CN116992255A - 一种暂态电压稳定特征量的筛选方法、***及电子设备 - Google Patents
一种暂态电压稳定特征量的筛选方法、***及电子设备 Download PDFInfo
- Publication number
- CN116992255A CN116992255A CN202310864662.2A CN202310864662A CN116992255A CN 116992255 A CN116992255 A CN 116992255A CN 202310864662 A CN202310864662 A CN 202310864662A CN 116992255 A CN116992255 A CN 116992255A
- Authority
- CN
- China
- Prior art keywords
- convolution
- transient voltage
- block
- layer
- identity block
- 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 118
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012216 screening Methods 0.000 title claims abstract description 48
- 230000006870 function Effects 0.000 claims description 49
- 238000010606 normalization Methods 0.000 claims description 39
- 230000004913 activation Effects 0.000 claims description 33
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 23
- 239000010410 layer Substances 0.000 description 105
- 210000002569 neuron Anatomy 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000013097 stability assessment Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002365 multiple layer Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
-
- 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
- H02J3/36—Arrangements for transfer of electric power between ac networks via a high-tension dc link
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种暂态电压稳定特征量的筛选方法、***及电子设备，属于暂态电压稳定评估领域。该筛选方法采用深度为50层的深度残差网络进行暂态电压稳定评估，相较于目前用于暂态电压稳定评估的18层的深度残差网络，具有更深的层数以及更多的参数，能够更好地捕捉输入特征的复杂特征；且基于DeepLIFT计算输入特征对输出结果的贡献度，解释50层的深度残差网络对暂态电压稳定的评估结果，并筛选出对暂态电压失稳具有正面贡献的稳定特征量集合，精简了稳定特征量集合，为电力***稳定特征量的选择提供了参考依据。
Description
技术领域
本发明涉及暂态电压稳定评估领域，特别是涉及一种暂态电压稳定特征量的筛选方法、***及电子设备。
背景技术
目前，随着电力***可再生能源占比不断增加、高压直流输电工程不断发展、负荷动态特性的不断变化以及电力电子化程度不断加深，暂态电压稳定问题日益突出。在含高比例新能源的交直流混联电力***的暂态电压稳定评估方法中，涌现出许多基于数据驱动的暂态电压稳定评估方法，如决策树(DT)、支持向量机(SVM)、随机森林(RF)等方法，但是上述浅层机器学习方法对大***高维数据的特征提取能力较差。目前基于数据驱动的深度学习方法依靠其强大的特征提取能力在稳定评估方面具有广阔的发展前景。其中深度残差网络(ResNet)在卷积神经网络的基础上解决过拟合、权重衰减、梯度消失等问题，其性能更加优秀。
深度残差网络(ResNet18)通过构建输入特征和输出空间的映射关系即稳定特征量和暂态电压稳定性之间的映射关系实现暂态电压稳定评估，但过多的输入特征可能会导致大***稳定特征量的维数灾，深度残差网络评估模型在线更新时间过长等问题，因此选择精简高效的稳定特征量集合非常关键。所以，目前尚无合理有效的稳定特征量筛选方法。
发明内容
本发明的目的是提供一种暂态电压稳定特征量的筛选方法、***及电子设备，可筛选出对暂态电压失稳具有正面贡献的稳定特征量集合，精简稳定特征量集合。
为实现上述目的，本发明提供了如下方案：
一种暂态电压稳定特征量的筛选方法，包括：
选取含新能源的交直流混联电力***中与暂态电压稳定性相关的多个初始稳定特征量；所述新能源在交直流混联电力***中的出力占比大于比例阈值；
仿真获取含新能源的交直流混联电力***在不同场景下，每个初始稳定特征量分别在稳态时刻、故障发生时刻和故障切除时刻的数据；
将每种场景下每个初始稳定特征量的所有数据与每种场景的暂态电压分类标签构成样本集；所述暂态电压分类标签为暂态电压稳定标签或暂态电压不稳定标签；
搭建深度为50层的深度残差网络；
采用所述样本集训练所述深度残差网络，获得训练后的深度残差网络；
利用DeepLIFT算法计算每个初始稳定特征量对训练后的深度残差网络的输出预测结果的贡献度；
筛选出贡献度为正值的初始稳定特征量，作为暂态电压稳定特征量。
可选地，仿真获取含新能源的交直流混联电力***在不同场景下，每个初始稳定特征量分别在稳态时刻、故障发生时刻和故障切除时刻的数据，具体包括：
基于电力***仿真软件搭建含新能源的交直流混联电力***；
设置多种场景；多种所述场景包括：不同负荷水平、不同新能源出力占比下各线路的三相永久N-1故障以及直流闭锁故障；
仿真获取每种场景下每个初始稳定特征量在稳态时刻、故障发生时刻以及故障切除时刻的数据。
可选地，每种场景的暂态电压分类标签确定方法为：
判断在电力***暂态过程中负荷母线电压能否在10s内恢复到0.8pu以上；
若是，则判定所述暂态电压分类标签为暂态电压稳定标签；
若否，则判定所述暂态电压分类标签为暂态电压不稳定标签。
可选地，所述深度为50层的深度残差网络包括：依次连接的第一阶段、第二阶段、第三阶段、第四阶段、第五阶段、第六阶段和第七阶段；
第一阶段为输入层，包括按照数据传输方向依次连接的第一1D最大池化层和1D零填充层；所述第一1D最大池化层的应用池化大小为10、步长为5；
第二阶段包括按照数据传输方向依次连接的第一1D卷积层、第一批量归一化层、第一ReLU激活函数和第二1D最大池化层；所述第一1D卷积层具有64个卷积核且卷积核大小为3；所述第二1D最大池化层的池化大小为3，步长为2；
第三阶段包括按照数据传输方向依次连接的第一1D卷积块、第一1D恒等块和第二1D恒等块；所述第一1D卷积块的3个1D卷积层的卷积核数量分别为16、16和64，步长均为1；第一1D恒等块和第二1D恒等块的卷积核数量相同，分别为：16、16和64；
第四阶段包括按照数据传输方向依次连接的第二1D卷积块、第三1D恒等块、第四1D恒等块和第五1D恒等块；所述第二1D卷积块的3个1D卷积层的卷积核数量分别为：32、32和128，步长均为2；第三1D恒等块、第四1D恒等块和第五1D恒等块的卷积核数量相同，分别为：32、32和128；
第五阶段包括按照数据传输方向依次连接的第三1D卷积块、第六1D恒等块、第七1D恒等块、第八1D恒等块、第九1D恒等块和第十1D恒等块；所述第三1D卷积块的3个1D卷积层的卷积核数量分别为：64、64和256，步长均为2；第六1D恒等块、第七1D恒等块、第八1D恒等块、第九1D恒等块和第十1D恒等块的卷积核数量相同，分别为：64、64和256；
第六阶段包括按照数据传输方向依次连接的第四1D卷积块、第十一1D恒等块、第十二1D恒等块和1D平均池化层；所述第四1D卷积块的3个1D卷积层的卷积核数量分别为：64、64和256，步长均为2；第十一1D恒等块和第十二1D恒等块的卷积核数量相同，分别为：64、64和256；
第七阶段为输出层，包括按照数据传输方向依次连接的全连接层和Sigmoid函数；全连接层的输出单元数量为1。
可选地，第一1D卷积块、第二1D卷积块、第三1D卷积块和第四1D卷积块的结构相同，均包括：第二1D卷积层、第二批量归一化层、第二ReLU激活函数、第三1D卷积层、第三批量归一化层、第三ReLU激活函数、第四1D卷积层、第四批量归一化层、第五1D卷积层、第五批量归一化层和第四ReLU激活函数；
第二1D卷积层、第二批量归一化层、第二ReLU激活函数、第三1D卷积层、第三批量归一化层、第三ReLU激活函数、第四1D卷积层和第四批量归一化层按照数据传输方向依次连接；
第二1D卷积块的输入端与第五1D卷积层的输入端连接，第二1D卷积块与第五1D卷积层同时获取1D卷积块的输入数据；第五1D卷积层的输出端与第五批量归一化层的输入端连接，第五批量归一化层的输出端与第四批量归一化层的输出端连接；
第四批量归一化层的输出与第五批量归一化层的输出相加后，作为第四ReLU激活函数的输入，第四ReLU激活函数的输出作为1D卷积块的输出。
可选地，第一1D恒等块、第二1D恒等块、第三1D恒等块、第四1D恒等块、第五1D恒等块、第六1D恒等块、第七1D恒等块、第八1D恒等块、第九1D恒等块、第十1D恒等块、第十一1D恒等块和第十二1D恒等块的结构相同，均包括：按照数据传输方向依次连接的第六1D卷积层、第六批量归一化层、第五ReLU激活函数、第七1D卷积层、第七批量归一化层、第六ReLU激活函数、第八1D卷积层、第八批量归一化层和第七ReLU激活函数；
第六1D卷积层的输入端为1D恒等块的输入端；第八批量归一化层的输出与第六1D卷积层的输入相加后，作为第七ReLU激活函数的输入，第七ReLU激活函数的输出作为1D恒等块的输出。
可选地，采用所述样本集训练所述深度残差网络时，使用二元交叉熵损失函数和Adam优化器对所述深度残差网络的参数进行优化。
可选地，筛选出贡献度为正值的初始稳定特征量，作为暂态电压稳定特征量，之后还包括：
删除所述样本集中贡献度为负值的初始稳定特征量的数据，获得更新后的样本集；
采用更新后的样本集对训练后的深度残差网络再一次进行训练和验证。
一种暂态电压稳定特征量的筛选***，包括：
特征量选取模块，用于选取含新能源的交直流混联电力***中与暂态电压稳定性相关的多个初始稳定特征量；所述新能源在交直流混联电力***中的出力占比大于比例阈值；
仿真模块，用于仿真获取含新能源的交直流混联电力***在不同场景下，每个初始稳定特征量分别在稳态时刻、故障发生时刻和故障切除时刻的数据；
样本集构成模块，用于将每种场景下每个初始稳定特征量的所有数据与每种场景的暂态电压分类标签构成样本集；所述暂态电压分类标签为暂态电压稳定标签或暂态电压不稳定标签；
搭建模块，用于搭建深度为50层的深度残差网络；
训练模块，用于采用所述样本集训练所述深度残差网络，获得训练后的深度残差网络；
计算模块，用于利用DeepLIFT算法计算每个初始稳定特征量对训练后的深度残差网络的输出预测结果的贡献度；
筛选模块，用于筛选出贡献度为正值的初始稳定特征量，作为暂态电压稳定特征量。
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权前述的暂态电压稳定特征量的筛选方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种暂态电压稳定特征量的筛选方法、***及电子设备，采用深度为50层的深度残差网络进行暂态电压稳定评估，相较于目前用于暂态电压稳定评估的18层的深度残差网络，具有更深的层数以及更多的参数，能够更好地捕捉输入特征的复杂特征；且基于DeepLIFT计算输入特征对输出结果的贡献度，解释50层的深度残差网络对暂态电压稳定的评估结果，并筛选出对暂态电压失稳具有正面贡献的稳定特征量集合，精简了稳定特征量集合，为电力***稳定特征量的选择提供了参考依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种暂态电压稳定特征量的筛选方法的示例一流程图；
图2为本发明实施例提供的一种暂态电压稳定特征量的筛选方法的示例二流程图；
图3为本发明实施例提供的1D ResNet50模型结构示意图；
图4为本发明实施例提供的1D卷积块结构示意图；
图5为本发明实施例提供的1D恒等块结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
鉴于目前尚无合理有效的稳定特征量筛选方法，本发明基于深度学习特征(DeepLearning Important FeaTures，DeepLIFT)，提出了一种暂态电压稳定特征量的筛选方法。DeepLIFT将输入特征的贡献度分解为每个神经元的贡献度，从而计算每个输入特征对输出的贡献度，考虑正面与负面贡献度来分析深度残差网络的全体输入特征对暂态电压稳定评估结果的影响程度，因此，依据DeepLIFT计算的贡献度既有效地筛选出对暂态电压稳定性影响程度较大的稳定特征量集合，又解释了ResNet模型判稳结果的合理性，优化了ResNet的判稳精度以及判稳效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的一种暂态电压稳定特征量的筛选方法的示例一流程图。如图1所示，本发明示例一提供的一种暂态电压稳定特征量的筛选方法，包括以下步骤：
步骤1：选取含新能源的交直流混联电力***中与暂态电压稳定性相关的多个初始稳定特征量；所述新能源在交直流混联电力***中的出力占比大于比例阈值。
在本实施例中，含新能源的交直流混联电力***特指含高比例新能源的交直流混联***。
基于含高比例新能源的交直流混联***，考虑感应电动机负荷以及HVDC换流器等元件的快速动态响应与暂态电压稳定性具有较强相关性，故选取稳定特征量集合如表1所示。
表1暂态电压稳定评估特征量
步骤2：仿真获取含新能源的交直流混联电力***在不同场景下，每个初始稳定特征量分别在稳态时刻、故障发生时刻和故障切除时刻的数据。
基于电力***仿真软件BPA搭建含高比例新能源的交直流混联电力***算例，通过设置不同负荷水平、不同新能源出力占比下各线路的三相永久N-1故障以及直流闭锁故障获取稳态时刻、故障瞬间时刻以及故障切除时刻的3个时刻的数据形成样本集，并按照7:3的比例随机划分为训练集与测试集。
以上过程总结为：基于电力***仿真软件搭建含新能源的交直流混联电力***；设置多种场景；多种所述场景包括：不同负荷水平、不同新能源出力占比下各线路的三相永久N-1故障以及直流闭锁故障；仿真获取每种场景下每个初始稳定特征量在稳态时刻、故障发生时刻以及故障切除时刻的数据。
步骤3：将每种场景下每个初始稳定特征量的所有数据与每种场景的暂态电压分类标签构成样本集；所述暂态电压分类标签为暂态电压稳定标签或暂态电压不稳定标签。
暂态电压稳定评估属于二分类任务，构建暂态电压稳定指标，依据经典工程判据：在电力***暂态过程中负荷母线电压能在10s内恢复到0.8pu以上，则认为***电压稳定。设定分类标签，将样本数据加以区分，1代表样本稳定(暂态电压稳定标签)，0代表样本不稳定(暂态电压不稳定标签)。
步骤4：搭建深度为50层的深度残差网络。
搭建用于处理一维时序数据的ResNet50模型中的残差块，包含1D卷积块(1DConvolutional Block)和1D恒等块(1D IdentityBlock)。
(1)1D卷积块(1D Convolutional Block)
参照图4，首先，保存输入该模块的值为X；
定义三个1D卷积层及其对应的批量归一化(BatchNormalization)层和ReLU激活函数，且第一个卷积层的1D卷积核大小为1，第二个卷积层的1D卷积核大小为3，第三个卷积层的1D卷积核大小为1；注：ReLU函数为f(x)＝max(0,x)，其中x表示输入值，且当输入值大于0时，输出值等于输入值；当输入值小于等于0时，输出值为0；
定义一个额外的1D卷积层，用于将输入特征序列的维度与输出特征序列的维度匹配。这个卷积层具有大小为1的卷积核，步长与第一个1D卷积层相同；
最后，将额外的1D卷积层的输出与第三个卷积层的输出相加，作为应用ReLU激活函数的输入，经此ReLU激活函数的输出即1D卷积块的输出。这样完成了1D卷积块的构建。
(2)1D恒等块(1D IdentityBlock)
参照图5，首先，保存输入该模块的值为X_shortcut；
接下来，定义三个1D卷积层，每个卷积层的步长均为1，后面都跟着一个批量归一化(Batch Normalization)层和ReLU激活函数，且第一个和第三个卷积层的1D卷积核大小为1，第二个卷积层的1D卷积核大小为3；
最后，将输入值X_shortcut与第三个卷积层的输出相加，作为ReLU激活函数的输入，经此ReLU激活函数的输出即1D恒等块的输出。这样完成了1D恒等块的构建。
基于Keras搭建处理一维时序数据的1D ResNet50模型(深度为50层的深度残差网络)，如图3所示，该模型深度为50层，分为7个阶段：
第一阶段，该阶段为模型输入层，构建如下：定义输入数据类型为一维数据；应用池化大小为10，步长5的最大池化层MaxPooling1D；为保证输入数据的长度并避免边缘数据的丢失，应用零填充层ZeroPadding1D。
第二阶段，该阶段以具有64个卷积核且卷积核大小为3的1D卷积层开始，然后应用批量归一化(BatchNormalization)层和ReLU激活函数，最后经池化大小为3，步长2的最大池化层MaxPooling1D输出。
第三阶段，该阶段由一个1D卷积块和两个1D恒等块组成，其中1D卷积块的3个1D卷积层的卷积核数量分别为：16、16、64，步长均为1；1D恒等块的卷积核数量分别为：16、16、64。
第四阶段，该阶段由一个1D卷积块和三个1D恒等块组成，其中1D卷积块的3个1D卷积层的卷积核数量分别为：32、32、128，步长均为2；1D恒等块的卷积核数量分别为：32、32、128。
第五阶段，该阶段由一个1D卷积块和五个1D恒等块组成，其中1D卷积块的3个1D卷积层的卷积核数量分别为：64、64、256，步长均为2；1D恒等块的卷积核数量分别为：64、64、256。
第六阶段，该阶段由一个1D卷积块和两个1D恒等块组成，其中1D卷积块的3个1D卷积层的卷积核数量分别为：64、64、256，步长均为2；1D恒等块的卷积核数量分别为：64、64、256，最后应用1D平均池化层(AveragePooling1D)减小特征映射的空间尺寸。
第七阶段，该阶段为输出层，为实现二分类任务，全连接层的输出单元数量为1。在全连接层后添加Sigmoid函数，将输出值映射到0和1之间，Sigmoid函数为
至此1D ResNet50模型搭建完成。
步骤5：采用所述样本集训练所述深度残差网络，获得训练后的深度残差网络。
通过训练集对1D ResNet50进行训练，并使用二元交叉熵损失函数和Adam优化器对1D ResNet50模型参数进行优化，二元交叉损失函数公式如下：
L(y,p)＝-(y*log(p)+(1-y)*log(1-p))
其中L(y,p)为二元交叉熵损失值；y为真实标签；p为模型预测的概率取值范围[0,1]。Adam优化器是Momentum优化器和AdaGrad优化器的进阶版本，可以自适应地改变学习率，学习率为0.00001。
步骤6：利用DeepLIFT算法计算每个初始稳定特征量对训练后的深度残差网络的输出预测结果的贡献度。
DeepLIFT计算输入的稳定特征量对输出预测结果的贡献度，是在做出评估后通过一次反向传播获得的。假设输入特征为xi，参考值为ri，贡献度CΔxi计算公式如下:
其中xi为单层神经元或者多层神经元的集合，x0为xi对应的参考，Δx＝xi-x0，t表示目标输入经过xi的输出，t0表示参考输出，有Δt＝t-t0，Δt为各个输入贡献度的累加和。
参考选择：对于输入层选择典型暂态电压稳定样本；对于卷积层、池化层和全连接层选择与输入特征具有相同维度的全零张量；对于激活层函数ReLU的参考值是将输入层的参考值传递到ReLU函数得到的输出。
反向传播过程中，按构建的线性层和非线性层的顺序依次计算贡献度并向前一层传播，通过乘数的链式法则，直至传播到输入层得到各个输入的稳定特征量的贡献度，乘数的链式法则公式如下：
乘数：
乘数是指神经元x产生一定量的变化后，输出t的变化率；
链式法则：
Δyj为经过中间层神经元的累积贡献度Δt，通过该法则可以计算任意神经元与目标神经元的乘数。
按照如下规则对于不同类型层计算贡献度：
(1)对于线性层(全连接层和卷积层)，输出y是输入特征xi和权重ωi的线性组合，可以表示为：则/>
输出y的正分量为：
输出y的负分量为：
依据以下规则选择贡献计算方法：
由之前的乘数定义有：
(2)RevealCancel规则：用于非线性函数激活函数ReLU；
非线性函数f(x)→ReLU，则CΔxΔy＝Δy，本规则关注到输入特征量间的相互依赖性，通过考虑函数的非线性特性计算正向贡献与负向贡献。
输出y的正分量为：
输出y的负分量为：
由之前的乘数定义有：
步骤7：筛选出贡献度为正值的初始稳定特征量，作为暂态电压稳定特征量。
按照DeepLIFT所计算的贡献度将输入特征量进行排序。至此，得到所有输入的稳定特征量对于1D ResNet50评估结果的贡献度，贡献度越大，说明该特征量对于***暂态电压失稳影响越大；贡献度越小，说明该特征量对于***暂态电压失稳影响越小。借此可以解释1D ResNet50的暂态电压稳定评估结果的合理性，并且贡献度分为正值与负值，若为正值说明该特征量对暂态电压失稳起正向贡献，若为负值说明该特征量对暂态电压失稳起负向贡献，因此具有正向贡献度的稳定特征量即需要筛选出的稳定特征量。
在示例一的基础上，一种暂态电压稳定特征量的筛选方法的示例二流程如图2所示。
利用示例一的结果，精简稳定特征量集合，再对1D ResNet50模型进行训练、验证，提高模型的评估精度以及评估效率。即，删除所述样本集中贡献度为负值的初始稳定特征量的数据，获得更新后的样本集；采用更新后的样本集对训练后的深度残差网络再一次进行训练和验证。
本发明的创新点在于：
(1)构建处理时序数据的50层的深度残差网络(1D ResNet50)进行暂态电压稳定评估，相较于目前用于暂态电压稳定评估的18层的深度残差网络(ResNet18)，具有更深的层数以及更多的参数，能够更好地捕捉输入特征的复杂特征。
(2)基于DeepLIFT计算输入特征对输出结果的贡献度，解释ResNet50对暂态电压稳定的评估结果，并筛选出对暂态电压失稳具有正面贡献的稳定特征量集合，为电力***稳定特征量的选择提供了参考依据。
本发明依据暂态电压失稳的正向贡献度指标实现了全部稳定特征量的筛选，并解释了1D Resnet50模型评估暂态电压失稳结果的合理性。本发明为含高比例新能源的交直流混联电力***暂态电压稳定的稳定特征量选择提供了参考依据，通过精简稳定特征量集合提高了1D Resnet50模型的暂态电压评估精度以及评估效率。
为了执行上述实施例对应的方法，以实现相应的功能和技术效果，下面提供一种暂态电压稳定特征量的筛选***，包括：
特征量选取模块，用于选取含新能源的交直流混联电力***中与暂态电压稳定性相关的多个初始稳定特征量；所述新能源在交直流混联电力***中的出力占比大于比例阈值。
仿真模块，用于仿真获取含新能源的交直流混联电力***在不同场景下，每个初始稳定特征量分别在稳态时刻、故障发生时刻和故障切除时刻的数据。
样本集构成模块，用于将每种场景下每个初始稳定特征量的所有数据与每种场景的暂态电压分类标签构成样本集；所述暂态电压分类标签为暂态电压稳定标签或暂态电压不稳定标签。
搭建模块，用于搭建深度为50层的深度残差网络。
训练模块，用于采用所述样本集训练所述深度残差网络，获得训练后的深度残差网络。
计算模块，用于利用DeepLIFT算法计算每个初始稳定特征量对训练后的深度残差网络的输出预测结果的贡献度。
筛选模块，用于筛选出贡献度为正值的初始稳定特征量，作为暂态电压稳定特征量。
本发明实施例提供的暂态电压稳定特征量的筛选***与上述实施例所述的暂态电压稳定特征量的筛选方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述方法实施例的介绍。
本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的暂态电压稳定特征量的筛选方法。
此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种暂态电压稳定特征量的筛选方法，其特征在于，包括：
选取含新能源的交直流混联电力***中与暂态电压稳定性相关的多个初始稳定特征量；所述新能源在交直流混联电力***中的出力占比大于比例阈值；
仿真获取含新能源的交直流混联电力***在不同场景下，每个初始稳定特征量分别在稳态时刻、故障发生时刻和故障切除时刻的数据；
将每种场景下每个初始稳定特征量的所有数据与每种场景的暂态电压分类标签构成样本集；所述暂态电压分类标签为暂态电压稳定标签或暂态电压不稳定标签；
搭建深度为50层的深度残差网络；
采用所述样本集训练所述深度残差网络，获得训练后的深度残差网络；
利用DeepLIFT算法计算每个初始稳定特征量对训练后的深度残差网络的输出预测结果的贡献度；
筛选出贡献度为正值的初始稳定特征量，作为暂态电压稳定特征量。
2.根据权利要求1所述的暂态电压稳定特征量的筛选方法，其特征在于，仿真获取含新能源的交直流混联电力***在不同场景下，每个初始稳定特征量分别在稳态时刻、故障发生时刻和故障切除时刻的数据，具体包括：
基于电力***仿真软件搭建含新能源的交直流混联电力***；
设置多种场景；多种所述场景包括：不同负荷水平、不同新能源出力占比下各线路的三相永久N-1故障以及直流闭锁故障；
仿真获取每种场景下每个初始稳定特征量在稳态时刻、故障发生时刻以及故障切除时刻的数据。
3.根据权利要求1所述的暂态电压稳定特征量的筛选方法，其特征在于，每种场景的暂态电压分类标签确定方法为：
判断在电力***暂态过程中负荷母线电压能否在10s内恢复到0.8pu以上；
若是，则判定所述暂态电压分类标签为暂态电压稳定标签；
若否，则判定所述暂态电压分类标签为暂态电压不稳定标签。
4.根据权利要求1所述的暂态电压稳定特征量的筛选方法，其特征在于，所述深度为50层的深度残差网络包括：依次连接的第一阶段、第二阶段、第三阶段、第四阶段、第五阶段、第六阶段和第七阶段；
第一阶段为输入层，包括按照数据传输方向依次连接的第一1D最大池化层和1D零填充层；所述第一1D最大池化层的应用池化大小为10、步长为5；
第二阶段包括按照数据传输方向依次连接的第一1D卷积层、第一批量归一化层、第一ReLU激活函数和第二1D最大池化层；所述第一1D卷积层具有64个卷积核且卷积核大小为3；所述第二1D最大池化层的池化大小为3，步长为2；
第三阶段包括按照数据传输方向依次连接的第一1D卷积块、第一1D恒等块和第二1D恒等块；所述第一1D卷积块的3个1D卷积层的卷积核数量分别为16、16和64，步长均为1；第一1D恒等块和第二1D恒等块的卷积核数量相同，分别为：16、16和64；
第四阶段包括按照数据传输方向依次连接的第二1D卷积块、第三1D恒等块、第四1D恒等块和第五1D恒等块；所述第二1D卷积块的3个1D卷积层的卷积核数量分别为：32、32和128，步长均为2；第三1D恒等块、第四1D恒等块和第五1D恒等块的卷积核数量相同，分别为：32、32和128；
第五阶段包括按照数据传输方向依次连接的第三1D卷积块、第六1D恒等块、第七1D恒等块、第八1D恒等块、第九1D恒等块和第十1D恒等块；所述第三1D卷积块的3个1D卷积层的卷积核数量分别为：64、64和256，步长均为2；第六1D恒等块、第七1D恒等块、第八1D恒等块、第九1D恒等块和第十1D恒等块的卷积核数量相同，分别为：64、64和256；
第六阶段包括按照数据传输方向依次连接的第四1D卷积块、第十一1D恒等块、第十二1D恒等块和1D平均池化层；所述第四1D卷积块的3个1D卷积层的卷积核数量分别为：64、64和256，步长均为2；第十一1D恒等块和第十二1D恒等块的卷积核数量相同，分别为：64、64和256；
第七阶段为输出层，包括按照数据传输方向依次连接的全连接层和Sigmoid函数；全连接层的输出单元数量为1。
5.根据权利要求4所述的暂态电压稳定特征量的筛选方法，其特征在于，第一1D卷积块、第二1D卷积块、第三1D卷积块和第四1D卷积块的结构相同，均包括：第二1D卷积层、第二批量归一化层、第二ReLU激活函数、第三1D卷积层、第三批量归一化层、第三ReLU激活函数、第四1D卷积层、第四批量归一化层、第五1D卷积层、第五批量归一化层和第四ReLU激活函数；
第二1D卷积层、第二批量归一化层、第二ReLU激活函数、第三1D卷积层、第三批量归一化层、第三ReLU激活函数、第四1D卷积层和第四批量归一化层按照数据传输方向依次连接；
第二1D卷积块的输入端与第五1D卷积层的输入端连接，第二1D卷积块与第五1D卷积层同时获取1D卷积块的输入数据；第五1D卷积层的输出端与第五批量归一化层的输入端连接，第五批量归一化层的输出端与第四批量归一化层的输出端连接；
第四批量归一化层的输出与第五批量归一化层的输出相加后，作为第四ReLU激活函数的输入，第四ReLU激活函数的输出作为1D卷积块的输出。
6.根据权利要求4所述的暂态电压稳定特征量的筛选方法，其特征在于，第一1D恒等块、第二1D恒等块、第三1D恒等块、第四1D恒等块、第五1D恒等块、第六1D恒等块、第七1D恒等块、第八1D恒等块、第九1D恒等块、第十1D恒等块、第十一1D恒等块和第十二1D恒等块的结构相同，均包括：按照数据传输方向依次连接的第六1D卷积层、第六批量归一化层、第五ReLU激活函数、第七1D卷积层、第七批量归一化层、第六ReLU激活函数、第八1D卷积层、第八批量归一化层和第七ReLU激活函数；
第六1D卷积层的输入端为1D恒等块的输入端；第八批量归一化层的输出与第六1D卷积层的输入相加后，作为第七ReLU激活函数的输入，第七ReLU激活函数的输出作为1D恒等块的输出。
7.根据权利要求1所述的暂态电压稳定特征量的筛选方法，其特征在于，采用所述样本集训练所述深度残差网络时，使用二元交叉熵损失函数和Adam优化器对所述深度残差网络的参数进行优化。
8.根据权利要求1所述的暂态电压稳定特征量的筛选方法，其特征在于，筛选出贡献度为正值的初始稳定特征量，作为暂态电压稳定特征量，之后还包括：
删除所述样本集中贡献度为负值的初始稳定特征量的数据，获得更新后的样本集；
采用更新后的样本集对训练后的深度残差网络再一次进行训练和验证。
9.一种暂态电压稳定特征量的筛选***，其特征在于，包括：
特征量选取模块，用于选取含新能源的交直流混联电力***中与暂态电压稳定性相关的多个初始稳定特征量；所述新能源在交直流混联电力***中的出力占比大于比例阈值；
仿真模块，用于仿真获取含新能源的交直流混联电力***在不同场景下，每个初始稳定特征量分别在稳态时刻、故障发生时刻和故障切除时刻的数据；
样本集构成模块，用于将每种场景下每个初始稳定特征量的所有数据与每种场景的暂态电压分类标签构成样本集；所述暂态电压分类标签为暂态电压稳定标签或暂态电压不稳定标签；
搭建模块，用于搭建深度为50层的深度残差网络；
训练模块，用于采用所述样本集训练所述深度残差网络，获得训练后的深度残差网络；
计算模块，用于利用DeepLIFT算法计算每个初始稳定特征量对训练后的深度残差网络的输出预测结果的贡献度；
筛选模块，用于筛选出贡献度为正值的初始稳定特征量，作为暂态电压稳定特征量。
10.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的暂态电压稳定特征量的筛选方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310864662.2A CN116992255A (zh) | 2023-07-13 | 2023-07-13 | 一种暂态电压稳定特征量的筛选方法、***及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310864662.2A CN116992255A (zh) | 2023-07-13 | 2023-07-13 | 一种暂态电压稳定特征量的筛选方法、***及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116992255A true CN116992255A (zh) | 2023-11-03 |
Family
ID=88529306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310864662.2A Pending CN116992255A (zh) | 2023-07-13 | 2023-07-13 | 一种暂态电压稳定特征量的筛选方法、***及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992255A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881741A (zh) * | 2015-05-25 | 2015-09-02 | 清华大学 | 基于支持向量机的电力***暂态稳定判断方法 |
| CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力***暂态电压稳定评估方法 |
| CN109886604A (zh) * | 2019-03-13 | 2019-06-14 | 华北电力大学 | 一种基于一维卷积神经网络的电力***暂态稳定评估方法 |
| CN112163574A (zh) * | 2020-11-23 | 2021-01-01 | 南京航天工业科技有限公司 | 一种基于深度残差网络的etc干扰信号发射机的识别方法及*** |
| CN114282579A (zh) * | 2021-12-30 | 2022-04-05 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
| CN115272000A (zh) * | 2022-08-29 | 2022-11-01 | 华北电力大学 | 一种电力***暂态稳定评估方法及*** |
| CN115588983A (zh) * | 2022-10-25 | 2023-01-10 | 广东工业大学 | 一种暂态电压稳定评估方法 |
| CN115913849A (zh) * | 2022-10-31 | 2023-04-04 | 西北工业大学 | 基于一维复值残差网络的电磁信号辨识方法 |
| CN116031867A (zh) * | 2022-10-25 | 2023-04-28 | 国网江苏省电力有限公司经济技术研究院 | 一种电网暂态安全稳定性评估方法 |
| CN116070384A (zh) * | 2023-01-15 | 2023-05-05 | 国网辽宁省电力有限公司电力科学研究院 | 基于电网特征排列重要性的暂态稳定评估方法及*** |
| CN116131313A (zh) * | 2023-02-16 | 2023-05-16 | 华北电力大学 | 特征量与暂态功角稳定性关联关系的可解释性分析方法 |
| CN116204771A (zh) * | 2022-11-15 | 2023-06-02 | 国网宁夏电力有限公司电力科学研究院 | 电力***暂态稳定关键特征选择方法、装置及产品 |
| CN116222753A (zh) * | 2023-01-09 | 2023-06-06 | 中国石油大学(北京) | 一种转子***故障敏感特征提取方法及*** |
-
2023
- 2023-07-13 CN CN202310864662.2A patent/CN116992255A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881741A (zh) * | 2015-05-25 | 2015-09-02 | 清华大学 | 基于支持向量机的电力***暂态稳定判断方法 |
| CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力***暂态电压稳定评估方法 |
| CN109886604A (zh) * | 2019-03-13 | 2019-06-14 | 华北电力大学 | 一种基于一维卷积神经网络的电力***暂态稳定评估方法 |
| CN112163574A (zh) * | 2020-11-23 | 2021-01-01 | 南京航天工业科技有限公司 | 一种基于深度残差网络的etc干扰信号发射机的识别方法及*** |
| CN114282579A (zh) * | 2021-12-30 | 2022-04-05 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
| CN115272000A (zh) * | 2022-08-29 | 2022-11-01 | 华北电力大学 | 一种电力***暂态稳定评估方法及*** |
| CN115588983A (zh) * | 2022-10-25 | 2023-01-10 | 广东工业大学 | 一种暂态电压稳定评估方法 |
| CN116031867A (zh) * | 2022-10-25 | 2023-04-28 | 国网江苏省电力有限公司经济技术研究院 | 一种电网暂态安全稳定性评估方法 |
| CN115913849A (zh) * | 2022-10-31 | 2023-04-04 | 西北工业大学 | 基于一维复值残差网络的电磁信号辨识方法 |
| CN116204771A (zh) * | 2022-11-15 | 2023-06-02 | 国网宁夏电力有限公司电力科学研究院 | 电力***暂态稳定关键特征选择方法、装置及产品 |
| CN116222753A (zh) * | 2023-01-09 | 2023-06-06 | 中国石油大学(北京) | 一种转子***故障敏感特征提取方法及*** |
| CN116070384A (zh) * | 2023-01-15 | 2023-05-05 | 国网辽宁省电力有限公司电力科学研究院 | 基于电网特征排列重要性的暂态稳定评估方法及*** |
| CN116131313A (zh) * | 2023-02-16 | 2023-05-16 | 华北电力大学 | 特征量与暂态功角稳定性关联关系的可解释性分析方法 |
Non-Patent Citations (6)
| Title |
|---|
| AVANTI SHRIKUMAR 等: "Learning important features through propagating activation differences", ICML\'17: PROCEEDINGS OF THE 34TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING, 6 August 2017 (2017-08-06), pages 3145 - 3153 * |
| 季佳伸 等: "基于深度残差网络的电力***暂态电压稳定评估", 电网技术, vol. 46, no. 7, 22 July 2022 (2022-07-22), pages 2500 - 2511 * |
| 胡润滋 等: "基于特征选择的暂态安全评估方法及其可解释性研究", 电网技术, vol. 47, no. 2, 28 February 2023 (2023-02-28), pages 755 - 762 * |
| 计算机视觉-ARCHER: "庖丁解牛-Resnet50 深度剖析，细致讲解，深入理解", HTTPS://BLOG.CSDN.NET/ZJC910997316/ARTICLE/DETAILS/102912175, 30 June 2022 (2022-06-30), pages 1 - 20 * |
| 赵志强 著: "能源互联网规划理论和方法", 31 October 2019, 机械工业出版社, pages: 88 - 91 * |
| 高昆仑 等: "基于一维卷积神经网络的电力***暂态稳定评估", 电力***自动化, vol. 43, no. 12, 25 June 2019 (2019-06-25), pages 18 - 26 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11681922B2 (en) | Performing inference and training using sparse neural network | |
| CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及*** | |
| CN111860790A (zh) | 一种提高深度残差脉冲神经网络精度以优化图像分类的方法及其*** | |
| CN117424201A (zh) | 电力***暂态稳定可解释评估方法、***、设备及存储介质 | |
| CN112884150A (zh) | 一种预训练模型知识蒸馏的安全性增强方法 | |
| CN115730659A (zh) | 应用于ai的车辆安全分析方法及*** | |
| Xu et al. | Removal of salt and pepper noise in corrupted image based on multilevel weighted graphs and IGOWA operator | |
| Khan et al. | Enabling self-configuration in autonomic systems using case-based reasoning with improved efficiency | |
| CN113360664A (zh) | 一种知识图谱补全方法 | |
| CN116992255A (zh) | 一种暂态电压稳定特征量的筛选方法、***及电子设备 | |
| CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
| 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 | |
| CN112488550B (zh) | 基于深度学习的不确定性电网静态安全分析方法及*** | |
| CN113435113B (zh) | 一种电力***暂态稳定评估方法及装置 | |
| CN112465195A (zh) | 考虑高比例分布式光伏接入的母线负荷预测方法及*** | |
| CN112131569A (zh) | 一种基于图网络随机游走的风险用户预测方法 | |
| Ge et al. | Model Compression and Acceleration Based on Progressive Random Pruning Algorithm | |
| Lv et al. | Compression of YOLOv3-spp Model Based on Channel and Layer Pruning | |
| CN117872204B (zh) | 锂离子电池健康状态评估方法、装置及电子设备 | |
| CN117649117B (zh) | 处置方案的确定方法、装置以及计算机设备 | |
| CN116757388B (zh) | 一种基于冗余约束筛选的电力市场出清方法及装置 | |
| Zheng et al. | Evaluating the significance of samples in deep learning-based transient stability assessment | |
| CN118261372A (zh) | 基于改进dqn的大规模电动汽车充电调度方法、装置和介质 | |
| CN118278456A (zh) | 基于正负向扰动的推荐***对抗性训练方法 | |
| CN117669707A (zh) | 一种基于代理模型自适应选择的昂贵高维多目标进化方法 |
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 |