CN116722653A - 一种电力系统动态状态检测方法及系统 - Google Patents
一种电力系统动态状态检测方法及系统 Download PDFInfo
- Publication number
- CN116722653A CN116722653A CN202310689672.7A CN202310689672A CN116722653A CN 116722653 A CN116722653 A CN 116722653A CN 202310689672 A CN202310689672 A CN 202310689672A CN 116722653 A CN116722653 A CN 116722653A
- Authority
- CN
- China
- Prior art keywords
- power system
- algorithm
- state
- training
- node
- 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
- 238000001514 detection method Methods 0.000 title description 23
- 238000000034 method Methods 0.000 claims abstract description 97
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 85
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 81
- 238000009499 grossing Methods 0.000 claims description 39
- 238000002347 injection Methods 0.000 claims description 11
- 239000007924 injection Substances 0.000 claims description 11
- 230000001364 causal effect Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 abstract description 50
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 30
- 230000008569 process Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 18
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 239000000243 solution Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
-
- 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]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Human Computer Interaction (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于时间卷积网络的扩展卡尔曼滤波电力系统动态状态估计的方法,包括:将人工智能技术引入电力系统动态状态估计中,提出基于时间卷积网络(Time Convolution network,TCN)的时序预测方法;本发明所构建的TCN模型以节点电压和误差协方差矩阵作为网络的输入输出特征量;本发明算法的网络输入即为节点电压和误差协方差矩阵,输出量即为下一时刻电压和误差协方差矩阵的预测值;该方法能准确建立系统状态的空间模型,提高系统状态预测的预测精度,为后续动态估计以及状态评估提供质量较高的未来态状态值;通过在IEEE14标准系统进行算例仿真表明,所提方法的估计精度与EKF相比具有良好的表现。
Description
技术领域
本发明涉及电力系统领域,更具体的,涉及一种电力系统动态状态检测方法及系统。
背景技术
近年来,智能电网态势感知逐渐成为研究热点,而电力系统状态估计是态势感知系统“理解”和“预测”电力系统运行方式的重要基础,也是能量管理系统的核心功能之一,对于系统调度、经济运行和实时控制起到了重要的作用。目前,大规模可再生能源并网增加了电力平衡分析的难度,降低了对系统调节能力的下降;此外,海量运行数据中也存在着数据缺失、数据异常等问题,这些均严重影响了状态估计的结果,增大了电网运行的潜在风险。因此,精准实时的态势感知技术对电力系统的分析及应用起着至关重要的作用。
