CN110676852B - 考虑潮流特征的改进极限学习机快速概率潮流计算方法 - Google Patents
考虑潮流特征的改进极限学习机快速概率潮流计算方法 Download PDFInfo
- Publication number
- CN110676852B CN110676852B CN201910791388.4A CN201910791388A CN110676852B CN 110676852 B CN110676852 B CN 110676852B CN 201910791388 A CN201910791388 A CN 201910791388A CN 110676852 B CN110676852 B CN 110676852B
- Authority
- CN
- China
- Prior art keywords
- extreme learning
- learning machine
- power
- node
- layer
- 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
Images
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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了考虑潮流特征的改进极限学习机快速概率潮流计算方法,主要步骤为:1)获取电力网络基本数据。2)基于电力网络基本数据,建立映射关系f:Pi,Qi→Ui,θi。3)对映射关系进行分解,并建立极限学习机神经网络。4)优化极限学习机神经网络的隐藏层参数,从而建立改进极限学习机神经网络。5)将电力网络基本数据输入到改进极限学习机神经网络中,计算得到电力网络概率潮流。本发明取代了高精度模拟法PPF计算中对大规模高维复杂非线性潮流方程的耗时求解过程,从而兼顾PPF计算对精度与速度的工程实际需求。
Description
技术领域
本发明涉及电力***及其自动化领域,具体是考虑潮流特征的改进极限学习机快速概率潮流计算方法。
背景技术
源、荷不确定性的日益增长使概率潮流(Probabilistic Power Flow,PPF)成为电力***规划、运行和可靠性评估等分析的重要工具。PPF计算主要分为模拟法、解析法、近似法。模拟法求解大量高维复杂非线性潮流样本以保证状态量统计分析的准确性,但计算速度不足。解析法对输入随机变量间的关系卷积计算得到状态量概率分布,近似法利用输入随机变量的数字特征近似描述状态量统计特性,均旨在回避大规模抽样,计算速度快,但难以保证准确性。现有方法无法兼顾PPF的高精度和快速度需求。
神经网络能线下学习输入与输出间的映射关系,线上快速计算,有望取代高精度模拟法对大量样本的耗时求解过程,实现高精度和快速度兼顾。神经网络中的深度学习算法拟合能力强,但存在网络参数调节规模大、耗时长、缺乏引导等问题。而另一种极限学习机(Extreme Learning Machine,ELM)算法调节参数少、实施高效。然而ELM应用于PPF计算还需克服浅层结构提取特征能力有限,隐藏层参数随机生成引起误差上升等问题。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,考虑潮流特征的改进极限学习机快速概率潮流计算方法,主要包括以下步骤:
1)获取电力网络基本数据。
进一步,所述电力网络基本数据主要包括电力网络节点有功功率、无功功率、电压幅值、电压相角、支路有功功率和无功功率。
2)基于电力网络基本数据,建立映射关系f:Pi,Qi→Ui,θi。其中,Pi、Qi分别表示节点i注入的有功功率和无功功率。Ui、θi分别表示节点i的电压幅值和电压相角。
3)对映射关系进行分解,并建立极限学习机神经网络。
进一步,建立极限学习机神经网络的主要步骤如下:
3.1)将映射关系f:Pi,Qi→Ui,θi分解为映射关系f1:Pi,Qi→Pij,Qij和映射关系f2:Pij,Qij→Ui,θi。
3.2)基于映射关系f1:Pi,Qi→Pij,Qij,建立第一阶段极限学习机神经网络。其中,输入层为节点i注入的有功功率Pi和节点i注入的无功功率Qi。隐含层包括具有极限学习机稀疏自编码器的无监督层、具有极限学习机原始算法的有监督层和具有误差修正模块的有监督层。输出层为线路ij的支路有功功率Pij和线路ij的支路无功功率Qij。
节点i注入的有功功率Pi和节点i注入的无功功率Qi如下所示:
式中,n表示电力网络中的节点数,i,j表示节点的编号,j∈i表示节点j需与节点i相连,且包括j=i。θij=θi-θj表示节点j与节点i的电压相角差。Gij、Bij分别表示电导和电纳。
其中,线路ij的支路有功功率Pij和线路ij的支路无功功率Qij如下所示:
4)优化极限学习机神经网络的隐藏层参数,从而建立改进极限学习机神经网络。
进一步,优化极限学习机神经网络的隐藏层参数的主要步骤如下:
4.2)建立隐含层输出表达式,即:
式中,x表示隐含层输入数据。g(·)表示激活函数。H=g(a·x+b)表示特征映射矩阵。a表示隐藏层输入权重。b表示输入偏差。β表示输出权重。λ为惩罚因子。
4.3)建立目标函数,即:
4.4)将公式4带入公式3中,计算得到优化变量Vopt,即:
4.5)基于优化变量Vopt,对隐含层输入数据进行修正,得到隐含层输出数据。
5)将电力网络基本数据输入到改进极限学习机神经网络中,计算得到电力网络概率潮流。
本发明的技术效果是毋庸置疑的。本发明取代了高精度模拟法PPF计算中对大规模高维复杂非线性潮流方程的耗时求解过程,从而兼顾PPF计算对精度与速度的工程实际需求。因此,本发明具有以下效果:
1)通过对潮流特征分解降阶降低了ELM对PPF算法的拟合难度。
2)利用误差修正模式提高了ELM对PPF计算的拟合能力。
3)通过优化求解ELM隐藏层参数最优生成方式提高了ELM对PPF计算的拟合效果。
附图说明
图1为潮流特征分解降阶示意图;
图2为误差修正模式;
图3为FLM神经网络整体结构。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1至图3,考虑潮流特征的改进极限学习机快速概率潮流计算方法,主要包括以下步骤:
1)获取电力网络基本数据。
进一步,所述电力网络基本数据主要包括电力网络节点有功功率、无功功率、电压幅值、电压相角、支路有功功率和无功功率。
2)基于电力网络基本数据,建立映射关系f:Pi,Qi→Ui,θi。其中,Pi、Qi分别表示节点i注入的有功功率和无功功率。Ui、θi分别表示节点i的电压幅值和电压相角。
3)对映射关系进行分解,并建立极限学习机神经网络。
进一步,建立极限学习机神经网络的主要步骤如下:
3.1)将映射关系f:Pi,Qi→Ui,θi分解为映射关系f1:Pi,Qi→Pij,Qij和映射关系f2:Pij,Qij→Ui,θi。
3.2)基于映射关系f1:Pi,Qi→Pij,Qij,建立第一阶段极限学习机神经网络。其中,输入层为节点i注入的有功功率Pi和节点i注入的无功功率Qi。隐含层包括具有极限学习机稀疏自编码器的无监督层、具有极限学习机原始算法的有监督层和具有误差修正模块的有监督层。输出层为线路ij的支路有功功率Pij和线路ij的支路无功功率Qij。
节点i注入的有功功率Pi和节点i注入的无功功率Qi如下所示:
式中,n表示电力网络中的节点数,i,j表示节点的编号,j∈i表示节点j需与节点i相连,且包括j=i。θij=θi-θj表示节点j与节点i的电压相角差。Gij、Bij分别表示电导和电纳。Uj、θj分别表示节点j的电压幅值和电压相角。
其中,线路ij的支路有功功率Pij和线路ij的支路无功功率Qij如下所示:
式中,Tj为电压幅值Uj的平方。
4)优化极限学习机神经网络的隐藏层参数,从而建立改进极限学习机神经网络。
进一步,优化极限学习机神经网络的隐藏层参数的主要步骤如下:
4.2)建立隐含层输出表达式,即:
式中,x表示隐含层输入数据。g(·)表示激活函数。H=g(a·x+b)表示特征映射矩阵。a表示隐藏层输入权重。b表示输入偏差。β表示输出权重。λ为惩罚因子。上标T表示转置。为迭代修正的隐含层输出,f(x)为隐含层输出。
4.3)建立目标函数,即:
4.4)将公式4带入公式3中,计算得到优化变量Vopt,即:
4.5)基于优化变量Vopt,对隐含层输入数据进行修正,得到隐含层输出数据。
5)将电力网络基本数据输入到改进极限学习机神经网络中,计算得到电力网络概率潮流。
实施例2:
考虑潮流特征的改进极限学习机快速概率潮流计算方法,主要包括以下步骤:
1)获取电力网络基本数据。
2)基于电力网络基本数据,建立映射关系f:Pi,Qi→Ui,θi。其中,Pi、Qi分别表示节点i注入的有功功率和无功功率。Ui、θi分别表示节点i的电压幅值和电压相角。
3)对映射关系进行分解,并建立极限学习机神经网络。
4)优化极限学习机神经网络的隐藏层参数,从而建立改进极限学习机神经网络。
5)将电力网络基本数据输入到改进极限学习机神经网络中,计算得到电力网络概率潮流。
实施例3:
考虑潮流特征的改进极限学习机快速概率潮流计算方法,主要步骤见实施例2,其中,建立极限学习机神经网络的主要步骤如下:
