CN106651000B - 一种基于半监督谱聚类的黑启动分区方法 - Google Patents
一种基于半监督谱聚类的黑启动分区方法 Download PDFInfo
- Publication number
- CN106651000B CN106651000B CN201610964433.8A CN201610964433A CN106651000B CN 106651000 B CN106651000 B CN 106651000B CN 201610964433 A CN201610964433 A CN 201610964433A CN 106651000 B CN106651000 B CN 106651000B
- Authority
- CN
- China
- Prior art keywords
- unit
- matrix
- nodes
- constraint
- link
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000000638 solvent extraction Methods 0.000 title claims abstract description 19
- 241001672018 Cercomela melanura Species 0.000 title claims abstract description 18
- 230000003595 spectral effect Effects 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000010248 power generation Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000011084 recovery Methods 0.000 claims description 18
- 238000005192 partition Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000009194 climbing Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
Abstract
一种基于半监督谱聚类的黑启动分区方法,涉及一种黑启动分区方法。现有分区方法存在对算法初值依赖性强、难获得全局最优解等缺点。本技术方案包括以下步骤:1)对电力***线路的权重进行赋值;2)分别计算邻接矩阵W和对角阵D;3)建立机组分组模型并求解得到机组分组信息,并对邻接矩阵W进行修改;4)计算规范化拉普拉斯矩阵;5)求Lrw的前k个最小的特征值对应的特征向量,并根据这些向量组成列矩阵H;6)进行聚类计算;7)判断各个分区的有功发电容量和负荷是否基本平衡,当不平衡度超过设定值时,则将边界上的节点进行重新划分。本技术方案具有能够识别任意形状的样本空间并能够收敛于全局最优解且适用于分区问题。
Description
技术领域
本发明涉及一种黑启动分区方法,尤其指一种基于半监督谱聚类的黑启动分区方法。
背景技术
大停电后的电力***恢复可分为黑启动、网络重构和负荷恢复三个阶段。网络重构阶段的主要任务是尽快为失电机组送电并逐步建立起一个稳定的网架结构,为下一阶段全面恢复负荷打下坚实的基础。网络重构阶段的***恢复策略总体上可分为两类:串行恢复和并行恢复。串行恢复策略在大多数发电机并网前接力恢复各厂站;并行恢复策略将***分成几个子***先各自独立恢复,待各子***恢复完成后再通过并网来实现整个***的恢复。因此,合理的分区策略可有效降低***恢复问题的复杂度,从而加快***恢复进程。现有分区方法多数存在对算法初值依赖性强、难以获得全局最优解等缺点。
发明内容
本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进,提供一种基于半监督谱聚类的黑启动分区方法,以达到获得全局最优解的目的。为此,本发明采取以下技术方案。
一种基于半监督谱聚类的黑启动分区方法,包括以下步骤:
1)步骤S1:对电力***线路的权重进行赋值,并以此为基础构建电力***无向加权图G={V,E};
2)步骤S2:分别计算邻接矩阵W和对角阵D;
3)步骤S3:建立机组分组模型并求解得到机组分组信息,根据机组分组信息得到发电机组对之间的成对约束信息Must-link和Cannot-link,并相应的对邻接矩阵W进行修改;
4)步骤S4:计算规范化拉普拉斯矩阵Lrw=D-1(D-W);
5)步骤S5:求Lrw的前k个最小的特征值对应的特征向量,并根据这些向量组成列矩阵H;
6)步骤S6:将H的每一行作为k维空间中的一个向量,进行聚类计算;得到的聚类结果中每一行所属类别为原来图G中的n个节点所属的分区;
7)步骤S7:判断各个分区的有功发电容量和负荷是否基本平衡,当不平衡度超过设定值时,则将边界上的节点进行重新划分,以维持各个子***有功发电容量和负荷的平衡。
本技术方案首先采用节点间的有功潮流和电气距离这两个因素为线路权重赋值,在此基础上建立电力***无向加权图,进而依据比例割集准则建立黑启动分区策略。该策略由两步构成:第一步建立待恢复机组的分组模型,其以最大化***发电量和最小化恢复线路总电容为目标,从而保证机组的安全快速启动;第二步以得到的机组分组信息为基础,利用半监督谱聚类算法求解黑启动分区模型。为了克服传统k-means算法对初始聚类中心敏感的缺点,在利用半监督谱聚类算法对特征向量进行聚类的最后一步采用了k-means++算法对特征向量进行聚类。本技术方案具有能够识别任意形状的样本空间并能够收敛于全局最优解且适用于分区问题。
作为对上述技术方案的进一步完善和补充,本发明还包括以下附加技术特征。
进一步的,步骤S1中的对电力***线路的权重进行赋值的计算公式为:
wij=max((|Pij|-Dij),0)
式中:wij为节点i与j之间线路的权值;|Pij|为节点i与j之间线路的有功潮流的绝对值;Dij为节点i与j之间的电气距离,Dij用节点阻抗矩阵表示为:
Dij=Zii+Zjj-2Zij
式中:Zii/Zjj和Zij分别为节点阻抗矩阵第i/j个对角元素和第i行第j列元素。
在计算线路权值时所用的潮流和电气距离数据均预先进行min-max归一化处理。
进一步的,步骤S2中邻接矩阵W的计算方法为:
经过线路赋权后,电力***拓扑结构简化为无向加权图G={V,E},其中V={v1,v2,…,vn}是网络中所有节点的集合,vi表示第i个节点,n为网络中节点的数目,E={e1,e2,…,em}代表节点间边的集合,且ei表示第i条边,m为网络中边的数目;邻接矩阵W,其元素wij的取值如下:若vi和vj为相邻节点,则wij等于vi和vj之间边的权值;若vi和vj为不相邻的节点,则wij=0;若i=j,则wij=0;
其中wij=wji。
步骤S3中机组分组模型为:
式中:b是分组个数;q是分组编号;Nq为分组q内的待恢复机组个数;r是所有待恢复机组的个数;α为比例系数,用于反映两个目标间的相对重要程度;[0,TC]是设定的时间区间;是分组q中机组g在t时刻所恢复的输出有功功率;Pstart,g(t)是机组g在t时刻消耗的有功功率;Pneed,g是启动机组g所需要的最小启动功率;tstart,g和tcrank,g分别是机组g的启动时刻(对于非黑启动机组,其启动时刻为获取启动功率的时刻)和开始爬坡对应的时刻;Rg是机组g的爬坡速率;Pmax,g是机组g的最大输出有功功率;Cl是线路l的充电电容,Ω是***中已恢复线路的集合;此外,在恢复过程中,满足发电机出力约束、火电机组的热启动时间约束、机组的冷启动时间约束;
采用遗传算法求解上式机组分组模型得到机组分组信息。
进一步的,步骤S3中邻接矩阵W的修改方式如下:
假定机组vGi和机组vGj在机组分组模型求解后被分到了同一组中,则(vGi,vGj)∈Must-link;若机组vGi和机组vGj在机组分组模型求解后被分到了不同组中,则(vGi,vGj)∈Cannot-link。同时,Must-link约束和Cannot-link约束也具有对称性,且Must-link约束还具有传递性,其关系可描述如下:
Must-link约束和Cannot-link约束需要对邻接矩阵做如下修改:
进一步的,所述步骤S6中kmeans++算法的具体步骤为:
步骤601:从数据点集合X中任意的选择一个点x1作为第一个初始聚类中心;
步骤602:对于数据集中的每一个数据点xi,计算它与已选择的最近的初始聚类中心之间的距离D(xi);
步骤604:重复步骤2和步骤3直到k个初始聚类中心都被选出;
步骤605:利用这k个初始聚类中心来执行标准的k-means算法。
有益效果:
1.本技术方案第一步时首先建立的机组分组模型可以保证机组的安全快速启动。
2.采用的半监督谱聚类具有能够识别任意形状的样本空间并能够收敛于全局最优解且适用于分区问题。
3.采用k-means++算法对特征向量进行聚类避免了传统k-means算法对初始聚类中心比较敏感的缺点。
附图说明
图1是本发明的方法流程图。
图2是本发明一实施例的新英格兰10机39节点***拓扑结构。
图3是本发明图1所示实施例的分区结果示意图。
具体实施方式
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
步骤S1:对电力***线路的权重进行赋值,并以此为基础构建电力***无向加权图G={V,E}。
线路权值的定义如下:
wij=max((|Pij|-Dij),0)
式中:wij为节点i与j之间线路的权值;|Pij|为节点i与j之间线路的有功潮流的绝对值。由于在***恢复前制定黑启动分区策略时无法预知***恢复后的联络线潮流,所以本文利用停电前线路的有功功率的绝对值作为|Pij|的近似值。Dij为节点i与j之间的电气距离。Dij可用节点阻抗矩阵表示为:
Dij=Zii+Zjj-2Zij
式中:Zii/Zjj和Zij分别为节点阻抗矩阵第i/j个对角元素和第i行第j列元素。
需要指出,在计算线路权值时所用的潮流和电气距离数据均需预先进行min-max归一化处理。
步骤S2:分别计算邻接矩阵W和对角阵D。
邻接矩阵W的计算方法如下:
经过线路赋权后,电力***拓扑结构可简化为无向加权图G={V,E},其中V={v1,v2,…,vn}是网络中所有节点的集合,vi表示第i个节点,n为网络中节点的数目,E={e1,e2,…,em}代表节点间边的集合,且ei表示第i条边,m为网络中边的数目。设W为邻接矩阵,其元素wij的取值如下:若vi和vj为相邻节点,则wij等于vi和vj之间边的权值;若vi和vj为不相邻的节点,则wij=0;若i=j,则wij=0。
本发明研究主要针对无向图,故wij=wji。
步骤S3:建立机组分组模型并求解得到机组分组信息,根据机组分组信息得到发电机组对之间的成对约束信息Must-link和Cannot-link,并相应的对邻接矩阵W进行修改。
机组分组模型如下:
式中:b是分组个数;q是分组编号;Nq为分组q内的待恢复机组个数;r是所有待恢复机组的个数;α为比例系数,用于反映两个目标间的相对重要程度。[0,TC]是设定的时间区间。是分组q中机组g在t时刻所恢复的输出有功功率;Pstart,g(t)是机组g在t时刻消耗的有功功率;Pneed,g是启动机组g所需要的最小启动功率。tstart,g和tcrank,g分别是机组g的启动时刻(对于非黑启动机组,其启动时刻为获取启动功率的时刻)和开始爬坡对应的时刻。Rg是机组g的爬坡速率。Pmax,g是机组g的最大输出有功功率。Cl是线路l的充电电容,Ω是***中已恢复线路的集合。此外,在恢复过程中,还需要满足发电机出力约束、火电机组的热启动时间约束、机组的冷启动时间约束等。
采用遗传算法求解上式所述的机组分组模型得到机组分组信息。
邻接矩阵W的修改方式如下:
假定机组vGi和机组vGj在机组分组模型求解后被分到了同一组中,则(vGi,vGj)∈Must-link;若机组vGi和机组vGj在机组分组模型求解后被分到了不同组中,则(vGi,vGj)∈Cannot-link。同时,Must-link约束和Cannot-link约束也具有对称性,且Must-link约束还具有传递性,其关系可描述如下:
Must-link约束和Cannot-link约束需要对邻接矩阵做如下修改:
步骤S4:计算规范化拉普拉斯矩阵Lrw=D-1(D-W)。
步骤S5:求Lrw的前k个最小的特征值对应的特征向量,并根据这些向量组成列矩阵H。
步骤S6:将H的每一行看作k维空间中的一个向量,用k-means++算法进行聚类计算。得到的聚类结果中每一行所属类别就是原来图G中的n个节点所属的分区。
kmeans++算法的具体步骤如下:
步骤S601:从数据点集合X中任意的选择一个点x1作为第一个初始聚类中心。
步骤S602:对于数据集中的每一个数据点xi,计算它与已选择的最近的初始聚类中心之间的距离D(xi)。
步骤S604:重复步骤2和步骤3直到k个初始聚类中心都被选出来。
步骤S605:利用这k个初始聚类中心来执行标准的k-means算法。
步骤S7:判断各个分区的有功发电容量和负荷是否基本平衡,如果存在严重不平衡的情形,则将边界上的节点进行重新划分,以维持各个子***有功发电容量和负荷的平衡。
如图2所示,以新英格兰10机39节点***拓扑结构。通过本发明的黑启动分区后,得到如图3所示的分区结果示意图。本技术方案本在第一步时首先建立的机组分组模型可以保证机组的安全快速启动;其次,采用的半监督谱聚类具有能够识别任意形状的样本空间并能够收敛于全局最优解且适用于分区问题;最后,采用k-means++算法对特征向量进行聚类避免了传统k-means算法对初始聚类中心比较敏感的缺点。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (4)
1.一种基于半监督谱聚类的黑启动分区方法,其特征在于包括以下步骤:
1)步骤S1:对电力***线路的权重进行赋值,并以此为基础构建电力***无向加权图G={V,E},其中V={v1,v2,…,vn}是网络中所有节点的集合,vi表示第i个节点,n为网络中节点的数目,E={e1,e2,…,em}代表节点间边的集合,且ei表示第i条边,m为网络中边的数目;
2)步骤S2:分别计算邻接矩阵W和对角阵D;
3)步骤S3:建立机组分组模型并求解得到机组分组信息,根据机组分组信息得到发电机组对之间的成对约束信息Must-link和Cannot-link,并相应的对邻接矩阵W进行修改;
4)步骤S4:计算规范化拉普拉斯矩阵Lrw=D-1(D-W);Lrw为拉普拉斯矩阵;
5)步骤S5:求Lrw的前k个最小的特征值对应的特征向量,并根据所述向量组成列矩阵H;
6)步骤S6:将H的每一行作为k维空间中的一个向量,进行聚类计算;得到的聚类结果中每一行所属类别为原来图G中的n个节点所属的分区;
7)步骤S7:判断各个分区的有功发电容量和负荷是否基本平衡,当不平衡度超过设定值时,则将边界上的节点进行重新划分,以维持各个子***有功发电容量和负荷的平衡;
步骤S3中机组分组模型为:
式中:b是分组个数;q是分组编号;Nq为分组q内的待恢复机组个数;r是所有待恢复机组的个数;α为比例系数,用于反映两个目标间的相对重要程度;[0,TC]是设定的时间区间;是分组q中机组g在t时刻所恢复的输出有功功率;Pstart,g(t)是机组g在t时刻消耗的有功功率;Pneed,g是启动机组g所需要的最小启动功率;tstart,g和tcrank,g分别是机组g的启动时刻和开始爬坡对应的时刻,其中,对于非黑启动机组,其启动时刻为获取启动功率的时刻;Rg是机组g的爬坡速率;Pmax,g是机组g的最大输出有功功率;Cl是线路l的充电电容,Ω是***中已恢复线路的集合;在恢复过程中,满足发电机出力约束、火电机组的热启动时间约束、机组的冷启动时间约束;
采用遗传算法求解上式机组分组模型得到机组分组信息;
步骤S3中邻接矩阵W的修改方式如下:
假定机组vGi和机组vGj在机组分组模型求解后被分到了同一组中,则(vGi,vGj)∈Must-link;若机组vGi和机组vGj在机组分组模型求解后被分到了不同组中,则(vGi,vGj)∈Cannot-link;同时,Must-link约束和Cannot-link约束具有对称性,且Must-link约束具有传递性,其关系可描述如下:
Must-link约束和Cannot-link约束需要对邻接矩阵做如下修改:
所述步骤S6中kmeans++算法的具体步骤为:
步骤601:从数据点集合X中任意的选择一个点x1作为第一个初始聚类中心;
步骤602:对于数据集中的每一个数据点xi,计算它与已选择的最近的初始聚类中心之间的距离D(xi);
步骤604:重复步骤2和步骤3直到k个初始聚类中心都被选出;
步骤605:利用所述k个初始聚类中心来执行标准的k-means算法。
2.根据权利要求1所述的一种基于半监督谱聚类的黑启动分区方法,其特征在于:步骤S1中的对电力***线路的权重进行赋值的计算公式为:
wij=max((|Pij|-Dij),0)
式中:wij为节点i与j之间线路的权值;|Pij|为节点i与j之间线路的有功潮流的绝对值;Dij为节点i与j之间的电气距离,Dij用节点阻抗矩阵表示为:
Dij=Zii+Zjj-2Zij
式中:Zii/Zjj和Zij分别为节点阻抗矩阵第i/j个对角元素和第i行第j列元素。
3.根据权利要求2所述的一种基于半监督谱聚类的黑启动分区方法,其特征在于:在计算线路权值时所用的潮流和电气距离数据均预先进行min-max归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610964433.8A CN106651000B (zh) | 2016-10-27 | 2016-10-27 | 一种基于半监督谱聚类的黑启动分区方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610964433.8A CN106651000B (zh) | 2016-10-27 | 2016-10-27 | 一种基于半监督谱聚类的黑启动分区方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651000A CN106651000A (zh) | 2017-05-10 |
CN106651000B true CN106651000B (zh) | 2020-12-08 |
Family
ID=58820520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610964433.8A Active CN106651000B (zh) | 2016-10-27 | 2016-10-27 | 一种基于半监督谱聚类的黑启动分区方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651000B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107204629A (zh) * | 2017-06-01 | 2017-09-26 | 广东电网有限责任公司电力调度控制中心 | 一种采用电流追踪法简化网络的黑启动分区方法 |
CN108667014B (zh) * | 2018-05-22 | 2020-06-09 | 中国电建集团华东勘测设计研究院有限公司 | 含核电和抽水蓄能电站的电力***中黑启动效益计算方法 |
CN109378819A (zh) * | 2018-10-25 | 2019-02-22 | 国网新疆电力有限公司经济技术研究院 | 基于谱聚类及模块度校验的电力***电压分区方法及*** |
CN112084609B (zh) * | 2020-08-13 | 2023-12-26 | 广东电网有限责任公司广州供电局 | 电力行业的供电分区划分方法 |
CN112416344B (zh) * | 2020-11-06 | 2022-06-03 | 国网福建省电力有限公司 | 基于3d可视化技术的黑启动路径生成及***恢复决策*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102954A (zh) * | 2014-07-14 | 2014-10-15 | 南方电网科学研究院有限责任公司 | 考虑黑启动功能的分布式综合供能***的优化配置方法 |
CN105656040A (zh) * | 2016-03-22 | 2016-06-08 | 国网山东省电力公司潍坊供电公司 | 一种考虑黑启动过程的电网恢复力计算方法 |
CN105790279A (zh) * | 2016-04-28 | 2016-07-20 | 西华大学 | 基于谱聚类的无功电压分区方法 |
-
2016
- 2016-10-27 CN CN201610964433.8A patent/CN106651000B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102954A (zh) * | 2014-07-14 | 2014-10-15 | 南方电网科学研究院有限责任公司 | 考虑黑启动功能的分布式综合供能***的优化配置方法 |
CN105656040A (zh) * | 2016-03-22 | 2016-06-08 | 国网山东省电力公司潍坊供电公司 | 一种考虑黑启动过程的电网恢复力计算方法 |
CN105790279A (zh) * | 2016-04-28 | 2016-07-20 | 西华大学 | 基于谱聚类的无功电压分区方法 |
Non-Patent Citations (2)
Title |
---|
《Division algorithm and interconnection strategy of restoration subsystems based on complex network theory》;Z.Z. Lin 等;《IET GENERATION, TRANSMISSION&DISTRIBUTION》;20110630;第5卷(第6期);正文第674-683页 * |
《大停电后电力***黑启动分区的两步策略》;孙磊 等;《电力自动化设备》;20150930;第35卷(第9期);正文第14-21页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106651000A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651000B (zh) | 一种基于半监督谱聚类的黑启动分区方法 | |
CN112132427A (zh) | 一种考虑用户侧多种资源接入的电网多层规划方法 | |
WO2019056753A1 (zh) | 一种分布式光伏电站集群的动态等值建模方法 | |
CN110334862B (zh) | 考虑恢复时间的电力***分区优化算法 | |
CN105337278A (zh) | 一种基于节点重要度评价矩阵的网络重构双层优化方法 | |
CN107491621A (zh) | 基于社区和结构洞联合分析的大电网分割方法、存储介质 | |
CN114597970B (zh) | 一种基于图卷积网络的主动配电网分区方法 | |
CN105914752B (zh) | 基于快速搜索与密度峰值聚类的主导节点选择方法 | |
CN109378819A (zh) | 基于谱聚类及模块度校验的电力***电压分区方法及*** | |
CN110380906B (zh) | 一种大规模多维融合的虚拟网络映射方法 | |
CN110311372A (zh) | 基于谱聚类的电网分区方法 | |
CN110492470A (zh) | 基于负荷聚类与网络等值的配电网多维典型场景生成方法 | |
CN112651177B (zh) | 考虑灵活***费用的配电网灵活型资源配置方法及*** | |
CN105896547B (zh) | 一种风电接入下的大电网分级电压控制方法 | |
CN110752594B (zh) | 基于改进凝聚层次聚类法的配电网路径优化方法 | |
CN108418211A (zh) | 一种基于Dijlstra算法和遗传算法的供电路径优化方法 | |
CN106991229B (zh) | 一种针对复杂拓扑的风电场等值建模方法 | |
CN109783845B (zh) | 边界点分群解耦的机电-电磁混合仿真分网方法及装置 | |
CN111146815B (zh) | 一种智能配电网分布式发电规划配置方法 | |
CN116760015A (zh) | 一种基于高维图注意力网络的大电网暂态功角稳定评估方法 | |
CN114665481A (zh) | 一种基于电网节点矢量化的城市电网分区方法及装置 | |
CN109802383A (zh) | 基于聚类算法的分布式发电***等值建模方法 | |
CN114188936A (zh) | 一种传统火电机组黑启动移动储能***的优化调度方法 | |
CN110365006B (zh) | 一种基于nwbbo算法的电网分区方法 | |
CN104866611B (zh) | 一种电力***主动解列断面的实用化快速搜索方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |