CN112821424A - 一种基于数据-模型融合驱动的电力***频率响应分析方法 - Google Patents
一种基于数据-模型融合驱动的电力***频率响应分析方法 Download PDFInfo
- Publication number
- CN112821424A CN112821424A CN202110122618.5A CN202110122618A CN112821424A CN 112821424 A CN112821424 A CN 112821424A CN 202110122618 A CN202110122618 A CN 202110122618A CN 112821424 A CN112821424 A CN 112821424A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- frequency
- frequency response
- driving
- 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.)
- Granted
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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于数据‑模型融合驱动的电力***频率响应分析方法,所述方法利用模型驱动方法对***频率响应进行初步预测,利用数据驱动方法对初测结果进行误差修正,进而提出基于数据‑模型融合驱动的电力***频率响应分析方法,所述方法具体包含数据处理环节、离线训练环节以及在线应用环节。本发明在保证计算速度的前提下大幅提高计算精度,同时减少模型对样本数据的依赖程度,提高结果的可解释性;本发明可应用于频率安全稳定的态势感知与实时评估,并为后续的调度和控制提供快速有效的决策依据,以防止发生频率崩溃事件,提高电力***稳定性。
Description
技术领域
本发明涉及电力***一次调频领域,尤其涉及一种基于数据-模型融合驱动的电力***频率响应分析方法。
背景技术
电力***频率是表征电能质量与***运行状态的关键指标,频率稳定由***有功发电与负荷的平衡关系决定。当电力***遭受严重扰动而产生大量功率缺额时,频率会在短时间内急剧下降,如果偏移到正常运行范围之外,则可能会引起发电机组解列、部分线路负荷切除等故障,严重的甚至会导致电力***发生频率崩溃。当***发生频率扰动时,频率响应即一次调频,是抑制电网频率变化,维持电网频率稳定的首道防线,与自动发电控制共同保证电力***的频率安全和频率质量。
在特高压交直流混联电网逐渐成型、新能源大规模接入的背景下,电力***已由早期规模较小、结构简单等特征逐渐向广泛互联、开放互动所转变,导致***的频率响应需求有所上升,而频率响应能力却不断遭到削弱,使得新形势下的频率稳定问题日益严峻。近年来所发生的一系列重大电网事故也表明,频率失稳或崩溃是引发故障的关键诱因。在实际运行过程中,为保证***能够通过状态监测、运行控制等手段来维持安全稳定运行,急需对频率响应进行快速准确的实时分析。
以模型驱动为基础的传统电力***频率响应分析方法主要包括单机等值模型法和全状态时域仿真法。基于单机等值的***频率响应模型在分析复杂电力***的动态频率时无法考虑频率的时空分布特性,导致精度不足;时域仿真模型受制于逐步积分的复杂运算过程,计算耗时长,难以在线应用。二者均已无法满足现代电网对运算速度及精度的双重要求。
随着广域测量***的广泛接入,为超前预测***动态过程提供了强大的数据支撑,数据驱动方法应运而生。基于广域测量数据及机器学习算法的数据驱动方法利用***实际运行数据挖掘输入与输出之间的关系,在计算精度和速度方面均有所突破。但其完全脱离物理模型,使得样本数据的数量、特征提取方式及算法参数选定均会对算法的有效性造成较大影响。同时,在面对电力***这一具备成熟因果关系的对象时,数据驱动方法这种类似于“黑匣子”式的应用方式,给出的结果难于解释。
发明内容
本发明针对基于模型驱动以及数据驱动的分析方法在实时应用中的特点和不足,在电力***频率响应快速分析领域,提供一种数据-模型融合驱动分析方法,利用模型驱动方法对***频率响应进行初步预测,利用数据驱动方法对初测结果进行误差修正,从而得到实测频率响应。
为了达到上述目的,本发明提供了一种基于数据-模型融合驱动的电力***频率响应分析方法,所述方法的步骤为:
S1:数据处理环节,收集扰动后电力***过往运行过程中的元件参数、扰动事件描述、***网络拓扑结构和真实频率响应数据,并生成历史数据库;
S2:建立基于模型驱动的***频率初测模型,历史数据库中的扰动事件描述和***元件参数作为所述***频率初测模型的输入变量,将所述输入变量输入至所述***频率初测模型中并输出初测频率响应数据;
S3:将所述***频率初测模型计算得到的频率初始变化速率Δf’(0+)、到达频率最低点的时间tnadir、最大频差Δfmax、准稳态频差Δfess四项初测频率响应数据以及***网络拓扑结构作为输入特征,将真实频率响应作为输出结果,构成样本数据集;
S4:将所述样本数据集随机生成训练集和测试集;
S5:构建ELM模型并确定所述ELM模型的隐层神经元数目及激活函数,将所述训练集和测试集经归一化处理后导入到所述ELM模型中;
