方案优化(蔡国伟,孙正龙,王雨薇,杨德友,孔令国.基于改进频率响应模型的低频减载方案优化[J].电网技术,2013,37(11):3131-3136.)应用频率响应模型大致预测扰动后系统的频率轨迹。Frequency stabilityfor an island power system:developing an intelligent preventive-correctivecontrol mechanism for an offshore location(Y.Wu,“Frequency Stability for anIsland Power System:Developing an Intelligent Preventive-Corrective ControlMechanism for an Offshore Location,”in IEEE Industry Applications Magazine,vol.23,no.2,pp.74-87,March-April 2017.)利用BP神经网络来对扰动后电力系统频率极值进行预测,进而评判系统的频率安全。上述方法在特定场景下能对扰动后的系统做出有效预测或评估,然而面对有源配电网复杂多变的运行工况却存在预测精度低、算法运行时间长的问题,无法实时精确地对电力系统频率安全做出评估。
发明内容
本发明的目的是克服现有技术中存在的评估精度低的缺陷与问题,提供一种评估精度高的基于IWO优化BiLSTM的有源配电网频率安全评估方法。
为实现以上目的,本发明的技术解决方案是:一种基于IWO优化BiLSTM的有源配电网频率安全评估方法,该方法包括以下步骤:
S1、从有源配电网的扰动点处获取多种电气特征量,并利用Spearman相关系数分析提取与有源配电网频率安全强相关的电气特征量;
S2、将与有源配电网频率安全强相关的电气特征量数据输入BiLSTM模型中,并利用入侵杂草优化算法对BiLSTM模型中的参数进行迭代优化;
S3、利用优化后的BiLSTM模型对有源配电网的频率安全状态进行评估。
步骤S1具体包括以下步骤:
S11、选取有源配电网的扰动点处电气特征量集合X和频率安全评估信息集合Y:
X={X1,X2,…,Xi,…Xm}
Y={Y1,Y2,…Yj,...Yn}
其中,Xi为有源配电网的扰动点处第i个电气特征量,Yj为有源配电网第j个频率安全评估信息,m和n分别表示电气特征量和频率安全评估信息的数量;
S12、将电气特征量集合X和频率安全评估信息集合Y编秩,利用Spearman相关系数分析提取与有源配电网频率安全强相关的电气特征量。
步骤S12中,Spearman相关系数ρ的表达式为:
其中,l为电气特征量集合X秩次序列的长度,di为第i个电气特征量与其对应频率安全评估信息的秩次差;
根据ρ值的大小判断出各电气特征量与有源配电网频率安全之间的相关性。
步骤S2具体包括以下步骤:
S21、将与有源配电网频率安全强相关的电气特征量数据进行归一化处理,映射至[0,1]区间内,并划分训练集和测试集;
S22、初始化BiLSTM和入侵杂草优化算法的参数;
S23、根据初始化的参数建立BiLSTM模型,对训练集中的信息数据进行训练和测试,将测试结果的平均绝对百分比误差的倒数作为入侵杂草优化算法中各黏菌的适应度值,通过黏菌位置的更新迭代,得到BiLSTM模型的最优参数。
步骤S22中,所述BiLSTM的参数包括神经元个数、学习率、窗口宽度、Dropout率和样本数。
步骤S22中,入侵杂草优化算法的参数包括杂草种群规模、最大迭代次数、可产生的最大种子数和最小种子数、标准差初始值和最终值、非线性因子、最大种群数。
步骤S23具体包括以下步骤:
S231、将BiLSTM中神经元个数、学习率、窗口宽度、Dropout率、样本数五个超参数作为杂草个体,将训练和测试后有源配电网频率安全评估MAPE的倒数作为超参数杂草个体的适应度值,生成超参数杂草种子:
其中,f为当前BiLSTM超参数的适应度值,fmax和fmin分别为当前BiLSTM超参数最大适应度值和最小适应度值,smax和smin分别为当前BiLSTM超参数杂草种群能生成种子的最大数目和最小数目;
S232、以当前BiLSTM超参数杂草为中心,以标准差为正态分布θiter的方式执行扩散操作,繁殖后的子代与父代一起组成新的种群;
式中,θinit和θfinal分别为初始的标准差和最终的标准差,iter和itermax分别为BiLSTM超参数杂草当前迭代次数和最大迭代次数,k为非线性因子;
S233、当BiLSTM超参数杂草种群数大于预定的最大种群数时,淘汰适应度值小的超参数杂草个体;
S234、重复步骤S231~S233直至满足入侵杂草优化算法终止条件,即可得到BiLSTM的最优超参数。
步骤S3具体包括以下步骤:
S31、利用数据采样窗口采集测试集中与有源配电网频率安全强相关的电气特征量数据;
S32、将数据采样窗口采集到的电气特征量数据经遗忘门、输入门、输出门后输出当前有源配电网频率安全状态:
S33、将BiLSTM输出数据反归一化得到极值频率fnad、最大频率变化率RF、准稳态频率fss三个有源配电网频率安全评估数据信息,并根据这三个数据的大小综合评判有源配电网频率安全。
与现有技术相比,本发明的有益效果为:
本发明一种基于IWO优化BiLSTM的有源配电网频率安全评估方法中,首先,利用Spearman相关系数从有源配电网扰动点处提取与频率安全强相关的电气特征量;其次,利用IWO算法对BiLSTM模型中的参数进行迭代优化,提高频率安全评估的精度;最后,利用优化后的BiLSTM模型实现有源配电网的频率安全的快速、精确评估。因此,本发明能够对有源配电网频率安全做出实时精确评估,且泛化能力强。
附图说明
图1是本发明一种基于IWO优化BiLSTM的有源配电网频率安全评估方法的流程图。
图2是本发明中有源配电网扰动点处各电气特征量与频率安全的相关性图。
图3是本发明中有源配电网频率安全评估的判据图。
图4是本发明中使用Spearman相关系数分析提取频率安全强相关电气特征量前后,本发明所提方法与其他对比方法的MAPE对比图。
图5是本发明中使用Spearman相关系数分析提取频率安全强相关电气特征量前后,本发明所提方法与其他对比方法的极值频率预测准确度(AC1)对比图。
图6是本发明中使用Spearman相关系数分析提取频率安全强相关电气特征量前后,本发明所提方法与其他对比方法的最大频率变化率预测准确度(AC2)对比图。
图7是本发明中使用Spearman相关系数分析提取频率安全强相关电气特征量前后,本发明所提方法与其他对比方法的准稳态频率预测准确度(AC3)对比图。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1,一种基于IWO优化BiLSTM的有源配电网频率安全评估方法,该方法包括以下步骤:
S1、从有源配电网的扰动点处获取多种电气特征量,并利用Spearman相关系数分析提取与有源配电网频率安全强相关的电气特征量;具体包括以下步骤:
S11、选取有源配电网的扰动点处电气特征量集合X和频率安全评估信息集合Y:
X={X1,X2,…Xi,…Xm}
Y={Y1,Y2,…Yj,...Yn}
其中,Xi为有源配电网的扰动点处第i个电气特征量,Yj为有源配电网第j个频率安全评估信息,m和n分别表示电气特征量和频率安全评估信息的数量;
S12、将电气特征量集合X和频率安全评估信息集合Y编秩,利用Spearman相关系数分析提取与有源配电网频率安全强相关的电气特征量;
Spearman相关系数ρ的表达式为:
其中,l为电气特征量集合X秩次序列的长度,di为第i个电气特征量与其对应频率安全评估信息的秩次差;
根据ρ值的大小判断出各电气特征量与有源配电网频率安全之间的相关性。
S2、将与有源配电网频率安全强相关的电气特征量数据输入BiLSTM(双向长短时记忆神经网络)模型中,并利用入侵杂草优化算法对BiLSTM模型中的参数进行迭代优化;具体包括以下步骤:
S21、将与有源配电网频率安全强相关的电气特征量数据进行归一化处理,映射至[0,1]区间内,并划分训练集和测试集;
S22、初始化BiLSTM和入侵杂草优化算法IWO的参数;
所述BiLSTM的参数包括神经元个数、学习率、窗口宽度、Dropout率和样本数(batchsize)。
入侵杂草优化算法的参数包括杂草种群规模、最大迭代次数、可产生的最大种子数和最小种子数、标准差初始值和最终值、非线性因子、最大种群数。
S23、根据初始化的参数建立BiLSTM模型,对训练集中的信息数据进行训练和测试,将测试结果的平均绝对百分比误差MAPE的倒数作为入侵杂草优化算法中各黏菌的适应度值,通过黏菌位置的更新迭代,得到BiLSTM模型的最优参数;具体包括以下步骤:
S231、将BiLSTM中神经元个数、学习率、窗口宽度、Dropout率、样本数五个超参数作为杂草个体,将训练和测试后有源配电网频率安全评估MAPE的倒数作为超参数杂草个体的适应度值,生成超参数杂草种子:
其中,f为当前BiLSTM超参数的适应度值,fmax和fmin分别为当前BiLSTM超参数最大适应度值和最小适应度值,smax和smin分别为当前BiLSTM超参数杂草种群能生成种子的最大数目和最小数目;
S232、以当前BiLSTM超参数杂草为中心,以标准差为正态分布θiter的方式执行扩散操作,繁殖后的子代与父代一起组成新的种群;
式中,θinit和θfinal分别为初始的标准差和最终的标准差,iter和itermax分别为BiLSTM超参数杂草当前迭代次数和最大迭代次数,k为非线性因子;
S233、当BiLSTM超参数杂草种群数大于预定的最大种群数时,淘汰适应度值小的超参数杂草个体;
S234、重复步骤S231~S233直至满足入侵杂草优化算法终止条件,即可得到BiLSTM的最优超参数。
S3、利用优化后的BiLSTM模型对有源配电网的频率安全状态进行评估;具体包括以下步骤:
S31、利用数据采样窗口采集测试集中与有源配电网频率安全强相关的电气特征量数据;
S32、将数据采样窗口采集到的电气特征量数据经遗忘门、输入门、输出门后输出当前有源配电网频率安全状态:
S33、将BiLSTM输出数据反归一化得到极值频率fnad、最大频率变化率RF、准稳态频率fss三个有源配电网频率安全评估数据信息,并根据这三个数据的大小综合评判有源配电网频率安全。
分析图2可知,从有源配电网扰动点处可以获得扰动点母线上有功功率P,无功功率Q,电压U,电流I,有功功率变化率无功功率变化率电压变化率电流变化率机组虚拟惯性时间常数Tj,机组的旋转备用容量Pb,储能爬坡功率Pes,负荷水平PL,机组距扰动点的电气距离D,共13种电气特征量。其中,有功功率P,电压U,电流I,有功功率变化率电压变化率电流变化率与有源配电网频率安全相关性较高,在本发明中被选为与有源配电网频率安全强相关电气特征量。
