CN113972667A - 一种基于一维卷积神经网络的配电网无功优化方法 - Google Patents
一种基于一维卷积神经网络的配电网无功优化方法 Download PDFInfo
- Publication number
- CN113972667A CN113972667A CN202111434416.0A CN202111434416A CN113972667A CN 113972667 A CN113972667 A CN 113972667A CN 202111434416 A CN202111434416 A CN 202111434416A CN 113972667 A CN113972667 A CN 113972667A
- Authority
- CN
- China
- Prior art keywords
- neural network
- distribution network
- power distribution
- reactive power
- node
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 71
- 238000005457 optimization Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000011176 pooling Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于一维卷积神经网络的配电网无功优化方法,包括:步骤1,建立以有功网损和电压偏差最小为目标函数的配电网无功优化模型,用粒子群优化算法计算得到配电网历史负荷数据所对应的无功优化策略;步骤2,将历史配电网负荷数据归一化处理作为训练神经网络所输入的数据特征,将步骤1中得到的无功优化策略二进制编码作为神经网络的输出标签;步骤3,训练一维卷积神经网络确定神经网络的结构参数,得到训练好的一维卷积神经网络模型;步骤4,将一个待优化时刻实际配电网负荷数据提取数据特征后将它输入到训练好的一维卷积神经网络模型中,输出对应无功优化策略的二进制编码。本发明可以快速得到相应无功优化策略,加快了运算时间。
Description
技术领域
本发明涉及一种基于一维卷积神经网络的配电网无功优化方法,属于配电网无功优化领域。
背景技术
随着配电网的规模不断扩大,同时配电网负荷的不确定性和波动性使得配网的电压稳定运行面临着严峻挑战,通过一定的无功调节手段保证***无功平衡提高电能质量显得尤其重要。配电网无功优化是一个多目标的非线性规划问题,现有的求解方法依赖于配电网的模型和参数,需要反复迭代潮流计算,计算时间长,决策性差。
针对现有相关求解方法依赖于配电网的模型和参数,导致需要反复迭代潮流计算,计算时间长,决策性差的技术问题,目前尚未提出有效的解决方案。
发明内容
本发明提供了一种基于一维卷积神经网络的配电网无功优化方法,通过训练一维卷积神经网络来拟合配电网负荷数据和无功优化策略间的非线性关系,训练好的神经网络模型用于待优化时刻的配电网无功优化,进而解决需要反复迭代潮流计算,计算时间长的问题。
本发明的技术方案是:一种基于一维卷积神经网络的配电网无功优化方法,包括:
步骤1,建立以有功网损和电压偏差最小为目标函数的配电网无功优化模型,用粒子群优化算法计算得到配电网历史负荷数据所对应的无功优化策略;
步骤2,将历史配电网负荷数据归一化处理作为训练神经网络所输入的数据特征,将步骤1中得到的无功优化策略二进制编码作为神经网络的输出标签;
步骤3,训练一维卷积神经网络确定神经网络的结构参数,得到训练好的一维卷积神经网络模型;
步骤4,将一个待优化时刻实际配电网负荷数据提取数据特征后将它输入到训练好的一维卷积神经网络模型中,输出对应无功优化策略的二进制编码。
步骤1所建立的配电网无功优化模型表示为:
有功网损:
式中:nl为网络总支路数;Gk(i,j)为节点i至节点j的支路k的电导;ui、uj分别为节点i、j的电压;θi、θj分别为节点i、j的电压的相位角;节点i、节点j为相邻节点;
节点电压偏差:
式中:um为负荷节点m的电压;u定为负荷节点的指定电压幅值;Δummax为负荷节点m允许的最大电压偏差;Nl为负荷节点总数;
综上,配电网无功优化模型为:
minf=floss+λfU;式中,λ为节点电压偏差的惩罚系数。
所述步骤2具体为:
步骤2.1:将配电网的节点负荷数据进行归一化处理,让它们处于[0,1]区间内,公式如下所示:
x'=(x-xmin)/(xmax-xmin)
式中:x和x'分别为标准化前后的配电网节点负荷数据,xmax、xmin分别为节点负荷数据所对应的最大最小值;
步骤2.2:将粒子群优化算法求解得到配电网节点负荷数据的无功优化策略二进制编码作为样本的输出标签。
所述一维卷积神经网络的结构构成有输入层、一维卷积层、池化层、全连接层和输出层,其中一维卷积层、池化层和全连接层能采用一个或者是多个。
所述一维卷积层采用三层,卷积核个数分别为64、128、256,卷积核长度为11;并加入Dropout函数和正则化层。
本发明的有益效果是:本发明通过建立配电网无功优化模型,利用粒子群算法求得配电网历史负荷所对应的无功优化策略,并将无功优化策略进行二进制编码,然后训练一维卷积神经网络模型来映射配电网节点负荷和无功优化策略间的非线性关系,将待优化时刻的配电网负荷数据输入到神经网络模型中可以快速得到相应无功优化策略,加快了运算时间。