不同于静态状态估计,电力系统中的动态状态估计可以更为有效准确的预测系统的运行趋势,因而得到了广泛的应用。其优点有:1)在提供估计值的同时提供预测值,能够有效解决因通信故障等原因导致的短时量测冗余度不足的问题,并为EMS(EnergyManagement System,能源管理系统)的高级预测功能提供数据基础;2)根据电力系统动态函数对系统运行状态做出预测,能够充分提高状态估计结果的准确性。
现有技术中,传统的动态状态估计主要以扩展卡尔曼滤波方法为主。例如,现有技术中,可以将STF(Strong Track Filter,强跟踪滤波)方法引入电力系统动态状态估计提高了计算的速度。同时,可以在扩展卡尔曼滤波(Extended Kalman Filter,EKF)中引入时变次优渐消因子,能够在线实时的调整预报误差协方差矩阵和相应的增益矩阵的准确性。但由于上述方法中需要计算雅可比矩阵,因此会导致较大的线性化误差。为了解决这个问题,Julier提出了一种无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)算法,随后Vander Merwe对该方法进行了扩展,提出了平方根UKF方法。
为了改进UKF对于系统噪声的适应性,现有技术中还存在一种自适应无迹卡尔曼滤波(Adaptive Unscented Kalman Filtering,AUKF)算法,能够改进Sage-Husa噪声统计估值器,补偿系统噪声的影响。然而,在实际量测系统中仍然含有一定比例的不良数据,不良数据的存在增加了系统建模的不确定性,估计性能难以得到保证。为此人们提出了一种广义无迹卡尔曼滤波算法,利用统计线性化方法进行了准确估计,并能够有效辨识量测坏数据。
以上动态状态估计的研究中,EKF、UKF算法的状态转移矩阵通常都设为单位阵,或通过Holt’s两参数指数平滑法构建状态空间模型。这些方法假设系统噪声协方差矩阵保持恒定,仿真结果具有较高的精度。然而,上述这些状态空间模型的构建方式并没有基于实际的电力系统模型,仅通过数学方程近似卡尔曼滤波的状态转移过程,使得数学方程近似卡尔曼滤波的状态转移过程,并且动态状态估计预测部分的精度受到限制,最终影响滤波部分的估计结果。
针对上述问题,亟需一种针对于电力系统中状态数据的精确预测方法及系统。
发明内容
为解决现有技术中存在的不足,本发明提供一种电力系统动态状态检测方法,通过数据驱动实现对节点历史电压和误差协方差的同步迭代和预测。
本发明采用如下的技术方案。
本发明第一方面,涉及一种电力系统动态状态检测方法,方法包括以下步骤:步骤1,从历史数据库中采集电力系统的多断面历史电压以计算动态节点电压,并且,以节点历史电压为状态变量采用EKF算法获得状态变量对应的误差协方差矩阵;步骤2,采用霍尔特指数平滑法对动态节点电压和误差协方差矩阵进行平滑后生成训练集;步骤3,采用TCN算法对训练集中的数据进行训练,并将训练结果通过EKF算进行校正,以获得动态预测电压。
优选的,EKF算法中,以电力系统中节点电压复向量为状态变量,以电力系统中的节点电压幅值、节点注入功率、支路功率为观测值。
优选的,基于多断面历史电压、电力系统中电网的拓扑参数对电力系统进行仿真,从而获取多断面潮流数据;从多断面潮流数据中提取节点电压复向量、节点电压幅值、节点注入功率和支路功率。
优选的,在平滑后,采用归一化算法对训练集中的数据进行归一化处理。
优选的,TCN算法的算法模型中依次包括残差模块、池化层和全连接层。
优选的,残差模块包括第一膨胀因果卷积层、第二膨胀因果卷积层;并且,采用ReLU函数对第一膨胀因果卷积层的输出结果进行激活。
优选的,采用Sigmoid函数作为全连接层的激活函数。
优选的,计算TCN算法的损失函数,并采用反向传播算法和损失函数对TCN算法的参数进行优化。
优选的,分别针对动态节点电压和所述误差协方差矩阵生成训练集,并分别采用TCN算法对训练集进行训练。
本发明第二方面,涉及一种基于本发明第一方面中的电力系统动态状态检测系统,系统包括采集模块、平滑模块和训练模块;其中,采集模块,用于从历史数据库中采集电力系统的多断面历史电压以计算动态节点电压,并且,以节点历史电压为状态变量采用EKF算法获得状态变量对应的误差协方差矩阵;平滑模块,用于采用霍尔特指数平滑法对动态节点电压和误差协方差矩阵进行平滑后生成训练集;训练模块,用于采用TCN算法对训练集中的数据进行训练,以获得动态预测电压。
本发明的有益效果在于,与现有技术相比,本发明中的一种电力系统动态状态检测方法,能够通过数据驱动实现对节点历史电压和误差协方差的同步迭代和预测,确保了动态预测结果的准确性。本发明构思巧妙,有效可靠,在数据驱动过程中,提前采用EKF算法获取了状态变量的误差协方差矩阵,并将该矩阵融入至TCN算法的迭代预测过程中,大幅提高了预测结果中预测部分的准确性,进而也通过交互作用确保了滤波部分不会在多次迭代过程中发生偏移。
本发明的有益效果还包括:
1、在估计精度方面,本发明引入时间卷积网络的时序预测方法,该方法能准确建立系统状态的空间模型,提高系统状态预测的预测精度,为后续动态估计以及状态评估提供质量较高的预测值。
2、本发明方法基于历史状态量数据特征提取,通过数据驱动的方法模拟复杂的状态转移关系。利用TCN网络的优势,建立了准确的状态空间模型,提高了EKF的预测性能。该计算方法滤波步精度明显提高;所提方法能够在当前时刻量测量到来之前对电网的状态进行准确预测,提高了系统状态估计的精度。
附图说明
图1为本发明一种电力系统动态状态检测方法的步骤示意图;
图2为本发明一种电力系统动态状态检测方法中第一电压预测步的幅值预测精度的示意图;
图3为本发明一种电力系统动态状态检测方法中第二电压预测步的幅值预测精度的示意图;
图4为本发明一种电力系统动态状态检测方法中第一电压幅值滤波步的预测精度的示意图;
图5为本发明一种电力系统动态状态检测方法中第二电压幅值滤波步的预测精度的示意图;
图6为本发明一种电力系统动态状态检测方法中是否采用平滑过程对第一电压幅值预测步的预测精度影响的示意图;
图7为本发明一种电力系统动态状态检测方法中是否采用平滑过程对第一电压幅值滤波步的预测精度影响的示意图;
图8为本发明一种电力系统动态状态检测方法中是否采用平滑过程对第二电压幅值预测步的预测精度影响的示意图;
图9为本发明一种电力系统动态状态检测方法中是否采用平滑过程对第二电压幅值滤波步的预测精度影响的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本发明所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,本领域普通技术人员在没有做出创造性劳动的前提下,根据本发明中记载的实施例而获得的所有其它本发明中未记载的实施例,都应当属于本发明的保护范围。
针对传统动态状态估计预测步状态空间模型难以建立的问题,本文构建基于时间卷积网络(Time Convolution network,TCN)的状态空间模型,通过历史数据的特征提取模拟复杂的状态转移关系,并采用EKF算法进行电力系统动态状态估计。本发明中所提的方法可以基于人工智能技术建立节点电压状态空间模型,并考虑系统噪声协方差矩阵,避免了传统卡尔曼滤波方法中由常系数的状态转移矩阵引起的状态空间模型误差,有效提高了EKF预测步的精度,进而提高了节点状态的滤波精度。
图1为本发明一种电力系统动态状态检测方法的步骤示意图。本发明第一方面,涉及一种电力系统动态状态检测方法,方法包括步骤1至步骤3。
步骤1,从历史数据库中采集电力系统的多断面历史电压以计算动态节点电压,并且,以节点历史电压为状态变量采用EKF算法获得状态变量对应的误差协方差矩阵。
可以理解的是,这里的历史数据库可以由电力系统中相应的数据采集系统实现,例如SCADA(Supervisory Control And Data Acquisition,数据采集与监视控制)系统能够实时采集并监控到电力系统中各项设备的运行情况,并对节点电压、节点电流、支路功率等基本数据情况进行跟踪和存储。
在这种情况下,本发明中的方法能够首先提取电力系统原始采集到的各个系统断面的历史状态量,例如电压、电流量等等。由于电力系统中各个设备之间的连接关系是清楚明确的,因此本发明中的方法也能够对于电力系统进行仿真,从而得到多断面潮流数据。由于系统潮流的运算过程属于现有技术中常用的方法,本发明中对此不做赘述。
优选的,基于多断面历史电压、电力系统中电网的拓扑参数对电力系统进行仿真,从而获取多断面潮流数据;从多断面潮流数据中提取节点电压复向量、节点电压幅值、节点注入功率和支路功率。
可以理解的是,本发明中的节点电压复向量实际上是在求解电压数据的过程中,获取了电压的相位角,从而实现了节点电压复向量的表征方式。另外,根据对于节点上实时电压幅值的采集情况,也能够计算出节点电压的真实幅值。根据多断面潮流数据的求解,也能够获得节点的注入功率和支路功率。
需要明确的是,本发明中的电力系统中电网的拓扑参数可以泛指与上述计算过程所相关的多种参数,例如实时获取的节点电流、各条支路上设备的等效电阻、电容、电感等参数,以及各个设备之间的连接方式,节点与支路的关联关系等等。
可以理解的是,本发明中,为了准确的得到在后续步骤中通过训练方式实现预测的原始数据,首先会对仿真计算得到的多断面潮流数据进行预先处理。例如,本发明中,需要在多断面潮流数据的基础上增加高斯白噪声,以仿真多断面历史的量测信息。
需要说明的是,用于求解多断面潮流数据的历史数据库中的数据首先经过了典型数据的筛选。在筛选完成后,计算的多断面潮流数据只能够被认为是某个典型时刻下的状态数据。此时,为了确保多断面潮流数据能够涵盖较长时间的电网潮流真实运行情况,在仿真求解得到的多断面潮流数据中,增加了高斯白噪声。
由于这种数据的预先处理过程,就确保了所有经过训练的原始数据均是经过了初步验证确保电网典型特征的有效数据,因此不会因为采集各类不够准确的设备原始数据而导致最终的预测结果也不够准确。