图3中阴影部分表示频率安全的划分区间,具体解释如下:
(a)有源配电网发生扰动后,若频率极大值大于高频切机触发的阈值fmax或低于低频减载触发的阈值fmin,则判定为有源配电网系统频率不安全。
(b)若频率变化率绝对值大于频率变化率继电保护装置触发频率RF,max,则判定有源配电网系统频率不安全。
(c)若有源配电网扰动后不会触发频率保护装置动作,则系统频率安全。
图4~图7为使用Spearman相关系数分析前后,本发明所提方法与其他对比方法在MAPE及各评估信息预测准确率上的对比图。其中对比方法一和对比方法二分别基于BiLSTM和LSTM进行训练和预测。以我国南方某有源配电网扰动运行数据构建广域样本数据集,考虑有源配电网扰动点所在母线有功功率P,无功功率Q,电压U,电流I,有功功率变化率无功功率变化率电压变化率电流变化率机组虚拟惯性时间常数Tj,机组的旋转备用容量Pb,储能爬坡功率Pes,负荷水平PL,机组距扰动点的电气距离D等因素,最终得到5000组样本数据。将5000组有源配电网样本数据重构并选取其中4000组数据作为训练集,剩余1000组作为测试集。待各模型训练完成之后,将测试集样本数据输入模型,再将输出反归一化即可得到图4~图7中的数据。
图4为使用Spearman相关分析提取频率安全强相关电气特征量前后,本发明所提方法与其他对比方法的MAPE对比图。分析图4可知,利用Spearman分析提取频率安全强相关电气特征量能够有效降低各方法的MAPE。在利用Spearman相关性分析前本发明所提方法的MAPE比对比方法一和对比方法二分别低2.07%和5.33%,利用Spearman相关性分析前本发明所提方法的MAPE比对比方法一和对比方法二分别低2.44%和5.29%。
图5为使用Spearman相关分析提取频率安全强相关电气特征量前后,本发明所提方法与其他对比方法的AC1对比图。分析图5可知,利用Spearman分析提取频率安全强相关电气特征量能够有效提高各方法的AC1。在利用Spearman相关性分析前本发明所提方法的AC1比对比方法一和对比方法二分别高1.78%和4.91%,利用Spearman相关性分析前本发明所提方法的AC1比对比方法一和对比方法二分别高2%和3.86%。
图6为使用Spearman相关分析提取频率安全强相关电气特征量前后,本发明所提方法与其他对比方法的AC2对比图。分析图6可知,利用Spearman分析提取频率安全强相关电气特征量能够有效提高各方法的AC2。在利用Spearman相关性分析前本发明所提方法的AC2比对比方法一和对比方法二分别高1.8%和5.01%,利用Spearman相关性分析前本发明所提方法的AC2比对比方法一和对比方法二分别高1.47%和4.84%。
图7为使用Spearman相关分析提取频率安全强相关电气特征量前后,本发明所提方法与其他对比方法的AC3对比图。分析图7可知,利用Spearman分析提取频率安全强相关电气特征量能够有效提高各方法的AC3。在利用Spearman相关性分析前本发明所提方法的AC3比对比方法一和对比方法二分别高2.72%和5.41%,利用Spearman相关性分析前本发明所提方法的AC2比对比方法一和对比方法二分别高2.09%和3.67%。
综上所述可知,利用Spearman相关分析提取频率安全强相关电气特征量能够有效提升各有源配电网频率安全评估方法的性能。相比于对比方法一和对比方法二,本发明所提方法的精度更高,能够实现有源配电网频率安全的精确评估。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此,本发明并不局限于上面揭示和描述的具体实施方式,对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。
Claims (8)
1.一种基于IWO优化BiLSTM的有源配电网频率安全评估方法,其特征在于,该方法包括以下步骤:
S1、从有源配电网的扰动点处获取多种电气特征量,并利用Spearman相关系数分析提取与有源配电网频率安全强相关的电气特征量;
S2、将与有源配电网频率安全强相关的电气特征量数据输入BiLSTM模型中,并利用入侵杂草优化算法对BiLSTM模型中的参数进行迭代优化;
S3、利用优化后的BiLSTM模型对有源配电网的频率安全状态进行评估。
2.根据权利要求1所述的一种基于IWO优化BiLSTM的有源配电网频率安全评估方法,其特征在于:步骤S1具体包括以下步骤:
S11、选取有源配电网的扰动点处电气特征量集合X和频率安全评估信息集合Y:
X={X1,X2,…Xi,…Xm}
Y={Y1,Y2,…Yj…Yn},
其中,Xi为有源配电网的扰动点处第i个电气特征量,Yj为有源配电网第j个频率安全评估信息,m和n分别表示电气特征量和频率安全评估信息的数量;
S12、将电气特征量集合X和频率安全评估信息集合Y编秩,利用Spearman相关系数分析提取与有源配电网频率安全强相关的电气特征量。
4.根据权利要求1所述的一种基于IWO优化BiLSTM的有源配电网频率安全评估方法,其特征在于:步骤S2具体包括以下步骤:
S21、将与有源配电网频率安全强相关的电气特征量数据进行归一化处理,映射至[0,1]区间内,并划分训练集和测试集;
S22、初始化BiLSTM和入侵杂草优化算法的参数;
S23、根据初始化的参数建立BiLSTM模型,对训练集中的信息数据进行训练和测试,将测试结果的平均绝对百分比误差的倒数作为入侵杂草优化算法中各黏菌的适应度值,通过黏菌位置的更新迭代,得到BiLSTM模型的最优参数。
5.根据权利要求4所述的一种基于IWO优化BiLSTM的有源配电网频率安全评估方法,其特征在于:步骤S22中,所述BiLSTM的参数包括神经元个数、学习率、窗口宽度、Dropout率和样本数。
6.根据权利要求5所述的一种基于IWO优化BiLSTM的有源配电网频率安全评估方法,其特征在于:步骤S22中,入侵杂草优化算法的参数包括杂草种群规模、最大迭代次数、可产生的最大种子数和最小种子数、标准差初始值和最终值、非线性因子、最大种群数。
7.根据权利要求6所述的一种基于IWO优化BiLSTM的有源配电网频率安全评估方法,其特征在于:步骤S23具体包括以下步骤:
S231、将BiLSTM中神经元个数、学习率、窗口宽度、Dropout率、样本数五个超参数作为杂草个体,将训练和测试后有源配电网频率安全评估MAPE的倒数作为超参数杂草个体的适应度值,生成超参数杂草种子:
其中,f为当前BiLSTM超参数的适应度值,fmax和fmin分别为当前BiLSTM超参数最大适应度值和最小适应度值,smax和smin分别为当前BiLSTM超参数杂草种群能生成种子的最大数目和最小数目;
S232、以当前BiLSTM超参数杂草为中心,以标准差为正态分布θiter的方式执行扩散操作,繁殖后的子代与父代一起组成新的种群;
式中,θinit和θfinal分别为初始的标准差和最终的标准差,iter和itermax分别为BiLSTM超参数杂草当前迭代次数和最大迭代次数,k为非线性因子;
S233、当BiLSTM超参数杂草种群数大于预定的最大种群数时,淘汰适应度值小的超参数杂草个体;
S234、重复步骤S231~S233直至满足入侵杂草优化算法终止条件,即可得到BiLSTM的最优超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211726750.8A CN115965288B (zh) | 2022-12-29 | 2022-12-29 | 基于IWO优化BiLSTM的有源配电网频率安全评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211726750.8A CN115965288B (zh) | 2022-12-29 | 2022-12-29 | 基于IWO优化BiLSTM的有源配电网频率安全评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115965288A true CN115965288A (zh) | 2023-04-14 |
CN115965288B CN115965288B (zh) | 2023-11-03 |
Family
ID=87361633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211726750.8A Active CN115965288B (zh) | 2022-12-29 | 2022-12-29 | 基于IWO优化BiLSTM的有源配电网频率安全评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115965288B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229755A (zh) * | 2018-01-31 | 2018-06-29 | 天津大学 | 基于改进二进制入侵杂草优化算法的主动配电网网架规划 |
US20180309294A1 (en) * | 2016-12-07 | 2018-10-25 | Northeastern University | Reactive power optimization system and method of power grid based on the double-fish-swarm algorithm |
CN110210740A (zh) * | 2019-05-22 | 2019-09-06 | 广西电网有限责任公司电力科学研究院 | 一种考虑供电质量的配电网可靠性评估方法 |
CN112003272A (zh) * | 2020-08-11 | 2020-11-27 | 东北电力大学 | 一种基于卷积神经网络的电力系统频率安全控制方法 |
CN112434936A (zh) * | 2020-11-23 | 2021-03-02 | 湖南大学 | 一种电力系统惯量安全域评估方法、系统、电子设备及可读存储介质 |
CN112821424A (zh) * | 2021-01-29 | 2021-05-18 | 国网辽宁省电力有限公司大连供电公司 | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 |
WO2021212649A1 (zh) * | 2020-04-20 | 2021-10-28 | 广州地铁设计研究院股份有限公司 | 一种入侵杂草算法求解资源受限项目调度方法 |
CN113595798A (zh) * | 2021-08-02 | 2021-11-02 | 湖北工业大学 | 改进闪电连接过程优化算法的网络流量预测方法及系统 |
US11176442B1 (en) * | 2021-02-11 | 2021-11-16 | North China Electric Power University | Fast power system disturbance identification using enhanced LSTM network with renewable energy integration |
AU2021107084A4 (en) * | 2021-08-25 | 2022-05-05 | Rathod, Nilesh MR | A Hybrid Optimization driven Extreme Learning Machine (ELM) for Enhancing Classification |
DE202022105010U1 (de) * | 2022-09-06 | 2022-09-23 | Hesham Alhumyani | Ein Differential Crossover- und Quanten-Partikelschwarm-Optimierungssystem |
US20220368133A1 (en) * | 2021-08-16 | 2022-11-17 | Hunan University | Method and system for evaluating inertia of power system and storage medium |
CN115526258A (zh) * | 2022-09-29 | 2022-12-27 | 广东电网有限责任公司广州供电局 | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 |
-
2022
- 2022-12-29 CN CN202211726750.8A patent/CN115965288B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180309294A1 (en) * | 2016-12-07 | 2018-10-25 | Northeastern University | Reactive power optimization system and method of power grid based on the double-fish-swarm algorithm |
CN108229755A (zh) * | 2018-01-31 | 2018-06-29 | 天津大学 | 基于改进二进制入侵杂草优化算法的主动配电网网架规划 |
CN110210740A (zh) * | 2019-05-22 | 2019-09-06 | 广西电网有限责任公司电力科学研究院 | 一种考虑供电质量的配电网可靠性评估方法 |
WO2021212649A1 (zh) * | 2020-04-20 | 2021-10-28 | 广州地铁设计研究院股份有限公司 | 一种入侵杂草算法求解资源受限项目调度方法 |
CN112003272A (zh) * | 2020-08-11 | 2020-11-27 | 东北电力大学 | 一种基于卷积神经网络的电力系统频率安全控制方法 |
CN112434936A (zh) * | 2020-11-23 | 2021-03-02 | 湖南大学 | 一种电力系统惯量安全域评估方法、系统、电子设备及可读存储介质 |
CN112821424A (zh) * | 2021-01-29 | 2021-05-18 | 国网辽宁省电力有限公司大连供电公司 | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 |
US11176442B1 (en) * | 2021-02-11 | 2021-11-16 | North China Electric Power University | Fast power system disturbance identification using enhanced LSTM network with renewable energy integration |
CN113595798A (zh) * | 2021-08-02 | 2021-11-02 | 湖北工业大学 | 改进闪电连接过程优化算法的网络流量预测方法及系统 |
US20220368133A1 (en) * | 2021-08-16 | 2022-11-17 | Hunan University | Method and system for evaluating inertia of power system and storage medium |
AU2021107084A4 (en) * | 2021-08-25 | 2022-05-05 | Rathod, Nilesh MR | A Hybrid Optimization driven Extreme Learning Machine (ELM) for Enhancing Classification |