附图说明
图1为本发明的方法流程图;
图2为改造后IEEE33节点***结构图;
图3为损失函数的变化过程图;
图4为不同方法的网损对比图;
图5为不同方法下的节点电压分布情况图;
图6为不同方法下的节点电压直方图。
具体实施方式
下面结合附图和实施例,对发明做进一步的说明,但本发明的内容并不限于所述范围。
实施例1:如图1-6所示,一种基于一维卷积神经网络的配电网无功优化方法,包括:
步骤1,建立以有功网损和电压偏差最小为目标函数的配电网无功优化模型,用粒子群优化算法计算得到配电网历史负荷数据所对应的无功优化策略;
步骤2,将历史配电网负荷数据归一化处理作为训练神经网络所输入的数据特征,将步骤1中得到的无功优化策略二进制编码作为神经网络的输出标签;
步骤3,训练一维卷积神经网络确定神经网络的结构参数,得到训练好的一维卷积神经网络模型,通过一维卷积神经网络模型建立配电网节点负荷到无功优化策略的非线性关系;
步骤4,将一个待优化时刻实际配电网负荷数据提取数据特征后将它输入到训练好的一维卷积神经网络模型中,输出对应无功优化策略的二进制编码,解码后评估配电网的网损水平和电压水平,并和传统的九区图无功优化进行比较。
进一步地,可以设置所述步骤1所建立的配电网无功优化模型表示为:
步骤1.1,建立以有功网损最小和电压偏差最小为目标函数步骤:
有功网损:
式中:nl为网络总支路数;Gk(i,j)为节点i至节点j的支路k的电导;ui、uj分别为节点i、j的电压;θi、θj分别为节点i、j的电压的相位角;节点i、节点j为相邻节点;
节点电压偏差:
式中:um为负荷节点m的电压;u定为负荷节点的指定电压幅值,所有负荷节点都采用相同的值,一般取值为1;Δummax为负荷节点m允许的最大电压偏差;Nl为负荷节点总数;
综上,配电网无功优化模型为:
minf=floss+λfU;式中,λ为节点电压偏差的惩罚系数;
步骤1.2,功率潮流约束步骤,
式中:Pi、Qi、Ui分别为节点处的注入有功、注入无功和电压;θij为节点i和节点j电压的相位角之差;Gij、Bij为节点导纳矩阵中元素的实部和虚部;H表示所有与节点直接相连的节点集合。
步骤1.3,安全运行约束步骤,
步骤1.4,控制变量约束步骤:
进一步地,可以设置所述步骤2具体为:
步骤2.1:将配电网的节点负荷数据进行归一化处理,让它们处于[0,1]区间内,公式如下所示:
x′=(x-xmin)/(xmax-xmin)
式中:x和x′分别为标准化前后的配电网节点负荷数据,xmax、xmin分别为节点负荷数据所对应的最大最小值;
步骤2.2:将粒子群优化算法求解得到配电网节点负荷数据的无功优化策略二进制编码作为样本的输出标签。
进一步地,所述步骤3中,具体方法为:
如图一维卷积神经网络的结构构成有输入层、一维卷积层、池化层、全连接层和输出层,其中一维卷积层、池化层和全连接层可以是多个。在一维卷积神经网络中,输入的配电网节点负荷数据首先经过一系列具有非线性激活函数的卷积核进行变换,再通过堆叠多个卷积层并使用非线性激活函数输出,使得神经网络可以学习到复杂的数据特征。
一维卷积层是一维卷积神经网络的核心部分,其卷积过程的数学表达式为:
池化层也称采样层,一般衔接在卷积层的后面,通过对卷积层采样,减少经过卷积后特征维数,降低网络复杂程度和计算工作量,避免过拟合的发生。经常使用的池化方式为最大池化,其运算式为:
式中:al(i,t)代表第l层中第i个映射的第t个神经元。
池化层后得到多个一维特征层,用Flatten层将多个一维特征层“压平”,然后将一维化后的特征数据输入到全连接层中,全连接层将所有的输入特征“连接”在一起,在整个神经网络中起到分类的作用。由于输出的无功化策略使用了二进制编码,在二分类问题中输出层采用sigmoid作为激活函数,数学表达式为:
深度神经网络的一个最大问题就是容易发生过拟合。为了抑制过拟合现象,本发明采用L2-范数正则化方法和Dropout函数来增加模型的泛化能力。
训练一维卷积神经网络模型的具体步骤如下:
步骤3.1:初始化一维卷积神经网络的结构和参数,由于配电网节点的负荷数据特征远远小于图片数据,使用池化层会降低模型的拟合精度,本发明采用Flatten层替代池化层来提高拟合精度,同时,为提高模型的泛化能力,网络层中的卷积内核采用L2-范数正则化,并在卷积层和全连接层后加入Dropout函数。
步骤3.2:一维卷积层提取配电网节点的负荷数据特征,由全连接层输出二进制编码下的无功优化策略方案,选取二元交叉熵作为损失函数,通过反向传播算法更新神经网络的权重和偏差,不断缩小预测值和实际值的偏差,直到损失函数趋于稳定,停止迭代,得到确定的一维卷积神经网络模型。
本发明的具体实施例如下:
以一个改造后的IEEE33节点***进行仿真验证,其配电网的具体结构如图2所示,配电网的额定电压为10kV,节点0作为平衡节点,另外32个节点为负荷节点,有载调压器总共有10个档位,调节步长为0.02,范围为0.9~1.1。节点15处安装电容器组C1,节点29处安装电容器组C2,节点8处接入静止无功补偿器。配电网无功优化设备的调节策略使用二进制编码,C1的调整容量为100kvar,C2的调整容量为100kvar,每组容量为25kvar,其档位数用3位二进制数表示。变压器分接头的档位为10档,可用4位二进制数表示。静止无功补偿器容量为0~100kvar,对应7位二进制数,即共有17位二进制编码来表示无功优化策略。
