CN112651628A - 一种基于胶囊神经网络的电力***暂态稳定评估方法 - Google Patents
一种基于胶囊神经网络的电力***暂态稳定评估方法 Download PDFInfo
- Publication number
- CN112651628A CN112651628A CN202011558982.8A CN202011558982A CN112651628A CN 112651628 A CN112651628 A CN 112651628A CN 202011558982 A CN202011558982 A CN 202011558982A CN 112651628 A CN112651628 A CN 112651628A
- Authority
- CN
- China
- Prior art keywords
- neural network
- transient stability
- capsule neural
- layer
- input
- 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
- 230000001052 transient effect Effects 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 239000002775 capsule Substances 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000003066 decision tree Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000013097 stability assessment Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明是一种基于胶囊神经网络的电力***暂态稳定评估方法,其特点是,首先基于仿真数据构造输入数据矩阵,其次,利用胶囊神经网络的自学习能力和强大的特征提取能力进行离线训练,找到输入数据与暂态稳定之间的映射关系,最后通过训练生成的模型进行在线评估,实现暂态稳定性的快速预测。该方法具有“快速测量、快速分辨率、快速控制”等优点。
Description
技术领域
本发明属于大规模互联电网暂态稳定性预测的应用领域,具体涉及到一种基于胶囊神经网络的电力***暂态稳定评估方法。
背景技术
随着电力***的高速发展,电网规模不断扩大、各种输电方式及新能源技术的应用使得电网结构和运行工况愈加复杂,导致电力***的安全稳定运行面临更多的风险。现代电力***是一个高维非线性***,故障过程发展十分迅速,单纯依靠调度员的经验很难在短时间内做出有效正确的判断。目前常用的传统分析方法有直接法和时域仿真法,前者在稳定性估计上较为保守,不能满足大型网络应用的需要。后者模型较为复杂,计算速度较慢,不能满足快速性的要求。因此,如何在电力***发生故障时准确快速地做出暂态稳定性的判断,是当前电网需要解决的问题。目前,人工智能方法结合时域仿真获得了越来越多的研究和关注,该方法从仿真数据中构建原始样本,离线训练模型建立原始数据集和暂态稳定之间的映射关系,从而达到电力***暂态稳定评估的目的,这种方法具有耗时短、精度高的优点,被广泛应用于暂态稳定评估。
目前主要采用人工神经网络(artificial neural networks,ANN)、支持向量机(support vector machines,SVM)、决策树(decision tree,DT)等浅层学习模型进行暂态稳定评估。然而,由于浅层学习的结构限制,模型对输入数据的特征表达能力有限,求解高维数据分类问题时泛化能力受到制约。深度学习可以自主学习数据特征和抽象表达式。深度学习具有自主学习数据特征和抽象表达等特点,可以弥补浅层学习之不足。因此,将深度学习(胶囊神经网络)引入暂态稳定评估问题中,利用其深层架构对输入数据具有自主学习能力的优势,实现基于高维数据的抽象表达与分类,可以提高暂态稳定分析的泛化能力,进而提高在线暂态稳定评估的精度。
迄今未见有关基于胶囊神经网络的电力***暂态稳定评估方法的文献报道和实际应用。
发明内容
本发明所要解决的技术问题是:克服现有技术的不足,提供一种科学合理,适用性强的基于胶囊神经网络的电力***暂态稳定评估方法。这种方法仅通过短时受扰轨迹信息预测未来***暂态稳定性,能够有效的减少运算时间和提高精度,实现对高复杂性、多变性、随机性电网的紧急预测。
解决其技术问题采用的方案是:一种基于胶囊神经网络的电力***暂态稳定评估方法,其特征是,它包括以下内容:
1)模型的离线学习阶段使用的数据通常来自数值仿真,通过对电网预置线路故障进行暂态稳定仿真,获得大量的仿真样本,选择在大扰动下,对最严重的故障进行仿真,在线路两端设置三相短路接地故障,故障后移除线路,同时保证最终得到的数据集中稳定样本和不稳定样本的数量相对均匀,又考虑到,发电机的q轴电势状态量因实际条件而难以测量,因此,选取故障切除后转子角速度和转子角度的短期轨迹作为胶囊神经网络的输入特征;
2)多机***受到较大干扰后,可以通过发电机之间的相对转子角差是否大于360°来确定***的稳定性,失稳判据可表示为:
△δi-△δj>360° (1)
3)胶囊神经网络的输入是一个二维矩阵,以转子角轨迹为例,矩阵可表示为:
其中,N代表发电机组数量,T代表轨迹采样点数量;
4)胶囊神经网络中卷积层的卷积核的权重矩阵表示为:
权重矩阵的理想情况是:
此时,输入胶囊神经网络中PrimaryCaps层的输出矩阵的元素为:
Xij=f(δi,j-δi,j+1+δi+1,j-δi+1,j+1+b) (5)
此时f函数的变量为发电机间的相对转子角的差值及与其上一时刻的和;
由于胶囊神经网络的训练过程是不断更新卷积层、PrimaryCaps层和DigitCaps层的权重矩阵,即为学习相对转子角度的加权系数,可见基于胶囊神经网络实现暂态稳定评估的实质是对输入轨迹的相对角度差在时间上累积效应的非线性学习,经过逐层局部学习和提取,将输入轨迹映射成为隐含相对角度差信息的高阶特征,并与暂态稳定性建立映射关系,实现基于短时轨迹的暂态稳定评估,转子角速度作为输入矩阵时亦同理;
5)基于胶囊神经网络的暂态稳定评估流程包括三个部分:首先,通过离线仿真获得发电机的短期扰动轨迹来建立初始样本集,并将数据集随机分为训练集和测试集;其次,用精度指标寻找最优网络结构参数,并基于准确度来评估模型,如果不满足要求,可以通过调整参数或调整网络进行再训练,最终达到要求;最后,使用训练好的模型对测试集样本进行在线暂态稳定性评估。
本发明针对广域量测***,提出了基于胶囊神经网络的电力***暂态稳定评估方法,能够有效的满足大电网暂态稳定评估速度与精度的要求,具体包括以下效果:
1)对于不同输入特征的排列,模型的训练有显著差异,选择正确的排列有助于增强网络提取局部特征的能力,可以减少错误判断样本类别的概率,提高模型精度;
2)经过大量测试,胶囊神经网络具有良好的泛化能力和准确性,与CNN、SVM、DT、ANN相比,胶囊神经网络在评估精度和迭代收敛速度方面更优;
3)所提出的电力***暂态稳定评估方法,其方法科学合理,实现了“快速测量、快速分辨率、快速控制”的理念,具有很好的工程应用价值。
附图说明
图1为一种基于胶囊神经网络的电力***暂态稳定评估方法框图;
图2为IEEE-39节点***拓扑图。
具体实施方式
本发明的一种基于胶囊神经网络的电力***暂态稳定评估方法,包括以下内容:
1)模型的离线学习阶段使用的数据通常来自数值仿真,通过对电网预置线路故障进行暂态稳定仿真,获得大量的仿真样本,选择在大扰动下,对最严重的故障进行仿真,在线路两端设置三相短路接地故障,故障后移除线路,同时保证最终得到的数据集中稳定样本和不稳定样本的数量相对均匀,又考虑到,发电机的q轴电势状态量因实际条件而难以测量,因此,选取故障切除后转子角速度和转子角度的短期轨迹作为胶囊神经网络的输入特征;
2)多机***受到较大干扰后,可以通过发电机之间的相对转子角差是否大于360°来确定***的稳定性,失稳判据可表示为:
△δi-△δj>360° (1)
3)胶囊神经网络的输入是一个二维矩阵,以转子角轨迹为例,矩阵可表示为:
其中,N代表发电机组数量,T代表轨迹采样点数量;
4)胶囊神经网络中卷积层的卷积核的权重矩阵表示为:
权重矩阵的理想情况是:
此时,输入胶囊神经网络中PrimaryCaps层的输出矩阵的元素为:
Xij=f(δi,j-δi,j+1+δi+1,j-δi+1,j+1+b) (5)