DE202022105010U1 (de) * | 2022-09-06 | 2022-09-23 | Hesham Alhumyani | Ein Differential Crossover- und Quanten-Partikelschwarm-Optimierungssystem |
CN115526258A (zh) * | 2022-09-29 | 2022-12-27 | 广东电网有限责任公司广州供电局 | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 |
Non-Patent Citations (1)
Title |
---|
蔡国伟;杨德友;姜又滔;: "基于广域瞬时量测信息的复杂受端电网动态频率量化评估与预警方法研究", 中国科学:技术科学, no. 04, pages 382 - 389 * |
Also Published As
Publication number | Publication date |
---|---|
CN115965288B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Flores et al. | Evolutive design of ARMA and ANN models for time series forecasting | |
CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Tian et al. | A network traffic prediction method based on IFS algorithm optimised LSSVM | |
CN106712065B (zh) | 一种电动汽车充电对配电网有功损耗影响指数预测方法 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
CN112529685A (zh) | 一种基于bas-fnn的贷款用户信用评级方法及系统 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
Li et al. | Short-term probabilistic load forecasting method based on uncertainty estimation and deep learning model considering meteorological factors | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN115965288A (zh) | 基于IWO优化BiLSTM的有源配电网频率安全评估方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN112232714B (zh) | 一种基于深度学习的结构参数不完备下配电网风险评估方法 | |
CN112949938B (zh) | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 | |
Pang | Short-term harmonic forecasting and evaluation affected by electrified railways on the power grid based on stack auto encoder neural network method and the comparison to BP method | |
Zhang et al. | A hybrid load forecasting method based on neural network in smart grid | |
Bin et al. | A short-term power load forecasting method based on eemd-abgru | |
Wang et al. | An alternative method for estimating wind-power capacity credit based on reliability evaluation using intelligent search | |
Ramakrishna et al. | Neural networks forecasting model for monthly electricity load in Andhra Pradesh | |
Ding et al. | Evolving neural network using hybrid genetic algorithm and simulated annealing for rainfall-runoff forecasting | |
Song et al. | Failure rate model of electric equipment based on meteorological environment |
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 |