配电网的历史负荷数据来源于伦敦智能电表数据集,其统计了112个街区每户家庭2011年11月到2014年2月间的用电量,采集时间间隔为1小时。结合进行仿真的IEEE33节点***,将112个街区的负荷进行等效简化,每两到三个相邻街区的负荷适当合并后作为配电网中一个节点的负荷,并对各个节点的负荷数据添加标准差为0.1的高斯噪声,经过数据清洗后,得到5000个时刻的负荷数据,使用粒子群算法求解无功优化模型得到各个时刻对应的无功优化策略,将其作为数据集的标签。把组成的5000个样本集,80%样本为训练集,20%的样本为测试集。
结合训练的数据量,取batch size为128,选择随机梯度下降法对模型进行优化,训练总共经过了250轮,其损失函数的变化过程如图3所示,损失函数趋于平稳表示神经网络模型已经训练完成。
确定最优的神经网络结构参数,改变网络中的卷积核个数、卷积核的长度,以及是否加入Dropout层和正则化系数,对其进行训练,得到测试集在不同网络结构上的拟合效果,如表1所示,确定最优的网络结构参数为卷积层参数选择为(64-128-256,11)并加入Dropout函数和正则化层。
表1不同网络结构的拟合效果
选取测试集中连续两天共48个时刻的数据样本使用本发明方法进行仿真(即图中本文方法),并和传统的九区图无功优化方法进行对比,图4表示不同方法下的配电网的无功网损,相比较不进行无功优化,使用本发明方法和九区图均可使网损明显降低,但在本发明方法与九区图的无功调节下,本发明方法在样本集中的网损更小。
将样本中负载最大的时刻作为典型时刻,不同的无功控制策略下配电网各节点的电压对比情况如图5-6所示,图5展示了不同方法下各节点的电压大小,图6展示了不同策略下节点电压的分布情况。由图5-6可以看出,加入无功调节策略后,***各节点的电压得到提高,电压波动范围降低,并且采用本发明方法后配电网各节点的电压分布更为集中,提高了配电网***运行的经济性。
本发明未详述部分为现有技术。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于一维卷积神经网络的配电网无功优化方法,其特征在于:包括:
步骤1,建立以有功网损和电压偏差最小为目标函数的配电网无功优化模型,用粒子群优化算法计算得到配电网历史负荷数据所对应的无功优化策略;
步骤2,将历史配电网负荷数据归一化处理作为训练神经网络所输入的数据特征,将步骤1中得到的无功优化策略二进制编码作为神经网络的输出标签;
步骤3,训练一维卷积神经网络确定神经网络的结构参数,得到训练好的一维卷积神经网络模型;
步骤4,将一个待优化时刻实际配电网负荷数据提取数据特征后将它输入到训练好的一维卷积神经网络模型中,输出对应无功优化策略的二进制编码。
3.根据权利要求1所述的基于一维卷积神经网络的配电网无功优化方法,其特征在于:所述步骤2具体为:
步骤2.1:将配电网的节点负荷数据进行归一化处理,让它们处于[0,1]区间内,公式如下所示:
x'=(x-xmin)/(xmax-xmin)
式中:x和x'分别为标准化前后的配电网节点负荷数据,xmax、xmin分别为节点负荷数据所对应的最大最小值;
步骤2.2:将粒子群优化算法求解得到配电网节点负荷数据的无功优化策略二进制编码作为样本的输出标签。
4.根据权利要求1所述的基于一维卷积神经网络的配电网无功优化方法,其特征在于:所述一维卷积神经网络的结构构成有输入层、一维卷积层、池化层、全连接层和输出层,其中一维卷积层、池化层和全连接层能采用一个或者是多个。
5.根据权利要求4所述的基于一维卷积神经网络的配电网无功优化方法,其特征在于:所述一维卷积层采用三层,卷积核个数分别为64、128、256,卷积核长度为11;并加入Dropout函数和正则化层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434416.0A CN113972667A (zh) | 2021-11-29 | 2021-11-29 | 一种基于一维卷积神经网络的配电网无功优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434416.0A CN113972667A (zh) | 2021-11-29 | 2021-11-29 | 一种基于一维卷积神经网络的配电网无功优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113972667A true CN113972667A (zh) | 2022-01-25 |
Family
ID=79590338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111434416.0A Pending CN113972667A (zh) | 2021-11-29 | 2021-11-29 | 一种基于一维卷积神经网络的配电网无功优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113972667A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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*** |
EP4254705A1 (en) * | 2022-03-30 | 2023-10-04 | Fundación Tecnalia Research & Innovation | Computer-implemented method or assessment of a power distribution grid |
CN117526443A (zh) * | 2023-11-07 | 2024-02-06 | 北京清电科技有限公司 | 一种基于新型电力***的配电网优化调控方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103219732A (zh) * | 2013-04-24 | 2013-07-24 | 上海电力学院 | 一种含变速恒频风电场的配电网无功电压控制方法 |
US20190288508A1 (en) * | 2018-03-16 | 2019-09-19 | Siemens Aktiengesellschaft | Method for operating an electrical energy supply network, and control device for controlling devices of an electrical distribution network |
WO2019190036A1 (ko) * | 2018-03-27 | 2019-10-03 | 경상대학교산학협력단 | 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치 |
CN110535146A (zh) * | 2019-08-27 | 2019-12-03 | 哈尔滨工业大学 | 基于深度确定策略梯度强化学习的电力***无功优化方法 |
CN111756049A (zh) * | 2020-06-18 | 2020-10-09 | 国网浙江省电力有限公司电力科学研究院 | 计及配电网实时量测信息缺失的数据驱动无功优化方法 |
US20210112073A1 (en) * | 2020-09-25 | 2021-04-15 | Intel Corporation | Broadcast remote sealing for scalable trusted execution environment provisioning |
CN113078641A (zh) * | 2021-04-29 | 2021-07-06 | 国网山东省电力公司经济技术研究院 | 一种基于评估器和强化学习的配电网无功优化方法及装置 |
-
2021
- 2021-11-29 CN CN202111434416.0A patent/CN113972667A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103219732A (zh) * | 2013-04-24 | 2013-07-24 | 上海电力学院 | 一种含变速恒频风电场的配电网无功电压控制方法 |
US20190288508A1 (en) * | 2018-03-16 | 2019-09-19 | Siemens Aktiengesellschaft | Method for operating an electrical energy supply network, and control device for controlling devices of an electrical distribution network |
WO2019190036A1 (ko) * | 2018-03-27 | 2019-10-03 | 경상대학교산학협력단 | 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치 |
CN110535146A (zh) * | 2019-08-27 | 2019-12-03 | 哈尔滨工业大学 | 基于深度确定策略梯度强化学习的电力***无功优化方法 |
CN111756049A (zh) * | 2020-06-18 | 2020-10-09 | 国网浙江省电力有限公司电力科学研究院 | 计及配电网实时量测信息缺失的数据驱动无功优化方法 |
US20210112073A1 (en) * | 2020-09-25 | 2021-04-15 | Intel Corporation | Broadcast remote sealing for scalable trusted execution environment provisioning |
CN113078641A (zh) * | 2021-04-29 | 2021-07-06 | 国网山东省电力公司经济技术研究院 | 一种基于评估器和强化学习的配电网无功优化方法及装置 |
Non-Patent Citations (5)
Title |
---|
吴昊: "电力***无功优化数学模型的建立综述", 科技风, pages 187 - 188 * |
吴秀华等: "人工神经网络在电力***无功电压优化中的应用", 沈阳农业大学学报, vol. 39, no. 6, pages 713 - 717 * |
李竹星 等: "计及双馈风机接入的配电网无功优化", 电器与能效管理技术, pages 86 - 91 * |
赵宏: "《人工智能技术丛书 深度学习基础教程》", 机械工业出版社, pages: 69 - 71 * |
邵美阳等: "基于数据驱动和深度置信网络的配电网无功优化", 电网技术, vol. 43, no. 6, pages 1874 - 1883 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4254705A1 (en) * | 2022-03-30 | 2023-10-04 | Fundación Tecnalia Research & Innovation | Computer-implemented method or assessment of a power distribution grid |
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 |
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*** |
CN117526443A (zh) * | 2023-11-07 | 2024-02-06 | 北京清电科技有限公司 | 一种基于新型电力***的配电网优化调控方法及*** |
CN117526443B (zh) * | 2023-11-07 | 2024-04-26 | 北京清电科技有限公司 | 一种基于电力***的配电网优化调控方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113972667A (zh) | 一种基于一维卷积神经网络的配电网无功优化方法 | |
CN110059878B (zh) | 基于cnn lstm光伏发电功率预测模型及其构建方法 | |
Tang et al. | Short‐term power load forecasting based on multi‐layer bidirectional recurrent neural network | |
CN109768573B (zh) | 基于多目标差分灰狼算法的配电网无功优化方法 | |
CN110729765B (zh) | 一种考虑sop的配电网灵活性评估指标体系和优化调度方法 | |
Li et al. | Many-objective distribution network reconfiguration via deep reinforcement learning assisted optimization algorithm | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN114217524A (zh) | 一种基于深度强化学习的电网实时自适应决策方法 | |
CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
CN112418496B (zh) | 一种基于深度学习的配电台区储能配置方法 | |
CN112861992B (zh) | 基于独立稀疏堆叠自编码器的风电场超短期功率预测方法 | |
CN113378100B (zh) | 考虑碳排放的配电网源网荷储协同优化调度模型和方法 | |
CN111625998A (zh) | 一种层叠太阳能电池结构优化方法 | |
CN114977321A (zh) | 一种计及源荷不确定性的配电网优化调度方法 | |
CN114725944A (zh) | 一种电力电子化配电网源网荷优化运行控制方法及*** | |
CN117172097A (zh) | 基于云边协同与多智能体深度学习的配电网调度运行方法 | |
CN113887794A (zh) | 一种配电网无功优化的方法及装置 | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
CN110661264B (zh) | 基于带惯性权重粒子群算法的安全约束最优潮流计算方法 | |
CN112508734A (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
Fan et al. | Ultra-short-term bus load forecasting method based on multi-source data and hybrid neural network | |
CN114069650B (zh) | 配电网合环电流调控方法、装置、计算机设备和存储介质 | |
CN115577845A (zh) | 一种基于bilstm-mdn的传输线路动态热定值概率预测方法 | |
CN114583696A (zh) | 基于bp神经网络和场景匹配的配电网无功优化方法及*** |
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 |