该论文提出了一种基于深度神经网络的实时电力系统监控、状态估计和预测方法,该方法在 IEEE 118 总线基准系统上的实验表明,相较于现有的 PSSE 求解器,该方法的性能提高了接近一个数量级。
Nov, 2018
本论文针对基于图神经网络应用于因子图的相量测量装置的状态估计器进行了全面评估,通过多种训练集大小的实验及不同规模的电力系统进行实验,结果表明该算法在提高系统行为分析效率方面具有高精度、高效率、低内存占用和低推断时间的特点。
Feb, 2023
通过物理信息神经网络(PINNs)整合物理规律的先验知识,本研究提出了一种新颖的方法用于加速电力系统状态估计,以监测电力系统的运行情况。该方法在保持高准确性的同时,显著降低了状态估计的计算复杂性,实验证明其准确度提高了 11%,结果的标准偏差降低了 75%,收敛速度提高了 30%。
Oct, 2023
本文引入一种基于深度状态空间模型的概率时间序列预测方法,其中非线性发射模型和转移模型由网络参数化,并采用循环神经网络对其进行建模。通过自动相关性确定网络,我们还开发了一个利用外生变量的网络,以及估算外生变量不确定性,最终有助于确定有用的外生变量和压制预测中不相关的变量。使用蒙特卡罗模拟来逼近多步预测的分布,实验表明我们的模型可以准确地预测并且估算的时间随着预测步数的增加而逐渐增长。
Jan, 2021
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
对基于循环模型的顺序数据处理的最新方法进行了深入总结,并提供了关于体系结构和算法解决方案的完整分类,引导研究者在这一吸引人的研究领域进行进一步研究。
Jun, 2024
本文提出使用基于 LSTM 的序列 - 序列学习模型来捕捉家用电器负载曲线,并使用 4 个住宅建筑物的真实数据集将其与 VARMA,Dilated One Dimensional 卷积神经网络和 LSTM 模型进行比较,结果表明,在大多数情况下,提出的 LSTM 序列 - 序列模型在预测误差方面优于其他技术。
Jun, 2021
本文介绍了一种基于时间的递归神经网络扩展模型,使其适用于不均匀采样的连续变量观测数据,并展示了该模型在两种工业输入 / 输出过程的样本中的有效性。
Nov, 2019
基于原始感官数据的推理是一个普遍存在的问题,本研究提出了一种基于分层状态空间模型(HiSS)的新技术,用于连续的序列预测,并在六个真实传感器数据集上展示了其优越性。
Feb, 2024
该论文综述了电力系统中状态估计的相关文献,主要关注于配电系统状态估计,涵盖了数学问题、伪测量应用、计量仪器放置、网络拓扑问题、可再生能源渗透等关键议题,并回顾了传统与现代数据驱动和概率技术。该论文为研究人员和实用工程师提供了配电系统状态估计的技术成就、障碍和未来研究方向的洞见。
Aug, 2018