1)将映射关系f:Pi,Qi→Ui,θi分解为映射关系f1:Pi,Qi→Pij,Qij和映射关系f2:Pij,Qij→Ui,θi。
2)基于映射关系f1:Pi,Qi→Pij,Qij,建立第一阶段极限学习机神经网络。其中,输入层为节点i注入的有功功率Pi和节点i注入的无功功率Qi。隐含层包括具有极限学习机稀疏自编码器的无监督层、具有极限学习机原始算法的有监督层和具有误差修正模块的有监督层。输出层为线路ij的支路有功功率Pij和线路ij的支路无功功率Qij。
节点i注入的有功功率Pi和节点i注入的无功功率Qi如下所示:
式中,n表示电力网络中的节点数,i,j表示节点的编号,j∈i表示节点j需与节点i相连,且包括j=i。θij=θi-θj表示节点j与节点i的电压相角差。Gij、Bij分别表示电导和电纳。
其中,线路ij的支路有功功率Pij和线路ij的支路无功功率Qij如下所示:
实施例4:
考虑潮流特征的改进极限学习机快速概率潮流计算方法,主要步骤见实施例2,其中,
优化极限学习机神经网络的隐藏层参数的主要步骤如下:
2)建立隐含层输出表达式,即:
式中,x表示隐含层输入数据。g(·)表示激活函数。H=g(a·x+b)表示特征映射矩阵。a表示隐藏层输入权重。b表示输入偏差。β表示输出权重。λ为惩罚因子。
3)建立目标函数,即:
4)将公式4带入公式3中,计算得到优化变量Vopt,即:
5)基于优化变量Vopt,对隐含层输入数据进行修正,得到隐含层输出数据。
实施例5:
验证考虑潮流特征的改进极限学习机快速概率潮流计算方法的实验,主要步骤如下:
1)通过IEEE 57算例验证本发明有效性,渗透率45%,负荷波动10%。对比算法有:M7:未改进的ELM算法。M1:在M7的基础上考虑潮流特征分解降阶的方法。M2:在M1的基础上进一步考虑误差修正模式的方法。M3:在M2的基础上进一步考虑隐藏层参数优化的方法。各算法所得支路有功功率、支路无功功率、节点电压相角和节点电压幅值各自的准确率和最大越限对比结果如表1。仿真结果表明,本发明有效提高了ELM算法对概率潮流计算的拟合效果。
表1本发明在IEEE 57算例中的改进效果对比
2)本发明优越性验证与分析
通过IEEE 57和IEEE 2383算例验证本发明优越性,IEEE 2383渗透率30%,负荷波动10%。对比算法有:M0:本发明。M4:传统牛顿-拉夫逊迭代法,作为精度标准。M5:一种常用的深度学习算法SDA。M6:一种常用的深度学习算法SAE。各算法训练时间、测试时间、节点电压相角和幅值各自的准确率对比结果如表2和表3。仿真结果表明,综合考虑测试时间与精度表现,本发明相比于其他算法更能实现高精度和快速度的PPF计算,且训练时间远小于深度学习算法,更适宜于工程实际需求,优越性得到验证。
综上所述,本发明提出了考虑潮流特征的改进ELM快速PPF计算方法。利用潮流特征分解降阶方法降低PPF计算拟合难度,提出误差修正模式和隐藏层参数优化模型提高ELM拟合能力,形成了高精度与快速度兼顾的PPF计算方法。实例研究表明,本发明与其他算法相比,更适宜于电力***概率潮流计算的工程需求。
Claims (3)
1.考虑潮流特征的改进极限学习机快速概率潮流计算方法,其特征在于,主要包括以下步骤:
1)获取电力网络基本数据;
2)基于电力网络基本数据,建立映射关系f:Pi,Qi→Ui,θi;其中,Pi、Qi分别表示节点i注入的有功功率和无功功率;Ui、θi分别表示节点i的电压幅值和电压相角;
3)对映射关系进行分解,并建立极限学习机神经网络;
建立极限学习机神经网络的主要步骤如下:
3.1)将映射关系f:Pi,Qi→Ui,θi分解为映射关系f1:Pi,Qi→Pij,Qij和映射关系f2:Pij,Qij→Ui,θi;
3.2)基于映射关系f1:Pi,Qi→Pij,Qij,建立第一阶段极限学习机神经网络;其中,输入层为节点i注入的有功功率Pi和节点i注入的无功功率Qi;隐含层包括具有极限学习机稀疏自编码器的无监督层、具有极限学习机原始算法的有监督层和具有误差修正模块的有监督层;输出层为线路ij的支路有功功率Pij和线路ij的支路无功功率Qij;
节点i注入的有功功率Pi和节点i注入的无功功率Qi如下所示:
式中,n表示电力网络中的节点数,i,j表示节点的编号,j∈i表示节点j需与节点i相连,且包括j=i;θij=θi-θj表示节点j与节点i的电压相角差;Gij、Bij分别表示电导和电纳;
其中,线路ij的支路有功功率Pij和线路ij的支路无功功率Qij如下所示:
4)优化极限学习机神经网络的隐藏层参数,从而建立改进极限学习机神经网络;
5)将电力网络基本数据输入到改进极限学习机神经网络中,计算得到电力网络概率潮流。
2.根据权利要求1所述的考虑潮流特征的改进极限学习机快速概率潮流计算方法,其特征在于:所述电力网络基本数据主要包括电力网络节点有功功率、无功功率、电压幅值、电压相角、支路有功功率和无功功率。
3.根据权利要求1所述的考虑潮流特征的改进极限学习机快速概率潮流计算方法,其特征在于,优化极限学习机神经网络的隐藏层参数的主要步骤如下:
2)建立隐含层输出表达式,即:
式中,x表示隐含层输入数据;g(·)表示激活函数;H=g(a·x+b)表示特征映射矩阵;a表示隐藏层输入权重;b表示输入偏差;β表示输出权重;λ为惩罚因子;
3)建立目标函数,即:
4)将公式4带入公式3中,计算得到优化变量Vopt,即:
5)基于优化变量Vopt,对隐含层输入数据进行修正,得到隐含层输出数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910791388.4A CN110676852B (zh) | 2019-08-26 | 2019-08-26 | 考虑潮流特征的改进极限学习机快速概率潮流计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910791388.4A CN110676852B (zh) | 2019-08-26 | 2019-08-26 | 考虑潮流特征的改进极限学习机快速概率潮流计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110676852A CN110676852A (zh) | 2020-01-10 |
CN110676852B true CN110676852B (zh) | 2020-11-10 |
Family
ID=69075571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910791388.4A Active CN110676852B (zh) | 2019-08-26 | 2019-08-26 | 考虑潮流特征的改进极限学习机快速概率潮流计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110676852B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100920A (zh) * | 2020-09-15 | 2020-12-18 | 东南大学 | 一种配电网三相电压计算方法、装置、设备及存储介质 |
CN113987940B (zh) * | 2021-10-28 | 2024-02-23 | 国网山东省电力公司烟台供电公司 | 基于elm集成在线学习的电力***潮流数据驱动回归方法 |
CN116316629A (zh) * | 2022-12-27 | 2023-06-23 | 杭州电力设备制造有限公司 | 一种考虑拓扑特征学习的数据驱动最优潮流计算方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101252280A (zh) * | 2008-04-08 | 2008-08-27 | 昆明理工大学 | 一种城市电网最大供电能力在线评估方法 |
CN101373905A (zh) * | 2008-05-16 | 2009-02-25 | 清华大学 | 电力***电压稳定域可视化方法 |
CN107069708A (zh) * | 2017-03-14 | 2017-08-18 | 国网湖北省电力公司 | 一种基于极限学习机的输电网线路有功安全校正方法 |
CN107681682A (zh) * | 2017-10-25 | 2018-02-09 | 国家电网公司 | 一种基于ward等值的交直流***等值方法 |
US9960599B1 (en) * | 2017-06-06 | 2018-05-01 | University Of Macau | Thyristor controlled LC compensator for compensating dynamic reactive power |
CN108336739A (zh) * | 2018-01-15 | 2018-07-27 | 重庆大学 | 一种基于rbf神经网络的概率潮流在线计算方法 |
CN108695859A (zh) * | 2018-06-04 | 2018-10-23 | 南京工程学院 | 一种接入主动配电网的电容器组选址定容方法 |
CN108876054A (zh) * | 2018-07-06 | 2018-11-23 | 国网河南省电力公司郑州供电公司 | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 |
CN109086784A (zh) * | 2017-06-13 | 2018-12-25 | 昆山鲲鹏无人机科技有限公司 | 一种基于引入隐藏信息极限学习机算法的智能分类方法 |
CN109117951A (zh) * | 2018-01-15 | 2019-01-01 | 重庆大学 | 基于bp神经网络的概率潮流在线计算方法 |
CN109217295A (zh) * | 2018-09-20 | 2019-01-15 | 吉林大学 | 预防***过载的潮流灵敏度计算方法和计算机装置 |
US10291029B2 (en) * | 2016-08-18 | 2019-05-14 | General Electric Technology Gmbh | Enhanced island management application for power grid systems |
CN109995031A (zh) * | 2019-05-05 | 2019-07-09 | 重庆大学 | 基于物理模型的概率潮流深度学习计算方法 |
CN110110434A (zh) * | 2019-05-05 | 2019-08-09 | 重庆大学 | 一种概率潮流深度神经网络计算的初始化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9362749B2 (en) * | 2012-04-20 | 2016-06-07 | Battelle Memorial Institute | Controller for thermostatically controlled loads |
-
2019
- 2019-08-26 CN CN201910791388.4A patent/CN110676852B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101252280A (zh) * | 2008-04-08 | 2008-08-27 | 昆明理工大学 | 一种城市电网最大供电能力在线评估方法 |
CN101373905A (zh) * | 2008-05-16 | 2009-02-25 | 清华大学 | 电力***电压稳定域可视化方法 |
US10291029B2 (en) * | 2016-08-18 | 2019-05-14 | General Electric Technology Gmbh | Enhanced island management application for power grid systems |
CN107069708A (zh) * | 2017-03-14 | 2017-08-18 | 国网湖北省电力公司 | 一种基于极限学习机的输电网线路有功安全校正方法 |
US9960599B1 (en) * | 2017-06-06 | 2018-05-01 | University Of Macau | Thyristor controlled LC compensator for compensating dynamic reactive power |
CN109086784A (zh) * | 2017-06-13 | 2018-12-25 | 昆山鲲鹏无人机科技有限公司 | 一种基于引入隐藏信息极限学习机算法的智能分类方法 |
CN107681682A (zh) * | 2017-10-25 | 2018-02-09 | 国家电网公司 | 一种基于ward等值的交直流***等值方法 |
CN109117951A (zh) * | 2018-01-15 | 2019-01-01 | 重庆大学 | 基于bp神经网络的概率潮流在线计算方法 |
CN108336739A (zh) * | 2018-01-15 | 2018-07-27 | 重庆大学 | 一种基于rbf神经网络的概率潮流在线计算方法 |
CN108695859A (zh) * | 2018-06-04 | 2018-10-23 | 南京工程学院 | 一种接入主动配电网的电容器组选址定容方法 |
CN108876054A (zh) * | 2018-07-06 | 2018-11-23 | 国网河南省电力公司郑州供电公司 | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 |
CN109217295A (zh) * | 2018-09-20 | 2019-01-15 | 吉林大学 | 预防***过载的潮流灵敏度计算方法和计算机装置 |
CN109995031A (zh) * | 2019-05-05 | 2019-07-09 | 重庆大学 | 基于物理模型的概率潮流深度学习计算方法 |
CN110110434A (zh) * | 2019-05-05 | 2019-08-09 | 重庆大学 | 一种概率潮流深度神经网络计算的初始化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110676852A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110676852B (zh) | 考虑潮流特征的改进极限学习机快速概率潮流计算方法 | |
CN111008502B (zh) | 一种数字孪生驱动的复杂装备故障预测方法 | |
CN106548418B (zh) | 电力***小干扰稳定评估方法 | |
CN108336739B (zh) | 一种基于rbf神经网络的概率潮流在线计算方法 | |
CN109255173B (zh) | 考虑区间不确定性的结构失效概率区间计算方法 | |
Jin et al. | Design and analysis of two FTRNN models with application to time-varying Sylvester equation | |
CN107272409B (zh) | 一种基于迭代学习的直线伺服***振动抑制方法 | |
CN107528322B (zh) | 一种基于Gauss-Hermite求积法的NATAF变换的概率潮流分析方法 | |
CN109726437B (zh) | 一种舱门气动载荷等效节点力处理方法 | |
CN109038592B (zh) | 一种采样方法及应用该采样方法的概率潮流计算方法 | |
CN112257361A (zh) | 一种基于二次拟合模型的标准单元库构建方法 | |
CN109599872A (zh) | 基于堆栈降噪自动编码器的电力***概率最优潮流计算方法 | |
Peng et al. | Efficient multiple starting point optimization for automated analog circuit optimization via recycling simulation data | |
Du et al. | An effective gradient projection method for stochastic optimal control | |
Mokhlis et al. | System identification of a dc servo motor using arx and armax models | |
CN111798037A (zh) | 一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法 | |
CN110707703B (zh) | 基于改进Nataf变换的含高维相关不确定源的概率潮流高效计算方法 | |
CN112232565A (zh) | 基于两阶段的时间序列预测方法、预测***、终端及介质 | |
CN109950935B (zh) | 孤岛运行的交直流混联微电网概率潮流方法 | |
CN111950135A (zh) | 一种基于网络解耦的电-气互联***概率能流计算方法 | |
CN107480381B (zh) | 基于模拟退火算法构建响应面模型的方法及应用其的*** | |
CN111797564A (zh) | 一种高维分布式光伏出力的相关性样本获取方法及*** | |
Spiegel et al. | Iterative learning control with discrete‐time nonlinear nonminimum phase models via stable inversion | |
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 | |
CN111859657B (zh) | 一种用于发动机油耗优化的快速迭代求解方法 |
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 |