-
公开(公告)号：CN113435492B
公开(公告)日：2022-04-22
申请号：CN202110687214.0
申请日：2021-06-21
Applicant: 华中科技大学 , 中国电力科学研究院有限公司
Abstract: 本发明公开了一种基于主动学习的电力系统主导失稳模式判别方法，属于电力系统稳定性分析领域。本发明将主动学习应用到主导失稳模式判别方法中，无需标注所有样本，而仅主动地选择部分最有信息含量的样本来标注，以较少的样本标注来达到较高的判别准确率。同时，在模型不确定性基础上还考虑到样本多样性，以模型输出概率信息熵为权重，通过加权k‑means聚类的方法将样本聚成k簇，分别从每一簇中选择最接近聚类质心的样本，保证了采样的多样性，避免所选样本过于相似造成模型过拟合的问题。如此，本发明能够减少样本标注的成本，提高主导失稳模式判别模型实现效率，从而提高电力系统的安全性，实用性较强。
-
公开(公告)号：CN112200694B
公开(公告)日：2023-11-14
申请号：CN202011071486.X
申请日：2020-10-09
Applicant: 华中科技大学 , 中国电力科学研究院有限公司
IPC: G06Q50/06 , G06Q10/067 , G06N3/0464
Abstract: 本发明公开了一种基于图神经网络的主导失稳模式识别模型构建及应用方法，属于电力系统稳定性判断领域。本发明所构建的加权图结构能够较好的体现电网拓扑。在模型训练之前，根据样本集的电网拓扑预先构建对应地图结构；训练过程中，图结构的作用相当于将原始的矩阵类型数据转化为图结构数据，测试结果表明，考虑了电网拓扑结构的图神经网络方法相对于不考虑拓扑的卷积神经网络方法而言，具有更高的判别精度；本发明对依据电网拓扑构成的图结构，采用各传输线的导纳对图进行加权处理，能够进一步强化电网的拓扑信息，使得模型更加契合电网这种特殊的图结构，增强了所输入的图构中包含的电网拓扑特征，使得模型有更好的判断准确率。
-
公开(公告)号：CN110705831A
公开(公告)日：2020-01-17
申请号：CN201910844471.3
申请日：2019-09-06
Applicant: 华中科技大学 , 中国电力科学研究院有限公司
Abstract: 本发明公开了一种电力系统故障后功角失稳模式的预判模型构建方法及其应用，方法包括：从每组原始量测数据中提取其对应的观测窗口内的一组母线电压离散点集，并构建每组离散点集对应的电压幅值矩阵和电压相角矩阵；根据每组原始量测数据对应的功角曲线形态，确定其对应工况在所述观测窗口之后的预设时间段位置处的失稳模式标签信息；基于所有样本，通过监督学习，训练得到神经网络预判模型，其中每个样本包括一组原始量测数据对应的电压幅值矩阵、电压相角矩阵和失稳模式标签信息。本发明将深度学习应用到功角失稳模式预判中，根据大扰动后母线电压相量量测原始数据，即可快速准确给出稳定或失稳具体类别，极大提高电力系统的安全性，实用性较强。
-
公开(公告)号：CN112215722A
公开(公告)日：2021-01-12
申请号：CN202011067784.1
申请日：2020-10-07
Applicant: 华中科技大学 , 中国电力科学研究院有限公司
Abstract: 本发明公开了一种主导失稳模式判别模型构建方法、主导失稳模式判别方法，电力系统稳定性分析领域。本发明针对功角失稳和电压失稳存在的耦合交织特性，将深度学习应用到主导失稳模式判断中，构建一种含SENet模块的双输入卷积神经网络模型，引入SENet模块可建模神经网络通道间信息，自适应学习和调整各通道相加时的权值，放大有用的特征并抑制对当前任务用处不大的特征，在模型训练完成后即可根据大扰动后的母线电压、发电机功角量测数据或仿真数据快速、准确判断出系统是否会失稳以及属于功角失稳还是电压失稳，为控制措施的选择和协调提供依据，极大提高电力系统的安全性，实用性较强。
-
公开(公告)号：CN112215722B
公开(公告)日：2022-06-14
申请号：CN202011067784.1
申请日：2020-10-07
Applicant: 华中科技大学 , 中国电力科学研究院有限公司
Abstract: 本发明公开了一种主导失稳模式判别模型构建方法、主导失稳模式判别方法，电力系统稳定性分析领域。本发明针对功角失稳和电压失稳存在的耦合交织特性，将深度学习应用到主导失稳模式判断中，构建一种含SENet模块的双输入卷积神经网络模型，引入SENet模块可建模神经网络通道间信息，自适应学习和调整各通道相加时的权值，放大有用的特征并抑制对当前任务用处不大的特征，在模型训练完成后即可根据大扰动后的母线电压、发电机功角量测数据或仿真数据快速、准确判断出系统是否会失稳以及属于功角失稳还是电压失稳，为控制措施的选择和协调提供依据，极大提高电力系统的安全性，实用性较强。
-
Patent Agency Ranking
公开(公告)号：CN113435492A
公开(公告)日：2021-09-24
申请号：CN202110687214.0
申请日：2021-06-21
Applicant: 华中科技大学 , 中国电力科学研究院有限公司
Abstract: 本发明公开了一种基于主动学习的电力系统主导失稳模式判别方法，属于电力系统稳定性分析领域。本发明将主动学习应用到主导失稳模式判别方法中，无需标注所有样本，而仅主动地选择部分最有信息含量的样本来标注，以较少的样本标注来达到较高的判别准确率。同时，在模型不确定性基础上还考虑到样本多样性，以模型输出概率信息熵为权重，通过加权k‑means聚类的方法将样本聚成k簇，分别从每一簇中选择最接近聚类质心的样本，保证了采样的多样性，避免所选样本过于相似造成模型过拟合的问题。如此，本发明能够减少样本标注的成本，提高主导失稳模式判别模型实现效率，从而提高电力系统的安全性，实用性较强。
-
公开(公告)号：CN112200694A
公开(公告)日：2021-01-08
申请号：CN202011071486.X
申请日：2020-10-09
Applicant: 华中科技大学 , 中国电力科学研究院有限公司
Abstract: 本发明公开了一种基于图神经网络的主导失稳模式识别模型构建及应用方法，属于电力系统稳定性判断领域。本发明所构建的加权图结构能够较好的体现电网拓扑。在模型训练之前，根据样本集的电网拓扑预先构建对应地图结构；训练过程中，图结构的作用相当于将原始的矩阵类型数据转化为图结构数据，测试结果表明，考虑了电网拓扑结构的图神经网络方法相对于不考虑拓扑的卷积神经网络方法而言，具有更高的判别精度；本发明对依据电网拓扑构成的图结构，采用各传输线的导纳对图进行加权处理，能够进一步强化电网的拓扑信息，使得模型更加契合电网这种特殊的图结构，增强了所输入的图构中包含的电网拓扑特征，使得模型有更好的判断准确率。
-
公开(公告)号：CN117394449A
公开(公告)日：2024-01-12
申请号：CN202311220610.8
申请日：2023-09-20
Applicant: 华中科技大学 , 国网山东省电力公司电力科学研究院 , 国网山东省电力公司
Abstract: 本发明公开了一种基于关键特征量及因果结构的电力系统暂稳智能判别方法，属于电力系统稳定性分析领域，方法包括：仿真获取第一电力系统在不同故障场景下故障被切除后的多个电力特征以及暂态稳定判别结果；将多个电力特征作为输入，暂态稳定判别结果作为标签，以加权交叉熵损失函数收敛为目标，训练第一电力系统的暂态稳定判别模型；计算各电力特征对第一电力系统的暂态稳定判别模型判别结果的Shapley值，并将Shapley值高于给定值的电力特征作为关键特征；对于与第一电力系统的拓扑相同的目标电力系统，直接利用包含关键特征和暂态稳定判别结果的样本训练目标电力系统的暂态稳定判别模型以后续进行暂态稳定判别。提高电力系统暂态失稳判别的特异度。
-
公开(公告)号：CN115566665A
公开(公告)日：2023-01-03
申请号：CN202211118542.X
申请日：2022-09-13
Applicant: 华中科技大学
IPC: H02J3/00 , G06N3/0464 , G06N3/092 , G06F18/214 , H02H7/26
Abstract: 本发明公开了一种基于知识融合与深度强化学习的紧急切机决策方法，属于电力系统稳定性控制领域，包括：根据任一故障工况相应的当前紧急切机控制策略，仿真得到第一母线电压和第一发电机功角数据；利用BDQ网络智能体决策出新的紧急切机控制策略；根据新的紧急切机控制策略，仿真得到第二母线电压和第二发电机功角数据，计算相应的奖励；将不同故障工况下的第一母线电压、第一发电机功角数据、新的紧急切机控制策略、第二母线电压、第二发电机功角数据和奖励作为第一样本，并训练BDQ网络智能体，重复上述操作直至训练后BDQ网络智能体决策得到的紧急切机控制策略有效。减少离线紧急切机控制措施制定的时间，提升工作效率，实用性强。
-
公开(公告)号：CN114972914A
公开(公告)日：2022-08-30
申请号：CN202210578837.9
申请日：2022-05-25
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于马尔可夫转移场的电力系统主导失稳模式识别方法，属于电力系统稳定性判断领域，包括：S1，依据给定的运行工况和故障条件，仿真生成多条电压‑时间曲线和多条功角‑时间曲线；S2，利用马尔可夫转移场，将电压失稳程度最大的三条电压‑时间曲线转化为电压图像，将功角失稳程度最大的三条功角‑时间曲线转化为功角图像；S3，给定新的运行工况和故障条件，多次重复执行S1‑S2，得到多组电压图像和功角图像；S4，将电压图像、功角图像和对应的标签作为样本集，训练主导失稳模式识别模型，标签通过人工标注得到；S5，利用训练好的主导失稳模式识别模型识别电力系统主导失稳模式。提升模型的鲁棒性和准确率。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.034 seconds)
