JPH05161265A - 電力系統監視装置 - Google Patents
電力系統監視装置Info
- Publication number
- JPH05161265A JPH05161265A JP3339668A JP33966891A JPH05161265A JP H05161265 A JPH05161265 A JP H05161265A JP 3339668 A JP3339668 A JP 3339668A JP 33966891 A JP33966891 A JP 33966891A JP H05161265 A JPH05161265 A JP H05161265A
- Authority
- JP
- Japan
- Prior art keywords
- power system
- stability
- data
- state
- time
- 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
Classifications
-
- Y04S10/54—
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 電力系統監視装置において、計算時間を短縮
し、かつ精度の高い安定度計算を可能とする。 【構成】 電力系統からの各種状態量を系統状態量収集
部10にて収集し、系統状態量特徴抽出部11にて電気量及
び周波数を周波数分析し、その周波数成分を抽出する。
生体の神経回路網を模擬した演算モデルに前記した抽出
部で得られた特定周波数成分の時系列データを入力して
安定度判定12をさせ、その結果を出力部13に出力する。
し、かつ精度の高い安定度計算を可能とする。 【構成】 電力系統からの各種状態量を系統状態量収集
部10にて収集し、系統状態量特徴抽出部11にて電気量及
び周波数を周波数分析し、その周波数成分を抽出する。
生体の神経回路網を模擬した演算モデルに前記した抽出
部で得られた特定周波数成分の時系列データを入力して
安定度判定12をさせ、その結果を出力部13に出力する。
Description
【０００１】
【産業上の利用分野】本発明は、電力系統の接続状態や
時々刻々と変化する系統状態量（例えば２つの系統を連
系する連系線の潮流）を入力として取り込み、それらの
入力に基づいて電力系統の安定度を判定し、系統を安定
に運用するための安定度判定結果を出力する電力系統監
視装置に関する。
時々刻々と変化する系統状態量（例えば２つの系統を連
系する連系線の潮流）を入力として取り込み、それらの
入力に基づいて電力系統の安定度を判定し、系統を安定
に運用するための安定度判定結果を出力する電力系統監
視装置に関する。
【０００２】
【従来の技術】従来の電力系統監視装置は、予め予測さ
れる電力系統の接続状態や需給状況から、電力系統が不
安定となる系統状態量の値（以下、安定限界値という）
をオフラインで計算しておき、時々刻々と入力される系
統状態量と安定限界値とを比較して安定度の判定を行な
う方式である。
れる電力系統の接続状態や需給状況から、電力系統が不
安定となる系統状態量の値（以下、安定限界値という）
をオフラインで計算しておき、時々刻々と入力される系
統状態量と安定限界値とを比較して安定度の判定を行な
う方式である。
【０００３】
【発明が解決しようとする課題】安定限界値は電力系統
の需給状況や接続状態により変化するため、安定度判定
を精度良く行なうためには、電力系統の需給状況や接続
状態の変化に対してオンラインで安定限界値を求める必
要がある。しかし、安定限界値をオンラインで求めるた
めには、計算時間を短縮するために簡略化した系統モデ
ルを用いることとなり、計算精度が落ちる。又、計算精
度を向上させるために詳細な系統モデルを用いて計算す
ると計算時間が増加するため、従来の装置では大規模な
電力系統において、高速で高精度な系統安定度判定をす
ることは不可能であった。近年では電力系統の大規模化
に伴ない、電力系統の運用において安定な電力供給を行
なうために、オンラインでかつ精度の良い安定度判定を
行なう必要性が増大してきた。本発明は上記事情に鑑み
てなされたものであり、計算時間を短縮し、かつ精度の
高い安定度演算の可能な電力系統監視装置を提供するこ
とを目的としている。
の需給状況や接続状態により変化するため、安定度判定
を精度良く行なうためには、電力系統の需給状況や接続
状態の変化に対してオンラインで安定限界値を求める必
要がある。しかし、安定限界値をオンラインで求めるた
めには、計算時間を短縮するために簡略化した系統モデ
ルを用いることとなり、計算精度が落ちる。又、計算精
度を向上させるために詳細な系統モデルを用いて計算す
ると計算時間が増加するため、従来の装置では大規模な
電力系統において、高速で高精度な系統安定度判定をす
ることは不可能であった。近年では電力系統の大規模化
に伴ない、電力系統の運用において安定な電力供給を行
なうために、オンラインでかつ精度の良い安定度判定を
行なう必要性が増大してきた。本発明は上記事情に鑑み
てなされたものであり、計算時間を短縮し、かつ精度の
高い安定度演算の可能な電力系統監視装置を提供するこ
とを目的としている。
【０００４】
【課題を解決するための手段】図１は本発明が適用され
ている電力系統監視装置の構成を示す図であり、同図に
おいて、１は電力系統監視装置である。電力系統監視装
置は電力系統４から時々刻々と変化する系統状態量を収
集する系統状態量収集部10、系統状態量収集部10で収集
された系統状態量を入力とし、それらを基に系統状態量
の特徴を抽出する系統状態量特徴抽出部11、系統状態量
特徴抽出部11で抽出した特徴データを入力とし、それら
を基にニューラルネットワークにより安定度判定演算を
行ない、安定度を判定する安定度判定部12、及び安定度
判定部12で判定された安定度判定結果を出力する判定結
果出力部13から構成される。更に、安定度判定部12は入
力された系統状態量の特徴データを記憶する特徴データ
記憶部12a と記憶された至近時点の所定の個数の時系列
データを入力としてニューラルネットワークにより安定
度判定演算を行なう安定度判定演算部12b から構成され
る。２は判定結果出力部13の出力を受け取り、電力系統
４を安定に維持するための制御指令を出力する制御指令
部、３は制御指令部２の指令を受けて、電力系統を制御
する電力系統制御部である。
ている電力系統監視装置の構成を示す図であり、同図に
おいて、１は電力系統監視装置である。電力系統監視装
置は電力系統４から時々刻々と変化する系統状態量を収
集する系統状態量収集部10、系統状態量収集部10で収集
された系統状態量を入力とし、それらを基に系統状態量
の特徴を抽出する系統状態量特徴抽出部11、系統状態量
特徴抽出部11で抽出した特徴データを入力とし、それら
を基にニューラルネットワークにより安定度判定演算を
行ない、安定度を判定する安定度判定部12、及び安定度
判定部12で判定された安定度判定結果を出力する判定結
果出力部13から構成される。更に、安定度判定部12は入
力された系統状態量の特徴データを記憶する特徴データ
記憶部12a と記憶された至近時点の所定の個数の時系列
データを入力としてニューラルネットワークにより安定
度判定演算を行なう安定度判定演算部12b から構成され
る。２は判定結果出力部13の出力を受け取り、電力系統
４を安定に維持するための制御指令を出力する制御指令
部、３は制御指令部２の指令を受けて、電力系統を制御
する電力系統制御部である。
【０００５】
【作用】ここで、作用説明の前にニューラルネットワー
クについて簡単に説明する。ニューラルネットワーク
は、生体系の神経回路網を計算機上に実現したものとい
える。これまでにいろいろな構造のニューラルネットワ
ークが提案されているが、層状ネットワークはパターン
認識に優れ、非層状ネットワークは最適化問題に向いて
いるという特徴がある。今回の問題に対して適している
層状ニューラルネットワークは学習データを用いた学習
を通して、その構造を変化させ、学習データ以外の入力
データに対しても妥当な結果を出力する。図２に３層の
ニューラルネットワークを示す。各層は上から、出力層
Ｌ1 ，中間層Ｌ2 ，入力層Ｌ3 と呼ばれ、各層のノード
（以下ニューロンという）の数は対象とする問題に応じ
て決定される。各ニューロンの数学モデルは図３のよう
になる。１つのニューロンにはｎ個の入力があり、これ
らの入力からニューロンｊの出力Ｖj は次式で与えられ
る。 Ｖj ＝ｆj ｛Σ（ｗijＶi ）−θj ＋Ｉj ｝ ………(1) ｉ≠ｊ ここで、ｗijは各入力に対する重み、θj はしきい値、
Ｉj は外部入力、ｆj はニューロン特性と呼ばれる非線
形関数である。学習データとして入力値とその結果の出
力値の組を考える。初期状態ではニューラルネットワー
クの各ニューロンに対する重み，しきい値は適当な値が
設定されている。この入力データをニューラルネットワ
ークに入力すると、何らかの値が出力層から出力され
る。この出力値は学習データの出力値とは異なってい
る。そこで、この両者が一致するように、重み，しきい
値を変更する。この手法として、Rumelhart によるバッ
クプロパゲーションが挙げられる。このように多数の学
習データを用いてニューラルネットワークを学習させる
ことにより、学習データと異なる入力に対しても、ニュ
ーラルネットワークは妥当な値を出力する。以下に本発
明の作用を図１を用いて説明する。電力系統４で時々刻
々と変化する系統状態量は系統状態量収集部10で収集さ
れ、収集された系統状態量は系統状態量特徴抽出部11に
入力され、系統状態量特徴抽出部11から出力される系統
状態量の特徴データは、特徴データ記憶部12a に記憶さ
れる。その際、記憶される状態量が所定の個数を越える
場合、記憶されている最も古い状態量を消去し新しい状
態量を記憶する。系統状態量記憶部12a に記憶された至
近時点の所定の個数の時系列データは安定度判定演算部
12b に入力され、前記のニューラルネットワークにより
安定度判定が行なわれて、判定結果は判定結果出力部13
に出力される。更に判定結果は制御指令部２へ送られ、
電力系統を安定に維持するための制御指令が制御指令部
２から電力系統制御部３へ送られる。
クについて簡単に説明する。ニューラルネットワーク
は、生体系の神経回路網を計算機上に実現したものとい
える。これまでにいろいろな構造のニューラルネットワ
ークが提案されているが、層状ネットワークはパターン
認識に優れ、非層状ネットワークは最適化問題に向いて
いるという特徴がある。今回の問題に対して適している
層状ニューラルネットワークは学習データを用いた学習
を通して、その構造を変化させ、学習データ以外の入力
データに対しても妥当な結果を出力する。図２に３層の
ニューラルネットワークを示す。各層は上から、出力層
Ｌ1 ，中間層Ｌ2 ，入力層Ｌ3 と呼ばれ、各層のノード
（以下ニューロンという）の数は対象とする問題に応じ
て決定される。各ニューロンの数学モデルは図３のよう
になる。１つのニューロンにはｎ個の入力があり、これ
らの入力からニューロンｊの出力Ｖj は次式で与えられ
る。 Ｖj ＝ｆj ｛Σ（ｗijＶi ）−θj ＋Ｉj ｝ ………(1) ｉ≠ｊ ここで、ｗijは各入力に対する重み、θj はしきい値、
Ｉj は外部入力、ｆj はニューロン特性と呼ばれる非線
形関数である。学習データとして入力値とその結果の出
力値の組を考える。初期状態ではニューラルネットワー
クの各ニューロンに対する重み，しきい値は適当な値が
設定されている。この入力データをニューラルネットワ
ークに入力すると、何らかの値が出力層から出力され
る。この出力値は学習データの出力値とは異なってい
る。そこで、この両者が一致するように、重み，しきい
値を変更する。この手法として、Rumelhart によるバッ
クプロパゲーションが挙げられる。このように多数の学
習データを用いてニューラルネットワークを学習させる
ことにより、学習データと異なる入力に対しても、ニュ
ーラルネットワークは妥当な値を出力する。以下に本発
明の作用を図１を用いて説明する。電力系統４で時々刻
々と変化する系統状態量は系統状態量収集部10で収集さ
れ、収集された系統状態量は系統状態量特徴抽出部11に
入力され、系統状態量特徴抽出部11から出力される系統
状態量の特徴データは、特徴データ記憶部12a に記憶さ
れる。その際、記憶される状態量が所定の個数を越える
場合、記憶されている最も古い状態量を消去し新しい状
態量を記憶する。系統状態量記憶部12a に記憶された至
近時点の所定の個数の時系列データは安定度判定演算部
12b に入力され、前記のニューラルネットワークにより
安定度判定が行なわれて、判定結果は判定結果出力部13
に出力される。更に判定結果は制御指令部２へ送られ、
電力系統を安定に維持するための制御指令が制御指令部
２から電力系統制御部３へ送られる。
【０００６】
【実施例】以下、実施例を説明する。図４は本発明によ
る電力系統監視装置の一実施例の構成図であり、本装置
は連系線６の潮流を検出し、電力系統Ａと電力系統Ｂの
間の安定度判定を行なう装置である。図１において、１
は本発明による電力系統監視装置であり、10は時々刻々
と変化する系統状態量（連系線６の潮流）を検出し収集
する系統状態量収集部、11は収集された電力状態量を入
力とし、連系線潮流の周波数分析を行ない、予め指定さ
れた周波数の連系線潮流成分の波高値（以下、連系線潮
流の特徴データという）を出力する系統状態量特徴抽出
部、12は抽出された連系線潮流の特徴データを時系列デ
ータとして記憶し、記憶した連系線潮流の時系列特徴デ
ータを入力データとして安定度の判定を行なう安定度判
定部である。安定度判定部12は入力された連系線潮流の
特徴データを記憶する特徴データ記憶部12a と、記憶さ
れた至近時点の所定の個数の時系列データを入力として
ニューラルネットワークにより安定度判定演算を行なう
安定度判定演算部12b から構成される。13は安定度判定
部12で判定された安定度判定結果を出力する判定結果出
力部であり、７は監視員を示す。
る電力系統監視装置の一実施例の構成図であり、本装置
は連系線６の潮流を検出し、電力系統Ａと電力系統Ｂの
間の安定度判定を行なう装置である。図１において、１
は本発明による電力系統監視装置であり、10は時々刻々
と変化する系統状態量（連系線６の潮流）を検出し収集
する系統状態量収集部、11は収集された電力状態量を入
力とし、連系線潮流の周波数分析を行ない、予め指定さ
れた周波数の連系線潮流成分の波高値（以下、連系線潮
流の特徴データという）を出力する系統状態量特徴抽出
部、12は抽出された連系線潮流の特徴データを時系列デ
ータとして記憶し、記憶した連系線潮流の時系列特徴デ
ータを入力データとして安定度の判定を行なう安定度判
定部である。安定度判定部12は入力された連系線潮流の
特徴データを記憶する特徴データ記憶部12a と、記憶さ
れた至近時点の所定の個数の時系列データを入力として
ニューラルネットワークにより安定度判定演算を行なう
安定度判定演算部12b から構成される。13は安定度判定
部12で判定された安定度判定結果を出力する判定結果出
力部であり、７は監視員を示す。
【０００７】図５は連系線データの検出例を示す図であ
る。図５に示すように電力系統からΔｔの時間間隔で検
出された連系線潮流データは、系統状態量収集部10でｔ
0 〜ｔ0 ＋Ｔまで収集され、一定時間間隔Ｔで収集され
た連系線潮流データは系統状態量特徴抽出部11に入力さ
れる。系統状態量特徴抽出部11に入力された連系線潮流
データは、サンプリング時間Δｔ，データ検出時間Ｔで
周波数分析され、続いてΔｔ後には、時刻ｔ0 ＋Δｔ〜
ｔ0 ＋Δｔ＋Ｔまでの連系線潮流データが周波数分析さ
れ、この周波数分析はΔｔの時間間隔で順次行なわれ、
図６に示すように予め設定された周波数成分ｆi の波高
値が連系線潮流の特徴データとして、時間間隔Δｔで出
力される。連系線潮流の特徴データは図７に示すような
時間間隔Δｔの時系列の形で特徴データ記憶部12a に記
憶される。その際、記憶される連系線潮流の特徴データ
がｎ個を越える場合、記憶されている最も古い時刻Ｔ
1-n Δｔの連系線潮流の特徴データを消去し、時刻Ｔ1
に検出された連系線潮流の特徴データを記憶する。特徴
データ記憶部12a に記憶された至近時点Ｔ1-(n-1) Δｔ
〜Ｔ1のｎ個の時系列データは安定度判定演算部12b に
入力される。
る。図５に示すように電力系統からΔｔの時間間隔で検
出された連系線潮流データは、系統状態量収集部10でｔ
0 〜ｔ0 ＋Ｔまで収集され、一定時間間隔Ｔで収集され
た連系線潮流データは系統状態量特徴抽出部11に入力さ
れる。系統状態量特徴抽出部11に入力された連系線潮流
データは、サンプリング時間Δｔ，データ検出時間Ｔで
周波数分析され、続いてΔｔ後には、時刻ｔ0 ＋Δｔ〜
ｔ0 ＋Δｔ＋Ｔまでの連系線潮流データが周波数分析さ
れ、この周波数分析はΔｔの時間間隔で順次行なわれ、
図６に示すように予め設定された周波数成分ｆi の波高
値が連系線潮流の特徴データとして、時間間隔Δｔで出
力される。連系線潮流の特徴データは図７に示すような
時間間隔Δｔの時系列の形で特徴データ記憶部12a に記
憶される。その際、記憶される連系線潮流の特徴データ
がｎ個を越える場合、記憶されている最も古い時刻Ｔ
1-n Δｔの連系線潮流の特徴データを消去し、時刻Ｔ1
に検出された連系線潮流の特徴データを記憶する。特徴
データ記憶部12a に記憶された至近時点Ｔ1-(n-1) Δｔ
〜Ｔ1のｎ個の時系列データは安定度判定演算部12b に
入力される。
【０００８】図８は本発明で安定度判定演算部12b に使
用する３層ニューラルネットワークの構造を示す図であ
る。同図におてニューラルネットワークの入力層は特徴
データ記憶部12a に記憶されたｎ個の時系列データに対
応するｎ個のニューロン、出力層は系統の安定度が安定
なら１，不安定なら０を出力する１個のニューロンから
なる。特徴データ記憶部12a に記憶された至近時点Ｔ
1-(n-1) Δｔ〜Ｔ1 のｎ個の時系列データはこのニュー
ラルネットワークの入力層Ｌ3 に入力され、入力層Ｌ
3，中間層Ｌ2 及び出力層Ｌ1 のニューロンの出力は、
前記入力データ又は前層ニューロンの出力を用いて、
(1) 式より計算される。出力層Ｌ1 ニューロンの出力Ｙ
は理想状態では、安定なら１，不安定なら０の値をとる
が、実際には出力Ｙは多少の判定誤差を含んでいるた
め、出力層ニューロンの出力Ｙは０〜１の間の連続値を
とる。この結果は判定結果出力部13へ送られ、判定結果
出力部13は安定度判定演算部12b の出力を用いて、以下
のように判定誤差を考慮した上で安定度判定結果を判定
結果表示装置５に出力する。 Ｄmax ≦Ｙ≦１であれば安定 Ｄmin ＜Ｙ＜Ｄmax であれば判定不可 ０ ≦Ｙ≦Ｄmin であれば不安定 ここで、Ｄmax は判定結果の判定誤差範囲の上限値、Ｄ
minは下限値を表す。
用する３層ニューラルネットワークの構造を示す図であ
る。同図におてニューラルネットワークの入力層は特徴
データ記憶部12a に記憶されたｎ個の時系列データに対
応するｎ個のニューロン、出力層は系統の安定度が安定
なら１，不安定なら０を出力する１個のニューロンから
なる。特徴データ記憶部12a に記憶された至近時点Ｔ
1-(n-1) Δｔ〜Ｔ1 のｎ個の時系列データはこのニュー
ラルネットワークの入力層Ｌ3 に入力され、入力層Ｌ
3，中間層Ｌ2 及び出力層Ｌ1 のニューロンの出力は、
前記入力データ又は前層ニューロンの出力を用いて、
(1) 式より計算される。出力層Ｌ1 ニューロンの出力Ｙ
は理想状態では、安定なら１，不安定なら０の値をとる
が、実際には出力Ｙは多少の判定誤差を含んでいるた
め、出力層ニューロンの出力Ｙは０〜１の間の連続値を
とる。この結果は判定結果出力部13へ送られ、判定結果
出力部13は安定度判定演算部12b の出力を用いて、以下
のように判定誤差を考慮した上で安定度判定結果を判定
結果表示装置５に出力する。 Ｄmax ≦Ｙ≦１であれば安定 Ｄmin ＜Ｙ＜Ｄmax であれば判定不可 ０ ≦Ｙ≦Ｄmin であれば不安定 ここで、Ｄmax は判定結果の判定誤差範囲の上限値、Ｄ
minは下限値を表す。
【０００９】次にニューラルネットワークの学習方法に
ついて以下に説明する。学習データの収集手段として、
監視対象となる電力系統のモデルを用いて安定度計算を
行なう。学習データは安定度計算結果として得られる対
象連系線潮流値をΔｔの時間間隔でｎ個のデータと、こ
のときの電力系統の安定度が安定であれば１，不安定で
あれば０を示す教示信号からなり、これを事故点や事故
モードを変えて複数のケースの学習データを収集する。
以上の流れを図９に従って説明する。まず、ステップS1
で電力系統の条件，事故点及び事故モードを設定する。
ステップS1で設定された条件にて安定度計算を行ない
（ステップS2）、対象連系線潮流データをサンプリング
時間Δｔ，一定時間間隔Ｔで周波数分析し（ステップS
3）、予め設定された周波数成分ｆi の波高値を、連系
線潮流の特徴データとして時間間隔Δｔの時系列でｎ個
抽出し（ステップS4）、安定度計算結果が安定であれば
教示信号として１を（ステップS5）、不安定であれば０
を与える（ステップS6）。ステップS4で得られたｎ個の
時系列の連系線潮流特徴データと、ステップS5，S6で得
られた結果を併せて１つの学習データとして登録する
（ステップS7）。続いて学習データを作成するのであれ
ばステップS1〜ステップS7を繰り返す。
ついて以下に説明する。学習データの収集手段として、
監視対象となる電力系統のモデルを用いて安定度計算を
行なう。学習データは安定度計算結果として得られる対
象連系線潮流値をΔｔの時間間隔でｎ個のデータと、こ
のときの電力系統の安定度が安定であれば１，不安定で
あれば０を示す教示信号からなり、これを事故点や事故
モードを変えて複数のケースの学習データを収集する。
以上の流れを図９に従って説明する。まず、ステップS1
で電力系統の条件，事故点及び事故モードを設定する。
ステップS1で設定された条件にて安定度計算を行ない
（ステップS2）、対象連系線潮流データをサンプリング
時間Δｔ，一定時間間隔Ｔで周波数分析し（ステップS
3）、予め設定された周波数成分ｆi の波高値を、連系
線潮流の特徴データとして時間間隔Δｔの時系列でｎ個
抽出し（ステップS4）、安定度計算結果が安定であれば
教示信号として１を（ステップS5）、不安定であれば０
を与える（ステップS6）。ステップS4で得られたｎ個の
時系列の連系線潮流特徴データと、ステップS5，S6で得
られた結果を併せて１つの学習データとして登録する
（ステップS7）。続いて学習データを作成するのであれ
ばステップS1〜ステップS7を繰り返す。
【００１０】以上のようにして収集した学習データの連
系線潮流特徴データをニューラルネットワークの入力デ
ータとし、安定又は不安定を示すデータを教示信号とし
て与え、バックプロパゲーション法によりニューラルネ
ットワークの結合重みやしきい値を変えて、全ての学習
ケースに対してニューラルネットワークの出力と教示信
号が許容誤差範囲内に収束するまで繰り返し学習を行な
う。以上に述べた方法により、十分な精度を有する系統
監視安定度判定用ニューラルネットワークを構築でき
る。上記実施例による電力系統監視装置は、系統状態量
の特徴抽出を行なうこと、及び(1) 式に示すような簡単
な演算で安定度判定を行なうので、高精度で高速な安定
度判定が可能となり、時々刻々と変化する系統状態量に
対し、オンラインでかつ高精度な安定度判定ができる電
力系統監視装置を実現できる。
系線潮流特徴データをニューラルネットワークの入力デ
ータとし、安定又は不安定を示すデータを教示信号とし
て与え、バックプロパゲーション法によりニューラルネ
ットワークの結合重みやしきい値を変えて、全ての学習
ケースに対してニューラルネットワークの出力と教示信
号が許容誤差範囲内に収束するまで繰り返し学習を行な
う。以上に述べた方法により、十分な精度を有する系統
監視安定度判定用ニューラルネットワークを構築でき
る。上記実施例による電力系統監視装置は、系統状態量
の特徴抽出を行なうこと、及び(1) 式に示すような簡単
な演算で安定度判定を行なうので、高精度で高速な安定
度判定が可能となり、時々刻々と変化する系統状態量に
対し、オンラインでかつ高精度な安定度判定ができる電
力系統監視装置を実現できる。
【００１１】
【発明の効果】以上説明したように、本発明によれば時
々刻々と変化する系統状態量に対し、系統状態量の特徴
抽出を行なうこと、及び従来の複雑な安定度判定計算が
ニューラルネットワークの簡単な計算に置き変えられる
ことで、安定度判定の精度向上、及び計算時間が短縮さ
れ、オンラインでの安定度判定が可能となる。
々刻々と変化する系統状態量に対し、系統状態量の特徴
抽出を行なうこと、及び従来の複雑な安定度判定計算が
ニューラルネットワークの簡単な計算に置き変えられる
ことで、安定度判定の精度向上、及び計算時間が短縮さ
れ、オンラインでの安定度判定が可能となる。
【図１】本発明による電力系統監視装置の構成を示す
図。
図。
【図２】ニューラルネットワークの一般的構成を示す
図。
図。
【図３】ニューロンの数学モデルを説明する図。
【図４】本発明による電力系統監視装置の一実施例の構
成を示す図。
成を示す図。
【図５】電力系統の連系線潮流データの検出例と連系線
潮流データの周波数分析結果例を示す図。
潮流データの周波数分析結果例を示す図。
【図６】連系線潮流データの周波数成分ｆi の時間的な
変化例を示す図。
変化例を示す図。
【図７】電力系統の連系線潮流の特徴データの記憶例を
示す図。
示す図。
【図８】本発明で用いているニューラルネットワークの
構成例を示す図。
構成例を示す図。
【図９】ニューラルネットワークの学習データを収集す
る方法を示す図。
る方法を示す図。
１ 電力系統監視装置 ２ 制御指令部 ３ 電力系統制御部 ４ 電力系統 ５ 判定結果表示部 ６ 連系線
Claims (1)
- 【請求項１】 電力系統の接続状態や時々刻々と変化す
る電力系統の状態量である母線電圧、連系線潮流などを
時系列データとして取り込み、それらの入力に基づい
て、電力系統の状態が安定か否かの度合いを判定し、電
力系統を安定に運用するための安定度判定結果を出力す
る電力系統監視装置において、電力系統の状態を表す電
気量及び周波数を周波数分析し、その周波数成分を抽出
する特徴抽出部と、前記特徴抽出部で得られる電力系統
の状態を表す電気量及び周波数の特定周波数成分の時系
列データを入力とし、安定度判定結果を出力とする生体
の神経回路網を模擬した演算処理モデルからなる安定度
判定部とを備えたことを特徴とする電力系統監視装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3339668A JPH05161265A (ja) | 1991-11-28 | 1991-11-28 | 電力系統監視装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3339668A JPH05161265A (ja) | 1991-11-28 | 1991-11-28 | 電力系統監視装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05161265A true JPH05161265A (ja) | 1993-06-25 |
Family
ID=18329678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3339668A Pending JPH05161265A (ja) | 1991-11-28 | 1991-11-28 | 電力系統監視装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05161265A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110007232A (zh) * | 2019-05-23 | 2019-07-12 | 广东工业大学 | 一种鼠笼式异步电机运行效率的预测方法及相关装置 |
-
1991
- 1991-11-28 JP JP3339668A patent/JPH05161265A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110007232A (zh) * | 2019-05-23 | 2019-07-12 | 广东工业大学 | 一种鼠笼式异步电机运行效率的预测方法及相关装置 |
| CN110007232B (zh) * | 2019-05-23 | 2021-09-03 | 广东工业大学 | 一种鼠笼式异步电机运行效率的预测方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yan et al. | Fast transient stability batch assessment using cascaded convolutional neural networks | |
| CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
| CN110580021B (zh) | 一种基于现场总线的粮仓环境安全智能监测系统 | |
| US5107454A (en) | Pattern associative memory system | |
| CN110478883B (zh) | 一种健身动作教学及矫正系统及方法 | |
| KR102424916B1 (ko) | 배터리 진단 방법 및 그 장치 | |
| CN111460729A (zh) | 一种桥梁变形智能检测系统 | |
| CN112381316A (zh) | 一种基于混合神经网络模型的机电设备健康状态预测方法 | |
| CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
| CN111444947A (zh) | 一种桥梁沉降智能检测系统 | |
| CN112069727A (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
| CN115238980A (zh) | 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法 | |
| CN105488335A (zh) | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 | |
| CN112651519A (zh) | 一种基于深度学习理论的二次设备故障定位方法及系统 | |
| CN115733730A (zh) | 一种基于图神经网络的电网故障检测方法及装置 | |
| CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
| CN110147827A (zh) | 一种基于iaalo-svm与相似性度量的故障预测方法 | |
| CN108459933A (zh) | 一种基于深度递归网络的大数据计算机系统故障检测方法 | |
| CN116432359A (zh) | 基于元迁移学习的变拓扑网络潮流计算方法 | |
| JPH05161265A (ja) | 電力系統監視装置 | |
| JP3304452B2 (ja) | 送電線電流センサ故障時の電流・位相分布の復元方法 | |
| Larouche et al. | Exploration of static and time dependent neural network technique for the prediction of ice accretion on overhead line conductors | |
| JPH07107667A (ja) | 電力系統監視装置 | |
| CN113139601A (zh) | 一种基于lstm和注意力机制的道岔故障检测方法 | |
| CN111177975A (zh) | 一种基于人工智能的航空装备可用度预计方法 |