CN117215205A - 基于决策树和iss理论的直流***控制参数分析方法 - Google Patents
基于决策树和iss理论的直流***控制参数分析方法 Download PDFInfo
- Publication number
- CN117215205A CN117215205A CN202311486637.1A CN202311486637A CN117215205A CN 117215205 A CN117215205 A CN 117215205A CN 202311486637 A CN202311486637 A CN 202311486637A CN 117215205 A CN117215205 A CN 117215205A
- Authority
- CN
- China
- Prior art keywords
- control parameter
- system control
- decision tree
- data
- direct current
- 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
- 238000003066 decision tree Methods 0.000 title claims abstract description 153
- 238000004458 analytical method Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 claims description 2
- 230000006641 stabilisation Effects 0.000 claims 1
- 238000011105 stabilization Methods 0.000 claims 1
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 13
- 238000010276 construction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- Y02E40/10—Flexible AC transmission systems [FACTS]
-
- 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
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及电力***方面专门适用于预测目的的数据处理方法技术领域,公开一种基于决策树和ISS理论的直流***控制参数分析方法,包括:根据直流***控制参数样本数据,通过基于输入‑状态稳定理论构建的电力***电压稳定水平量化评估指标,得到电压稳定水平样本标签数据;采用基于纯度损失的决策树框架,训练得到直流***控制参数分析模型。本发明通过直流***控制参数分析模型评估不同直流***控制参数数据下的电力***电压稳定水平,利用决策树可视化的生成过程得到直流***控制参数数据对电力***电压稳定水平的重要性排序,为高比例新能源接入场景下的电力***控制参数优化提供可靠依据与指导。
Description
技术领域
本发明涉及电力***方面专门适用于预测目的的数据处理方法技术领域,尤其涉及一种基于决策树和ISS(Input-to-state Stability,输入-状态稳定)理论的直流***控制参数分析方法。
背景技术
近年来,随着经济和工业的不断发展,我国的电力需求日益增加,以风电为代表的新能源发电和高压直流输电技术快速发展。然而,新能源渗透率的不断提高,使得电力***无功支撑能力不足,抵御大功率冲击(如交流短路、直流闭锁、直流换相故障等)的能力进一步降低,严重时可能造成新能源机组大面积连锁脱网,甚至导致***崩溃,电力***的安全可靠运行面临着巨大的挑战。
目前,针对交直流***稳定控制策略的研究取得了一定的进展。已有研究通过配置无功补偿器、调相机等辅助设备来补偿故障时的电压差,从而避免新能源机组脱网。从改进***自身控制的角度出发,通过增大逆变侧关断角、提升风电耐压水平等方法改善故障下***的控制性能,侧重于提高***本身的控制能力。然而,前者往往会造成***投资的增加,后者容易使控制***复杂化。从控制参数优化方法出发,有学者提出结合人工智能理论,寻找满足优化目标的最优控制参数,以满足优化目标的方法,但人工智能方法存在决策透明度不够,缺乏可解释性等不足,难以得到广泛应用。此外,为评估控制策略的有效性,电力***稳定水平量化评估方法也取得了一定研究进展,然而,现有的可再生能源接入场景下电网安全稳定分析方法,如时域仿真法和直接法,上述两种方法在电网结构和***运行方式发生变化时,均需重新进行时域仿真计算或构建暂态能量函数,存在灵活性差、精度低等问题,难以为电力***控制参数的选择提供依据与指导。
所以,亟需一种直流***控制参数分析方法,能够为高比例新能源接入场景下的电力***控制参数优化提供准确的依据与指导。
发明内容
本发明提供一种基于决策树和ISS理论的直流***控制参数分析方法,用以解决现有技术无法为高比例新能源接入场景下的电力***控制参数优化提供准确的依据与指导的缺陷。
本发明提供一种基于决策树和ISS理论的直流***控制参数分析模型的构建方法,包括:
根据输入-状态稳定理论,建立电力***电压稳定水平量化评估指标;
获取直流***控制参数样本数据;
根据直流***控制参数样本数据,通过电力***电压稳定水平量化评估指标,得到电压稳定水平样本标签数据;
根据直流***控制参数样本数据和电压稳定水平样本标签数据,采用基于纯度损失的决策树框架,训练得到直流***控制参数分析模型。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建方法,所述电力***电压稳定水平量化评估指标的第一表达式为:
,
第一表达式中,表示电力***电压稳定水平量化评估指标,/>,表示形如/>的 输入/输出增益矩阵,/> 表示各个子***间的输入-输出连接矩阵,/>表示矩阵/>的谱半径。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建方法,所述根据直流***控制参数样本数据和电压稳定水平样本标签数据,采用基于纯度损失的决策树框架,训练得到直流***控制参数分析模型,包括:
根据直流***控制参数样本数据和电压稳定水平样本标签数据,得到样本划分后的纯度损失;
根据样本划分后的纯度损失,确定决策树各节点的划分属性和划分标准,直至样本划分满足预设纯度要求。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建方法,所述根据直流***控制参数样本数据和电压稳定水平样本标签数据,得到样本划分后的纯度损失,包括:
根据直流***控制参数样本数据和电压稳定水平样本标签数据,得到决策树各节点的方差;
根据样本划分后的子树的方差,得到方差减少量,以方差减少量作为样本划分后的纯度损失;
其中,得到方差的第二表达式为:
,