S6:随机初始化ELM模型的输入权重和阈值,并利用PSO算法优化随机生成的权重和阈值;
S7:离线训练环节,根据优化后的权重和阈值利用训练集,对所述ELM模型进行离线训练;
S8:利用测试集对完成离线训练的ELM模型进行测试并预测输出结果,所述完成离线训练的ELM模型为基于数据驱动的***频率修正模型;
S9:所述基于模型驱动的***频率初测模型与基于数据驱动的***频率修正模型共同组成基于数据-模型融合驱动的***频率响应模型;
S10:在线应用环节,对电力***运行状态进行实时监测,若检测到扰动发生,则根据扰动信息利用基于数据-模型融合驱动的***频率响应模型对***的频率响应动态过程进行在线分析。
优选方式下,所述***频率初测模型为SFR模型,所述SFR模型的具体参数根据单机等值聚合公式求解,所述单机等值聚合公式为:
其中,Si为第i台发电机的额定视在功率;Ssys表示***装机容量之和;X 为将***等值聚合后的SFR模型参数;Xi=[Hi,1/Ri,Di,TRi,FHi,Kmi],Xi为第i 台发电机的模型参数;Hi为第i台发电机的惯性时间常数;Ri为第i台发电机的调速器频率调差系数;Di为第i台发电机的等效阻尼系数;TRi为第i台发电机的原动机再热时间常数;FHi为第i台发电机的汽轮机高压缸功率系数;Kmi为第i 台发电机的机械功率增益系数。
优选方式下,所述PSO算法优化随机生成的权重和阈值的步骤为:
SS1:随机生成初始种群;
SS2:计算各粒子的适应度,并分别更新第i个粒子曾经经过的最佳位置Pi、种群到目前为止能搜索到的最佳位置Pg;
SS3:根据Pi和Pg更新各粒子的速度和位置;
SS4:判断是否达到终止条件;若达到则输出优化结果,否则跳至SS3。
本发明的有益效果为:在频率响应快速分析领域,针对模型驱动方法无法兼顾计算速度与计算精度以及数据驱动方法泛化能力不足、可解释性差等问题,本发明采用一种数据-模型融合驱动的电力***频率响应分析方法,在保证计算速度的前提下大幅提高计算精度,同时减少模型对样本数据的依赖程度,提高结果的可解释性;本发明可应用于频率安全稳定的态势感知与实时评估,并为后续的调度和控制提供快速有效的决策依据,以防止发生频率崩溃事件,提高电力***稳定性。
附图说明
图1为本发明所提出基于数据-模型融合驱动的电力***频率响应分析方法的示意图;
图2为本发明所提出基于数据驱动的***频率修正模型的流程图;
图3为本发明所测试***的网络拓扑图;
图4为本发明与SFR模型计算结果的相对误差对比图。
具体实施方式
具体实施例:
如图1所示,本发明提出基于模型驱动的***频率初测模型、基于数据驱动的***频率修正模型以及基于数据-模型融合驱动***频率响应模型的分析方法。其中,得益于***频率响应模型出色的计算速度和可解析性,选取SFR模型作为模型驱动方法进行建模,提出基于模型驱动的***频率初测模型。
如图1所示,本发明通过粒子群算法优化极限学习机,提出基于数据驱动的***频率修正模型,以初测频率响应和网络拓扑结构为输入,以实测频率响应为输出。其中,ELM模型训练速度快、泛化能力强,PSO算法可对ELM模型的权重和偏置进行优化,从而提高频率修正模型的稳定性。其中***频率响应的英文表述为System Frequency Response,可简写为SFR;粒子群算法优化的英文表述为Particle Swarm Optimization,可简写为PSO;极限学习机的英文表述为Extreme Learning Machine,可简写为ELM。
如图1所示,本发明利用模型驱动方法对***频率响应进行初步预测,利用数据驱动方法对初测结果进行误差修正,提出基于数据-模型融合驱动***频率响应分析方法,具体包含三个环节:数据处理环节,离线训练环节,在线应用环节。其中,离线训练环节据历史数据库分别构建基于模型驱动的频率初测模型,即SFR模型和基于数据驱动的频率修正模型,即PSO-ELM模型;利用历史数据库中所包含的真实频率响应与频率初测模型计算得出的初测频率响应对频率修正模型进行离线训练,提升模型的计算精度和泛化能力,从而构建基于数据-模型融合驱动的频率响应模型。
由于频率初测模型的计算误差主要是由于忽略频率时空分布和简化元件模型所导致的,因此频率修正模型的输入特征主要针对这两点原因进行选取,分别为频率初测模型计算得出的初始频率变化速率Δf’(0+)、频率最低点时间tnadir,最大频差Δfmax、稳态频差Δfess和***网络拓扑结构,分别用以描述***在遭受功率扰动后的频率响应动态特性和频率的时空分布特性。
具体地,本发明所述方法的步骤为:
S1:数据处理环节,收集扰动后电力***过往运行过程中的元件参数、扰动事件描述、***网络拓扑结构和真实频率响应数据,并生成历史数据库;
S2:建立基于模型驱动的***频率初测模型,历史数据库中的扰动事件描述和***元件参数作为所述***频率初测模型的输入变量,将所述输入变量输入至所述***频率初测模型中并输出初测频率响应数据;
S3:将所述***频率初测模型计算得到的初始频率变化速率Δf’(0+)、频率最低点时间tnadir,最大频差Δfmax、稳态频差Δfess四项初测频率响应数据以及***网络拓扑结构作为输入特征,将真实频率响应作为输出结果,构成样本数据集;
S4:将所述样本数据集随机生成训练集和测试集;
S5:如图2所示,构建ELM模型并确定所述ELM模型的隐层神经元数目及激活函数,将所述训练集和测试集经归一化处理后导入到所述ELM模型中;