本发明中所采用EKF算法为卡尔曼滤波的扩展算法,如本发明背景技术部分中提及的各类算法类似,EKF算法也能够避免复杂模型的建立,对于时域上周期特征变化的数据具有良好准确的预测能力。由于本发明背景技术部分中所述的多种卡尔曼滤波算法也能够良好的替代本发明中所采用EKF算法,因此本发明的保护范围也不限于采用上述算法中的一种来替代本发明中的EKF算法。同时,将这种算法与TCN相结合,确保电力预测估计的准确。
优选的,EKF算法中,以电力系统中节点电压复向量为状态变量,以电力系统中的节点电压幅值、节点注入功率、支路功率为观测值。
可以理解的是,本发明中EKF算法选用了节点电压复向量为状态变量,并以其他上文中提到的数据为观测值来进行误差协方差矩阵的估计、最优增益的计算和状态变量估计值的更新。由于本发明中TCN算法是迭代实现的,因而,本发明中的EKF算法所计算得到的误差协方差矩阵和状态变量的估计值等均会随着TCN的迭代而迭代,并在迭代过程中确保数据不会发生较大的偏移。
具体来说,本发明中的EKF算法包括预测部分和滤波部分。其中在预测阶段,算法会在每次迭代过程中计算当前状态变量的预估值,采用下述公式:
在该公式中,k和k+1分别为当前迭代次数所对应的时间,为经过第k+1次迭代后的当前状态变量的预估值。例如,对于本发明来说可以为节点电压幅值的估计值。该当前状态变量可以为一个多维的状态向量,例如n维,而为了迭代求解该向量,就需要φk为一个n*n维的转换矩阵,另外,Wk则是一个均值为0的n*1维的白噪声序列。
对于本发明方法来说,上述两个参数φk与Wk可以通过霍尔特指数平滑预报模型中的两个参数进行表示。具体的,该模型借助平滑技术,消除系统随机因素的影响,反映随趋势变动的时间序列的基本变化规律,并用合适的模型表示该基本变化过程,从而进行外推预测。该方法降低了过去数据的权重值,并采用3个历史时段的数据进行状态量预测:
在该公式中,ak和bk分别为水平分量和垂直分量,α和β则分别为平滑参数,在0和1之间取值。又根据可知,EKF系统的模型矩阵可以由两个参数来表示为:
其中,在尚未进行迭代之前,可以设置初始滤波误差协方差矩阵,也就是k=1时的Pk为单位矩阵。该参数将会在滤波阶段进行迭代运算。
另外,在预测阶段,本发明方法还会预测误差协方差矩阵为:
其中,Pk为上一个时刻中在滤波步骤获得的误差协方差矩阵,而Qk则为另一个均值为0的白噪声序列。
在每次迭代中分别求解当前状态变量和预测出误差协方差矩阵,则完成了一次迭代过程。当预测阶段完成后,就可以亟需实现EKF算法的滤波阶段了。
在滤波阶段,每次迭代中需要求解滤波阶段的误差协方差矩阵以及卡尔曼滤波最优增益。
其中,卡尔曼滤波最优增益为:
在该公式中,Pk+1|k为当前迭代下计算得到的滤波误差协方差矩阵。为观测矩阵的转置,/>用于表征观测向量的各个分量均附加的有机随机噪声,是一个对称的正定矩阵的逆。
需要说明的是,在上述公式中,滤波误差协方差矩阵为:
在滤波步骤,当求解得到了滤波误差协方差矩阵和卡尔曼滤波增益后,就可以对当前状态变量进行重新的估计,估计的结果为:
在该公式中,为残差矩阵。
步骤2,采用霍尔特指数平滑法对动态节点电压和误差协方差矩阵进行平滑后生成训练集。
可以理解的是,本发明通过Holt’s指数平滑法获取电压估计值和误差协方差矩阵训练集数据。在霍尔特双参数平滑法模型中,预测由两部分构成;一部分是水平部分,是在上期水平部分的基础上,用简单指数平滑法来更新;另一部分是趋势部分,是在上期趋势部分的基础上平滑调整,也用简单指数平滑法来更新;两者相加,就得到下期的预测。霍尔特法不但持续调整水平部分,而且持续调整趋势部分,在横向和纵向两维调整预测,所以能更好地应对趋势的变化,因此本发明中合理的选择了这种算法。当然,也可以根据电网中数据的各项特征例如周期性特征、季节性特征等选择类似的平滑算法。
优选的,在平滑后,采用归一化算法对训练集中的数据进行归一化处理。
优选的,考虑到数据量纲对模型训练的影响以及避免模型训练出现过拟合现象,本发明对电压估计值和误差协方差矩阵训练数据集中的多断面历史数值信息进行归一化处理得到归一化处理后的历史数据集。
本发明中,最终将处理后的多断面历史数据按照9:1的对应比例分为训练集和测试集。其中训练集用来实现训练,本发明在训练前可以预先确定基于时间卷积神经网络模型TCN的各种超参数以及权重,测试集用来评估训练完成后基于时间卷积神经网络模型TCN的性能。
步骤3,采用TCN算法对训练集中的数据进行训练,并将训练结果通过EKF算进行校正,以获得动态预测电压。
优选的,TCN算法的算法模型中依次包括残差模块、池化层和全连接层。残差模块包括第一膨胀因果卷积层、第二膨胀因果卷积层;并且,采用ReLU函数对第一膨胀因果卷积层的输出结果进行激活。采用Sigmoid函数作为全连接层的激活函数。
在模型训练前,可以设置基于时间卷积神经网络模型TCN的网络结构和模型参数,以确保该模型充分匹配本发明中的电力系统数据。
目前,传统的CNN仅能通过扩大卷积核的规模或是堆叠多层来缓解时间序列问题的长期依赖问题。TCN则使用膨胀卷积与残差网络。膨胀卷积即允许卷积核的输入为间隔采样,在堆叠多层卷积层时,可以获得更大的感受野,这可以抓取时间序列中长时间的依赖关系。
TCN使用膨胀系数来确定间隔的大小。此外,残差网络即允许上一层的误差直接传入下一层,可以极大缓解深层网络难以学习的问题。TCN相对于RNN、CNN类模型的训练难度较低,需要的数据集规模较小。所以TCN比较适合本发明中的预测需求。
本发明中可以输入多断面历史数据中的训练集至TCN模型中,所输入的训练集中含有节点电压估计值和误差协方差矩阵。
然后,将训练集输入膨胀因果卷积隐藏层,两个膨胀因果卷积隐藏层之间使用ReLU激活函数,经过两个膨胀因果卷积隐藏层实现信息的挖掘得到嵌入向量,再将该嵌入向量经池化层池化压缩得到最终的嵌入向量后输入全连接层,全连接层使用Sigmoid激活函数,由全连接层分析多断面历史信息的时序特征并输出系统节下一时刻的节点电压和误差协方差矩阵的预测值。
传统方法中,TCN模型通常利用softmax层得到对当前电力系统运行场景的暂态功角稳定判别置信度S0和失稳判别置信度S1,而本发明方法的模型则直接利用Dense全连接层输出系统节点电压和误差协方差矩阵信息,得到精准实时的系统下一时刻节点电压和误差协方差矩阵预测值。
优选的,计算TCN算法的损失函数,并采用反向传播算法和损失函数对TCN算法的参数进行优化。
具体来说,训练过程中将基于时间卷积神经网络模型TCN输出的节点电压和误差协方差矩阵与训练集中的多断面历史信息样本进行对比并计算损失函数,通过损失函数对模型参数进行优化,且通过反向传播算法更新基于时间卷积神经网络模型TCN的权重和参数。最后,通过多次迭代,得到最优的基于时间卷积神经网络模型TCN。如上文所述,对损失函数的取值结果进行评估,或者是采用反向传播算法都可以实现TCN参数的改进。
模型测试阶段,利用测试集中的多断面历史数据输入所得的基于时间卷积神经网络模型TCN进行性能测试,即将测试集中多断面历史数据输入已训练好的基于时间卷积神经网络模型TCN,根据模型输出的下一时刻节点电压和误差协方差矩阵预测值与测试集中的多断面历史信息样本的真实值对比得到其误差值判断模型性能是否良好,以便得到训练完成的基于时间卷积神经网络模型TCN。
可见,在本发明中,迭代训练的次数可以是灵活设置的,取决于训练结果的准确性。
优选的,分别针对动态节点电压和误差协方差矩阵生成训练集,并分别采用TCN算法对训练集进行训练。
需要说明的是,为了提高模型训练效率,本发明将节点电压和误差协方差矩阵分别建模,并分别实现训练过程。具体来说,本发明根据获取的经归一化处理后的当前断面节点电压和当前断面的误差协方差矩阵数据,并将当前断面的数据输入离线训练模型中以完成基于时间卷积神经网络模型TCN的训练,从而得到下一时刻系统的节点电压和误差协方差矩阵预测值。
其中,每一次TCN的迭代过程都可以采用EKF算法来获得误差协方差矩阵的更新。换言之,本发明采用TCN网络代替EKF算法中以往的预测部分,提高了伪量测数据的数据精度,之后再采用滤波步骤求解当前时刻的状态信息。因此,本发明中将这种误差协方差输入至TCN进行训练的过程称为滤波步,而将节点电压自身在TCN中实现训练的过程称为预测步。
在每一次TCN迭代完成之后,也就是预测步实现输出结果后,还会采用EKF算法实现滤波步的计算,并对于预测步的估计值进行矫正,从而得到最优估计值,也就是前文中所述的动态预测电压。
在实时量测数据到来后,还可以将节点电压幅值与电压相角的滤波步估计结果与真实的量测数据值进行比较,对比滤波步估计结果与真实值的比较,可以明显看出滤波步结果能够较好地跟踪真实值,节点电压幅值和相角均具有准确的估计结果。
为了验证本发明所提方法的优越性,现对电力系统进行仿真测试和详细说明。本发明中采用IEEE14节点配电网络,并以此为基础实现本发明中的动态状态检测方法。
本发明中,可以选取真实的年负荷曲线进行训练,通过典型日选取等手段,挑选具有代表性的负荷曲线集进行训练,使得训练后的模型适应性强,同时训练效率高。根据负荷曲线计算多时间断面的潮流计算结果,通过节点导纳矩阵计算得全网的节点电压、节点注入功率和支路功率,并将其作为测量值,通过添加均值为0,标准差为0.01的高斯白噪声获得含噪量测数据,经计算得全网的节点电压估计值。
为了获得TCN模型电压以及误差协方差矩阵训练集数据,本文首先计算历史时刻3000组断面的节点电压和误差协方差矩阵数据,并将其输入TCN模型进行训练。在未来时刻的100组断面上对电压以及误差协方差矩阵数据进行预测,由预测得到的电压和误差协方差矩阵进行EKF滤波步的计算,最终比较预测步和滤波步的估计精度。
本文在离线运算时将历史时刻的电压值和误差协方差矩阵作为训练集数据。将k-1时刻训练集电压数据以及误差协方差矩阵数据作为TCN网络模型的输入,将k时刻数据作为模型输出,以多维单步的训练方式进行预测。以历史时刻的滤波步结果辅助未来时刻的预测步计算,可以得到比历史时刻预测步更高的估计精度。
