CN112287605B - 一种基于图卷积网络加速的潮流校核方法 - Google Patents
一种基于图卷积网络加速的潮流校核方法 Download PDFInfo
- Publication number
- CN112287605B CN112287605B CN202011215303.7A CN202011215303A CN112287605B CN 112287605 B CN112287605 B CN 112287605B CN 202011215303 A CN202011215303 A CN 202011215303A CN 112287605 B CN112287605 B CN 112287605B
- Authority
- CN
- China
- Prior art keywords
- node
- graph
- power system
- matrix
- data
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于图卷积网络加速的潮流校核方法,该方法首先收集电力***拓扑数据与网络参数,生成大量电力***运行状态,使用传统潮流计算方法,判别生成的电力***运行状态是否发生越限,并将是否越限作为标签,获得电力***潮流校核数据集;然后将数据集划分为训练数据集和测试数据集;接着建立图卷积网络模型,训练得到用于加速潮流校核的图卷积网络模型;最后对实际电力***运行状态数据进行预测,得到潮流越限判别结果。本发明通过建立图卷积网络模型,并进行训练,获得能够判别潮流越限的分类模型,能够提高大规模电网潮流校核的计算速度和效率。
Description
技术领域
本发明属于电网的静态安全校核领域,尤其涉及一种基于图卷积网络加速的潮流校核方法。
背景技术
随着大电网***的规模越来越大和元件模型越来越精细,现代电力***分析计算复杂度变高,计算量变大;再加上可再生能源、分布式存储以及其他新技术也越来越多的接入电网,这些趋势极大的增加了电力***分析计算的计算能力要求。传统的潮流计算是利用数值计算方法来迭代执行计算任务,己经无法满足***计算实时性的要求。另外,在电网潮流计算中,牛顿-拉夫逊法每一次迭代都需要求解一次修正方程,当节点规模变大时,计算量会急剧增大。对于大规模复杂电网而言,快速校核是否发生潮流越限对电网的安全运行具有重要意义的。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于图卷积网络加速的潮流校核方法。本发明通过建立图卷积网络模型并进行训练,获得能够判别潮流越限的分类模型,提高大规模电网潮流校核的计算速度和效率。
本发明的目的是通过以下技术方案来实现:一种基于图卷积网络加速的潮流校核方法,包括步骤:
1)收集电力***拓扑数据与网络参数,并生成大量电力***运行状态;使用潮流计算方法,判别生成的电力***运行状态是否发生越限,并将是否越限作为标签,获得电力***潮流校核数据集,而后数据集划分为训练数据集和测试数据集。
2)建立图卷积网络模型,使用训练数据集训练,并使用测试数据集测试,直到测试集准确率达到设定值,得到图卷积网络加速的潮流校核模型。
3)利用步骤2)获得的潮流校核模型对实际电力***运行状态数据进行潮流越限判别,得到潮流校核结果。
进一步地,所述电力***拓扑数据包括电力***节点数和各节点之间的线路连接关系,电力***网络参数数据包括***中各条线路的阻抗、对地导纳和传输功率上限、各节点对地导纳、节点类型和节点电压上下限等。
进一步地,所述步骤1)中电力***潮流校核数据集生成的具体步骤包括:
1.1)当***负荷水平上下限分别为lmin和lmax时,按均匀分布U(lmin,lmax)采样***负荷水平l。
1.2)遍历所有母线,按方差为σ2的正态分布N(1,σ2)分别采样各母线的扰动系数并计算各母线负荷。
1.3)根据经济调度的最优潮流模型计算发电机出力等电力***运行变量。
1.4)通过潮流计算求解运行状态下各节点电压和各线路传输功率,并分别与节点电压上下限和线路传输功率上限对比,若存在一个节点电压或一条线路传输功率不在约束范围内,将运行状态视为发生潮流越限,标签设置为1,否则设置为0。
1.5)记录电力***运行状态和对应的标签作为一个样本,如果样本数量达到要求,存储所有记录结果,程序结束,否则返回步骤1.1)。
进一步地,步骤2)中,图卷积网络中电力***图数据模型的构建方法为:
将电力***建模为无向图G=(V,E),其中V表示节点的集合,E表示线路的集合,节点的个数记作N=|V|。若第i个节点表示为vi,则连接节点vi与节点vj间的边可表示为eij=(vi,vj),称节点vj为节点vi为的邻居。节点vi所有邻居的集合记为即节点vi的邻居个数称为度,即
电力***的邻接矩阵A的元素aij满足:若节点vi和节点vj间存在线路并被连接,则aij=1,否则aij=0,即
度矩阵D为对角矩阵,对角元素dii为节点vi的度,其余元素为0,用邻接矩阵的元素aij可表示为:
拉普拉斯矩阵用邻接矩阵和度矩阵可表示为L=D-A,所以该矩阵元素lij可表示为
在电力***中,每个节点都有负荷有功、无功功率、发电机出力、节点电压等运行状态数据。在节点vi上,由该节点运行状态数据组成的列向量称作节点信号xi。若每个节点上有d个数据,则节点信号的维数也是d。各节点的信号组成矩阵称作图特征数据X,若图中有N个节点,则X=(x1 x2 … xN)T,维数为N×d。
进一步地,步骤2)中使用的图卷积网络包含图卷积层和图池化层,具体使用的形式为:
输入的原始的图特征数据X,包括各节点信号和拓扑关系,经过图卷积层后,各节点聚合邻居信息,可获得包含拓扑信息和节点信息的特征。图卷积层使用重归一化后的形式为
图池化层的作用为缩减、聚合图数据,将全图数据直接缩减为单个特征列向量的操作为读出操作,其数学表达式为
其中,Ψ为平均、求和或取最大值。xi是节点vi的节点信号。当整个图收缩为只有一个节点时,该节点的信号融合了整个图的节点信号和拓扑信息。
进一步地,步骤2)中,采用Adam优化算法优化交叉熵损失函数,具体方法为:
对损失函数使用Adam优化,可训练图卷积层的参数W。设第t步迭代时图卷积网络模型的参数为Wt,损失函数为Lloss(Wt),第t步迭代参数的公式为
mt=β1mt-1+(1-β1)gt
其中,gt是第t步迭代时损失函数关于参数W的梯度,表示求关于参数W的梯度的算子,mt、ut、是中间计算量,参数β1默认值取0.9,β2默认值取0.999,ε默认值取10-8,而学习率参数α通常需要手动调节。
本发明的有益效果是:本发明通过使用图卷积网络进行潮流校核,只需单次图卷积网络的前向传播计算,省去了传统潮流计算中的迭代过程,以及和传统潮流校核中逐条线路传输功率和逐个节点电压的对比,节省了大量迭代步骤的计算量,大幅提升了大规模电力***潮流校核的计算效率;其校验电力***运行方式的静态安全性的快速性,为电力***的安全运行提供了保障。
附图说明
图1为潮流校核离线模型训练与在线校核的流程图。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的具体实施方式作进一步具体说明。
本发明一种基于图卷积网络加速的潮流校核方法,如图1所示,包括以下步骤:
1)收集电力***拓扑数据与网络参数,并生成大量电力***运行状态;使用传统潮流计算方法,判别生成的电力***运行状态是否发生越限,并将是否越限作为标签,获得电力***潮流校核数据集,而后数据集划分为训练数据集和测试数据集;具体为:
电力***拓扑数据包括电力***节点数N和各节点之间的线路连接关系,电力***网络参数数据包括***中各条线路的阻抗、对地导纳和传输功率上限、各节点对地导纳、节点类型和节点电压上下限。
生成电力***潮流校核数据集的具体步骤包括:
1.1)当***负荷水平上下限分别为lmin和lmax时,按均匀分布U(lmin,lmax)采样***负荷水平l。
1.2)遍历所有母线,按方差为σ2的正态分布N(1,σ2)分别采样各母线的扰动系数并计算各母线负荷,结合步骤1.1)可得:
其中,PDi和QDi是第i个节点负荷的有功功率和无功功率;PDi-peak和QDi-peak是第i个节点负荷的全年有功功率和无功功率峰值;l是步骤1.1)中采样的***负荷水平,ri是采样的第i个节点的扰动系数,i=1~N。
1.3)根据经济调度的最优潮流模型计算发电机出力等电力***运行变量;其中,发电机出力可通过最优潮流计算确定,最优潮流模型取经济调度模型:
其中,C2i、C1i和C0i为第i个节点机组发电费用函数的二次项、一次项和常数项系数;PDi和QDi是第i个节点的有功负荷和无功负荷;PGi、和PGi 是第i个节点发电机有功出力及其上下限,QGi、和QGi 是第i个节点发电机无功出力及其上下限,Ui、和Ui 是第i个节点电压及其上下限,Uj是第j个节点电压,j=1~N;Gij、Bij和δij是第i个节点和第j个节点间线路的电导、电纳和相角差;Pij、Qij、是第i个节点和第j个节点间线路输送的有功、无功和视在功率;T是各线路首末节点编号对组成的集合。该最优潮流解出的运行变量(发电机出力、电压等)可作为潮流校核的输入量。
1.4)通过潮流计算求解运行状态下各节点电压和各线路传输功率,并分别与节点电压上下限和线路传输功率上限对比;若存在一个节点电压或一条线路传输功率不在约束范围内,将运行状态视为发生潮流越限,标签设置为1;否则设置为0。
1.5)记录电力***运行状态和对应的标签作为一个样本;如果样本数量达到要求,存储所有记录结果,程序结束;否则返回步骤1.1)继续生成样本直到达到数量要求。
2)建立图卷积网络模型,使用步骤1)得到的训练数据集训练,并使用测试数据集测试,直到测试集准确率达到设定值,得到图卷积网络加速的潮流校核模型;具体为:
图卷积网络中电力***图数据模型的构建方法为:
将电力***建模为无向图G=(V,E);其中,V表示节点的集合,E表示线路的集合,节点的个数记作N=|V|。若第i个节点表示为vi,则连接节点vi与节点vj间的边可表示为eij=(vi,vj),称节点vj为节点vi的邻居。节点vi所有邻居的集合记为即 节点vi的邻居个数称为度,即
电力***的邻接矩阵A的元素aij满足:若节点vi和节点vj间存在线路并被连接,则aij=1,否则aij=0,即:
度矩阵D为对角矩阵,对角元素dii为节点vi的度deg(vi),其余元素为0,用邻接矩阵的元素aij可表示为:
拉普拉斯矩阵L用邻接矩阵A和度矩阵D可表示为L=D-A,所以该矩阵L元素lij可表示为:
将拉普拉斯矩阵的对角元素归一化,得到归一化拉普拉斯矩阵:
在电力***中,每个节点都有负荷有功、无功功率、发电机出力、节点电压等运行状态数据。在节点vi上,由该节点运行状态数据组成的列向量,称作节点信号xi。若每个节点上有d个数据,则节点信号的维数也是d。各节点的信号组成矩阵称作图特征数据X,若图中有N个节点,则X=(x1x2…xN)T,维数为N×d。
图卷积网络包含图卷积层和图池化层,具体使用的形式为:
输入的原始的图特征数据X经过图卷积层后,各节点聚合邻居信息,可获得包含拓扑信息和节点信息的特征;图卷积层使用重归一化后的形式为:
图池化层的作用为缩减、聚合图数据,将全图数据直接缩减为单个特征列向量的操作为读出操作,其数学表达式为:
其中,Ψ通常为平均、求和或取最大值;xi是节点vi的节点信号,V表示节点的集合。当整个图收缩为只有一个节点时,该节点的信号融合了整个图的节点信号和拓扑信息。
采用Adam优化算法优化交叉熵损失函数,具体方法为:
将图池化层读出操作后得到的特征列向量y输入到全连接网络中并最后经过Sigmoid激活函数,可最终得到模型判别的潮流越限概率p;当损失函数使用交叉熵函数时,设运行状态对应的标签为损失函数Lloss可表示为:
对损失函数使用Adam优化,可训练图卷积层的参数W;设第t步迭代时图卷积网络模型的参数为Wt,损失函数为Lloss(Wt),第t步迭代参数的公式为:
mt=β1mt-1+(1-β1)gt
其中,gt是第t步迭代时损失函数关于参数W的梯度,表示求关于参数W的梯度的算子;mt、ut、是中间计算量;参数β1默认值取0.9,β2默认值取0.999,ε默认值取10-8;而学习率参数α通常需要手动调节。
3)利用步骤2)获得的潮流校核模型对实际电力***运行状态数据进行潮流越限判别,得到潮流校核结果;并给出校核结果误差率。
实施结果
为验证所提出方法的有效性,基于不同规模的IEEE标准***进行对比试验。基于离线潮流计算的方式生成训练样本并进行数量调整,保证正负样本基本持平。划定训练样本占比80%,测试集样本占比20%。由于基于模型的校核需要保证尽可能不出现任何潮流越线的漏判,以下测试结果均为基于模型参数调优和预测阈值调整后,测试集越限判别准确率在99%的训练结果,表1当中记录了案例规模与运算时间之间的关系。
表1:潮流越限判别训练、校核、预测时间效率对比
经对比分析可知,随案例规模计算,基于潮流计算校核越限的耗时不断提升,而基于GPU和CPU的单次预测耗时均远低于潮流计算时间开销,在case13659当中,一次潮流计算时间为GPU平均单次预测时间的3550倍,即深度学习预测时间相较于潮流计算几乎可以忽略不计。从模型训练角度分析,虽然一次训练的耗时相对较长,但训练步骤是离线进行的,只要模型一旦训练完成即可长期使用。而从CPU和GPU的训练、预测耗时比较可知,随案例规模的增大,GPU相比于CPU的训练和预测加速比均不断提高。
Claims (4)
1.一种基于图卷积网络加速的潮流校核方法,其特征在于,包括步骤:
1)收集电力***拓扑数据与网络参数,并生成大量电力***运行状态;使用潮流计算方法,判别生成的电力***运行状态是否发生越限,并将是否越限作为标签,获得电力***潮流校核数据集,而后数据集划分为训练数据集和测试数据集;
2)建立图卷积网络模型,使用训练数据集训练,并使用测试数据集测试,直到测试集准确率达到设定值,得到图卷积网络加速的潮流校核模型:
(2.1)图卷积网络中电力***图数据模型的构建方法为:
将电力***建模为无向图G=(V,E),其中V表示节点的集合,E表示线路的集合,节点的个数记作N=|V|;若第i个节点表示为vi,则连接节点vi与节点vj间的边可表示为eij=(vi,vj),称节点vj为节点vi为的邻居;节点vi所有邻居的集合记为即节点vi的邻居个数称为度,即
电力***的邻接矩阵A的元素aij满足:若节点vi和节点vj间存在线路并被连接,则aij=1,否则aij=0,即
度矩阵D为对角矩阵,对角元素dii为节点vi的度,其余元素为0,用邻接矩阵的元素aij可表示为:
拉普拉斯矩阵用邻接矩阵和度矩阵可表示为L=D-A,所以该矩阵元素lij可表示为
在电力***中,每个节点都有负荷有功、无功功率、发电机出力、节点电压的运行状态数据;在节点vi上,由该节点运行状态数据组成的列向量称作节点信号xi;若每个节点上有d个数据,则节点信号的维数也是d;各节点的信号组成矩阵称作图特征数据X,若图中有N个节点,则X=(x1 x2 … xN)T,维数为N×d;
(2.2)使用的图卷积网络包含图卷积层和图池化层,具体使用的形式为:
输入的原始的图特征数据X,包括各节点信号和拓扑关系,经过图卷积层后,各节点聚合邻居信息,可获得包含拓扑信息和节点信息的特征;图卷积层使用重归一化后的形式为
图池化层的作用为缩减、聚合图数据,将全图数据直接缩减为单个特征列向量的操作为读出操作,其数学表达式为
其中,Ψ为平均、求和或取最大值;xi是节点vi的节点信号;当整个图收缩为只有一个节点时,该节点的信号融合了整个图的节点信号和拓扑信息;
3)利用步骤2)获得的潮流校核模型对实际电力***运行状态数据进行潮流越限判别,得到潮流校核结果。
2.根据权利要求1所述基于图卷积网络加速的潮流校核方法,其特征在于,所述电力***拓扑数据包括电力***节点数和各节点之间的线路连接关系,电力***网络参数数据包括***中各条线路的阻抗、对地导纳和传输功率上限、各节点对地导纳、节点类型和节点电压上下限。
3.根据权利要求2所述基于图卷积网络加速的潮流校核方法,其特征在于,所述步骤1)中电力***潮流校核数据集生成的具体步骤包括:
1.1)当***负荷水平上下限分别为lmin和lmax时,按均匀分布U(lmin,lmax)采样***负荷水平l;
1.2)遍历所有母线,按方差为σ2的正态分布N(1,σ2)分别采样各母线的扰动系数并计算各母线负荷;
1.3)根据经济调度的最优潮流模型计算电力***运行变量,包括发电机出力;
1.4)通过潮流计算求解运行状态下各节点电压和各线路传输功率,并分别与节点电压上下限和线路传输功率上限对比,若存在一个节点电压或一条线路传输功率不在约束范围内,将运行状态视为发生潮流越限,标签设置为1,否则设置为0;
1.5)记录电力***运行状态和对应的标签作为一个样本,如果样本数量达到要求,存储所有记录结果,程序结束,否则返回步骤1.1)。
4.根据权利要求1所述基于图卷积网络加速的潮流校核方法,其特征在于,步骤2)中,采用Adam优化算法优化交叉熵损失函数,具体方法为:
对损失函数使用Adam优化,可训练图卷积层的参数W;设第t步迭代时图卷积网络模型的参数为Wt,损失函数为Lloss(Wt),第t步迭代参数的公式为
mt=β1mt-1+(1-β1)gt
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011215303.7A CN112287605B (zh) | 2020-11-04 | 2020-11-04 | 一种基于图卷积网络加速的潮流校核方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011215303.7A CN112287605B (zh) | 2020-11-04 | 2020-11-04 | 一种基于图卷积网络加速的潮流校核方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112287605A CN112287605A (zh) | 2021-01-29 |
CN112287605B true CN112287605B (zh) | 2022-05-10 |
Family
ID=74351346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011215303.7A Active CN112287605B (zh) | 2020-11-04 | 2020-11-04 | 一种基于图卷积网络加速的潮流校核方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287605B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536509B (zh) * | 2021-08-05 | 2023-04-18 | 合肥工业大学 | 一种基于图卷积网络的微电网拓扑辨识方法 |
CN114415812B (zh) * | 2022-01-25 | 2023-05-16 | 深圳市德航智能技术有限公司 | 一种具有安全电压防护的车载平板电脑 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7271216B2 (ja) * | 2019-02-19 | 2023-05-11 | 株式会社東芝 | 情報処理装置、情報処理方法、およびプログラム |
CN111461392B (zh) * | 2020-01-23 | 2022-06-17 | 华中科技大学 | 一种基于图神经网络的电力故障预测方法及*** |
-
2020
- 2020-11-04 CN CN202011215303.7A patent/CN112287605B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112287605A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN108879732B (zh) | 电力***暂态稳定评估方法及装置 | |
CN111428201A (zh) | 基于经验模态分解和前馈神经网络对时序数据的预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
CN114006370B (zh) | 一种电力***暂态稳定分析评估方法及*** | |
CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和*** | |
CN110766190A (zh) | 一种配电网负荷预测方法 | |
CN111091141B (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
CN115470995A (zh) | 电池容量预测模型训练方法、电池分容方法及装置 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN110956304A (zh) | 一种基于ga-rbm的分布式光伏发电量短期预测方法 | |
CN110991741B (zh) | 一种基于深度学习的断面约束概率预警方法及*** | |
CN113151842A (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 | |
CN117150409A (zh) | 一种用电异常检测方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN112232565A (zh) | 基于两阶段的时间序列预测方法、预测***、终端及介质 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
CN115169173A (zh) | 工程机械可靠性分析方法和装置、计算机设备和存储介质 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN112685900B (zh) | 一种表征冲击负荷功率特性的电力负荷模拟方法 | |
CN112084710B (zh) | 固体氧化物燃料电池电压预测方法、终端设备及存储介质 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |