-
公开(公告)号：CN111798037B
公开(公告)日：2024-08-06
申请号：CN202010528642.4
申请日：2020-06-10
Applicant: 重庆大学 , 国网重庆市电力公司电力科学研究院 , 国家电网有限公司
IPC: G06N3/09 , G06N3/0499 , H02J3/06
Abstract: 本发明公开一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法，主要包括以下步骤：1)建立极限学习机模型；2)将若干极限学习机模型逐层堆叠，建立堆叠式极限学习机；3)对堆叠式极限学习机进行优化，得到优化后的堆叠式极限学习机；4)建立数据驱动最优潮流学习框架；5)利用优化后的堆叠式极限学习机对数据驱动最优潮流学习框架进行解算。本发明可广泛应用于提高神经网络算法在电力系统分析中计算效率的问题。
-
公开(公告)号：CN111914405A
公开(公告)日：2020-11-10
申请号：CN202010662092.5
申请日：2020-07-10
Applicant: 重庆大学 , 国网重庆市电力公司电力科学研究院 , 国家电网有限公司
IPC: G06F30/20 , G06F17/18 , G06F111/04 , G06F111/10
Abstract: 本发明公开基于Copula方法的线性潮流模型独立变量形式选取方法，包括以下步骤：1)设定非线性电压幅值项为vivj；2)建立非线性电压幅值项vivj的状态变量函数 3)计算在不同状态变量函数 下，非线性电压幅值项vivj的线性化误差函数；4)用Copula函数分析方法模拟出潮流方程状态变量的数值联合概率分布，建立Copula优化模型；5)基于非线性电压幅值项vivj的线性化误差函数和Copula优化模型，建立误差最小的线性潮流模型。本发明讨论了 不同公式下vivj的线性化误差，并通过Copula函数对联合概率密度函数进行拟合，得到最小化的线性化误差，进而建立误差最小的潮流模型。
-
公开(公告)号：CN110929989A
公开(公告)日：2020-03-27
申请号：CN201911040124.1
申请日：2019-10-29
Applicant: 重庆大学 , 国网重庆市电力公司电力科学研究院 , 国家电网有限公司
Abstract: 本发明公开了基于深度学习的含不确定性N-1安全校核方法，主要步骤为：1)获取电力网络数据，并建立输入特征向量集Xin；2)对特征向量进行预处理，并划分为训练集和验证集；3)建立的深度神经网络直流潮流模型；4)利用训练集和验证集对深度神经网络直流潮流模型进行训练；5)以电力网络实时数据建立测试集，并输入到训练后的深度神经网络直流潮流模型中，得到潮流输出特征向量Yout；6)对输出特征向量Yout＝[θi,Pij]进行安全性验证。本发明可广泛应用于不确定性场景的N-1安全校核在线分析，能够获得与传统直流潮流求解方法获得不相上下的校核精度，并提高近百倍的分析速度。
-
公开(公告)号：CN110929989B
公开(公告)日：2023-04-18
申请号：CN201911040124.1
申请日：2019-10-29
Applicant: 重庆大学 , 国网重庆市电力公司电力科学研究院 , 国家电网有限公司
IPC: G06Q10/0635 , G06Q50/06 , G06N3/0499 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于深度学习的含不确定性N‑1安全校核方法，主要步骤为：1)获取电力网络数据，并建立输入特征向量集Xin；2)对特征向量进行预处理，并划分为训练集和验证集；3)建立的深度神经网络直流潮流模型；4)利用训练集和验证集对深度神经网络直流潮流模型进行训练；5)以电力网络实时数据建立测试集，并输入到训练后的深度神经网络直流潮流模型中，得到潮流输出特征向量Yout；6)对输出特征向量Yout＝[θi,Pij]进行安全性验证。本发明可广泛应用于不确定性场景的N‑1安全校核在线分析，能够获得与传统直流潮流求解方法获得不相上下的校核精度，并提高近百倍的分析速度。
-
公开(公告)号：CN111798037A
公开(公告)日：2020-10-20
申请号：CN202010528642.4
申请日：2020-06-10
Applicant: 重庆大学 , 国网重庆市电力公司电力科学研究院 , 国家电网有限公司
Abstract: 本发明公开一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法，主要包括以下步骤：1)建立极限学习机模型；2)将若干极限学习机模型逐层堆叠，建立堆叠式极限学习机；3)对堆叠式极限学习机进行优化，得到优化后的堆叠式极限学习机；4)建立数据驱动最优潮流学习框架；5)利用优化后的堆叠式极限学习机对数据驱动最优潮流学习框架进行解算。本发明可广泛应用于提高神经网络算法在电力系统分析中计算效率的问题。
-
Patent Agency Ranking
公开(公告)号：CN110829434A
公开(公告)日：2020-02-21
申请号：CN201910938908.X
申请日：2019-09-30
Applicant: 重庆大学 , 国网重庆市电力公司电力科学研究院 , 国家电网有限公司
Abstract: 本发明公开了一种提高深度神经网络潮流模型扩展性的方法，主要步骤为：1)获取电力系统基本数据；2)确定特征向量；3)建立原始DNN潮流模型；4)对原始DNN潮流模型进行训练，得到训练后的原始DNN潮流模型；5)对原始DNN潮流模型进行扩建，得到扩建DNN潮流模型；6)对扩建系统概率潮流进行解算，得到概率潮流结果。本发明可广泛应用于电力系统的概率潮流求解，特别适用于因系统扩建导致原始系统DNN无法适用的情况。
-
公开(公告)号：CN110829434B
公开(公告)日：2021-04-06
申请号：CN201910938908.X
申请日：2019-09-30
Applicant: 重庆大学 , 国网重庆市电力公司电力科学研究院 , 国家电网有限公司
Abstract: 本发明公开了一种提高深度神经网络潮流模型扩展性的方法，主要步骤为：1)获取电力系统基本数据；2)确定特征向量；3)建立原始DNN潮流模型；4)对原始DNN潮流模型进行训练，得到训练后的原始DNN潮流模型；5)对原始DNN潮流模型进行扩建，得到扩建DNN潮流模型；6)对扩建系统概率潮流进行解算，得到概率潮流结果。本发明可广泛应用于电力系统的概率潮流求解，特别适用于因系统扩建导致原始系统DNN无法适用的情况。
-
公开(公告)号：CN110676852B
公开(公告)日：2020-11-10
申请号：CN201910791388.4
申请日：2019-08-26
Applicant: 重庆大学 , 国网重庆市电力公司电力科学研究院 , 国家电网有限公司
Abstract: 本发明公开了考虑潮流特征的改进极限学习机快速概率潮流计算方法，主要步骤为：1)获取电力网络基本数据。2)基于电力网络基本数据，建立映射关系f：Pi，Qi→Ui，θi。3)对映射关系进行分解，并建立极限学习机神经网络。4)优化极限学习机神经网络的隐藏层参数，从而建立改进极限学习机神经网络。5)将电力网络基本数据输入到改进极限学习机神经网络中，计算得到电力网络概率潮流。本发明取代了高精度模拟法PPF计算中对大规模高维复杂非线性潮流方程的耗时求解过程，从而兼顾PPF计算对精度与速度的工程实际需求。
-
公开(公告)号：CN110676852A
公开(公告)日：2020-01-10
申请号：CN201910791388.4
申请日：2019-08-26
Applicant: 重庆大学 , 国网重庆市电力公司电力科学研究院 , 国家电网有限公司
Abstract: 本发明公开了考虑潮流特征的改进极限学习机快速概率潮流计算方法，主要步骤为：1)获取电力网络基本数据。2)基于电力网络基本数据，建立映射关系f：Pi，Qi→Ui，θi。3)对映射关系进行分解，并建立极限学习机神经网络。4)优化极限学习机神经网络的隐藏层参数，从而建立改进极限学习机神经网络。5)将电力网络基本数据输入到改进极限学习机神经网络中，计算得到电力网络概率潮流。本发明取代了高精度模拟法PPF计算中对大规模高维复杂非线性潮流方程的耗时求解过程，从而兼顾PPF计算对精度与速度的工程实际需求。
-
公开(公告)号：CN116822832A
公开(公告)日：2023-09-29
申请号：CN202310479460.6
申请日：2023-04-28
Applicant: 国网重庆市电力公司电力科学研究院 , 国网重庆市电力公司 , 国家电网有限公司
IPC: G06Q10/0631 , G06Q50/06 , G06F18/2415 , H02J3/00
Abstract: 本申请公开了一种基于负荷概率预测的电力供需状况确定方法、装置以及介质，应用于电力技术领域。本方案先获取电网在目标时间段内的确定性负荷预测结果，并根据确定性负荷预测结果确定多个负荷概率区间以及各负荷概率区间对应的概率值。确定负荷概率区间之后，再确定电网在目标时间段内的供电能力，并根据供电能力覆盖的负荷概率区间确定电网在目标时间段内的电力供需状况。由于本申请给出的是多个负荷概率区间，相较于当前方案中单一的负荷预测结果，本申请能够综合性的确定出电网在目标时间段内的电力供需状况，即给出了多个电力缺口对应的可能性，提高了对电网的电力供需状况预测的准确性和全面性，为电力供应紧张期调度决策提供更多参考信息。
-
-
-
-
-
-
-
-
-
Search Results
145
records
(took 0.075 seconds)
