CN115510961A - 一种基于主动学习的社区综合能源***运行安全评估方法 - Google Patents
一种基于主动学习的社区综合能源***运行安全评估方法 Download PDFInfo
- Publication number
- CN115510961A CN115510961A CN202211134797.5A CN202211134797A CN115510961A CN 115510961 A CN115510961 A CN 115510961A CN 202211134797 A CN202211134797 A CN 202211134797A CN 115510961 A CN115510961 A CN 115510961A
- Authority
- CN
- China
- Prior art keywords
- energy system
- operation safety
- model
- community
- active learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000013145 classification model Methods 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000013210 evaluation model Methods 0.000 claims abstract description 6
- 238000012706 support-vector machine Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于主动学习的社区综合能源***运行安全评估方法，包括利用历史数据构造数据集；使用主动学习策略依次抽取定量样本添加到训练集，逐步增加训练集数量，期间随时更新模型；在有限次迭代后，得到训练完成的SVM分类模型，实现对社区综合能源***实时数据进行运行安全评估判断。本发明的有益效果是：本发明在构造训练数据集时，仅选取SVM决策边界附近的样本点进行标记，避免了对大量无用样本点的标记工作，实现了以最少的样本量完成社区综合能源***运行安全评估模型的训练任务，减轻时域仿真模块的工作量，大幅提升离线模块训练、更新的整体运行速度，使***更具有实时性、有效性和安全性。
Description
技术领域
本发明涉及电力***安全评估领域，更确切地说，它涉及一种基于主动学习的社区综合能源***运行安全评估方法。
背景技术
综合能源***是以电力***为核心，整合区域供电、供气、供冷、供热等各种能源供应***，对煤、天然气、太阳能、电、热等各类能源的分配、转化、存储、消费环节进行有机协调与优化的新型区域电力***。综合能源***涉及电、热、气等多种能源形式，动态时间尺度具有显著的差异；不同能源供应***间存在时空耦合性和互补替代性，***复杂性尤为突出，在这种形势下，传统的电力***运行安全评估方法存在如下问题：1)基于时域仿真技术的运行安全评估方法，计算量大，耗时严重，无法实现实时、智能的社区综合能源***运行安全评估；2)光伏是社区综合能源***的主要能源供应***之一，其发电具有随机性和波动性，受环境的不确定性影响，传统机理模型构造方法难以对这种不确定性信息有效衡量。3)基于数据驱动的电力***运行安全评估方案采用监督学习方案，模型使用标注样本作为训练集，需要由时域仿真模块进行长时仿真标注***在不同特征状态下的稳定状态，模型训练阶段需要耗费大量时间用于数据集制备。
考虑到数据驱动算法需要大量数据用于模型训练和更新，数据集标记的工作量过大，模型更新速度无法保证，因此本申请提出一种基于主动学习的社区综合能源***运行安全评估方法，大幅减少模型训练所需的标注样本，对实现社区综合能源***快速、准确的运行安全评估具有重要意义。
发明内容
本发明的目的是克服现有技术中的不足，提供了一种基于主动学习的社区综合能源***运行安全评估方法。
第一方面，提供了一种基于主动学习的社区综合能源***运行安全评估方法，包括：
步骤1，利用社区综合能源***运行期间产生的过程数据，及其对应的社区综合能源***运行安全状态信息，构造数据集；
步骤2，使用主动学习策略依次抽取定量样本添加到训练集，逐步增加训练集数量，期间随时更新模型；
步骤3，在有限次迭代后，得到训练完成的支持向量机(Support Vector Machine，SVM)分类模型，实现对社区综合能源***实时数据进行运行安全评估判断。
作为优选，步骤1包括：
步骤1.1，获取社区综合能源***相关设备的历史过程数据，包括***各节点的有功功率、无功功率、节点电压及故障信息，形成原始样本数据集：
Di＝{Xi，yi} i∈1，2，...N
其中，Di表示表示第i个时刻的样本点，Xi表示第i个时刻社区综合能源***实时运行的特征信息，包括***节点和线路的功率、电压信息，yi是基于实际仿真添加的人为标记信息，表示***在第i个时刻出现特定故障时，当前状态能否通过自动调节维持***动态稳定；
步骤1.2，对数据集进行数据预处理，将特征向量进行均值方差归一化处理，去除不同物理量间量纲不同造成的影响，将处理后数据集按a：b划分为池训练集Dp和测试集Dt。
作为优选，步骤2包括：
步骤2.1，从池训练集Dp提取n个样本点作为训练集Dtr，基于交叉验证对支持向量机进行分类训练，得到SVM初始分类模型M0，二分类决策函数为：
y＝sign(ωT·X+b)
其中，ωT·X+b是SVM初始分类模型M0的决策边界，ω、b为模型参数，T为转置符号；sign为符号函数；
步骤2.2，使用主动学习策略，基于当前SVM初始分类模型M0构造查询函数g(M0，X)，对池训练集Dp剩余样本基于查询函数返回值进行排序，选择前m个样本点加入训练集，重新训练SVM初始分类模型M0，得到SVM更新模型Mj，并计算SVM更新模型Mj对测试集Dt样本点的评估准确率Acc。
作为优选，步骤3包括：重复步骤2.2，直到模型的评估准确率Acc不再增加，得到基于最少样本点训练得到的社区综合能源***运行安全评估模型M，使用模型M实现基于电力***实时功率、电压信息，进行电力***运行安全评估，预测特定故障发生后的***运行安全稳定性变化。
作为优选，步骤2.2中，主动学习策略包括如下步骤：
步骤2.2.1，基于当前SVM初始分类模型M0的决策边界，计算样本点到所述决策边界的欧氏距离，距离越近，样本点成为支持向量点的可能性越大，选择距决策边界最近的样本点
放在排序首位：
步骤2.2.2，使用sigmoid函数将支持向量机的决策函数返回值映射到[0，1]区间，作为分类器输出的概率预测值，使用概率预测值计算概率熵评估样本点在当前模型下的预测不确定性，将概率熵值更高的样本点
放在排序首位：
P(yi|X，θ)＝sigmoid(ωT·X+b)
其中，P(yi|X，θ)为样本点X在分类器输出下的概率预测值，θ＝(ω，b)是模型参数的统称。
第二方面，提供了一种基于主动学习的社区综合能源***运行安全评估装置，用于执行第一方面任一所述社区综合能源***运行安全评估方法，包括：
构造模块，用于利用社区综合能源***运行期间产生的过程数据，及其对应的社区综合能源***运行安全状态信息，构造数据集；
添加模块，用于使用主动学习策略依次抽取定量样本添加到训练集，逐步增加训练集数量，期间随时更新模型；
评估模块，用于在有限次迭代后，得到训练完成的SVM分类模型，实现对社区综合能源***实时数据进行运行安全评估判断。
第三方面，提供了一种计算机存储介质，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述社区综合能源***运行安全评估方法。
第四方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一所述社区综合能源***运行安全评估方法。
本发明的有益效果是：本发明通过设计了一种基于主动学习的社区综合能源***运行安全评估方法，在构造训练数据集时，仅选取SVM决策边界附近的样本点进行标记，避免了对大量无用样本点的标记工作，实现了以最少的样本量完成社区综合能源***运行安全评估模型的训练任务，减轻时域仿真模块的工作量，大幅提升离线模块训练、更新的整体运行速度，使***更具有实时性、有效性和安全性。
附图说明
图1为一种基于主动学习的社区综合能源***运行安全评估方法的总体框架示意图；
图2为一种基于主动学习的社区综合能源***运行安全评估装置的结构示意图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
实施例1
一种基于主动学习的社区综合能源***运行安全评估方法，如图1所示，包括：
步骤1，利用社区综合能源***运行期间产生的过程数据，及其对应的社区综合能源***运行安全状态信息，构造数据集；
步骤2，使用主动学习策略依次抽取定量样本添加到训练集，逐步增加训练集数量，期间随时更新模型；
步骤3，在有限次迭代后，得到训练完成的SVM分类模型，实现对社区综合能源***实时数据进行运行安全评估判断。
步骤1包括：
步骤1.1，获取社区综合能源***相关设备的历史过程数据，包括***各节点的有功功率、无功功率、节点电压及故障信息，形成原始样本数据集：
Di＝{Xi，yi} i∈1，2，...N
其中，Di表示表示第i个时刻的样本点，Xi表示第i个时刻社区综合能源***实时运行的特征信息，包括***节点和线路的功率、电压信息，yi是基于实际仿真添加的人为标记信息，表示***在第i个时刻出现特定故障时，当前状态能否通过自动调节维持***动态稳定；
步骤1.2，对数据集进行数据预处理，将特征向量进行均值方差归一化处理，去除不同物理量间量纲不同造成的影响，将处理后数据集按a：b划分为池训练集Dp和测试集Dt。
步骤2包括：
步骤2.1，从池训练集Dp提取n个样本点作为训练集Dtr，基于交叉验证对支持向量机进行分类训练，得到SVM初始分类模型M0，二分类决策函数为：
y＝sign(ωT·X+b)
其中，ωT·X+b是SVM初始分类模型M0的决策边界，ω、b为模型参数，T为转置符号；sign为符号函数；
步骤2.2，使用主动学习策略，基于当前SVM初始分类模型M0构造查询函数g(M0，X)，对池训练集Dp剩余样本基于查询函数返回值进行排序，选择前m个样本点加入训练集，重新训练SVM初始分类模型M0，得到SVM更新模型Mj，并计算SVM更新模型Mj对测试集Dt样本点的评估准确率Acc。
步骤3包括：重复步骤2.2，直到模型的评估准确率Acc不再增加，得到基于最少样本点训练得到的社区综合能源***运行安全评估模型M，使用模型M实现基于电力***实时功率、电压信息，进行电力***运行安全评估，预测特定故障发生后的***运行安全稳定性变化。
步骤2.2中，主动学习策略包括如下步骤：
步骤2.2.1，基于当前SVM初始分类模型M0的决策边界，计算样本点到决策边界的欧氏距离，距离越近，样本点成为支持向量点的可能性越大，选择距决策边界最近的样本点
放在排序首位：
步骤2.2.2，使用sigmoid函数将支持向量机的决策函数返回值映射到[0，1]区间，作为分类器输出的概率预测值，使用概率预测值计算概率熵评估样本点在当前模型下的预测不确定性，将概率熵值更高的样本点
放在排序首位：
P(yi|X，θ)＝sigmoid(ωT·X+b)
其中，P(yi|X，θ)为样本点X在分类器输出下的概率预测值，θ＝(ω，b)是模型参数的统称。
实施例2
在实施例1的基础上，下文以一个基于IEEE 68节点标准算例进行的实验为例，说明如何实现社区综合能源***运行安全评估。
如图1所示，本申请提供了一种基于主动学习的社区综合能源***运行安全评估方法，该方法包括如下步骤：
(1)获取该***的历史过程数据，包括***各节点和节点间连线的有功功率、无功功率、节点电压及动态稳定标记信息，形成原始样本数据集：
Di＝{Xi，yi} i∈1，2，...N
其中Di表示第i个时刻的样本点，Xi表示第i个时刻电力***实时运行的特征信息，包括***节点和线路的功率、电压信息，共438个特征，yi是基于实际仿真添加的人为标记信息，表示***在第i个时刻出现特定故障时，当前状态能否通过电网自动调节维持***动态稳定。
(2)对上述数据进行数据预处理，将特征向量进行均值方差归一化处理，去除不同物理量间量纲不同造成的影响，将处理后数据集按a：b划分为池训练集Dp和测试集Dt。
(3)从池训练集Dp提取n个样本点作为训练集Dtr，基于交叉验证对SVM进行分类训练，测试基于不同核函数的模型对测试集的安全评估效果，结果如表1：
表1
根据表1，选择高斯径向基(Rbf)作为核函数，最后得到SVM初始分类模型M0，二分类决策函数：
y＝sign(ωT·X+b)
其中ωT·X+b＝0是SVM模型的决策边界，sign()为符号函数，返回值y∈{-1，1}，分别代表稳定与失稳两种状态。
(4)从池训练集的剩余样本中选取m个样本点加入训练集，重新训练分类模型SVM，得到更新后的SVM更新模型Mj，计算模型Mj对测试集样本点的评估准确率Acc，和对失稳状态的召回类Recall，为了验证本发明的有效性，测试三种选取策略：
随机采样：不采用主动学习策略，每次随机选取m个未标注样本点进行标注，用于模型更新；
基于主动学习策略的决策边界距离采样：基于当前分类模型M0构造查询函数，已知当前SVM的决策边界，计算样本点到决策边界的欧氏距离，距离越近，样本点成为支持向量点的可能性越大，选择距决策边界最近的样本点放在排序首位，依次对池训练集剩余样本基于查询函数返回值进行排序，选择前m个样本点加入训练集
基于主动学习策略的概率熵采样：使用sigmoid函数将支持向量机的决策函数返回值映射到[0，1]区间，作为分类器输出的概率预测值，使用概率预测值计算概率熵评估样本点在当前模型下的预测不确定性，将概率熵值更高的样本点放在排序首位，依次对池训练集剩余样本基于查询函数返回值进行排序，选择前m个样本点加入训练集
P(yi|X，θ)＝sigmoid(ωT·X+b)。
(5)重复步骤(4)，直到模型的评估准确率Acc不再增加，得到基于最少样本点训练得到的电网运行安全评估模型M。
(6)使用模型M，即可实现基于电力***实时功率、电压信息，进行电力***运行安全评估，预测特定故障发生后的***运行安全稳定性变化。
针对三个选取策略的实施例，最终获得的社区综合能源***运行安全评估模型所需训练集样本量，及其在测试集的表现效果如表2所示：
表2
根据表2可以分析得到，构造基于SVM的社区综合能源***运行安全评估模型，在模型表现效果一致的情况下，使用基于主动学习的构造方法可以极大程度上减少模型训练所需的训练集样本量，在应用中，避免了大量低质量样本点的标记工作量，减少时域仿真模块的工作量，和时间花费，有利于社区综合能源***运行安全评估工作更快速、有效、安全的进行。
Claims (8)
1.一种基于主动学习的社区综合能源***运行安全评估方法，其特征在于，包括：
步骤1，利用社区综合能源***运行期间产生的过程数据，及其对应的社区综合能源***运行安全状态信息，构造数据集；
步骤2，使用主动学习策略依次抽取定量样本添加到训练集，逐步增加训练集数量，期间随时更新模型；
步骤3，在有限次迭代后，得到训练完成的SVM分类模型，实现对社区综合能源***实时数据进行运行安全评估判断。
2.根据权利要求1所述的基于主动学习的社区综合能源***运行安全评估方法，其特征在于，步骤1包括：
步骤1.1，获取社区综合能源***相关设备的历史过程数据，包括***各节点的有功功率、无功功率、节点电压及故障信息，形成原始样本数据集：
Di＝{Xi，yi}i∈1，2，…N
其中，Di表示表示第i个时刻的样本点，Xi表示第i个时刻社区综合能源***实时运行的特征信息，包括***节点和线路的功率、电压信息，yi是基于实际仿真添加的人为标记信息，表示***在第i个时刻出现特定故障时，当前状态能否通过自动调节维持***动态稳定；
步骤1.2，对数据集进行数据预处理，将特征向量进行均值方差归一化处理，去除不同物理量间量纲不同造成的影响，将处理后数据集按a:b划分为池训练集Dp和测试集Dt。
3.根据权利要求2所述的基于主动学习的社区综合能源***运行安全评估方法，其特征在于，步骤2包括：
步骤2.1，从池训练集Dp提取n个样本点作为训练集Dtr，基于交叉验证对支持向量机进行分类训练，得到SVM初始分类模型M0，二分类决策函数为：
y＝sign(ωT·X+b)
其中，ωT·X+b是SVM初始分类模型M0的决策边界，ω、b为模型参数，T为转置符号；sign为符号函数；
步骤2.2，使用主动学习策略，基于当前SVM初始分类模型M0构造查询函数g(M0,X)，对池训练集Dp剩余样本基于查询函数返回值进行排序，选择前m个样本点加入训练集，重新训练SVM初始分类模型M0，得到SVM更新模型Mj，并计算SVM更新模型Mj对测试集Dt样本点的评估准确率Acc。
4.根据权利要求3所述的基于主动学习的社区综合能源***运行安全评估方法，其特征在于，步骤3包括：重复步骤2.2，直到模型的评估准确率Acc不再增加，得到基于最少样本点训练得到的社区综合能源***运行安全评估模型M，使用模型M实现基于电力***实时功率、电压信息，进行电力***运行安全评估，预测特定故障发生后的***运行安全稳定性变化。
5.根据权利要求3所述的基于主动学习的社区综合能源***运行安全评估方法，其特征在于，步骤2.2中，主动学习策略包括如下步骤：
步骤2.2.1，基于当前SVM初始分类模型M0的决策边界，计算样本点到所述决策边界的欧氏距离，距离越近，样本点成为支持向量点的可能性越大，选择距决策边界最近的样本点
放在排序首位：
步骤2.2.2，使用sigmoid函数将支持向量机的决策函数返回值映射到[0，1]区间，作为分类器输出的概率预测值，使用概率预测值计算概率熵评估样本点在当前模型下的预测不确定性，将概率熵值更高的样本点
放在排序首位：
P(yi|X，θ)＝sigmoid(ωT·X+b)
其中，P(yi|X,θ)为样本点X在分类器输出下的概率预测值，θ＝(ω,b)是模型参数的统称。
6.一种基于主动学习的社区综合能源***运行安全评估装置，其特征在于，用于执行权利要求1至5任一所述社区综合能源***运行安全评估方法，包括：
构造模块，用于利用社区综合能源***运行期间产生的过程数据，及其对应的社区综合能源***运行安全状态信息，构造数据集；
添加模块，用于使用主动学习策略依次抽取定量样本添加到训练集，逐步增加训练集数量，期间随时更新模型；
评估模块，用于在有限次迭代后，得到训练完成的SVM分类模型，实现对社区综合能源***实时数据进行运行安全评估判断。
7.一种计算机存储介质，其特征在于，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行权利要求1至5任一所述社区综合能源***运行安全评估方法。
8.一种计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得计算机执行权利要求1至5任一所述社区综合能源***运行安全评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211134797.5A CN115510961A (zh) | 2022-09-19 | 2022-09-19 | 一种基于主动学习的社区综合能源***运行安全评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211134797.5A CN115510961A (zh) | 2022-09-19 | 2022-09-19 | 一种基于主动学习的社区综合能源***运行安全评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115510961A true CN115510961A (zh) | 2022-12-23 |
Family
ID=84503596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211134797.5A Pending CN115510961A (zh) | 2022-09-19 | 2022-09-19 | 一种基于主动学习的社区综合能源***运行安全评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115510961A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115937616A (zh) * | 2023-02-21 | 2023-04-07 | 深圳新视智科技术有限公司 | 图像分类模型的训练方法、***及移动终端 |
-
2022
- 2022-09-19 CN CN202211134797.5A patent/CN115510961A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115937616A (zh) * | 2023-02-21 | 2023-04-07 | 深圳新视智科技术有限公司 | 图像分类模型的训练方法、***及移动终端 |
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 | |
| CN108053077A (zh) | 一种基于区间二型t-s模糊模型的短期风速预测方法与*** | |
| CN110503153B (zh) | 基于差分进化算法和支持向量机的光伏***故障诊断方法 | |
| CN109412161B (zh) | 一种电力***概率潮流计算方法及*** | |
| 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 | |
| CN115510961A (zh) | 一种基于主动学习的社区综合能源***运行安全评估方法 | |
| CN116131313A (zh) | 特征量与暂态功角稳定性关联关系的可解释性分析方法 | |
| CN111881159A (zh) | 一种基于代价敏感极端随机森林的故障检测方法及装置 | |
| Liang et al. | Status evaluation method for arrays in large-scale photovoltaic power stations based on extreme learning machine and k-means | |
| CN114330571A (zh) | 基于迁移学习的电力***主导失稳模式识别方法及*** | |
| CN117078035A (zh) | 基于lstm的电力***暂态稳定性评估方法、***及存储介质 | |
| 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 | |
| CN111814394B (zh) | 一种基于相关性和冗余性检测的电力***安全评估方法 | |
| CN116127447A (zh) | 虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质 | |
| CN116204771A (zh) | 电力***暂态稳定关键特征选择方法、装置及产品 | |
| Jianli et al. | Wind power forecasting by using artificial neural networks and Grubbs criterion | |
| Jing et al. | A data expansion based piecewise regression strategy for incrementally monitoring the wind turbine with power curve | |
| Devi et al. | Hybrid Solar Power Generation Prediction Using Support Vector Machines and K-nearest neighbors Optimized by Deep Learning Techniques | |
| CN115374957B (zh) | 一种径流式小水电多尺度缺失量测数据重建方法 | |
| 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 | |
| CN117688367B (zh) | 一种基于即时学习的风力发电超短期功率预测方法及装置 | |
| Lv et al. | Integrated algorithm evaluation of a scalable digital power management innovation model | |
| Zhu et al. | Load shedding against short-term voltage instability using random subspace based SVM ensembles | |
| Huang et al. | An Ensemble Learning Approach for Wind Power Forecasting | |
| Jia et al. | ML-Based Power System Stability Assessment Considering Network Topology Changes: WECC 20,000+ Bus System Case Study |
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 |