第二表达式中,表示决策树在第t个节点的方差,N表示节点t的直流***控制参数样本数据的数量;y i 表示电压稳定水平样本标签数据;/>表示节点t中所有电压稳定水平样本标签数据对应的电压稳定水平的平均值;
其中,得到方差减少量的第三表达式为:
,
第三表达式中,ΔR(t)表示经过节点t划分后的纯度损失,R(t R)表示决策树在划分后的右子树的方差,R(t L)表示决策树在划分后的左子树的方差,N R表示决策树划分后右子树的直流***控制参数样本数据的数量,N L表示决策树划分后左子树的直流***控制参数样本数据的数量,R(t)表示决策树在第t个节点的方差,N表示节点t的直流***控制参数样本数据的数量。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建方法,所述根据样本划分后的纯度损失,确定决策树各节点的划分属性和划分标准,具体为:
根据样本划分后的纯度损失,令纯度损失取得最大值,以确定决策树各节点的划分属性和划分标准;
其中,令纯度损失取得最大值的第四表达式为:
,
第四表达式中,γ max表示划分条件,ΔR(γ,t)表示方差减少量,argmax表示使得方差减少量取得最大值所对应的变量γ。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建方法,所述根据直流***控制参数样本数据和电压稳定水平样本标签数据,采用基于纯度损失的决策树框架,训练得到直流***控制参数分析模型,还包括:
通过累积决策树中出现的每个直流***控制参数数据的方差减少量,度量不同直流***控制参数数据对电力***电压稳定水平的重要性;
其中,累积决策树中出现的每个直流***控制参数数据的方差减少量的第五表达式为:
,
第五表达式中,表示直流***控制参数数据对电力***电压稳定水平的特征重要性;/>表示决策树第/>个决策节点的方差减少量;/>表示决策树的决策节点总数。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建方法,所述根据直流***控制参数样本数据和电压稳定水平样本标签数据,采用基于纯度损失的决策树框架,训练得到直流***控制参数分析模型,还包括:
将直流***控制参数数据对电力***电压稳定水平的重要性,进行归一化处理;
其中,归一化处理的第六表达式为:
,
第六表达式中,表示归一化后的第/>个直流***控制参数数据对电力***电压稳定水平的特征重要性;/>表示第/>个直流***控制参数数据对电力***电压稳定水平的特征重要性;/>表示所有直流***控制参数数据对电力***电压稳定水平的特征重要性的最大值。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建方法,所述根据直流***控制参数样本数据和电压稳定水平样本标签数据,采用基于纯度损失的决策树框架,训练得到直流***控制参数分析模型,包括:
通过预测准确率指标,评估直流***控制参数分析模型的预测效果;
其中,预测准确率指标的第七表达式为:
,
,
第七表达式中,RMSE表示均方根误差,A S表示预测准确率;n表示测试集中直流***控制参数样本数据的总数,y'(i) 表示第直流***控制参数样本数据对应的电网稳定水平的预测值,y(i)表示第/>个直流***控制参数样本数据对应的真实值。
本发明还提供一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,包括:
指标建立模块,用于:根据输入-状态稳定理论,建立电力***电压稳定水平量化评估指标;
第一样本数据获取模块,用于:获取直流***控制参数样本数据;
第二样本数据获取模块,用于:根据直流***控制参数样本数据,通过电力***电压稳定水平量化评估指标,得到电压稳定水平样本标签数据;
模型训练模块,用于:根据直流***控制参数样本数据和电压稳定水平样本标签数据,采用基于纯度损失的决策树框架,训练得到直流***控制参数分析模型。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,所述电力***电压稳定水平量化评估指标的第一表达式为:
,
第一表达式中,表示电力***电压稳定水平量化评估指标,/>,/>表示形如/>,/>表示各个子***间的输入-输出连接矩阵,/>表示矩阵/>的谱半径。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,所述模型训练模块包括:
纯度损失得到子模块,用于:根据直流***控制参数样本数据和电压稳定水平样本标签数据,得到样本划分后的纯度损失;
样本划分子模块,用于:根据样本划分后的纯度损失,确定决策树各节点的划分属性和划分标准,直至样本划分满足预设纯度要求。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,所述纯度损失得到子模块包括:
方差得到子模块,用于:根据直流***控制参数样本数据和电压稳定水平样本标签数据,得到决策树各节点的方差;
方差减少量得到子模块,用于:根据样本划分后的子树的方差,得到方差减少量,以方差减少量作为样本划分后的纯度损失;
其中,得到方差的第二表达式为:
,
第二表达式中,R(t)表示决策树在第个节点的方差,N表示节点/>的直流***控制参数样本数据的数量;/>表示电压稳定水平样本标签数据;/>表示节点/>中所有电压稳定水平样本标签数据对应的电压稳定水平的平均值;
其中,得到方差减少量的第三表达式为:
,
第三表达式中,表示经过节点/>划分后的纯度损失,/>表示决策树在划分后的右子树的方差,/>表示决策树在划分后的左子树的方差,N R 表示决策树划分后右子树的直流***控制参数样本数据的数量,N L表示决策树划分后左子树的直流***控制参数样本数据的数量,/>表示决策树在第/>个节点的方差,N表示节点/>的直流***控制参数样本数据的数量。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,所述样本划分子模块具体用于:
根据样本划分后的纯度损失,令纯度损失取得最大值,以确定决策树各节点的划分属性和划分标准;
其中,令纯度损失取得最大值的第四表达式为:
,
第四表达式中,表示划分条件,/>表示方差减少量,argmax表示使得方差减少量取得最大值所对应的变量/>。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,所述模型训练模块还包括:
重要性度量子模块,用于:通过累积决策树中出现的每个直流***控制参数数据的方差减少量,度量不同直流***控制参数数据对电力***电压稳定水平的重要性;
其中,累积决策树中出现的每个直流***控制参数数据的方差减少量的第五表达式为:
,
第五表达式中,表示直流***控制参数数据对电力***电压稳定水平的特征重要性;/>表示决策树第/>个决策节点的方差减少量;/>表示决策树的决策节点总数。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,所述模型训练模块还包括:
归一化子模块,用于:将直流***控制参数数据对电力***电压稳定水平的重要性,进行归一化处理;
其中,归一化处理的第六表达式为:
,
第六表达式中,表示归一化后的第/>个直流***控制参数数据对电力***电压稳定水平的特征重要性;/>表示第/>个直流***控制参数数据对电力***电压稳定水平的特征重要性;/>表示所有直流***控制参数数据对电力***电压稳定水平的特征重要性的最大值。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,所述模型训练模块包括:
预测效果评估子模块,用于:通过预测准确率指标,评估直流***控制参数分析模型的预测效果;
其中,预测准确率指标的第七表达式为:
,
,
第七表达式中,RMSE表示均方根误差,A S表示预测准确率;n表示测试集中直流***控制参数样本数据的总数,表示第/>个直流***控制参数样本数据对应的电网稳定水平的预测值,/>表示第/>个直流***控制参数样本数据对应的真实值。
本发明还提供一种基于决策树和ISS理论的直流***控制参数分析方法,包括:
获取若干待分析的直流***控制参数数据;
根据若干待分析的直流***控制参数数据,通过上述任一项所述的直流***控制参数分析模型进行电力***电压稳定水平预测,得到若干待分析的直流***控制参数数据对电力***电压稳定水平的重要性排序。
本发明还提供一种基于决策树和ISS理论的直流***控制参数分析***,包括:
数据获取模块,用于:获取若干待分析的直流***控制参数数据;
分析模块,用于:将若干待分析的直流***控制参数数据输入上述任一项所述的直流***控制参数分析模型进行电力***电压稳定水平预测,得到若干待分析的直流***控制参数数据对电力***电压稳定水平的重要性排序。
本发明还提供一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现上述基于决策树和ISS理论的直流***控制参数分析方法或上述基于决策树和ISS理论的直流***控制参数分析模型的构建方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述基于决策树和ISS理论的直流***控制参数分析方法或上述基于决策树和ISS理论的直流***控制参数分析模型的构建方法。
本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述基于决策树和ISS理论的直流***控制参数分析方法或上述基于决策树和ISS理论的直流***控制参数分析模型的构建方法。
本发明提供的一种基于决策树和ISS理论的直流***控制参数分析方法,根据输入-状态稳定理论,构建电力***电压稳定水平的量化评估指标,能够反映电力***的暂态特性以及对外部扰动的承受能力,为评估高比例新能源接入场景下的电力***安全稳定运行能力提供理论支撑;利用人工智能在数据拟合方面的优势,通过采用基于纯度损失的决策树框架挖掘直流***控制参数样本数据和电压稳定水平样本标签数据之间的关联关系的直流***控制参数分析模型,评估不同直流***控制参数数据下的电力***稳定水平,利用决策树可视化的生成过程得到直流***控制参数数据对电力***电压稳定水平的重要性排序,明确影响电力***电压稳定水平的重要参数,为高比例新能源接入场景下的电力***控制参数优化提供准确的依据与指导。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做出简单地介绍,显而易见地,下面描述中的附图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为本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建方法的流程示意图。
图2为决策树模型的原理图。
图3为简化测试***结构示意图。
图4为直流***控制参数分析模型的决策树生成过程。
图5为直流***控制参数分析模型的预测结果图,实心圆点表示真实值,非实心圆点表示预测值。
图6为本发明提供的一种基于决策树和ISS理论的直流***控制参数分析***的结构示意图。
图7为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,它们不应该理解成对本发明的限制。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。在本发明的描述中,需要理解的是,所用到的术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
下面结合图1-图7描述本发明提供的基于决策树和ISS理论的直流***控制参数分析方法。
图1是本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建方法的流程示意图。参照图1,本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建方法,可以包括:
步骤S110、根据输入-状态稳定理论,建立电力***电压稳定水平量化评估指标;
步骤S120、获取直流***控制参数样本数据,直流***控制参数可以包括静止同步补偿器(STATCOM)和电压相关电流阶跃限制器(VDCOL)的控制参数, STATCOM控制参数可以包括:额定容量、响应延迟、比例环节增益、积分环节增益、V-I特定曲线斜率等,VDCOL控制参数可以包括:启动电压、退出电压等;
步骤S130、根据直流***控制参数样本数据,通过电力***电压稳定水平量化评估指标,得到电压稳定水平样本标签数据;
步骤S140、根据直流***控制参数样本数据和电压稳定水平样本标签数据,采用基于纯度损失的决策树框架,训练得到直流***控制参数分析模型。
需要说明的是,输入-状态稳定的定义基于一系列比较函数,以下给出比较函数的定义:一个函数,若满足连续、严格单增以及/>,则称之为/>函数;进一步,若/>函数满足当/>时,/>则称之为/>函数;一个函数,若满足连续条件,且对于任一固定的/> ,函数/>是/>函数,/>关于/>是递减的,并且当/>时,/>,则称/>为/>函数。
对***,存在/>,则对于任何初始状态和外部输入,若以下不等式成立:
(1)
则该***是输入-状态稳定(Input-to-state Stability, ISS)的。式(1)中,表示Euclidean范数,/>表示矩阵的范数,/>函数则可以量化***状态变量随时间变化的动态过程,/>是使得/>对于所有的时间/>均成立的最小的/>;/>、为比较函数。
电力***的电流及电压/>满足以下关系:
(2)
其中,和/>分别表示公共节点的电流和电压, />和/>分别表示发电机节点的电流和电压,/>和/>分别表示负荷节点的电流和电压,/>,/>表示公共节点的自导纳,/>表示发电机节点的自导纳,/>表示负荷节点的自导纳,/>和/>表示公共节点和发电机节点间的互导纳,/>和/> 表示公共节点和负荷节点间的互导纳,/>和/>表示负荷节点和发电机节点间的互导纳。
考虑由n个电动机和m个负载组成的电力***,将消去可以得到:
(3)
其中,表示发电机节点的自导纳,/>表示负荷节点的自导纳, />和表示负荷节点和发电机节点间的互导纳。
(4)
互联***能够进行稳定分析的条件要求存在输入输出连接矩阵和/>,使得子***输入-输出满足:
(5)
其中,表示***输入,/>表示***输出。
互联***稳定要求小增益条件得到满足,即:
(6)
其中,,/>表示形如/>的输入/输出增益矩阵,/>表示各个子***间的输入-输出连接矩阵,/>表示矩阵/>的谱半径。
根据上输入-状态稳定性标准,反映互联***安全稳定运行能力的电力***电压稳定水平量化评估指标的第一表达式为:
(7)
第一表达式(7)中,表示电力***电压稳定水平量化评估指标的值,,/>表示形如/>的输入/输出增益矩阵,/>表示各个子***间的输入-输出连接矩阵,/>表示矩阵/>的谱半径。
然后,再通过现有的仿真软件模拟高比例新能源接入场景下电力***的不同运行方式和故障场景,以各运行场景下的直流***控制参数样本数据为输入,根据式(7)得到的对应场景的电压稳定水平样本标签数据为输出,构建样本集,并将样本集划分为训练样本集和测试样本集,并利用利用训练样本集对直流***控制参数分析模型进行训练,利用测试样本集检验直流***控制参数分析模型的预测性能并对其进行优化。
在一种实施例中,步骤S140可以包括:
根据直流***控制参数样本数据和电压稳定水平样本标签数据,得到样本划分后的纯度损失;
根据样本划分后的纯度损失,确定决策树各节点的划分属性和划分标准,直至样本划分满足预设纯度要求。
需要说明的是,直流***控制参数分析模型采用基于纯度损失的决策树框架,决策树的原理图如图2所示。在直流***控制参数分析模型的训练过程中,决策树按照集合中某个元素进行划分,通过计算样本划分后的纯度损失确定划分属性及划分标准γ,直至样本划分满足预设纯度要求,从而得到训练完善的决策树,进而可以进行电力***电压稳定水平预测。在训练时,划分属性及其划分标准γ可以通过计算样本划分后的纯度损失确定,而这种纯度损失可以基于节点方差计算。
在一种实施例中,所述根据直流***控制参数样本数据和电压稳定水平样本标签数据,得到样本划分后的纯度损失,可以包括:
根据直流***控制参数样本数据和电压稳定水平样本标签数据,得到决策树各节点的方差;
根据样本划分后的子树的方差,得到方差减少量,以方差减少量作为样本划分后的纯度损失;
其中,得到方差的第二表达式为:
,
第二表达式中,表示决策树在第/>个节点的方差,/>表示节点/>的直流***控制参数样本数据的数量;/>表示电压稳定水平样本标签数据;/>表示节点/>中所有电压稳定水平样本标签数据对应的电压稳定水平的平均值;
其中,得到方差减少量的第三表达式为:
,
第三表达式中,表示经过节点/>分后的纯度损失,也被称为分支质量衡量指标,/>表示决策树在划分后的右子树的方差,/>表示决策树在划分后的左子树的方差,/>表示决策树划分后右子树的直流***控制参数样本数据的数量,/>表示决策树划分后左子树的直流***控制参数样本数据的数量,/>表示决策树在第/>个节点的方差,/>表示节点/>的直流***控制参数样本数据的数量。
在一种实施例中,所述根据样本划分后的纯度损失,确定决策树各节点的划分属性和划分标准,具体为:
根据样本划分后的纯度损失,令纯度损失取得最大值,以确定决策树各节点的划分属性和划分标准,为使样本的划分纯度高,应选择划分条件使纯度损失/>尽可能大来训练;
其中,令纯度损失取得最大值的第四表达式为:
,
第四表达式中,表示划分条件,/>表示方差减少量,argmax表示使得方差减少量取得最大值所对应的变量/>。
在一种实施例中,步骤S140还可以包括:
通过累积决策树中出现的每个直流***控制参数数据的方差减少量,度量不同直流***控制参数数据对电力***电压稳定水平的重要性;
其中,累积决策树中出现的每个直流***控制参数数据的方差减少量的第五表达式为:
,
第五表达式中,表示直流***控制参数数据对电力***电压稳定水平的特征重要性;/>表示决策树第/>个决策节点的方差减少量;/>表示决策树的决策节点总数。
需要说明的是,直流***控制参数分析模型的主要训练任务是在每个决策节点上以方差减少量最大化为目标选择最佳特征进行分割,因此,可以通过累积决策树中出现的每个直流***控制参数数据的方差减少量,从而度量直流***控制参数数据对电力***电压稳定水平的特征重要性。
在一种实施例中,步骤S140还可以包括:
将直流***控制参数数据对电力***电压稳定水平的重要性,进行归一化处理;
其中,归一化处理的第六表达式为:
,
第六表达式中,表示归一化后的第/>个直流***控制参数数据对电力***电压稳定水平的特征重要性;/> 表示第/>个直流***控制参数数据对电力***电压稳定水平的特征重要性;/>表示所有直流***控制参数数据对电力***电压稳定水平的特征重要性的最大值。
需要说明的是,为更加直观地对特征重要性进行比较,本发明对特征重要性进行归一化,即将所有值缩放到(0,1)的范围内。特征重要性能够能够反映特征对应的直流***控制参数数据对于电力***电压稳定水平的影响程度,为电力***控制策略的制定提供准确的数据指导。
在一种实施例中,步骤S140还可以包括:
通过预测准确率指标,评估直流***控制参数分析模型的预测效果;
其中,预测准确率指标的第七表达式为:
,
第七表达式中,RMSE表示均方根误差,表示预测准确率;/>表示测试集中直流***控制参数样本数据的总数,/>表示第/>个直流***控制参数样本数据对应的电网稳定水平的预测值,/>表示第/>个直流***控制参数样本数据对应的真实值。
在电网的实际运行过程中,可以利用训练完善的直流***控制参数分析模型对指定直流***控制参数数据下的电力***电压稳定水平进行预测,得到直流***控制参数数据对电力***电压稳定水平的重要性排序,从而为直流***控制参数数据的选择提供可靠参考。
下面给出本发明提供的一种基于决策树和ISS理论的直流***控制参数分析方法的具体例子。
由发电机、负荷、风机及直流***等组成的含高比例新能源的简化测试***结构示意图如图3所示,简化后的拓扑图主要有A-H共8个525kV高压母线,其中新能源接入的母线有6个,分别为A、C、E、F、G、H,此外另有B、D两个无新能源母线。6个新能源母线接入的风电场站总容量分别为1200MW、1200MW、600MW、1200MW、1200MW、1200MW和1200MW。
500kV高压母线所接火电机组装机量、风电机组装机量、直流线路容量及负荷如表1所示:
首先,在上例发生直流闭锁故障的场景下,调整静止同步补偿器(STATCOM)和电压相关电流阶跃限制器(VDCOL)的控制参数,具体参数选择范围如表2和表3所示:
其次,以调整后的直流***控制参数数据作为直流***控制参数样本数据,通过电力***电压稳定水平量化评估指标得到对应的电压稳定水平数据并将其作为电压稳定水平样本标签数据,生成样本集并将其分为训练样本集和测试样本集,并将训练样本集输入到基于纯度损失的决策树框架进行训练,以最终生成预测准确率较高的直流***控制参数分析模型,以充分挖掘直流***控制参数和电力***电压稳定水平之间的映射关系。
训练完善的直流***控制参数分析模型能够输出每个输入特征变量的重要性,因此,通过对它们进行排序,可以获得对电力***电压稳定最有影响力的直流***控制参数。将直流***控制参数分析模型应用于简化测试***后,所选直流***控制参数对电力***电压稳定水平的重要性如表4所示,这可以为设计电力***的控制策略提供坚实的数据指导。
图4展示了直流***控制参数分析模型的决策树生成过程,生成过程的可视性和透明性使得直流***控制参数分析模型相较其他数据驱动方法具有更强的可解释性。
最后,采用训练完善的直流***控制参数分析模型对测试样本集的电力***电压稳定水平进行预测,并以预测准确率为评估指标对模型预测效果进行评价,预测结果如图5所示,结果表明本发明所构建的直流***控制参数分析模型能够准确预测不同直流***控制参数场景下的电力***电压稳定水平,预测结果接近实际值。进一步的,将本发明所构建的直流***控制参数分析模型的预测结果与不同模型进行对比,结果如表5所示。
结果,本发明所构建的直流***控制参数分析模型(决策树)预测准确率为98.95%,高于其他数据驱动模型,证明本发明所构建的直流***控制参数分析模型对于电力***电压稳定水平的预测效果相对良好。
本发明提供的基于决策树和ISS理论的直流***控制参数分析方法,至少具有以下优点:
(1)本发明采用输入-状态稳定理论,建立电力***电压稳定水平量化评估指标,为评估高比例新能源接入场景下的电力***安全稳定运行能力提供理论支撑,该指标能够反映***的暂态特性以及对外部扰动的承受能力。
(2)本发明基于人工智能方法在数据拟合方面的优势,采用基于纯度损失的决策树模型框架挖掘直流***控制参数和输入-状态稳定属性(电力***电压稳定水平)之间的关联关系,保证了计算速度和计算精度之间的平衡,并实现了电力***电压稳定水平预测过程的可视化。
(3)本发明采用直流***控制参数分析模型评估不同直流***控制参数下的电力***电压稳定水平,利用决策树可视化的生成过程得到各输入特征的特征重要性,明确了影响电力***电压稳定水平的重要直流***控制参数,为高比例新能源接入场景下的直流***控制参数优化提供了强而有力的依据与指导。
下面对本发明提供的基于决策树和ISS理论的直流***控制参数分析***进行描述。
参照图6,本发明提供的一种基于决策树和ISS理论的直流***控制参数分析***,可以包括:
数据获取模块,用于:获取若干待分析的直流***控制参数数据;
分析模块,用于:将若干待分析的直流***控制参数数据输入上述任一项所述的直流***控制参数分析模型进行电力***电压稳定水平预测,得到若干待分析的直流***控制参数数据对电力***电压稳定水平的重要性排序。
本发明还提供一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,包括:
指标建立模块,用于:根据输入-状态稳定理论,建立电力***电压稳定水平量化评估指标;
第一样本数据获取模块,用于:获取直流***控制参数样本数据;
第二样本数据获取模块,用于:根据直流***控制参数样本数据,通过电力***电压稳定水平量化评估指标,得到电压稳定水平样本标签数据;
模型训练模块,用于:根据直流***控制参数样本数据和电压稳定水平样本标签数据,采用基于纯度损失的决策树框架,训练得到直流***控制参数分析模型。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,所述电力***电压稳定水平量化评估指标的第一表达式为:
,
第一表达式中,表示电力***电压稳定水平量化评估指标的值,/>,表示形如/>的输入/输出增益矩阵,/>表示各个子***间的输入-输出连接矩阵,/>表示矩阵/>的谱半径。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,所述模型训练模块包括:
纯度损失得到子模块,用于:根据直流***控制参数样本数据和电压稳定水平样本标签数据,得到样本划分后的纯度损失;
样本划分子模块,用于:根据样本划分后的纯度损失,确定决策树各节点的划分属性和划分标准,直至样本划分满足预设纯度要求。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,所述纯度损失得到子模块包括:
方差得到子模块,用于:根据直流***控制参数样本数据和电压稳定水平样本标签数据,得到决策树各节点的方差;
方差减少量得到子模块,用于:根据样本划分后的子树的方差,得到方差减少量,以方差减少量作为样本划分后的纯度损失;
其中,得到方差的第二表达式为:
,
第二表达式中,表示决策树在第t个节点的方差,N表示节点t的直流***控制参数样本数据的数量;/>表示电压稳定水平样本标签数据;/>表示节点t中所有电压稳定水平样本标签数据对应的电压稳定水平的平均值;
其中,得到方差减少量的第三表达式为:
,
第三表达式中,表示经过节点/>划分后的纯度损失,/>表示决策树在划分后的右子树的方差,/>表示决策树在划分后的左子树的方差,/>表示决策树划分后右子树的直流***控制参数样本数据的数量,/>表示决策树划分后左子树的直流***控制参数样本数据的数量,/>表示决策树在第/>个节点的方差,/>表示节点/>的直流***控制参数样本数据的数量。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,所述样本划分子模块具体用于:
根据样本划分后的纯度损失,令纯度损失取得最大值,以确定决策树各节点的划分属性和划分标准;
其中,令纯度损失取得最大值的第四表达式为:
,
第四表达式中,表示划分条件,/>表示方差减少量,argmax表示使得方差减少量取得最大值所对应的变量/>。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,所述模型训练模块还包括:
重要性度量子模块,用于:通过累积决策树中出现的每个直流***控制参数数据的方差减少量,度量不同直流***控制参数数据对电力***电压稳定水平的重要性;
其中,累积决策树中出现的每个直流***控制参数数据的方差减少量的第五表达式为:
,
第五表达式中,表示直流***控制参数数据对电力***电压稳定水平的特征重要性;/>表示决策树第/>个决策节点的方差减少量;/>表示决策树的决策节点总数。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,所述模型训练模块还包括:
归一化子模块,用于:将直流***控制参数数据对电力***电压稳定水平的重要性,进行归一化处理;
其中,归一化处理的第六表达式为:
,
第六表达式中,表示归一化后的第/>个直流***控制参数数据对电力***电压稳定水平的特征重要性;/>表示第/>个直流***控制参数数据对电力***电压稳定水平的特征重要性;/>表示所有直流***控制参数数据对电力***电压稳定水平的特征重要性的最大值。
根据本发明提供的一种基于决策树和ISS理论的直流***控制参数分析模型的构建***,所述模型训练模块包括:
预测效果评估子模块,用于:通过预测准确率指标,评估直流***控制参数分析模型的预测效果;
其中,预测准确率指标的第七表达式为:
,
第七表达式中,RMSE表示均方根误差,表示预测准确率;/>表示测试集中直流***控制参数样本数据的总数,/>表示第/>个直流***控制参数样本数据对应的电网稳定水平的预测值,/>表示第/>个直流***控制参数样本数据对应的真实值。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行基于决策树和ISS理论的直流***控制参数分析方法,该方法包括:
获取若干待分析的直流***控制参数数据;
将若干待分析的直流***控制参数数据输入上述任一项所述的直流***控制参数分析模型进行电力***电压稳定水平预测,得到若干待分析的直流***控制参数数据对电力***电压稳定水平的重要性排序。
此外,上述的存储器830中的逻辑指令可以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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于决策树和ISS理论的直流***控制参数分析方法,该方法包括:
获取若干待分析的直流***控制参数数据;
将若干待分析的直流***控制参数数据输入上述任一项所述的直流***控制参数分析模型进行电力***电压稳定水平预测,得到若干待分析的直流***控制参数数据对电力***电压稳定水平的重要性排序。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于决策树和ISS理论的直流***控制参数分析方法,该方法包括:
获取若干待分析的直流***控制参数数据;
将若干待分析的直流***控制参数数据输入上述任一项所述的直流***控制参数分析模型进行电力***电压稳定水平预测,得到若干待分析的直流***控制参数数据对电力***电压稳定水平的重要性排序。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于决策树和ISS理论的直流***控制参数分析模型的构建方法,其特征在于,包括:
根据输入-状态稳定理论,建立电力***电压稳定水平量化评估指标;
获取直流***控制参数样本数据;
根据直流***控制参数样本数据,通过电力***电压稳定水平量化评估指标,得到电压稳定水平样本标签数据;
根据直流***控制参数样本数据和电压稳定水平样本标签数据,采用基于纯度损失的决策树框架,训练得到直流***控制参数分析模型。
2.根据权利要求1所述的基于决策树和ISS理论的直流***控制参数分析模型的构建方法,其特征在于,所述电力***电压稳定水平量化评估指标的第一表达式为:
,
第一表达式中,表示电力***电压稳定水平量化评估指标的值,/>,表示形如/>的输入/输出增益矩阵,/>表示各个子***间的输入-输出连接矩阵,/>表示矩阵/>的谱半径。
3.根据权利要求2所述的基于决策树和ISS理论的直流***控制参数分析模型的构建方法,其特征在于,所述根据直流***控制参数样本数据和电压稳定水平样本标签数据,采用基于纯度损失的决策树框架,训练得到直流***控制参数分析模型,包括:
根据直流***控制参数样本数据和电压稳定水平样本标签数据,得到样本划分后的纯度损失;
根据样本划分后的纯度损失,确定决策树各节点的划分属性和划分标准,直至样本划分满足预设纯度要求。
4.根据权利要求3所述的基于决策树和ISS理论的直流***控制参数分析模型的构建方法,其特征在于,所述根据直流***控制参数样本数据和电压稳定水平样本标签数据,得到样本划分后的纯度损失,包括:
根据直流***控制参数样本数据和电压稳定水平样本标签数据,得到决策树各节点的方差;
根据样本划分后的子树的方差,得到方差减少量,以方差减少量作为样本划分后的纯度损失;
其中,得到方差的第二表达式为:
,
第二表达式中,R(t)表示决策树在第t个节点的方差,N表示节点t的直流***控制参数样本数据的数量;y i 表示电压稳定水平样本标签数据;表示节点t中所有电压稳定水平样本标签数据对应的电压稳定水平的平均值;
其中,得到方差减少量的第三表达式为:
,
第三表达式中,ΔR(t)表示经过节点t划分后的纯度损失,R(t R)表示决策树在划分后的右子树的方差,R(t L)表示决策树在划分后的左子树的方差,N R表示决策树划分后右子树的直流***控制参数样本数据的数量,N L表示决策树划分后左子树的直流***控制参数样本数据的数量,R(t)表示决策树在第t个节点的方差,N表示节点t的直流***控制参数样本数据的数量。
5.根据权利要求4所述的基于决策树和ISS理论的直流***控制参数分析模型的构建方法,其特征在于,所述根据样本划分后的纯度损失,确定决策树各节点的划分属性和划分标准,具体为:
根据样本划分后的纯度损失,令纯度损失取得最大值,以确定决策树各节点的划分属性和划分标准;
其中,令纯度损失取得最大值的第四表达式为:
,
第四表达式中,γ max表示划分条件,ΔR(γ,t)表示方差减少量,argmax表示使得方差减少量取得最大值所对应的变量γ。
6.根据权利要求5所述的基于决策树和ISS理论的直流***控制参数分析模型的构建方法,其特征在于,所述根据直流***控制参数样本数据和电压稳定水平样本标签数据,采用基于纯度损失的决策树框架,训练得到直流***控制参数分析模型,还包括:
通过累积决策树中出现的每个直流***控制参数数据的方差减少量,度量不同直流***控制参数数据对电力***电压稳定水平的重要性;
其中,累积决策树中出现的每个直流***控制参数数据的方差减少量的第五表达式为:
,
第五表达式中,表示直流***控制参数数据对电力***电压稳定水平的特征重要性;/>表示决策树第/>个决策节点的方差减少量;/>表示决策树的决策节点总数。
7.根据权利要求6所述的基于决策树和ISS理论的直流***控制参数分析模型的构建方法,其特征在于,所述根据直流***控制参数样本数据和电压稳定水平样本标签数据,采用基于纯度损失的决策树框架,训练得到直流***控制参数分析模型,还包括:
将直流***控制参数数据对电力***电压稳定水平的重要性,进行归一化处理;
其中,归一化处理的第六表达式为:
,
第六表达式中,表示归一化后的第/>个直流***控制参数数据对电力***电压稳定水平的特征重要性;/>表示第/>个直流***控制参数数据对电力***电压稳定水平的特征重要性;/>表示所有直流***控制参数数据对电力***电压稳定水平的特征重要性的最大值。
8.根据权利要求1-7中任一项所述的基于决策树和ISS理论的直流***控制参数分析模型的构建方法,其特征在于,所述根据直流***控制参数样本数据和电压稳定水平样本标签数据,采用基于纯度损失的决策树框架,训练得到直流***控制参数分析模型,包括:
通过预测准确率指标,评估直流***控制参数分析模型的预测效果;
其中,预测准确率指标的第七表达式为:
,
,
第七表达式中,RMSE表示均方根误差,A S表示预测准确率;n表示测试集中直流***控制参数样本数据的总数,y'(i) 表示第i个直流***控制参数样本数据对应的电网稳定水平的预测值,y(i)表示第i个直流***控制参数样本数据对应的真实值。
9.一种基于决策树和ISS理论的直流***控制参数分析方法,其特征在于,包括:
获取若干待分析的直流***控制参数数据;
根据若干待分析的直流***控制参数数据,通过权利要求中1-8任一项所述的基于决策树和ISS理论的直流***控制参数分析模型的构建方法构建的直流***控制参数分析模型进行电力***电压稳定水平预测,得到若干待分析的直流***控制参数数据对电力***电压稳定水平的重要性排序。
10.一种基于决策树和ISS理论的直流***控制参数分析***,其特征在于,包括:
数据获取模块,用于:获取若干待分析的直流***控制参数数据;
分析模块,用于:将若干待分析的直流***控制参数数据输入至权利要求中1-8任一项所述的基于决策树和ISS理论的直流***控制参数分析模型的构建方法构建的直流***控制参数分析模型进行电力***电压稳定水平预测,得到若干待分析的直流***控制参数数据对电力***电压稳定水平的重要性排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311486637.1A CN117215205B (zh) | 2023-11-09 | 2023-11-09 | 基于决策树和iss理论的直流***控制参数分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311486637.1A CN117215205B (zh) | 2023-11-09 | 2023-11-09 | 基于决策树和iss理论的直流***控制参数分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117215205A true CN117215205A (zh) | 2023-12-12 |
CN117215205B CN117215205B (zh) | 2024-02-06 |
Family
ID=89046713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311486637.1A Active CN117215205B (zh) | 2023-11-09 | 2023-11-09 | 基于决策树和iss理论的直流***控制参数分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117215205B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299539A (zh) * | 2007-11-08 | 2008-11-05 | 国网南京自动化研究院 | 基于静态和暂态安全稳定模式的大电网在线预防控制方法 |
CN102790396A (zh) * | 2012-08-28 | 2012-11-21 | 贵州电网公司电力调度控制中心 | 一种基于短路容量的电压稳定开环控制方法 |
CN103795058A (zh) * | 2014-02-12 | 2014-05-14 | 国家电网公司 | 电力***的静态电压稳定裕度分析及***故障排序方法 |
CN104617574A (zh) * | 2015-01-19 | 2015-05-13 | 清华大学 | 一种电力***负荷区域暂态电压稳定的评估方法 |
CN105512799A (zh) * | 2015-11-26 | 2016-04-20 | 中国电力科学研究院 | 一种基于海量在线历史数据的电力***暂态稳定评估方法 |
CN108565852A (zh) * | 2018-01-17 | 2018-09-21 | 南方电网科学研究院有限责任公司 | 一种三阶段递进的大电网电压稳定评估的故障筛选与排序方法 |
CN108574287A (zh) * | 2018-05-16 | 2018-09-25 | 福州大学 | 一种基于网络结构的电力***无功补偿地点排序方法 |
CN108879707A (zh) * | 2018-07-10 | 2018-11-23 | 福州大学 | 一种电力***无功补偿地点在线排序方法 |
CN109510216A (zh) * | 2018-11-30 | 2019-03-22 | 国网湖南省电力有限公司 | 一种基于特性分析的电压稳定预防控制方法及*** |
CN110460085A (zh) * | 2019-08-28 | 2019-11-15 | 华北电力大学(保定) | 一种考虑风电和负荷特性对电力***影响的方法 |
CN113239963A (zh) * | 2021-04-13 | 2021-08-10 | 联合汽车电子有限公司 | 车辆数据的处理方法、装置、设备、车辆和存储介质 |
CN113506186A (zh) * | 2021-06-22 | 2021-10-15 | 清华大学 | 电力***受扰轨迹筛选方法、装置、电子设备和存储介质 |
CN113746087A (zh) * | 2021-08-19 | 2021-12-03 | 浙江大学 | 基于ctgan的电网暂稳样本可控生成以及评估方法和*** |
CN114970154A (zh) * | 2022-05-26 | 2022-08-30 | 国网陕西省电力有限公司电力科学研究院 | 一种暂态电压支撑能力量化评估指标构建方法 |
CN115271070A (zh) * | 2022-07-12 | 2022-11-01 | 国网山东省电力公司经济技术研究院 | 基于改进Relief-F算法的电压稳定裕度评估方法、设备及介质 |
CN115713032A (zh) * | 2022-11-14 | 2023-02-24 | 中国电力科学研究院有限公司 | 一种电网预防控制方法、装置、设备及介质 |
CN115842366A (zh) * | 2022-11-30 | 2023-03-24 | 中国电力科学研究院有限公司 | 高比例新能源电力***静稳状态实时判别的方法及*** |
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 |
CN116305683A (zh) * | 2023-01-15 | 2023-06-23 | 国网辽宁省电力有限公司电力科学研究院 | 基于样本均衡化的电力***暂态稳定评估方法及*** |
CN116611011A (zh) * | 2023-05-17 | 2023-08-18 | 西安交通大学 | 一种暂态过电压幅值的预测方法、***、终端及介质 |
-
2023
- 2023-11-09 CN CN202311486637.1A patent/CN117215205B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299539A (zh) * | 2007-11-08 | 2008-11-05 | 国网南京自动化研究院 | 基于静态和暂态安全稳定模式的大电网在线预防控制方法 |
CN102790396A (zh) * | 2012-08-28 | 2012-11-21 | 贵州电网公司电力调度控制中心 | 一种基于短路容量的电压稳定开环控制方法 |
CN103795058A (zh) * | 2014-02-12 | 2014-05-14 | 国家电网公司 | 电力***的静态电压稳定裕度分析及***故障排序方法 |
CN104617574A (zh) * | 2015-01-19 | 2015-05-13 | 清华大学 | 一种电力***负荷区域暂态电压稳定的评估方法 |
CN105512799A (zh) * | 2015-11-26 | 2016-04-20 | 中国电力科学研究院 | 一种基于海量在线历史数据的电力***暂态稳定评估方法 |
CN108565852A (zh) * | 2018-01-17 | 2018-09-21 | 南方电网科学研究院有限责任公司 | 一种三阶段递进的大电网电压稳定评估的故障筛选与排序方法 |
CN108574287A (zh) * | 2018-05-16 | 2018-09-25 | 福州大学 | 一种基于网络结构的电力***无功补偿地点排序方法 |
CN108879707A (zh) * | 2018-07-10 | 2018-11-23 | 福州大学 | 一种电力***无功补偿地点在线排序方法 |
CN109510216A (zh) * | 2018-11-30 | 2019-03-22 | 国网湖南省电力有限公司 | 一种基于特性分析的电压稳定预防控制方法及*** |
CN110460085A (zh) * | 2019-08-28 | 2019-11-15 | 华北电力大学(保定) | 一种考虑风电和负荷特性对电力***影响的方法 |
CN113239963A (zh) * | 2021-04-13 | 2021-08-10 | 联合汽车电子有限公司 | 车辆数据的处理方法、装置、设备、车辆和存储介质 |
CN113506186A (zh) * | 2021-06-22 | 2021-10-15 | 清华大学 | 电力***受扰轨迹筛选方法、装置、电子设备和存储介质 |
CN113746087A (zh) * | 2021-08-19 | 2021-12-03 | 浙江大学 | 基于ctgan的电网暂稳样本可控生成以及评估方法和*** |
CN114970154A (zh) * | 2022-05-26 | 2022-08-30 | 国网陕西省电力有限公司电力科学研究院 | 一种暂态电压支撑能力量化评估指标构建方法 |
CN115271070A (zh) * | 2022-07-12 | 2022-11-01 | 国网山东省电力公司经济技术研究院 | 基于改进Relief-F算法的电压稳定裕度评估方法、设备及介质 |
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 |
CN115713032A (zh) * | 2022-11-14 | 2023-02-24 | 中国电力科学研究院有限公司 | 一种电网预防控制方法、装置、设备及介质 |
CN115842366A (zh) * | 2022-11-30 | 2023-03-24 | 中国电力科学研究院有限公司 | 高比例新能源电力***静稳状态实时判别的方法及*** |
CN116305683A (zh) * | 2023-01-15 | 2023-06-23 | 国网辽宁省电力有限公司电力科学研究院 | 基于样本均衡化的电力***暂态稳定评估方法及*** |
CN116611011A (zh) * | 2023-05-17 | 2023-08-18 | 西安交通大学 | 一种暂态过电压幅值的预测方法、***、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117215205B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111478314B (zh) | 一种电力***暂态稳定评估方法 | |
CN106548410B (zh) | 一种含分布式电源的配电网电压不平衡概率评估方法 | |
CN112217207A (zh) | 一种暂态电压稳定裕度预测方法及装置 | |
Hou et al. | Cluster computing-based trajectory sensitivity analysis application to the WECC system | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN111025041A (zh) | 电动汽车充电桩监测方法及其***、计算机设备、介质 | |
CN112800683A (zh) | 基于卷积神经网络的***短路电流水平评估方法及*** | |
CN112598148A (zh) | 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 | |
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 | |
CN113300373B (zh) | 一种基于prmse评价指标的稳定裕度值预测方法及装置 | |
CN114970154A (zh) | 一种暂态电压支撑能力量化评估指标构建方法 | |
CN113506186B (zh) | 电力***受扰轨迹筛选方法、装置、电子设备和存储介质 | |
CN117215205B (zh) | 基于决策树和iss理论的直流***控制参数分析方法 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN106529805B (zh) | 一种基于发电机重要度的发电***可靠性评估方法 | |
CN111985681A (zh) | 数据预测方法、模型训练方法、装置、设备 | |
JP4370263B2 (ja) | 下位系負荷モデルの定数算出方法及び算出プログラム | |
CN112561303B (zh) | 基于集成学习和电网拓扑变化的电力***动态分析方法 | |
CN113361769B (zh) | 基于prmse和crmse评价指标的稳定裕度值预测方法及装置 | |
CN110797906A (zh) | 风电基地最大装机容量的确定方法、装置及存储介质 | |
CN118297473A (zh) | 电力***电压安全评估及优化方法、***、设备和介质 | |
CN117390418B (zh) | 一种风电并网***暂态稳定评估方法、***及设备 | |
CN113435113B (zh) | 一种电力***暂态稳定评估方法及装置 | |
CN112653129B (zh) | 暂态功角稳定裕度估算方法、装置及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |