May, 2022

面向电力系统暂态稳定性评估的分布感知图表示学习

PDF
TL;DR本论文提出了一种基于数据驱动的电力系统评估方法，采用图神经网络进行状态建模，并通过分布感知学习实现了电力系统稳定性评估的快速预测和高效计算。
real-timetransient stability assessment (tsa)data-drivengraph neural networkdistribution-aware learning (dal)
发现论文，激发创造
  • 一种功能性的电力系统瞬态稳定评估方法：专家引导的神经回归树

    提出了一种使用专家引导非线性回归树来解释神经网络预测的可解释电力系统暂态稳定性评估方法（TSA-ENRT），实验结果表明，该方法生成的解释规则与神经网络预测高度一致，更符合人类专家认知。

    Apr, 2024

  • 深度学习用于电力系统安全评估

    本研究使用深度学习的方法，将电力系统的快照数据表示为二维图像进行处理，进行线路 N-1 安全性和小信号稳定性的评估，比传统方法快 255 倍以上，并可以正确确定危险点的准确度超过 99%。

    Mar, 2019

  • 利用图神经网络实现电力网拓扑动态稳定性评估

    为了应对气候变化，需要提高可再生能源在电力生产中的份额。在分散化、惯性减小和生产波动性等方面，可再生能源为电力网络引入了新的挑战。本研究利用图神经网络以分析电力网动态稳定性的计算工作量，发现其在仅基于拓扑信息的情况下预测非线性目标非常有效。此外，应用所提出的方法，还能准确识别出电力网的易受攻击的节点。最后，发现在小型电力网上训练的 GNN 在对得克萨斯电力网的大型模型进行预测时，也具有准确性和实用性。

    Jun, 2022

  • 基于图嵌入和动态特征的变化电力网络拓扑的瞬态稳定性监控

    传输稳定性预测模型使用图嵌入动态特征及监督对比学习来预测能源网络结构变化下的瞬态稳定性。

    Aug, 2023

  • 基于 Transformer 架构的深度学习用于电力系统短期电压稳定性评估 —— 类别不平衡

    现有的数据驱动电力系统短期电压稳定性评估 (STVSA) 方法假定输入数据的类别平衡。然而，在实际应用中，干扰后出现短期电压不稳定的情况很少，导致严重的类别不平衡问题和分类器性能下降。为解决这一挑战，本论文提出了一种基于 Transformer 的 STVSA 方法。通过利用基本的 Transformer 结构，提出了一种稳定性评估 Transformer (StaaT) 作为分类模型，反映系统运行状态和稳定性结果之间的相关性。为应对不平衡数据集的负面影响，本研究采用带有梯度惩罚的条件 Wasserstein 生成对抗网络 (CWGAN-GP) 用于合成数据生成，帮助创建一个平衡且代表性的训练集用于分类器。此外，还实施了半监督聚类学习来提高聚类质量，解决了短期电压稳定性缺乏统一量化标准的问题。在 IEEE 39 节点测试系统上进行的数值测试广泛证明了所提出方法在类别不平衡达到 100:1 和噪声环境下的鲁棒性，并且即使增加了可再生能源的渗透，方法的有效性仍然保持一致。比较结果表明，CWGAN-GP 生成的数据集更平衡，而 StaaT 优于其他深度学习算法。该研究提供了一个具有说服力的解决方案，适用于经常面临类别不平衡和数据噪声挑战的实际 STVSA 应用场景。

    Oct, 2023

  • 用于发电系统预测轨迹的深度生成方法

    使用深度学习模型生成能源生产和负荷预测轨迹，以应对可再生能源在电力混合中的扩大所引起的电网变动性增加的问题。

    Sep, 2023

  • 利用机器学习在电力网络模型中从静态特征预测动态稳定性

    本文提出采用网络科学指标和机器学习模型相结合的方法来预测输电线路故障后系统失同步事件的风险，结果表明只需少量网络指标即可量化网络重定向流量的能力，得到高于 0.996 的平均预测精度。

    Oct, 2022

  • 面向拓扑的端到端电力系统可靠性评估机器学习

    本研究探讨使用端到端机器学习直接预测可靠性指标，提出了基于输入特征的系统阻抗矩阵编码的机器学习流程，通过对输电线路的定期维护对特定拓扑变化的影响进行考虑，使用支持向量机和 Boosting Trees 进行训练和比较，实验证明了该方法在可靠性评估中的适用性。

    May, 2022

  • 一种快速的拓扑方法以预测动态图中的异常

    本文提出了一种基于 persistent diagram、lower-star filtration 和 Betti 函数的方法，可以高效地从时变图数据中提取形状信息，并在模拟研究和实际数据应用中表现出优越的性能，尤其是对于变点检测和加密货币网络异常价格预测。

    May, 2023

  • 基于 PMU 测量的深度迁移学习电力系统短期电压稳定性评估

    基于深度迁移学习的测量装置定向测量方法通过深度学习有效处理了面对电力系统短期电压稳定性评估（STVSA）的拓扑变化、样本标注和小规模数据集等挑战，并在 IEEE 39-bus 测试系统上进一步证实了其在处理拓扑变化方面的适应性，通过与传统方法相比提高了约 20% 的模型评估准确性。这种方法还利用 Transformer 模型的自注意力机制对浅层学习方法和基于深度学习的其他方法具有明显优势。

    Aug, 2023