CN109711435A - 一种基于遗传算法的支持向量机在线电压稳定性监测方法 - Google Patents
一种基于遗传算法的支持向量机在线电压稳定性监测方法 Download PDFInfo
- Publication number
- CN109711435A CN109711435A CN201811468216.5A CN201811468216A CN109711435A CN 109711435 A CN109711435 A CN 109711435A CN 201811468216 A CN201811468216 A CN 201811468216A CN 109711435 A CN109711435 A CN 109711435A
- Authority
- CN
- China
- Prior art keywords
- voltage stability
- genetic algorithm
- support vector
- sample data
- vector machines
- 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
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 35
- 230000002068 genetic effect Effects 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 210000000349 chromosome Anatomy 0.000 claims description 18
- 238000002790 cross-validation Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000008774 maternal effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006641 stabilisation Effects 0.000 description 3
- 238000011105 stabilization Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于遗传算法的支持向量机在线电压稳定性监测方法，包括通过电网***向量测量单元(Phasor Measurement Unit，PMU)装置获取初始的数据，并利用这些数据通过常规潮流计算以确定电网电压稳定裕度指标；结合PMU获取的初始数据和电网电压稳定裕度指标生成支持向量机的样本数据，并将样本数据分成训练样本数据和测试样本数据等步骤，本发明是针对传统的电压稳定分析方法最大的缺陷在于最大负载点处的雅克比矩阵的奇异性，并且计算量大、在线应用能力差；而新的机器学习技术比如ANNs在处理非线性回归问题时，受限于训练时间量和学习参数值而提出的。
Description
技术领域
本发明属于电力***领域，具体涉及一种基于遗传算法的支持向量机在线电压稳定性监测方法。
背景技术
随着电网技术的飞速发展，今天的电网连接已经构成了一个高度互联的大***。这样使得大型电力***在监控和操作中更具复杂性。因为***的某一部分的干扰可能影响整个电力***。电力***可观测性是电力***实时监测、保护和控制的必要条件，它影响整个广域监测保护和控制***(Wide Area Monitoring Protection and Control Systems，WAMPC)的有效执行。近年来，电压崩溃是全球许多电力***停电的主要原因。传统的电压稳定分析方法依赖于使用常规的潮流计算比如高斯-赛德尔(Gauss-Seidel)或者牛顿-拉夫森(Newton-Raphson)等静态分析方法。这些技术方法的主要缺陷是在最大负载点处的雅克比矩阵的奇异性。另外，诸如人工神经网络(Artificial Neural Network，ANN)、模糊逻辑、模式识别、支持向量机(Support Vector Machine，SVM)等机器学习技术已经被用来进行电力***分析。比如将ANN模型应用在在线电压安全评估中，使用了径向基函数(RadialBasis Function，RBF)网络来估算突发情况下电力***电压稳定等级，Hashemi运用小波变换来提取电压波形特性以估算电压稳定裕度等等。
发明内容
针对传统的电压稳定分析方法最大的缺陷在于最大负载点处的雅克比矩阵的奇异性，并且计算量大、在线应用能力差；而新的机器学习技术比如ANNs在处理非线性回归问题时，受限于训练时间量和学习参数值，本发明提出了一种基于遗传算法的支持向量机在线电压稳定性监测的方法。
发明的目的是这样实现的：
一种基于遗传算法的支持向量机在线电压稳定性监测方法，包括以下步骤：
步骤一：通过电网***向量测量单元(Phasor Measurement Unit，PMU)装置获取初始的数据，并利用这些数据通过常规潮流计算以确定电网电压稳定裕度指标；
步骤二：结合PMU获取的初始数据和电网电压稳定裕度指标生成支持向量机的样本数据，并将样本数据分成训练样本数据和测试样本数据；
步骤三：构建基于遗产算法的支持向量机模型，并运用遗传算法(GeneticAlgorithm，GA)寻找最优的电网电压稳定裕度指标参数；
步骤四：通过寻找到的最优电网电压稳定裕度指标参数构建支持向量机(SupportVector Machine，SVM)模型，并结合训练样本对SVM模型进行训练；
步骤五：训练结束后，运用测试样本数据对训练后的SVM模型进行测试；
步骤六：测试通过后，运用所得SVM模型构建基于遗传算法的支持向量机(GeneticAlgorithm based Support Vector Machine，GA-SVM)模型的在线电网电压稳定监测模型。
在步骤一中，包括电压稳定裕度指标的获取以及PMU不确定性建模。
PMU测量的数据主要包括电压幅值和相角。
在步骤二中，进行常规潮流计算得到当前工作点的电压幅值、电压相角、有功功率、无功功率，然后利用这些计算得到的新的数据，构成VSM所需要的样本数据，并将样本数据按一定比例分成训练样本数据和测试样本数据。
在步骤三中，具体包括以下步骤：
(1)将GA-SVM的参数分别包括正则化参数C，RBF核函数带宽σ2，以及不敏感损耗函数管半径ε，进行编码生成染色体X，则染色体X表示为：X＝{x1,x2,x3}，其中x1、x2和x3分别表示GA-SVM参数C、σ2和ε。(请问此处标红意思是？)
(2)运用交叉验证技术来进行优化的SVM参数选择，在K-折交叉验证中，将数据集随机分成K份等量的子集，并用其中(K-1)份子集数据作为训练集来建立SVM回归模型，SVM参数的性能通过第K子集来测试，不断重复上述过程，使得每一个子集都作为测试子集进行一次测试。
(3)初始种群有20个随机产生的染色体组成，基于收敛时间和种群多样性之间的平衡性选择初始种群大小，并且计算每一个随机产生的染色体的适应值。
(4)运用选择、交叉和突变等方式创造新的种群以代替现有的种群，再通过旋轮线的方式将适应值更好的新染色体投入到重组池中。父本和母本染色体的基因进行交换，获取新的后代；
(5)重复第(3)步骤到第(4)步骤，这个过程一直重复直到基因数量达到限定值。
在步骤四中，具体包括以下步骤：运用步骤三中得到的最优GA-SVM参数C、σ2和ε，构建GA-SVM模型，并利用训练样本数据进行训练，对于不同的电网***的样本数据，得到不同的GA-SVM拟合模型。
在步骤五中，利用测试样本数据检验构建的GA-SVM模型的适应度。
在步骤六中，基于GA-SVM模型的在线电网电压稳定监测模型通过实际电网样本数据的检验，并完成对电网电压稳定裕度的预测。
采用上述技术方案，能带来以下技术效果：
1)本发明依托的电力***是具有各种形式的电力能源接入的大区域电网***，采样数据来自于整个大区域电网***的所有PMUs单元，还充分考虑了PMUs采集数据的不确定性对GA-SVM模型在线电网电压稳定性监测的影响，建立了PMU不确定性模型。按照IEEE标准C37-118-1测量规范，利用TVE同步向量标准来保证PMU的同步测量误差小于1％。
2)本发明提供的方法中采用SVM机器学***衡点。本发明很好的将SVM技术应用在电力***的在线电压监测***中，具有很好的时效性，并且计算时间得到进一步的优化。
3)本发明提供的方法中，优点在于采用GA遗传算法来实现对SVM建模参数的最优化，相较于网格搜寻(Grid Search，GS)方法和多层中枢感知的BP神经网络(MultilayerPerceptron-back Propagation Neural Network，MLP-BPNN)，GA方法在回归接收机工作特性曲线(Regression Receiver Operating Characteristic，RROC)和过RROC曲域曲线(Area Over the RROC-AOC)具有更为优越的性能，以及更短的计算时间。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1是本发明中基于GA-SVM的在线电网电压稳定监测模型流程图；
图2是本发明具体实施例中实际的P-V曲线图。
具体实施方式
一种基于遗传算法的支持向量机在线电压稳定性监测方法，包括以下步骤：
步骤一：通过电网***向量测量单元(Phasor Measurement Unit，PMU)装置获取初始的数据，并利用这些数据通过常规潮流计算以确定电网电压稳定裕度指标；
步骤二：结合PMU获取的初始数据和电网电压稳定裕度指标生成支持向量机的样本数据，并将样本数据分成训练样本数据和测试样本数据；
步骤三：构建基于遗产算法的支持向量机模型，并运用遗传算法(GeneticAlgorithm，GA)寻找最优的电网电压稳定裕度指标参数；
步骤四：通过寻找到的最优电网电压稳定裕度指标参数构建支持向量机(SupportVector Machine，SVM)模型，并结合训练样本对SVM模型进行训练；
步骤五：训练结束后，运用测试样本数据对训练后的SVM模型进行测试；
步骤六：测试通过后，运用所得SVM模型构建基于遗传算法的支持向量机(GeneticAlgorithm based Support Vector Machine，GA-SVM)模型的在线电网电压稳定监测模型。
步骤一中，包括电压稳定裕度指标、PMU不确定性建模两个方面，分别描述如下：
(1)电压稳定裕度指标，电网电压稳定分析的主要目标是确定电网***当前工作点是否稳定，是否满足各个操作标准。而电压功率曲线(如图2所示)可以用来获取电网稳定裕度。假设当前工作点传递给负载的有功功率为Pc，而最大有功功率为PM，则电压稳定裕度(VSM)可以表示为：
VSMi＝PM，i-PC，i，i＝1,2,…,l (1)
其中：l表示该电网***的总的负载支路，i表示其中第i条支路。
则电网电压稳定裕度指标可以转化为：
VSMIndex在0-1之间变化，如图2所示。当工作点移向电压崩溃点时，由公式2所定义的VSMIndex接近于0。为了确定电压崩溃点，PV曲线由连续潮流技术(CPF)得来，因为连续潮流技术可以包含PV曲线工作尖点(即电压崩溃点)。
(2)PMU不确定性建模，PMU测量的数据主要包括电压幅值和相角，用来对VSMIndex进行预测。尽管PMU的测量精度很高，但是在测量过程中总是存在测量误差的可能，依据IEEE标准C37-118-1测量规范，这些不确定性在同步向量测量中，必须考虑向量总误差(TotalVector Error)，向量总误差(TVE)在同步向量测量中是一个非常重要的标准，其值在稳定状态时应小于1％。这里向量总误差TVE可以表示为：
其中：xr *和xi *分别表示测量值的实部和虚部，xr和xi表示理想值的实部和虚部。
将实际的电压幅值误差ΔVi和向量误差Δθi导入向量总误差公式TVE，这样选择ΔVi和Δθi使得TVE≤1％。
图1所示步骤二中，所述的样本数据，首先通过图1所示步骤Ⅰ中PMUs获得的数据，进行常规潮流计算得到当前工作点的电压幅值、电压相角、有功功率以及无功功率。然后利用这些计算得到的新的数据，构成VSM所需要的样本数据，并将样本数据按一定比例分成训练样本数据和测试样本数据。
图1所示步骤三中，所述的GA-SVM模型构建以及GA-SVM参数优化，分下面几步完成：
(1)将GA-SVM的参数分别包括正则化参数C，RBF核函数带宽σ2，以及不敏感损耗函数管半径ε，进行编码生成染色体X，则染色体X表示为：
X＝{x1,x2,x3}，其中x1、x2和x3分别表示GA-SVM参数C、σ2和ε。
(2)为了防止GA-SVM模型的过拟合或者欠拟合，运用交叉验证技术来进行优化的SVM参数选择，在K-折交叉验证中，将数据集随机分成K份等量的子集，并用其中(K-1)份子集数据作为训练集来建立SVM回归模型。SVM参数的性能通过第K子集来测试。不断重复上述过程，使得每一个子集都作为测试子集进行一次测试。本发明中采用5-折交叉验证，其拟合函数可以表示为：
minf＝MAPEcross_val (4)
其中：m是样本数据训练集，Ai实际值和Pi是预测值，MAPEcross_val的解越小，越有机会在下一代中存活。
(3)初始种群有20个随机产生的染色体组成，基于收敛时间和种群多样性之间的平衡性选择初始种群大小，且由公式(4)和(5)计算每一个随机产生的染色体的适应值。
(4)运用选择、交叉和突变等方式创造新的种群以代替现有的种群，再通过旋轮线的方式将适应值更好的新染色体投入到重组池中。父本和母本染色体的基因进行交换，获取新的后代以期得到更好的解决方案，每一组染色体创造新的染色体的可能性设定为0.8，通过突变来改变染色体编码的几率设定为0.05。
(5)第(3)步到第(4)步，这个过程一直重复直到基因数量达到限定值。
为了全面检验GA-SVM模型的性能，前述的MAPE、NMSE和WIA作为衡量指标，MAPE的值越小，表示预测值与实际值越接近；WIA表征回归度，它在0-1之间变化，越接近于1表示预测值越精确。
图1所示步骤四中，运用图1所示步骤三中得到的最优GA-SVM参数C、σ2和ε，构建GA-SVM模型，并利用训练样本数据进行训练，使得GA-SVM模型具有更好的适应度。对于不同的电网***的样本数据，可以得到不同的GA-SVM拟合模型如表1所示。
表1
图1所示步骤五中，利用测试样本数据检验构建的GA-SVM模型的适应度，检验情况如表2所示。
表2
图1所示步骤六中，基于GA-SVM模型的在线电网电压稳定监测模型通过实际电网样本数据的检验，并完成对电网电压稳定裕度的预测，通过表3和表4中的表的比较可以看出所构建的基于GA-SVM模型的在线电网电压稳定监测模型优于现有的其他电压监测模型。