为了验证本发明的优越性,本发明基于IEEE14节点系统进行算例测试。选取50个时间断面进行分析,根据k-1时刻的滤波步结果,利用TCN训练模型对k时刻的节点电压进行预测,得到预测后的电压幅值、电压相角和误差协方差矩阵。本发明从IEEE14节点配电网络中任意选取了第一节点和第二节点,并以此为例,分别说明第一节点电压和第二节点电压状态变量的预测步精度。
图2为本发明一种电力系统动态状态检测方法中第一电压在TCN训练时的幅值预测精度的示意图。图3为本发明一种电力系统动态状态检测方法中第二电压在TCN训练时的幅值预测精度的示意图。如图2、3所示,节点电压的预测值能够较好的跟踪真实值。另外,未在图中示出,但无论是幅值还是相角,节点复向量的预测效果均较好,保证了需求程度上的置信度取值。
图4为本发明一种电力系统动态状态检测方法中第一电压幅值在EKF滤波时的预测精度的示意图。图5为本发明一种电力系统动态状态检测方法中第二电压幅值在EKF滤波时的预测精度的示意图。如图4、5所示,在本发明算法滤波步部分,估计值更为准确的跟踪了由电压真实值所直接解算出的误差协方差的取值,这使得滤波步不会在多次迭代过程中发生偏移,充分确保了整体算法估计结果的准确性。
本发明一实施例中,分别采用平均绝对估计误差、最大绝对估计误差作为误差判定指标来实现算法性能之间的对比。最终得到表1中的各种不同算法所获得滤波步误差的比较情况。
表1不同算法的滤波步误差表
其中,m4和m5分别为本发明中IEEE14节点系统中任意选取的第一节点和第二节点。由于状态空间模型难以精确建立,目前在EKF电力系统动态状态估计的研究中主要以Holt’s数学模型作为状态空间模型为主,这种状态模型的构建方式常常使得EKF的预测步估计精度较低,从而估计精确度主要依赖于滤波步的计算。而本文通过TCN的预测方法,进一步提高了传统EKF算法的预测步估计精度。
如表1所示,传统算法,也就是表中所述的Holt’s数学模型,其中平均绝对误差和最大绝对误差均较大,而本发明方法则通过数据驱动的方式实现了TCN-EKF的联合估计,不仅避免了更为复杂模型的建立,而且反应了待预测数据的本质特征,具有更好的预测准确性。
图6为本发明一种电力系统动态状态检测方法中是否采用平滑过程对第一电压幅值在TCN训练时的预测精度影响的示意图。图7为本发明一种电力系统动态状态检测方法中是否采用平滑过程对第一电压幅值在EKF滤波时的预测精度影响的示意图。图8为本发明一种电力系统动态状态检测方法中是否采用平滑过程对第二电压幅值在TCN训练时的预测精度影响的示意图。图9为本发明一种电力系统动态状态检测方法中是否采用平滑过程对第二电压幅值在EKF滤波时的预测精度影响的示意图。如图6-9所示,采用传统算法,也就是图中标注的Holt’s折线部分,在不同节点断面上误差均较大,而本发明中的方法则大幅降低了各个节点上平均误差的取值。
另外,明显能够观测到,滤波步精度明显优于预测步精度,起到了积极的矫正作用。本发明计算方法的估计精度优于传统的EKF算法。
本发明第二方面,涉及一种基于本发明第一方面方法中的电力系统动态状态检测系统,系统包括采集模块、平滑模块和训练模块;其中,采集模块,用于从历史数据库中采集电力系统的多断面历史电压以计算动态节点电压,并且,以节点历史电压为状态变量采用EKF算法获得状态变量对应的误差协方差矩阵;平滑模块,用于采用霍尔特指数平滑法对动态节点电压和误差协方差矩阵进行平滑后生成训练集;训练模块,用于采用TCN算法对训练集中的数据进行训练,以获得动态预测电压。
本发明一实施例中,采集模块,用于以电力系统中节点电压复向量为状态变量,以电力系统中的节点电压幅值、节点注入功率、支路功率为观测值。
优选的,采集模块,用于基于多断面历史电压、电力系统中电网的拓扑参数对电力系统进行仿真,获取多断面潮流数据;从多断面潮流数据中提取节点电压复向量、节点电压幅值、节点注入功率和支路功率。
优选的,平滑模块,用于在平滑后,采用归一化算法对训练集中的数据进行归一化处理。
优选的,训练模块中的TCN算法的算法模型中依次包括残差单元、池化层和全连接层。
优选的,残差单元包括第一膨胀因果卷积层、第二膨胀因果卷积层;并且,采用ReLU函数对第一膨胀因果卷积层的输出结果进行激活。
优选的,残差单元采用Sigmoid函数作为全连接层的激活函数。
优选的,训练模块还用于计算TCN算法的损失函数,并采用反向传播算法和损失函数对TCN算法的参数进行优化。
优选的,训练模块分别针对动态节点电压和误差协方差矩阵生成训练集,并分别采用TCN算法对训练集进行训练。
可以理解的是,本发明中的动态状态检测系统为了实现上述本申请实施例提供的方法中的各功能,包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对动态状态检测系统进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。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。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
动态状态检测系统可以由一个或多个数据处理装置通过网络连接的方式实现。其中每个数据处理装置包括至少一个处理器,总线系统以及至少一个通信接口。处理器可以是中央处理器(Central Processing Unit,CPU),还可以由现场可编程逻辑门阵列(FieldProgrammable Gate Array,FPGA)、专用集成电路(Application-specific integratedcircuit,ASIC)或其他硬件代替,或者,FPGA或其他硬件与CPU共同作为处理器。
存储器可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
硬盘可以为机械盘或固态硬盘(Solid State Drive,SSD)等。接口卡可以是主机总线适配器(Host Bus Adapter,HBA)、独立硬盘冗余阵列卡(Redundant Array ofIndependent Disks,RID)、扩展器卡(Expander)或网络接口控制器(Network InterfaceController,NIC)等,本发明实施例对此不作限定。硬盘模组中的接口卡与硬盘通信。存储节点与硬盘模组的接口卡通信,从而访问硬盘模组中的硬盘。
硬盘的接口可以为串行连接小型计算机系统接口(Serial Attached SmallComputer System Interface,SAS)、串行高级技术附件(Serial Advanced TechnologyAttachment,SATA)或高速串行计算机扩展总线标准(Peripheral ComponentInterconnect express,PCIe)等。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,简称DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,简称SSD))等。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
本发明的有益效果在于,与现有技术相比,本发明中的一种电力系统动态状态检测方法,能够通过数据驱动实现对节点历史电压和误差协方差的同步迭代和预测,确保了动态预测结果的准确性。本发明构思巧妙,有效可靠,在数据驱动过程中,提前采用EKF算法获取了状态变量的误差协方差矩阵,并将该矩阵融入至TCN算法的迭代预测过程中,大幅提高了预测结果中预测部分的准确性,进而也通过交互作用确保了滤波部分不会在多次迭代过程中发生偏移。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种电力系统动态状态检测方法,其特征在于,包括:
从历史数据库中采集电力系统的多断面历史电压以计算动态节点电压,并且,以节点历史电压为状态变量采用EKF算法获得所述状态变量对应的误差协方差矩阵;
采用霍尔特指数平滑法对所述动态节点电压和所述误差协方差矩阵进行平滑后生成训练集;
采用TCN算法对训练集中的数据进行训练,并将训练结果通过EKF算进行校正,以获得动态预测电压。
2.根据权利要求1中所述的一种电力系统动态状态检测方法,其特征在于:
所述EKF算法中,以电力系统中节点电压复向量为状态变量,以电力系统中的节点电压幅值、节点注入功率、支路功率为观测值。
3.根据权利要求2中所述的一种电力系统动态状态检测方法,其特征在于:
基于所述多断面历史电压、所述电力系统中电网的拓扑参数对所述电力系统进行仿真,获取多断面潮流数据;
从所述多断面潮流数据中提取节点电压复向量、节点电压幅值、节点注入功率和支路功率。
4.根据权利要求3中所述的一种电力系统动态状态检测方法,其特征在于:
在平滑后,采用归一化算法对所述训练集中的数据进行归一化处理。
5.根据权利要求4中所述的一种电力系统动态状态检测方法,其特征在于:
所述TCN算法的算法模型中依次包括残差模块、池化层和全连接层。
6.根据权利要求5中所述的一种电力系统动态状态检测方法,其特征在于:
所述残差模块包括第一膨胀因果卷积层、第二膨胀因果卷积层;
并且,采用ReLU函数对第一膨胀因果卷积层的输出结果进行激活。
7.根据权利要求6中所述的一种电力系统动态状态检测方法,其特征在于:
采用Sigmoid函数作为所述全连接层的激活函数。
8.根据权利要求7中所述的一种电力系统动态状态检测方法,其特征在于:
计算所述TCN算法的损失函数,并采用反向传播算法和损失函数对所述TCN算法的参数进行优化。
9.根据权利要求1中所述的一种电力系统动态状态检测方法,其特征在于:
分别针对所述动态节点电压和所述误差协方差矩阵生成训练集,并分别采用TCN算法对所述训练集进行训练。
10.一种电力系统动态状态检测系统,其特征在于:
所述系统包括采集模块、平滑模块和训练模块;其中,
所述采集模块,用于从历史数据库中采集电力系统的多断面历史电压以计算动态节点电压,并且,以所述节点历史电压为状态变量采用EKF算法获得所述状态变量对应的误差协方差矩阵;
所述平滑模块,用于采用霍尔特指数平滑法对所述动态节点电压和所述误差协方差矩阵进行平滑后生成训练集;
所述训练模块,用于采用TCN算法对训练集中的数据进行训练,以获得动态预测电压。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310689672.7A CN116722653A (zh) | 2023-06-12 | 2023-06-12 | 一种电力系统动态状态检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310689672.7A CN116722653A (zh) | 2023-06-12 | 2023-06-12 | 一种电力系统动态状态检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116722653A true CN116722653A (zh) | 2023-09-08 |
Family
ID=87867438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310689672.7A Pending CN116722653A (zh) | 2023-06-12 | 2023-06-12 | 一种电力系统动态状态检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116722653A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117810960A (zh) * | 2023-11-16 | 2024-04-02 | 国家电网有限公司华东分部 | 一种电力系统状态的预测方法及装置 |
-
2023
- 2023-06-12 CN CN202310689672.7A patent/CN116722653A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117810960A (zh) * | 2023-11-16 | 2024-04-02 | 国家电网有限公司华东分部 | 一种电力系统状态的预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN112685961B (zh) | 一种模拟电路的剩余使用寿命预测方法及系统 | |
CN107730003A (zh) | 一种支持多电器类型高精度的nilm实现方法 | |
CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
CN110443724B (zh) | 一种基于深度学习的电力系统快速状态估计方法 | |
CN111967688A (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN116722653A (zh) | 一种电力系统动态状态检测方法及系统 | |
CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
CN114239796A (zh) | 一种基于扩展卡尔曼滤波的电力系统状态估计方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN116316629A (zh) | 一种考虑拓扑特征学习的数据驱动最优潮流计算方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN110829434B (zh) | 一种提高深度神经网络潮流模型扩展性的方法 | |
CN114781577A (zh) | 基于VMD-DCNN-SVM的Buck电路故障诊断方法 | |
CN114861874A (zh) | 模型驱动图卷积神经网络潮流计算方法 | |
CN114741952A (zh) | 一种基于长短期记忆网络的短期负荷预测方法 | |
CN117421992B (zh) | 一种变压器绕组热点温度反演方法 | |
Liu et al. | A Prognostics Approach Based on Feature Fusion and Deep BiLSTM Neural Network for Aero-Engine | |
CN116227539A (zh) | 一种基于lstm神经网络的非线性系统辨识系统 | |
CN116402160A (zh) | 配电网电压预测模型的训练方法及配电网电压的预测方法 |
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 |