此时f函数的变量为发电机间的相对转子角的差值及与其上一时刻的和;
由于胶囊神经网络的训练过程是不断更新卷积层、PrimaryCaps层和DigitCaps层的权重矩阵,即为学习相对转子角度的加权系数,可见基于胶囊神经网络实现暂态稳定评估的实质是对输入轨迹的相对角度差在时间上累积效应的非线性学习,经过逐层局部学习和提取,将输入轨迹映射成为隐含相对角度差信息的高阶特征,并与暂态稳定性建立映射关系,实现基于短时轨迹的暂态稳定评估,转子角速度作为输入矩阵时亦同理;
5)基于胶囊神经网络的暂态稳定评估流程包括三个部分:首先,通过离线仿真获得发电机的短期扰动轨迹来建立初始样本集,并将数据集随机分为训练集和测试集;其次,用精度指标寻找最优网络结构参数,并基于准确度来评估模型,如果不满足要求,可以通过调整参数或调整网络进行再训练,最终达到要求;最后,使用训练好的模型对测试集样本进行在线暂态稳定性评估。
为了更明确地说明本发明的实施方案,结合图1和图2做进一步详细描述:
1)参照图1,本发明的一种基于胶囊神经网络的电力***暂态稳定评估方法包括三个部分:通过离线仿真获得样本集;训练网络;在线评估。
2)针对图2所示的IEEE-39节点***,发电机模型采用二阶经典模型,不考虑励磁及调速器的作用,各负荷均为恒阻抗模型,考虑10个负载水平(%87、%89、%91、%93、%95、%97、%99、%101、%103、%105),将故障设置在34条线路的首端,故障类型为三相短路接地,故障持续时间为0.2s。从仿真中共获得10200个样本。其中,不稳定样本8561个,稳定样本1639个。将所有样本归一化后,随机选取9000个样本作为训练集样本,其余1200个样本作为测试集样本。
3)特征排列:根据故障清除时的相对动能来计算扰动的严重程度。为了验证所提出方法的有效性,将其与其他排列进行比较,提出的四种输入特征排列如下:
a)将每台发电机的两个特征量(转子角和转子角速度)构成表征该机特征的区域,n台机共计得到n个区域;
b)将全部发电机的某个特征量(转子角和转子角速度)构成一个特征区域,2个特征量共计得到2个区域;
c)以b为基础,发电机组的顺序按故障初期受扰程度从大到小排列;
d)将列随机排列。
选取故障清除后0.2s内的特征时间序列,采样间隔T=0.01s,寻求评估准确率最优的特征排列方式。四种类型的输入矩阵尺寸均为20×20,并且设置相同的网络参数。测试结果如下表1所示。
表1
从表1可以看出,通过将每一电气量以区域排列,并计及发电机组在故障初期的受扰程度进行排序,将具有相似动态特性的轨迹紧凑排列,能够学习关键特征,增强提取局部特征的鲁棒性,提升模型的泛化能力和评估准确率。故选择c方式为模型参数选择的基础。
5)以c排列方式为基础。分别设置不同的网络参数,以综合指标为依据来确定最优的模型,其测试结果如表2所示。表2中卷积核的数字代表每层卷积层中卷积核的阶数。批样本数表示每次训练网络时分批输入网络学习的样本数。
表2
从上表可以看出:
a)在数据集样本数目一定的前提下,改变卷积核的阶数、批样本数量和迭代次数均会影响模型评估的正确率;
b)通过比较序号1、2、6、10,当批样本数和迭代次数相同时,合理选择核的维数有助于提高判断的准确性。
c)与序号6、8、9相比,在卷积核的阶数和迭代次数相同时,批样本数越小,网络调整权重的次数越多,正确率越高,损失越小。
d)通过对3、4、5、6、7个序列号的比较,在卷积核的阶数和批样本数量均相同时,正确率随迭代次数的增加有上升趋势,但超过一定的迭代次数,正确率开始下降,说明模型超过一定次数的学习会造成过学习,过多学习到不利于分类的冗余特征从而影响模型的泛化能力。
e)由上表可以看出,序号6所对应的模型是最优模型,模型的损失最小,正确率高达99.25%。
由此可见,合理的选择网络参数的卷积核大小、迭代次数和批处理数量有助于模型提取数据局部特征,提高分类评估的能力。经过上述分析得出结论:所提方法能够利用故障清除后的短时受扰组合轨迹进行电力***暂态稳定性评估,并且评估模型具有良好的泛化能力和准确率,准确率高达99.25%%,单个样本的评估时间为0.03ms,满足实时评估的要求。
6)为了验证Capsnet在电力***暂态稳定评估中的应用效果,在相同数据集中进行测试,将Capsnet的评估性能与CNN、SVM、DT和ANN进行比较。其中,CNN选择的卷积层的卷积核阶数与Capsnet相同,批样本数为60,迭代次数为700,SVM选择径向基核函数,最优结构参数利用5折交叉验证和网格搜索法寻取,两者的取值范围均为[2-8,28];DT使用C4.5算法,置信因子选择为0.25,该值在大多数情况下都有很好的效果。ANN的输入层神经元个数等于输入矩阵中的数值个数,输出层神经元个数与输出类别数相等为2,隐含层层数为2,神经元个数由遍历法确定,训练为梯度下降法。不同模型的精度结果如表3所示。
表3
从上表可以看出,Capsnet的评价精度优于其他四种模型,Capsnet能够快速高效地提取数据中隐含的关键特征。因此,与其他四种评估方法相比,Capsnet具有更优越的暂态稳定评估性能。
Claims (1)
1.一种基于胶囊神经网络的电力***暂态稳定评估方法,其特征是,它包括以下内容:
1)模型的离线学习阶段使用的数据通常来自数值仿真,通过对电网预置线路故障进行暂态稳定仿真,获得大量的仿真样本,选择在大扰动下,对最严重的故障进行仿真,在线路两端设置三相短路接地故障,故障后移除线路,同时保证最终得到的数据集中稳定样本和不稳定样本的数量相对均匀,又考虑到,发电机的q轴电势状态量因实际条件而难以测量,因此,选取故障切除后转子角速度和转子角度的短期轨迹作为胶囊神经网络的输入特征;
2)多机***受到较大干扰后,可以通过发电机之间的相对转子角差是否大于360°来确定***的稳定性,失稳判据可表示为:
△δi-△δj>360° (1)
3)胶囊神经网络的输入是一个二维矩阵,以转子角轨迹为例,矩阵可表示为:
其中,N代表发电机组数量,T代表轨迹采样点数量;
4)胶囊神经网络中卷积层的卷积核的权重矩阵表示为:
权重矩阵的理想情况是:
此时,输入胶囊神经网络中PrimaryCaps层的输出矩阵的元素为:
Xij=f(δi,j-δi,j+1+δi+1,j-δi+1,j+1+b) (5)
此时f函数的变量为发电机间的相对转子角的差值及与其上一时刻的和;
由于胶囊神经网络的训练过程是不断更新卷积层、PrimaryCaps层和DigitCaps层的权重矩阵,即为学习相对转子角度的加权系数,可见基于胶囊神经网络实现暂态稳定评估的实质是对输入轨迹的相对角度差在时间上累积效应的非线性学习,经过逐层局部学习和提取,将输入轨迹映射成为隐含相对角度差信息的高阶特征,并与暂态稳定性建立映射关系,实现基于短时轨迹的暂态稳定评估,转子角速度作为输入矩阵时亦同理;
5)基于胶囊神经网络的暂态稳定评估流程包括三个部分:首先,通过离线仿真获得发电机的短期扰动轨迹来建立初始样本集,并将数据集随机分为训练集和测试集;其次,用精度指标寻找最优网络结构参数,并基于准确度来评估模型,如果不满足要求,可以通过调整参数或调整网络进行再训练,最终达到要求;最后,使用训练好的模型对测试集样本进行在线暂态稳定性评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011558982.8A CN112651628A (zh) | 2020-12-25 | 2020-12-25 | 一种基于胶囊神经网络的电力***暂态稳定评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011558982.8A CN112651628A (zh) | 2020-12-25 | 2020-12-25 | 一种基于胶囊神经网络的电力***暂态稳定评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651628A true CN112651628A (zh) | 2021-04-13 |
Family
ID=75362876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011558982.8A Pending CN112651628A (zh) | 2020-12-25 | 2020-12-25 | 一种基于胶囊神经网络的电力***暂态稳定评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651628A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505526A (zh) * | 2021-06-22 | 2021-10-15 | 清华大学 | 电力***暂态稳定仿真方法、装置、电子设备和存储介质 |
-
2020
- 2020-12-25 CN CN202011558982.8A patent/CN112651628A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505526A (zh) * | 2021-06-22 | 2021-10-15 | 清华大学 | 电力***暂态稳定仿真方法、装置、电子设备和存储介质 |
CN113505526B (zh) * | 2021-06-22 | 2024-06-11 | 清华大学 | 电力***暂态稳定仿真方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102074955B (zh) | 基于知识发现技术的电力***稳定评估及控制方法 | |
Amraee et al. | Transient instability prediction using decision tree technique | |
CN110417011B (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 | |
CN112564107A (zh) | 一种电力***暂态稳定评估方法 | |
CN111523785A (zh) | 一种基于生成对抗网络的电力***动态安全评估方法 | |
CN110994604A (zh) | 基于lstm-dnn模型的电力***暂态稳定评估方法 | |
CN114006370B (zh) | 一种电力***暂态稳定分析评估方法及*** | |
CN105322519A (zh) | 一种智能配电网大数据融合分析与运行状态监测方法 | |
CN111478314A (zh) | 一种电力***暂态稳定评估方法 | |
CN116169675B (zh) | 考虑运行方式变化的电力***动态稳定性在线评估方法 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN117349614A (zh) | 基于自注意力机制和时空图卷积网络的频率稳定预测方法 | |
CN112821424A (zh) | 一种基于数据-模型融合驱动的电力***频率响应分析方法 | |
Yin et al. | Deep learning based feature reduction for power system transient stability assessment | |
CN111401792A (zh) | 一种基于极限梯度提升决策树的动态安全评估方法 | |
CN111725802A (zh) | 基于深度神经网络的交直流混联电网暂态稳定判断方法 | |
CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
CN112651628A (zh) | 一种基于胶囊神经网络的电力***暂态稳定评估方法 | |
CN116933860A (zh) | 暂态稳定评估模型更新方法、装置、电子设备及存储介质 | |
CN113435575B (zh) | 基于不平衡数据的门图神经网络暂态稳定性评估方法 | |
CN116305683A (zh) | 基于样本均衡化的电力***暂态稳定评估方法及*** | |
CN116204771A (zh) | 电力***暂态稳定关键特征选择方法、装置及产品 | |
He et al. | A method for transient stability assessment based on pattern recognition | |
CN116070384A (zh) | 基于电网特征排列重要性的暂态稳定评估方法及*** | |
CN111628531B (zh) | 一种针对电力***静态电压稳定评估的数据驱动方法 |
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 |