基于深度神经网络的静态电压稳定边界计算:方法、系统、样本生成及模型验证
本发明的专利技术揭示了基于深神经网络的静态电压稳定边界计算方法和系统。通过多个调用来检测连续趋势方法的PV曲线鼻点，获得了静电稳定器边界点的样品集。输入功能用作输入功能，并且功率最大生长体积用作输出变量，并且已经建立了复杂高维功率系统的静电电压。稳定的边界模型；由于样品的均匀性对模型具有很大的影响，因此提出了一种可以在样品空间中统一生成的“挡板方法”。样品与蒙特卡洛随机生成样品相比，“挡板方法”产生了较高的样品均匀性和效率。基于深层神经网络，与连续趋势检测边界相比，建立了静态电压稳定边界模型，与时域模拟边界相比，验证模型的准确性，验证模型的有效性。效力。效力。所有详细的技术信息下载
[技术实施步骤摘要]
基于深神经网络的静态电压稳定边界计算方法和系统
该专利技术属于电力系统的静电稳定性分析领域，该领域涉及基于深神经网络的深神经网络稳定边界计算方法和系统的稳定电压稳定性。
技术简介
近年来，由于化石能源，环境污染和气候变化问题的短缺，它变得越来越突出
，传统的电力系统正在朝着绿色和低碳化的方向发展和转变
苍凉
3]。大量的新能源连接到电源方面，系统功率变化的随机性大大增强
。
常见的连续趋势方法根据体验假设功率增长方法，并在此增长方法下使用功率限制作为系统的静电稳定极限
苍凉
6]。在大量具有随机增强功率变化的新能源连接和动力系统中，基于连续趋势方法的稳定和保证金指数的误差将大大增加，并且很难满足要求。
静态电压稳定域的方法可以在所有增长方法上提供功率限制信息，成为解决功率变化随机性的有效手段
关键是构造静电稳定边界。静电稳定边界是节点注入功率空间的复杂的非线性表面
，目前尚无关于复杂功率系统静电电压的静电电压的分析和表达，只能通过算法求解。现有方法大致分为一个逐点方法。
。
苍凉
15]，参数跟踪方法
苍凉
18]三类。寻求SVSRB的三种方法具有一定的局限性。计算的准确性很高，但是计算量很难确保真实的时间性质。一侧是基准测试，进行高级膨胀以获得相似的稳定边界表达式。它在扩展点附近具有很高的精度，但是全球精度将仅限于某些。困难增加。
随着深度学习技术的持续发展，各行各业都应用了深度学习。许多学者研究了深度学习在评估静电稳定性中的应用。文献主要关注如何提高深度学习模型的准确性和概括。不同文档中的差异主要反映在输入特征提取方法中，模型的模型选择了两个方面。文献提出了具有径向基础神经网络的系统的静电稳定性，带有节点电压，无系统储备，并且没有有效损失作为输入功能。不良的映射关系。文献基于平行自组织的分层神经网络，具有节点作为输入功能的有效力量，带负载余量的输出变量以及使用基于熵的特征选择来降低功能的维度变量大大减少了特征变量的数量，从而大大减少了它。人工神经网络的数量最终实现了系统节点电压的在线紧急排序。文献基于迁移学习和生成风格对抗网络，提出了带有非接触式节点的样本特征变量的静态电压临界样品生成方法。高质量的样本更有效地生成。文献基于卷积神经网络，时尚的优雅矩阵的特征是特征，并且系统的静电稳定性用作可变输出。当系统网络拓扑结构改变能力时。基于TRI的文献
苍凉
苍凉
套索
苍凉
BP网络输入具有趋势部分的功能，将样品分为两种类型：标签和标签无标签。通过三重奏训练方法，最小绝对收缩选择方法和错误反向传播神经网络，将模型 - 训练集训练集的训练集减少。
将深度学习用于稳定的电压稳定边界构建将有助于实现复杂电力系统的静电
准确，快速地按并稳定边界。考虑到深度神经网络具有很强的拟合能力，只要网络的深度和规模足够大，理论上就可以符合复杂的非线性映射关系。复杂功率系统的静电稳定边界是高维空间的复杂非线性表面。该专利技术建议使用深层神经网络来实现任何复杂电源系统的静电稳定边界的构建。
参考：
ATD等。 。，2020,5（05）：150
苍凉
159。
https://img1.baidu.com/it/u=1185935206,3079984516&fm=253&fmt=JPEG&app=120&f=PNG?w=810&h=500
Li ，Huang ，Do not to Red，，Sun ，Qiu Qirui，Gao ，Peng ，Lei 。综合能源系统运行可靠性评估审查和前景。 Power Power 设备，2019,39（08）：12
苍凉
21。
Wang ，Deng ，Zhang ，Su ，Xie 。公园能源互联网的规划和运营研究。电力自动化设备，2021,41（02）：24
苍凉
32+55。
Hu 。中国在2030年之前实现了碳峰的目标和主要方式。
苍凉
15。
Guo R，的Han功率流。权力，1999,10（07）：15
苍凉
21。
Zhao ，Wang Yi，Li Kewen，Fang ，Huang 。一种基于连续趋势的在线静态稳定性综合评估方法。电力系统自动化，2010，34（04）：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18 ：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18 ：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18：18 ：18：18：18：18
苍凉
22+28。
FF Wu，Tsai Y K.
苍凉
I：基本模型 .ieee on＆，1983,30（03）：148
苍凉
159。
s，i，f l。与 .ieee on Power on Power on 2002,12（01）：262：262
苍凉
272。
Zhou ，He ，He ，Li ，Li 。基于线电压的稳定性的连续趋势计算方法。
苍凉
144+150。
Wang ，Xu ，Yu Yixin，Wei Wei。电源系统的电压稳定域的局部视觉描述和应用。中国电气工程杂志，2004，9（03）：6
苍凉
10 ..
Wang ，Xu ，Yu Yixin，Wei Wei。基于静电电压稳定域的局部可视化方法基于切割功率空间。中国电气工程杂志，2004，5（09）：17
苍凉
22。
Hamon
【技术保护点】
[技术功能摘要]
1。基于深神经网络的静态电压稳定边界计算方法，其特征是：确定静态电压稳定边界数学模型，U
= u
+b
f（b
苍凉
（1）f代表b
和λ
IMAX
地图关系：λ
最大限度
= f（b）
苍凉
（2）u
https://img0.baidu.com/it/u=1567799100,4255700453&fm=253&fmt=JPEG&app=138&f=JPEG?w=500&h=1110
对于稳定电压稳定边界上的任何点，u
对于初始操作基础，b
对于初始运行的基本状态u
到静电电压稳定边界点U
电力变化方法，λ
IMAX
为了使这种功率变化的最大功率增加，u
你
它们都是高维柱向量。
;使用挡板来产生建立静电电压稳定边界所需的M型功率增长方法，并建立一组功率增长方法集；使用连续趋势方法计算基本状态u的初始操作
，对应于挡板方法产生的M型功率增长方法的最大功率增长，建立最大功率增长样品集；功率增长方法样品集和最大功率增长样品集应为样本集训练深神经网络，拟合获得映射关系F。其中，功率增长方法样本集是深神经网络的输入变量集，最大功率增长测量样品集是深神经网络的输出变量集；通过安装获得的映射将安装。关系f替代（1）和（2）获得静态电压稳定边界模型。 2。根据权利要求1的方法，其特征是RMB的原始运行基本状态U的原始点 - 维度注入功率空间
本质3。根据权利要求1的方法，其特征在于R尺寸注入功率空间中任何功率增长的表达。
对于比例系数，E
它是单位矢量基础，作为比例系数k
在采用不同的组合时，它代表了不同的功率增长方向。当k
当组合方法覆盖整个R维样品空间时，相应的功率生长方法B将均匀分布在整个R尺寸样本空间中。根据布置组合原理，使用R
苍凉
一个挡板被小球隔开以获得比例系数。分离规则如下：所有小球与所有挡板完全相同，但是有一系列标签，从左到右增加。任何人的任何位置；将挡板放在同一间隙中的挡板数量不受限制；以上规则与小球分开，小球分开。小球的数量表示为num =
，标准化后的小球数表示比例系数：差...
【获得专利的技术特性】
技术研发工作人员：邓·昌黄（）
申请（专利权）人：武汉大学，
类型：发明
国家省和城市：
所有详细的技术信息下载我是该专利的所有者
页:
[1]