CN117578481B - 一种电压暂降预估模型建立方法、介质及*** - Google Patents
一种电压暂降预估模型建立方法、介质及*** Download PDFInfo
- Publication number
- CN117578481B CN117578481B CN202311377300.7A CN202311377300A CN117578481B CN 117578481 B CN117578481 B CN 117578481B CN 202311377300 A CN202311377300 A CN 202311377300A CN 117578481 B CN117578481 B CN 117578481B
- Authority
- CN
- China
- Prior art keywords
- voltage sag
- data
- estimation model
- model
- voltage
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 37
- 238000013145 classification model Methods 0.000 claims description 15
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/0464—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
- G06N3/047—Probabilistic or stochastic 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
Abstract
本发明提供了一种电压暂降预估模型建立方法、介质及***,属于电压暂降预估技术领域,包括:获取电力***的历史数据;基于收集的历史数据进行电压暂降事件的识别;对识别出的电压暂降事件进行影响区域的划分;基于神经网络利用电力***的历史数据建立第一电压暂降预估模型;基于神经网络利用受影响区域的电压暂降事件相关的历史数据建立第二电压暂降预估模型;建立电压暂降预估模型,包括顺序运行的第一电压暂降预估模型和第一电压暂降预估模型,用于根据采集时间段内的电力***运行数据预估发生电压暂降的区域和电压暂降特征参数。本发明采用两级模型,相对于一个大模型,能够更快定位区域并在区域内进行精确计算,极大的提高了预估效率。
Description
技术领域
本发明属于电压暂降预估技术领域,具体而言,涉及一种电压暂降预估模型建立方法、介质及***。
背景技术
随着智慧电网建设的快速发展,电力***正加速向信息化、数字化、自动化方向演进。然而电网的安全稳定运行仍然面临诸多威胁,电压暂降问题就是其中一种常见的电力质量问题,会对电网的经济运行和用电设备的正常工作造成严重影响。
电压暂降是指在电力***故障或负载变化的瞬时过程中,电压幅值下降一定值并维持较短时间的电力质量问题。它往往伴随着电流的暂时增大而产生。严重的电压暂降还可能导致电力设备的过流、过热,触发保护装置动作而造成断电事故。
电压暂降的主要原因可以归类为:1)大容量电动机或耗电设备的直接启动;2)线路或电容器瞬时短路;3)电网故障如闪变、差动保护误动;4)线路开关操作过渡过程;5)电源电压调节故障;6)雷击引起的暂态过电压等。随着新能源并网、高端制造业快速增长,电网结构日益复杂,电压暂降问题可能加剧。
电压暂降对电力***影响主要体现在:1)可能扩展为大面积停电事故;2)减少电力设备的使用寿命;3)对电力电子设备产生数据误操作或损坏;4)降低电力质量,造成灯光闪烁、电器停机等。严重时可导致重要负载用户断电,带来生产安全事故。
针对电压暂降问题,主要的监测手段有:1)在关键节点布置测量设备,检测电压参数;2)分析保护装置动作信号判断故障原因;3)记录断电用户信息。但是这些手段监测粒度较低,无法实现对电网动态电压暂降的预测预警。
公开号为CN111404166B的中国发明专利(CN202010399435.3)公开了一种电压暂降综合防治方法,通过收集现代工业园区的初始数据;提出一种电压暂降综合防治措施,对用户侧多种电压暂降治理设备的成本进行建模,对电网侧输配电线路治理成本建模,对提出的电压暂降综合防治措施实施后输配电线路引起的年度暂降次数进行建模,对提出的电压暂降综合防治措施实施前后电压暂降所引起的经济损失进行量化建模,确定电压暂降综合防治措施效益的最大净现值模型的目标函数以及约束条件,运用粒子群算法对目标函数寻优求解,定量可得到该综合防治措施的设备配置情况,包括使用何种设备、设备的安装位置和设备的参数,定量得到效益最大的设备配置结果。
由于电网分布地域太大,数据量极多,上述发明的技术方案难以快速预估电压暂降的发生区域,不容易实现电压暂降综合防治。
发明内容
有鉴于此,本发明提供一种电压暂降预估模型建立方法、介质及***,能够解决由于电网分布地域太大,数据量极多,上述发明的技术方案难以快速预估电压暂降的发生区域的技术问题。
本发明是这样实现的:
本发明的第一方面提供一种电压暂降预估模型建立方法,其中,包括以下步骤:
S10、获取电力***的历史数据,包括电力***的负载数据、电压数据和故障数据;
S20、基于收集的历史数据进行电压暂降事件的识别;
S30、对识别出的电压暂降事件进行影响区域的划分,包括受影响区域和无影响区域;
S40、基于神经网络利用电力***的历史数据建立第一电压暂降预估模型,所述第一电压暂降评估模型用于根据采集时间段内的电力***运行数据预估发生电压暂降的区域;
S50、基于神经网络利用受影响区域的电压暂降事件相关的历史数据建立第二电压暂降预估模型,所述第二电压暂降预估模型用于根据指定区域采集时间段内的电力***运行数据预估发生电压暂降特征参数,包括电压暂降幅度、电压暂降持续时间和电压暂降恢复时间;
S60、建立电压暂降预估模型,包括顺序运行的第一电压暂降预估模型和第一电压暂降预估模型,用于根据采集时间段内的电力***运行数据预估发生电压暂降的区域和电压暂降特征参数。
在上述技术方案的基础上,本发明的一种电压暂降预估模型建立方法还可以做如下改进:
其中,所述获取电力***的历史数据的步骤,具体包括:
按照一定的时间间隔采集电力***数据,包含负载数据、电压数据和电压暂降故障数据;
对历史数据进行预处理,包括滤波、聚合和归一化;
基于滑动窗口,从预处理后的数据中提取统计特征;
构建包含区域信息、负载特征、电压特征和故障标签的样本;
形成特征表达完备的样本数据集作为历史数据。
其中,一定的时间间隔一般是1秒,也可以为1~15秒。该步骤通过对原始数据的处理和特征提取,构建了一个高质量的样本数据集,为基于该数据集训练电压暂降预估模型奠定了基础。
其中,所述基于收集的历史数据进行电压暂降事件的识别的步骤,具体包括:
从历史数据中提取特征和标签,得到样本数据;
建立分类模型;
使用样本数据训练分类模型;
利用训练好的分类模型对数据进行电压暂降事件进行识别。
进一步的,所述分类模型为随机森林模型。
其中,所述对识别出的电压暂降事件进行影响区域的划分的步骤,具体包括:
构建电压暂降事件的区域关联矩阵;
计算区域关联系数矩阵,找到强关联区域;
将联通的强关联区域确定为受影响区域,剩余的区域为无影响区域。
其中,所述基于神经网络利用电力***的历史数据建立第一电压暂降预估模型的步骤,具体包括:
对电压暂降事件的识别后的历史数据进行预处理得到第一数据集;
构建深度神经网络模型;
利用第一数据集训练模型得到第一电压暂降预估模型。
其中,预处理包括:
(1)数据清洗:去除缺失值、异常值等无效数据;
(2)数据平衡:过采样或欠采样来平衡不同类别的数据量;
(3)特征处理:构建输入数据的特征表示,如统计特征、频域特征等;
(4)数据归一化:缩放到[0,1]或标准正态分布。
其中,所述基于神经网络利用受影响区域的电压暂降事件相关的历史数据建立第二电压暂降预估模型的步骤,具体包括:
筛选受影响区域的电压暂降事件历史数据作为第二正样本;
从非电压暂降数据中随机采样生成第二负样本;
对第二正样本和第二负样本样本数据提取特征,构建输入特征向量;
构造包含第二正负样本的第二训练数据集;
建立多层神经网络并利用第二训练数据集进行训练,得到第二电压暂降预估模型。
进一步的,所述负载数据至少包含负载的区域和负载的功率特征以及负载使用时间特征。
本发明的第二方面提供一种计算机可读存储介质,其中,所述计算机可读存储介质中存储有程序指令,所述程序指令运行时,用于执行上述的电压暂降预估模型建立方法。
本发明的第三方面提供一种电压暂降预估模型建立***,其中,包含上述的计算机可读存储介质。
本发明提出一种电力***电压暂降预估的方法,通过历史数据建模、电压暂降事件识别、影响区域分割、两级模型训练和集成,形成一个端到端的电压暂降预测与分析***。相较于现有技术,该方案具有以下显著技术效果:
1.数据驱动方法,利用丰富的电网历史数据,能够建立准确的电压暂降预测模型,无需依赖复杂的物理***建模,降低了模型构建的难度。
2.两级模型的集成结构,第一级模型进行电压暂降区域识别,第二级模型预测具体的电压暂降特征参数。这种分工协同的结构提高了电压暂降时空特征的预估精度。
3.利用机器学习进行电压暂降事件识别,为训练提供大量标注数据,是典型的监督学习过程,提高了预测模型的泛化能力。
4.通过影响区域划分,使第二级预测模型能够集中处理与电压暂降高度相关的局部区域,进行精细化建模,避免受无关区域的干扰。
5.基于深度神经网络进行建模,能够拟合复杂电网的非线性关系,并进行端到端的特征学习,避免人工特征工程的限制。
6.模型集成的方式实现一体化电压暂降预估***,将区域识别和特征预测有机结合,为电网预测预警提供关键支持。
7.***输出的电压暂降预警信息,能够提前应对电压暂降,大幅度降低产生故障的可能性,提高电网的安全稳定性。
综上所述,相较于传统的物理***建模方法,该数据驱动预估***无需复杂的电网模型,采用两级模型的集成结构,首先根据第一级模型得到一个预估的会出现电压暂降的区域,接着用第二级模型预估这一区域是否会出现电压暂降,相对于使用一个大的模型,有助于快速定位区域并在定位区域内进行精确计算,得到最终预估结果,极大的提高了预估效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述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为本发明提供的一种电压暂降预估模型建立方法的流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,其中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
如图1所示,是本发明第一方面提供一种电压暂降预估模型建立方法的流程图,本方法包括以下步骤:
S10、获取电力***的历史数据,包括电力***的负载数据、电压数据和故障数据;
S20、基于收集的历史数据进行电压暂降事件的识别;
S30、对识别出的电压暂降事件进行影响区域的划分,包括受影响区域和无影响区域;
S40、基于神经网络利用电力***的历史数据建立第一电压暂降预估模型,第一电压暂降评估模型用于根据采集时间段内的电力***运行数据预估发生电压暂降的区域;
S50、基于神经网络利用受影响区域的电压暂降事件相关的历史数据建立第二电压暂降预估模型,第二电压暂降预估模型用于根据指定区域采集时间段内的电力***运行数据预估发生电压暂降特征参数,包括电压暂降幅度、电压暂降持续时间和电压暂降恢复时间;
S60、建立电压暂降预估模型,包括顺序运行的第一电压暂降预估模型和第一电压暂降预估模型,用于根据采集时间段内的电力***运行数据预估发生电压暂降的区域和电压暂降特征参数。
为了更好的理解本发明的技术方案,下面对本方案的每个步骤带来的效果进行解释:
S10步骤:获取电力***的历史数据,包括负载数据、电压数据和故障数据。
该步骤的技术效果是:收集构建模型所需的充足历史数据,包括电力***运行的全面信息。通过预处理去噪、补齐缺失值,可以获得质量更高的数据集,为后续建模提供保障。
S20步骤:基于收集的历史数据进行电压暂降事件的识别。
该步骤的技术效果是:使用机器学习模型识别出历史数据中出现的电压暂降事件。作为电压暂降预测任务的监督信息,有利于提高后续模型训练的质量。
S30步骤:对识别出的电压暂降事件进行影响区域的划分。
该步骤的技术效果是:合理确定电压暂降的影响范围,为构建空间相关的预测模型奠定基础。筛选出与电压暂降高度相关的区域,提升后续模型的针对性。
S40步骤:基于神经网络利用电力***的历史数据建立第一电压暂降预估模型。
该步骤的技术效果是:利用深度神经网络进行端到端的特征学
S50步骤:基于神经网络利用受影响区域的电压暂降事件相关的历史数据建立第二电压暂降预估模型。
该步骤的技术效果是:构建识别电压暂降事件并预测特征参数的二级模型,进行局部区域的精细化分析,提高预估准确性。
S60步骤:建立电压暂降预估模型,包括顺序运行的第一电压暂降预估模型和第一电压暂降预估模型。
该步骤的技术效果是:集成串联两个子模型,进行电压暂降的区域识别和特征预测,实现一个端到端、全流程的预估***,为电网预警和控制提供支持。
下面,对上述每个步骤的如何实现进行详细说明:
其中,S10的具体实施方式描述如下:
首先,对电力***的历史数据进行收集。其中:
负载数据包含以下信息:
负载所在区域regioni,i表示区域编号
负载的有功功率Pi(t),依赖时间t
负载的无功功率Qi(t),依赖时间r
负载的使用时间特征向量ui,其中第j位ui,j表示一天中的第j个时间段(例如1小时或者如某一刻,或者如某一分钟,某几秒钟,具体的时间段的间隔时间可以在使用时根据计算机的内存大小确定,优选的,采用每15秒作为一个时间段)是否有负载使用。如果有,则ui,j=1,否则ui,j=0。
则第i个负载的数据可表示为:
loadi=(regioni,Pi(t),Qi(t),ui);
电压数据包含以下信息:
电压监测点的区域regionk,k表示区域编号
电压监测点的电压Vk(t),依赖时间t
则第k个电压监测点的数据可表示为:
voltagek=(regionk,Vk(t));
故障数据包含以下信息:
故障发生的区域regionm,m表示区域编号
故障发生的时间tm
故障持续的时间Δtm
则第m个故障的数据可表示为:
faultm=(regionm,tm,Δtm);
对上述三类历史数据进行收集,记录在数据集D={loadi,voltagek,faultm}中。
然后,对数据集D进行预处理:
(1)对负载功率数据进行滤波,去除噪声:
P′i(t)=filter(Pi(t)),Q′i(t)=filter(Qi(t));
常用的滤波方法有平均滤波、中值滤波等。
(2)将电压数据和故障数据与负载数据进行统一聚合,得到新的数据表示:
dataj=(regionj,tj,Pj(t),Qj(t),Vj(t),faultj);
其中regionj表示数据所属区域,tj表示时间戳,Pj(t)和Qj(t)表示该区域该时刻的负载有功和无功功率,Vj(t)表示该区域该时刻的电压数据,如果该时刻无电压数据则为空,faultj表示该区域该时刻是否发生电压暂降故障,如果发生故障则faultj=1,否则faultj=0。
(3)对数据进行归一化处理:
归一化到[0,1]范围内,其中Pj,min,Pj,max,Qj,min,Qj,max,Vj,min,Vj,max分别表示该区域的负载功率、无功功率和电压的最小值和最大值。
预处理完成后,得到预处理数据集
接下来,基于预处理后的数据集提取特征,构建样本。具体步骤如下:
从短时窗口W内的数据中提取特征。设窗口大小为l,对每个样本:
提取以下特征:
有功功率均值:
无功功率均值:
电压均值:
有功功率标准差:
无功功率标准差:
电压标准差:
构建样本:
其中xj表示第j个样本,regionj表示样本所属区域,faultj表示该区域在窗口W内是否发生故障。
上述步骤即为针对S10中获取电力***历史数据进行特征提取和样本构建的具体方法。该方法通过构建包含区域信息、负载特征、电压特征和故障标签的样本,为后续建立电压暂降预估模型提供了特征表达完备的数据集。其效果是可以表示电力***的运行状态,并关联负载、电压和故障信息,为电压暂降事件的预测建模奠定基础。
其中,S20的具体实施方式描述如下:
在步骤S10中,我们已经得到了特征表达完备的样本数据集X={x1,x2,...,xN},其中样本xi包含了区域信息、负载特征、电压特征和故障标签。现在基于该数据集识别电压暂降事件。
识别方法采用监督学习的分类模型。具体步骤如下:
数据准备:
从数据集X中提取特征矩阵和标签向量/>其中D是特征的维数,N是样本数量。
模型选择:
选择适合处理高维稀疏数据的树模型,如随机森林(Random Forest)、XGBoost等作为分类模型。这些模型可以处理非线性复杂关系,并有较好的预测性能。
假设选择了随机森林模型,它包含了多个决策树h(x,Θk),其中Θk表示第k棵决策树的参数。K表示决策树的数量。则随机森林模型可以表示为:
模型训练:
使用数据集(X,Y)训练随机森林模型f(x)。目标是学习模型参数Θ={Θ1,...,ΘK},使得模型对训练数据的预测误差最小化:
Θ*=argminΘ∑NL(Yi,f(xi))
其中L()是损失函数,这里可以选择交叉熵损失。
电压暂降事件识别:
使用训练好的随机森林模型f(x)对新样本数据x′进行预测,即计算y′=f(x′)。
如果预测结果y′=1,表示该样本对应了电压暂降事件;如果y′=0,表示该样本未发生电压暂降。
通过模型预测结果,可以识别出历史数据中出现过的电压暂降事件。
模型评估:
使用测试数据集评估模型的预测性能,计算精确率、召回率、F1分数等指标。并通过调整模型的参数来提高识别的准确性。
重复步骤3)-5),直到模型的性能指标达到要求。
在S20中,随机森林模型的训练数据来自于S10中构建的样本数据集表示样本的数量,选择其中存在电压暂降特征的数据作为随机森林模型训练的样本数据,记为/>表示存在电压暂降特征的样本数量,也就是说存在电压在0.2ms内快速下降10%以上的数据作为随机森林模型训练的样本数据。(为了避免前后变量歧义,这里的/>和/>与后文提到的N和M不同)为了让模型能够充分学习并避免过拟合,通常会将这个样本数据集划分为训练集、验证集和测试集:
训练集:用于模型的训练,占样本总量的60%-80%。
验证集:用于调整模型的超参数,选择表现最好的模型,占样本总量的10%-20%。
测试集:用于评估最终模型的性能,占样本总量的10%-20%。
那么S20中随机森林模型的训练可以更具体实现如下:
(1)将样本数据集X按比例划分为训练集Xtrain、验证集Xvalid和测试集Xtest。
(2)在训练集Xtrain上训练多个随机森林模型f(x,Θk),其中超参数Θk包括树的数量、最大深度、节点***特征的选择策略等。得到多组模型{f(x,Θ1),f(x,Θ2),...}。
(3)在验证集Xvalid上评估这些随机森林模型的性能,选择一个最佳模型f(x,Θ*),其中Θ*代表了最佳的参数配置。常用的模型选择准则包括验证集上的预测accuracy、AUC指标等。
(4)在测试集Xtest上评估模型f(x,Θ*)的性能,计算各类评价指标,如accuracy(整体正确率),precision(精确率),recall(召回率),F1-score(F1分数)等。这可以反映模型的最终电压暂降事件识别效果。
(5)如果性能不满意,可以重新设计模型、调整参数、增减特征等,重复步骤2-4,直到获得满意的分类效果。
其中,S30的具体实施方式描述如下:
在步骤S20中,我们利用分类模型识别出了历史数据中的电压暂降事件样本集现在对这些电压暂降事件样本进行影响区域划分,将区域分为受影响区域和无影响区域。
具体实施步骤如下:
构建电压暂降事件关联矩阵
对每个电压暂降事件样本xu,记录其发生的区域ru。然后构建电压暂降事件关联矩阵
其中N是电网中的区域数。矩阵Eij=1表示区域i和j曾同时出现在一个电压暂降事件中。
寻找强关联区域
计算矩阵E的关联系数矩阵C:
其中Cij∈[0,1]表示区域i和j的电压暂降事件关联强度。寻找大于阈值θ的关联区域,一般的θ取值为0.75:
Ri={j|Cij>θ,j≠i};
即Ri表示与区域i电压暂降事件强关联的区域集合。
划分影响区域
对于受影响区域,取联通的强关联区域构成:
Ak=connected_components(Ri);
上面的计算Ak公式为图论中的基本寻找强关联节点的基本公式。
其中Ak表示第k个受影响区域,k=1,2,...,K。
剩余不与受影响区域关联的区域则划入无影响区域。
可以选的,评估和优化
通过调整参数θ,评估并优化影响区域的划分结果。可以采用调谐平均平均法(Fowlkes-Mallows index)等指数评估划分质量。
重复上述过程,直到影响区域划分达到优化要求。
其中,S40的具体实施方式描述如下:
数据预处理
在步骤S10中,我们已经收集了电力***运行数据,包括负载数据、电压数据和故障数据,S20的步骤,已经对历史数据进行电压暂降事件的识别。现在对这些历史数据进行如下预处理:
(1)数据清洗:去除缺失值、异常值等无效数据
(2)数据平衡:过采样或欠采样来平衡不同类别的数据量
(3)特征处理:构建输入数据的特征表示,如统计特征、频域特征等
(4)数据归一化:缩放到[0,1]或标准正态分布
预处理完成后,得到干净、平衡、表达丰富的数据集D={xi,yi},其中xi表示样本,输入特征为一个向量,yi表示标签。
可选的,根据电压暂降事件的识别,将数据分为第一正样本和第一负样本,所述第一正样本为步骤S20中电压暂降事件识别为正的数据,第一负样本是电压暂降事件识别为负的数据;
模型构建
基于深度学习,构建神经网络模型。具体可以采用如下模型架构:
输入层:输入D
隐藏层:多层全连接网络,带ReLU激活函数
h(ζ)=ReLU(W(ζ)h(ζ-1)+b(ζ))
其中W(ζ),b(ζ)表示第ζ隐藏层的权重和偏置参数。
输出层:采用Sigmoid输出,表示第i个样本出现电压暂降的概率
ypred=σ(W(ζ)h(ζ)+b(ζ)),
损失函数:二分类交叉熵
为yi的方差;
模型训练
使用数据集D训练神经网络模型,通过误差反向传播优化模型参数W,b,以最小化损失函数,提高电压暂降发生概率预测的准确性。
可选的,模型评估
在独立测试集上评估模型的性能,主要指标包括:
Accuracy:预测正确率
Precision/Recall:阳性预测的准确率/召回率
ROC曲线、AUC:不同阈值下的TPR和FPR
可选的,模型优化
通过调整网络结构、优化器等超参数,重复训练和评估,选取最优模型,得到最大化的评估指标。
至此得到基于深度神经网络的第一电压暂降预估模型。该模型可以充分拟合电网复杂的非线性关系,并进行端到端的特征提取和电压暂降预测,具有较强的预估能力。
其中,S50的具体实施方式描述如下:
第二正样本提取
在电压暂降事件数据集中,提取发生在受影响区域A={A1,A2,...,AK}的样本构成第二正样本数据集:
SA={xi|xi∈S,region(xi)∈A}
其中region(xi)表示样本xi的发生区域。
负样本生成
从历史非电压暂降数据中随机采样生成负样本,数量为|SA|,构成负样本数据集。
特征提取
对每个样本xi,在采样窗口w=10内,提取统计特征,包括区域平均负载、电压均值、方差等,构成特征向量d为特征维度。
构造训练集
合并正负样本,构造分类模型的训练集:
D={(x′1,b1),(x′i2,b2),...,(x′Γ,bΓ)},Γ表示合并后的样本大小;
其中bi=1表示正样本,bi=0表示负样本。
模型构建
类似于S40,构建多层前馈神经网络分类模型,包含输入层、2个隐层(节点数500和100)和输出层。隐层使用ReLU激活函数。
模型训练
采用Adam优化器,学习率0.001,在训练集上训练模型,得到第二电压暂降预估模型,其中,最小化交叉熵损失函数,迭代次数设定为100。
可选的,电压暂降特征回归
对分类结果为1的样本,用同样结构的回归网络预测电压暂降幅度、持续时间等特征。
可选的,模型评估
在测试集上评测分类和回归的性能指标,如AUC、准确率、MSE等。
可选的,模型优化
调整网络结构和训练参数,重新训练,完成模型的选择和优化。
其中,S60的具体实施方式描述如下:
模型构成
电压暂降预估模型由顺序连接的两个子模型组成:
子模型1:第一电压暂降预估模型(步骤S40构建)
子模型2:第二电压暂降预估模型(步骤S50构建)
其中,
第一子模型对输入X进行预测,输出每个区域发生电压暂降的概率:
P=[p1,p2,...,pN]=Model1(X)
确定发生区域
根据概率阈值θ(如0.5),确定可能发生电压暂降的区域集合:
Asg={i|pi≥θ}
第二子模型
第二子模型只对区域Asg进行电压暂降特征预测,输出结果为:
其中yi表示区域i的电压暂降特征,包括幅度、持续时间等。
模型输出
电压暂降预估模型的最终输出为可能发生电压暂降的区域A及对应区域的电压暂降特征Y。
可选的,模型优化
通过调节子模型的参数,优化第一阶段分类效果及第二阶段回归效果,获得最佳的电压暂降预估模型。
综上,S60步骤通过集成连接S40和S50中的两类子模型,形成一个端到端的电压暂降预测***,可以进行区域识别和特征预测,为电网安全控制提供有力支持。
最终建立的电压暂降预估模型采用两级模型的集成结构,首先根据第一级模型得到一个预估的会出现电压暂降的区域,接着用第二级模型预估这一区域是否会出现电压暂降,相对于使用一个大的模型,有助于快速定位区域并在定位区域内进行精确计算,得到最终预估结果,极大的提高了预估效率。
具体的,本发明的原理是:首先根据第一级模型得到一个预估的会出现电压暂降的区域,接着用第二级模型预估这一区域是否会出现电压暂降,相对于使用一个大的模型,有助于快速定位区域并在定位区域内进行精确计算,得到最终预估结果,极大的提高了预估效率。
具体而言,本发明的技术原理包括如下:
1.数据采集与特征工程
收集包括负载、电压、故障等在内的丰富电网历史数据,进行数据清洗和预处理,构建表达充足的样本数据集。采用滑动窗口等方法,从原始数据中提取统计特征,进行特征提取,以构建样本的特征向量表示。
2.电压暂降事件识别
利用监督学习方法,以电压暂降事件为标注,训练分类模型对历史数据进行电压暂降识别,获得大量标注电压暂降样本。常用的分类模型有支持向量机、神经网络、随机森林等。
3.电压暂降影响区域分割
根据电压暂降事件的区域相关性,采用聚类、关联分析等方法分割电网,将紧密相关的区域划分为电压暂降的影响区域。
4.电压暂降预估模型训练
在影响区域内,分别训练两个电压暂降预估模型:第一模型预测电压暂降发生概率,采用神经网络进行多分类;第二模型预测电压暂降特征,采用回归神经网络进行特征映射。
5.预估模型集成
通过级联集成,首先利用第一模型预测电压暂降区域,再通过第二模型预测该区域的电压暂降特征。最终形成一个端到端的预估***。
6.深度神经网络
两个预估子模型均通过深度神经网络进行建模。它可以逼近复杂的非线性电网,并进行端到端特征学习。常用网络结构如卷积神经网络、循环神经网络等。
7.模型评估与优化
采用验证集评估模型性能,调节网络结构和超参数进行优化,提高电压暂降的预测准确率。
8.动态模型更新
随着运行中数据的不断积累,可以定期使用新数据重新训练模型,实现动态的模型更新,使***的智能水平持续提升。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种电压暂降预估模型建立方法,其特征在于,包括以下步骤:
S10、获取电力***的历史数据,包括电力***的负载数据、电压数据和故障数据;
按照一定的时间间隔采集电力***数据,包含负载数据、电压数据和电压暂降故障数据;
对历史数据进行预处理,包括滤波、聚合和归一化;
基于滑动窗口,从预处理后的数据中提取统计特征;
构建包含区域信息、负载特征、电压特征和故障标签的样本;
形成特征表达完备的样本数据集作为历史数据;
S20、基于收集的历史数据进行电压暂降事件的识别;
S30、对识别出的电压暂降事件进行影响区域的划分,包括受影响区域和无影响区域;
S40、基于神经网络利用电力***的历史数据建立第一电压暂降预估模型,所述第一电压暂降预估模型用于根据采集时间段内的电力***运行数据预估发生电压暂降的区域;
S50、基于神经网络利用受影响区域的电压暂降事件相关的历史数据建立第二电压暂降预估模型,所述第二电压暂降预估模型用于根据指定区域采集时间段内的电力***运行数据预估发生电压暂降特征参数,包括电压暂降幅度、电压暂降持续时间和电压暂降恢复时间;
所述基于神经网络利用受影响区域的电压暂降事件相关的历史数据建立第二电压暂降预估模型的步骤,具体包括:
筛选受影响区域的电压暂降事件历史数据作为第二正样本;
从非电压暂降数据中随机采样生成第二负样本;
对第二正样本和第二负样本的样本数据提取特征,构建输入特征向量;
构造包含第二正负样本的第二训练数据集;
建立多层神经网络并利用第二训练数据集进行训练,得到第二电压暂降预估模型;
S60、建立电压暂降预估模型,包括顺序运行的第一电压暂降预估模型和第一电压暂降预估模型,用于根据采集时间段内的电力***运行数据预估发生电压暂降的区域和电压暂降特征参数。
2.根据权利要求1所述的一种电压暂降预估模型建立方法,其特征在于,所述基于收集的历史数据进行电压暂降事件的识别的步骤,具体包括:
从历史数据中提取特征和标签,得到样本数据;
建立分类模型;
使用样本数据训练分类模型;
利用训练好的分类模型对数据进行电压暂降事件进行识别。
3.根据权利要求2所述的一种电压暂降预估模型建立方法,其特征在于,所述分类模型为随机森林模型。
4.根据权利要求1所述的一种电压暂降预估模型建立方法,其特征在于,所述对识别出的电压暂降事件进行影响区域的划分的步骤,具体包括:
构建电压暂降事件的区域关联矩阵;
计算区域关联系数矩阵,找到强关联区域;
将联通的强关联区域确定为受影响区域,剩余的区域为无影响区域。
5.根据权利要求1所述的一种电压暂降预估模型建立方法,其特征在于,所述基于神经网络利用电力***的历史数据建立第一电压暂降预估模型的步骤,具体包括:
对电压暂降事件的识别后的历史数据进行预处理得到第一数据集;
构建深度神经网络模型;
利用第一数据集训练模型得到第一电压暂降预估模型。
6.根据权利要求1-5任一项所述的一种电压暂降预估模型建立方法,其特征在于,所述负载数据至少包含负载的区域和负载的功率特征以及负载使用时间特征。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序指令,所述程序指令运行时,用于执行权利要求1-5任一项所述的电压暂降预估模型建立方法。
8.一种电压暂降预估模型建立***,其特征在于,包含权利要求7所述的计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311377300.7A CN117578481B (zh) | 2023-10-23 | 2023-10-23 | 一种电压暂降预估模型建立方法、介质及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311377300.7A CN117578481B (zh) | 2023-10-23 | 2023-10-23 | 一种电压暂降预估模型建立方法、介质及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117578481A CN117578481A (zh) | 2024-02-20 |
CN117578481B true CN117578481B (zh) | 2024-05-24 |
Family
ID=89894396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311377300.7A Active CN117578481B (zh) | 2023-10-23 | 2023-10-23 | 一种电压暂降预估模型建立方法、介质及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117578481B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400214A (zh) * | 2013-08-22 | 2013-11-20 | 华北电力大学 | 基于多维多层关联规则的电压暂降预测分析方法 |
CN113743504A (zh) * | 2021-09-03 | 2021-12-03 | 广东电网有限责任公司广州供电局 | 一种电压暂降源识别模型构建方法、装置、终端及介质 |
CN114154698A (zh) * | 2021-11-24 | 2022-03-08 | 国网福建省电力有限公司莆田供电公司 | 一种面向用户的电网电压暂降严重度预测方法 |
CN114444771A (zh) * | 2021-12-24 | 2022-05-06 | 国网宁夏电力有限公司中卫供电公司 | 一种面向敏感用户的电压暂降事件预测方法、介质及*** |
KR20230092406A (ko) * | 2021-12-17 | 2023-06-26 | 주식회사 크로커스 | 부하 예측 모델 기반의 전압 최적화 제어를 통한 보전 전압 강하를 위한 전압 제어 장치 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090010536A (ko) * | 2007-07-23 | 2009-01-30 | 장길수 | 순간 전압 강하 평가를 위한 취약 지역 결정 시스템, 방법,및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한프로그램을 기록한 매체 |
-
2023
- 2023-10-23 CN CN202311377300.7A patent/CN117578481B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400214A (zh) * | 2013-08-22 | 2013-11-20 | 华北电力大学 | 基于多维多层关联规则的电压暂降预测分析方法 |
CN113743504A (zh) * | 2021-09-03 | 2021-12-03 | 广东电网有限责任公司广州供电局 | 一种电压暂降源识别模型构建方法、装置、终端及介质 |
CN114154698A (zh) * | 2021-11-24 | 2022-03-08 | 国网福建省电力有限公司莆田供电公司 | 一种面向用户的电网电压暂降严重度预测方法 |
KR20230092406A (ko) * | 2021-12-17 | 2023-06-26 | 주식회사 크로커스 | 부하 예측 모델 기반의 전압 최적화 제어를 통한 보전 전압 강하를 위한 전압 제어 장치 |
CN114444771A (zh) * | 2021-12-24 | 2022-05-06 | 国网宁夏电力有限公司中卫供电公司 | 一种面向敏感用户的电压暂降事件预测方法、介质及*** |
Non-Patent Citations (1)
Title |
---|
基于深度神经网络的电压暂降经济损失评估模型;王璐 等;电力自动化设备;20200630;第40卷(第6期);第156-162页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117578481A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106168799B (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
CN111368890A (zh) | 故障检测方法及装置、信息物理融合*** | |
CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN116559598B (zh) | 一种智慧配电网故障定位方法及*** | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建*** | |
CN109787979A (zh) | 一种电力网络事件和入侵的检测方法 | |
CN116683588B (zh) | 锂离子电池充放电控制方法及*** | |
CN110738255A (zh) | 一种基于聚类算法的设备状态监测方法 | |
CN117713221A (zh) | 一种微逆光伏并网优化*** | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN114841076A (zh) | 基于时空图模型的动力电池生产工艺波动异常检测方法 | |
CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及*** | |
CN114897248A (zh) | 一种基于人工智能的电网负荷预测方法 | |
CN117578481B (zh) | 一种电压暂降预估模型建立方法、介质及*** | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的***及方法 | |
CN116956702A (zh) | 一种用电安全预警方法、介质及*** | |
Giampieri et al. | A supervised classification system based on evolutive multi-agent clustering for smart grids faults prediction | |
CN113212244B (zh) | 一种新能源车辆动力电池寿命预测方法及*** | |
CN115769238A (zh) | 负荷辨识方法、计算机可读存储介质及设备 | |
Kassan et al. | Robustness analysis of hybrid machine learning model for anomaly forecasting in radio access networks |
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 |