表3
表4
Claims (8)
1.一种基于遗传算法的支持向量机在线电压稳定性监测方法，其特征在于，包括以下步骤：
步骤一：通过电网***向量测量单元装置获取初始的数据，并利用这些数据通过常规潮流计算以确定电网电压稳定裕度指标；
步骤二：结合向量测量单元获取的初始数据和电网电压稳定裕度指标生成支持向量机的样本数据，并将样本数据分成训练样本数据和测试样本数据；
步骤三：构建基于遗产算法的支持向量机模型，并运用遗传算法寻找最优的电网电压稳定裕度指标参数；
步骤四：通过寻找到的最优电网电压稳定裕度指标参数构建支持向量机模型，并结合训练样本对支持向量机模型进行训练；
步骤五：训练结束后，运用测试样本数据对训练后的支持向量机模型进行测试；
步骤六：测试通过后，运用所得支持向量机模型构建基于遗传算法的支持向量机模型的在线电网电压稳定监测模型。
2.根据权利要求1所述的一种基于遗传算法的支持向量机在线电压稳定性监测方法，其特征在于：在步骤一中，包括电压稳定裕度指标的获取以及PMU不确定性建模。
3.根据权利要求1或2所述的一种基于遗传算法的支持向量机在线电压稳定性监测的方法，其特征在于：PMU测量的数据主要包括电压幅值和相角。
4.根据权利要求1所述的一种基于遗传算法的支持向量机在线电压稳定性监测方法，其特征在于：在步骤二中，进行常规潮流计算得到当前工作点的电压幅值、电压相角、有功功率、无功功率，然后利用这些计算得到的新的数据，构成电压稳定裕度所需要的样本数据，并将样本数据按一定比例分成训练样本数据和测试样本数据。
5.根据权利要求1所述的一种基于遗传算法的支持向量机在线电压稳定性监测方法，其特征在于，在步骤三中，具体包括以下步骤：
(1)将支持向量机的参数分别包括正则化参数C，径向基函数核函数带宽σ2，以及不敏感损耗函数管半径ε，进行编码生成染色体X，则染色体X表示为：X＝{x1,x2,x3}，其中x1、x2和x3分别表示基于遗传算法的支持向量机参数C、σ2和ε；
(2)运用交叉验证技术来进行优化的支持向量机参数选择，在K-折交叉验证中，将数据集随机分成K份等量的子集，并用其中(K-1)份子集数据作为训练集来建立SVM回归模型，支持向量机参数的性能通过第K子集来测试，不断重复上述过程，使得每一个子集都作为测试子集进行一次测试；
(3)初始种群有20个随机产生的染色体组成，基于收敛时间和种群多样性之间的平衡性选择初始种群大小，并且计算每一个随机产生的染色体的适应值；
(4)运用选择、交叉和突变等方式创造新的种群以代替现有的种群，再通过旋轮线的方式将适应值更好的新染色体投入到重组池中。父本和母本染色体的基因进行交换，获取新的后代；
(5)重复第(3)步骤到第(4)步骤，这个过程一直重复直到基因数量达到限定值。
6.根据权利要求1所述的一种基于遗传算法的支持向量机在线电压稳定性监测方法，其特征在于，在步骤四中，具体包括以下步骤：运用步骤三中得到的最优的基于遗传算法的支持向量机参数C、σ2和ε，构建的基于遗传算法的支持向量机模型，并利用训练样本数据进行训练，对于不同的电网***的样本数据，得到不同的基于遗传算法的支持向量机拟合模型。
7.根据权利要求1所述的一种基于遗传算法的支持向量机在线电压稳定性监测方法，其特征在于，在步骤五中，利用测试样本数据检验构建的基于遗传算法的支持向量机模型的适应度。
8.根据权利要求1所述的一种基于遗传算法的支持向量机在线电压稳定性监测方法，其特征在于，在步骤六中，基于遗传算法的支持向量机模型的在线电网电压稳定监测模型通过实际电网样本数据的检验，并完成对电网电压稳定裕度的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811468216.5A CN109711435A (zh) | 2018-12-03 | 2018-12-03 | 一种基于遗传算法的支持向量机在线电压稳定性监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811468216.5A CN109711435A (zh) | 2018-12-03 | 2018-12-03 | 一种基于遗传算法的支持向量机在线电压稳定性监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109711435A true CN109711435A (zh) | 2019-05-03 |
Family
ID=66253897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811468216.5A Pending CN109711435A (zh) | 2018-12-03 | 2018-12-03 | 一种基于遗传算法的支持向量机在线电压稳定性监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711435A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111398679A (zh) * | 2020-03-09 | 2020-07-10 | 华北电力大学 | 基于pmu测量相量的次同步振荡识别与告警方法 |
| CN111461892A (zh) * | 2020-03-31 | 2020-07-28 | 支付宝(杭州)信息技术有限公司 | 用于风险识别模型的衍生变量选择方法和装置 |
| CN111814394A (zh) * | 2020-06-30 | 2020-10-23 | 三峡大学 | 一种基于相关性和冗余性检测的电力***安全评估方法 |
| CN115017735A (zh) * | 2022-07-05 | 2022-09-06 | 重庆大学 | 一种用于高维***的多代理概率电压稳定计算方法 |
| CN116910637A (zh) * | 2023-04-03 | 2023-10-20 | 山东科技大学 | 基于改进的iga-rbf神经网络短期负荷预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
| CN106503867A (zh) * | 2016-11-14 | 2017-03-15 | 吉林大学 | 一种遗传算法最小二乘风电功率预测方法 |
| CN108805355A (zh) * | 2018-06-09 | 2018-11-13 | 贵州电网有限责任公司 | 一种基于最小二乘支持向量机的接地网腐蚀预测方法 |
-
2018
- 2018-12-03 CN CN201811468216.5A patent/CN109711435A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
| CN106503867A (zh) * | 2016-11-14 | 2017-03-15 | 吉林大学 | 一种遗传算法最小二乘风电功率预测方法 |
| CN108805355A (zh) * | 2018-06-09 | 2018-11-13 | 贵州电网有限责任公司 | 一种基于最小二乘支持向量机的接地网腐蚀预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| K.S.SAJAN等: "Genetic algorithm based support vector machine for on-line voltage stability monitoring", 《ELECTRICAL POWER AND ENERGY SYSTEMS》 * |
| 李大虎等: "基于PMU和混合支持向量机网络的电力***暂态稳定性分析", 《电网技术》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111398679A (zh) * | 2020-03-09 | 2020-07-10 | 华北电力大学 | 基于pmu测量相量的次同步振荡识别与告警方法 |
| CN111398679B (zh) * | 2020-03-09 | 2021-05-25 | 华北电力大学 | 基于pmu测量相量的次同步振荡识别与告警方法 |
| CN111461892A (zh) * | 2020-03-31 | 2020-07-28 | 支付宝(杭州)信息技术有限公司 | 用于风险识别模型的衍生变量选择方法和装置 |
| CN111461892B (zh) * | 2020-03-31 | 2021-07-06 | 支付宝(杭州)信息技术有限公司 | 用于风险识别模型的衍生变量选择方法和装置 |
| CN111814394A (zh) * | 2020-06-30 | 2020-10-23 | 三峡大学 | 一种基于相关性和冗余性检测的电力***安全评估方法 |
| CN111814394B (zh) * | 2020-06-30 | 2023-08-25 | 三峡大学 | 一种基于相关性和冗余性检测的电力***安全评估方法 |
| CN115017735A (zh) * | 2022-07-05 | 2022-09-06 | 重庆大学 | 一种用于高维***的多代理概率电压稳定计算方法 |
| CN115017735B (zh) * | 2022-07-05 | 2023-08-15 | 重庆大学 | 一种用于高维***的多代理概率电压稳定计算方法 |
| CN116910637A (zh) * | 2023-04-03 | 2023-10-20 | 山东科技大学 | 基于改进的iga-rbf神经网络短期负荷预测方法 |
| CN116910637B (zh) * | 2023-04-03 | 2024-04-26 | 山东科技大学 | 基于改进的iga-rbf神经网络短期负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711435A (zh) | 一种基于遗传算法的支持向量机在线电压稳定性监测方法 | |
| Li et al. | Real-time faulted line localization and PMU placement in power systems through convolutional neural networks | |
| Mosavi et al. | A learning framework for size and type independent transient stability prediction of power system using twin convolutional support vector machine | |
| CN108197744B (zh) | 一种光伏发电功率的确定方法及*** | |
| CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
| CN102269972B (zh) | 基于遗传神经网络的管道压力缺失数据补偿方法及装置 | |
| CN110417011A (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
| WO2022021726A1 (zh) | 一种基于pmu的电力***状态估计性能评价方法 | |
| CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
| CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
| CN109710661A (zh) | 基于遗传模拟退火算法对高压加热器状态分析的方法 | |
| CN103246762A (zh) | 一种电力推进***仿真可信度的综合评估方法 | |
| CN115310378A (zh) | 一种极端台风灾害下电网韧性评估及差异化规划方法 | |
| CN108520310A (zh) | 基于G-L混合噪声特性v-支持向量回归机的风速预报方法 | |
| CN109378835A (zh) | 基于互信息冗余性最优的大规模电力***暂态稳定评估*** | |
| Liu et al. | Wind power short-term forecasting based on LSTM neural network with dragonfly algorithm | |
| Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
| Xia et al. | Outlier reconstruction based distribution system state estimation using equivalent model of long short-term memory and Metropolis-Hastings sampling | |
| CN111814394B (zh) | 一种基于相关性和冗余性检测的电力***安全评估方法 | |
| Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
| Theocharides et al. | Impact of data quality on day-ahead photovoltaic power production forecasting | |
| CN111628531A (zh) | 一种针对电力***静态电压稳定评估的数据驱动方法 | |
| CN111798049B (zh) | 一种基于集成学习与多目标规划的电压稳定评估方法 | |
| CN116702629B (zh) | 一种具备可迁移能力的电力***暂态稳定评估方法 | |
| Cosic et al. | Artificial Neural Networks–Based Method for Enhancing State Estimation of Grids with High Penetration of Renewables |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190503 |
|
| RJ01 | Rejection of invention patent application after publication |