S6:随机初始化ELM模型的输入权重和阈值,并利用PSO算法优化随机生成的权重和阈值;
S7:离线训练环节,根据优化后的权重和阈值利用训练集,对所述ELM模型进行离线训练;
S8:利用测试集对完成离线训练的ELM模型进行测试并预测输出结果,所述完成离线训练的ELM模型为基于数据驱动的***频率修正模型;
S9:所述基于模型驱动的***频率初测模型与基于数据驱动的***频率修正模型共同组成基于数据-模型融合驱动的***频率响应模型;
S10:在线应用环节,对电力***运行状态进行实时监测,若检测到扰动发生,则根据扰动信息利用基于数据-模型融合驱动的***频率响应模型对***的频率响应动态过程进行在线分析。
所述***频率初测模型为SFR模型,所述SFR模型的具体参数根据单机等值聚合公式求解,所述单机等值聚合公式为:
其中,Si为第i台发电机的额定视在功率;Ssys表示***装机容量之和;X 为将***等值聚合后的SFR模型参数;Xi=[Hi,1/Ri,Di,TRi,FHi,Kmi],Xi为第i 台发电机的模型参数;Hi为第i台发电机的惯性时间常数;Ri为第i台发电机的调速器频率调差系数;Di为第i台发电机的等效阻尼系数;TRi为第i台发电机的原动机再热时间常数;FHi为第i台发电机的汽轮机高压缸功率系数;Kmi为第i 台发电机的机械功率增益系数。
如图2所示,所述PSO算法优化随机生成的权重和阈值的步骤为:
SS1:随机生成初始种群;
SS2:计算各粒子的适应度,并分别更新第i个粒子曾经经过的最佳位置Pi、种群到目前为止能搜索到的最佳位置Pg;
SS3:根据Pi和Pg更新各粒子的速度和位置;
SS4:判断是否达到终止条件;若达到则输出优化结果,否则跳至SS3。
通过具体实施例对本发明所提方法进行测试,并与现有SFR模型计算结果进行对比。图3为测试***的网络拓扑图,测试所用计算机配置为Inter(R) Core(TM)i5-8250U,8GB,仿真软件为PSASP和MATLB R2018a。
利用Monte-Carlo方法生成模型测试所需样本:为模拟不同扰动情况,设置***中任意负荷节点发生功率扰动事件的概率相同,扰动大小服从[0.1,1.2]的均匀分布。图4为本发明与SFR模型计算结果的相对误差对比图,频率修正模型的融入将频率初测模型计算结果的相对误差从5.72%修正至0.57%,在保证计算速度的前提下大幅提高了计算精度,可应用于频率安全稳定的态势感知与实时评估,并为后续的调度和控制提供快速有效的决策依据,以防止发生频率崩溃事件,提高电力***稳定性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于数据-模型融合驱动的电力***频率响应分析方法,其特征在于,所述方法的步骤为:
S1:数据处理环节,收集扰动后电力***过往运行过程中的元件参数、扰动事件描述、***网络拓扑结构和真实频率响应数据,并生成历史数据库;
S2:建立基于模型驱动的***频率初测模型,历史数据库中的扰动事件描述和***元件参数作为所述***频率初测模型的输入变量,将所述输入变量输入至所述***频率初测模型中并输出初测频率响应数据;
S3:将所述***频率初测模型计算得到的频率初始变化速率Δf’(0+)、到达频率最低点的时间tnadir、最大频差Δfmax、准稳态频差Δfess四项初测频率响应数据以及***网络拓扑结构作为输入特征,将真实频率响应作为输出结果,构成样本数据集;
S4:将所述样本数据集随机生成训练集和测试集;
S5:构建ELM模型并确定所述ELM模型的隐层神经元数目及激活函数,将所述训练集和测试集经归一化处理后导入到所述ELM模型中;
S6:随机初始化ELM模型的输入权重和阈值,并利用PSO算法优化随机生成的权重和阈值;
S7:离线训练环节,根据优化后的权重和阈值利用训练集,对所述ELM模型进行离线训练;
S8:利用测试集对完成离线训练的ELM模型进行测试并预测输出结果,所述完成离线训练的ELM模型为基于数据驱动的***频率修正模型;
S9:所述基于模型驱动的***频率初测模型与基于数据驱动的***频率修正模型共同组成基于数据-模型融合驱动的***频率响应模型;
S10:在线应用环节,对电力***运行状态进行实时监测,若检测到扰动发生,则根据扰动信息利用基于数据-模型融合驱动的***频率响应模型对***的频率响应动态过程进行在线分析。
2.根据权利要求1所述基于数据-模型融合驱动的电力***频率响应分析方法,其特征在于,所述***频率初测模型为SFR模型,所述SFR模型的具体参数根据单机等值聚合公式求解,所述单机等值聚合公式为:
其中,Si为第i台发电机的额定视在功率;Ssys表示***装机容量之和;X为将***等值聚合后的SFR模型参数;Xi=[Hi,1/Ri,Di,TRi,FHi,Kmi],Xi为第i台发电机的模型参数;Hi为第i台发电机的惯性时间常数;Ri为第i台发电机的调速器频率调差系数;Di为第i台发电机的等效阻尼系数;TRi为第i台发电机的原动机再热时间常数;FHi为第i台发电机的汽轮机高压缸功率系数;Kmi为第i台发电机的机械功率增益系数。
3.根据权利要求1所述基于数据-模型融合驱动的电力***频率响应分析方法,其特征在于,所述PSO算法优化随机生成的权重和阈值的步骤为:
SS1:随机生成初始种群;
SS2:计算各粒子的适应度,并分别更新第i个粒子曾经经过的最佳位置Pi、种群到目前为止能搜索到的最佳位置Pg;
SS3:根据Pi和Pg更新各粒子的速度和位置;
SS4:判断是否达到终止条件;若达到则输出优化结果,否则跳至SS3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110122618.5A CN112821424B (zh) | 2021-01-29 | 2021-01-29 | 一种基于数据-模型融合驱动的电力***频率响应分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110122618.5A CN112821424B (zh) | 2021-01-29 | 2021-01-29 | 一种基于数据-模型融合驱动的电力***频率响应分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112821424A true CN112821424A (zh) | 2021-05-18 |
CN112821424B CN112821424B (zh) | 2023-07-14 |
Family
ID=75860027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110122618.5A Active CN112821424B (zh) | 2021-01-29 | 2021-01-29 | 一种基于数据-模型融合驱动的电力***频率响应分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112821424B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114243805A (zh) * | 2021-12-20 | 2022-03-25 | 华北电力大学 | 一种考虑调速器限幅的同步机***频率响应解析计算方法 |
CN115632406A (zh) * | 2022-12-21 | 2023-01-20 | 国网天津市电力公司城东供电分公司 | 基于数字-机理融合驱动建模的无功电压控制方法及*** |
CN115965288A (zh) * | 2022-12-29 | 2023-04-14 | 国网湖北省电力有限公司经济技术研究院 | 基于IWO优化BiLSTM的有源配电网频率安全评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105720574A (zh) * | 2016-02-22 | 2016-06-29 | 天津大学 | 基于spsa的电力***单区域负荷频率的数据驱动控制方法 |
CN108075470A (zh) * | 2017-12-25 | 2018-05-25 | 东南大学 | 一种基于sfr和elm的电网暂态频率特征预测方法 |
CN109657309A (zh) * | 2018-12-05 | 2019-04-19 | 国网河南省电力公司电力科学研究院 | 电力***长过程频率响应简化计算方法及装置 |
CN110649596A (zh) * | 2019-09-05 | 2020-01-03 | 大连理工大学 | 一种考虑***初始状态的频率全响应解析模型 |
CN110994703A (zh) * | 2019-11-30 | 2020-04-10 | 江苏省电力有限公司电力科学研究院 | 一种考虑多种调频资源的调频容量需求分配方法 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
-
2021
- 2021-01-29 CN CN202110122618.5A patent/CN112821424B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105720574A (zh) * | 2016-02-22 | 2016-06-29 | 天津大学 | 基于spsa的电力***单区域负荷频率的数据驱动控制方法 |
CN108075470A (zh) * | 2017-12-25 | 2018-05-25 | 东南大学 | 一种基于sfr和elm的电网暂态频率特征预测方法 |
CN109657309A (zh) * | 2018-12-05 | 2019-04-19 | 国网河南省电力公司电力科学研究院 | 电力***长过程频率响应简化计算方法及装置 |
CN110649596A (zh) * | 2019-09-05 | 2020-01-03 | 大连理工大学 | 一种考虑***初始状态的频率全响应解析模型 |
CN110994703A (zh) * | 2019-11-30 | 2020-04-10 | 江苏省电力有限公司电力科学研究院 | 一种考虑多种调频资源的调频容量需求分配方法 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
Non-Patent Citations (1)
Title |
---|
王琦;李峰;汤奕;薛禹胜;: "基于物理―数据融合模型的电网暂态频率特征在线预测方法", 电力***自动化, no. 19 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114243805A (zh) * | 2021-12-20 | 2022-03-25 | 华北电力大学 | 一种考虑调速器限幅的同步机***频率响应解析计算方法 |
CN114243805B (zh) * | 2021-12-20 | 2023-01-10 | 华北电力大学 | 一种考虑调速器限幅的同步机***频率响应解析计算方法 |
CN115632406A (zh) * | 2022-12-21 | 2023-01-20 | 国网天津市电力公司城东供电分公司 | 基于数字-机理融合驱动建模的无功电压控制方法及*** |
CN115632406B (zh) * | 2022-12-21 | 2023-04-28 | 国网天津市电力公司城东供电分公司 | 基于数字-机理融合驱动建模的无功电压控制方法及*** |
CN115965288A (zh) * | 2022-12-29 | 2023-04-14 | 国网湖北省电力有限公司经济技术研究院 | 基于IWO优化BiLSTM的有源配电网频率安全评估方法 |
CN115965288B (zh) * | 2022-12-29 | 2023-11-03 | 国网湖北省电力有限公司经济技术研究院 | 基于IWO优化BiLSTM的有源配电网频率安全评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112821424B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108551167B (zh) | 一种基于XGBoost算法的电力***暂态稳定判别方法 | |
CN112821424B (zh) | 一种基于数据-模型融合驱动的电力***频率响应分析方法 | |
CN108053128A (zh) | 一种基于elm和tf的电网暂态稳定快速评估方法 | |
CN111401749A (zh) | 一种基于随机森林与极限学习回归的动态安全评估方法 | |
CN112069727B (zh) | 具备高可信度的电力***暂态稳定智能化评估***及方法 | |
CN113591379B (zh) | 一种电力***暂态稳定预防及紧急协调控制辅助决策方法 | |
LU500551B1 (en) | Virtual load dominant parameter identification method based on incremental learning | |
CN112909939B (zh) | 一种基于故障前后潮流特征的电力***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*** | |
CN116050867A (zh) | 一种具备可解释性的数据驱动电力***暂态稳定评估方法 | |
CN113128005A (zh) | 基于动态特性电网节点聚类及频率安全分析方法及*** | |
CN110705831A (zh) | 电力***故障后功角失稳模式预判模型构建方法及其应用 | |
CN115329669A (zh) | 基于深度贝叶斯主动学习的电力***暂态稳定评估方法 | |
CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及*** | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** | |
CN116581890A (zh) | 一种电网运行稳定性的智能监测方法及*** | |
CN111814394B (zh) | 一种基于相关性和冗余性检测的电力***安全评估方法 | |
He | Machine learning based method for transient stability assessment of power systems | |
Lin et al. | Transient stability analysis of ac-dc hybrid power grid under topology changes based on deep learning | |
Shi et al. | Study on stability feature extraction of power system using deep learning | |
CN113283702B (zh) | 融合电力***安全稳定特性的潮流状态评价方法及装置 | |
Dunwen et al. | A trainsient voltage stability evaluation model based on morphological similarity distance online calculation | |
CN116702629B (zh) | 一种具备可迁移能力的电力***暂态稳定评估方法 | |
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 | |
Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal |
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 |