Oct, 2023

数据高效学习用于网络事故的功率流

PDF
TL;DR通过数据驱动方法，本研究提出了一种高效的电网潮流学习方法，用于处理带有网络事故的电网系统，并估算相应的概率电压包络。该方法利用网络感知高斯过程预测电压功率函数，提出了一种多任务顶点度核方法，将学习到的核函数推广到未知的电网系统，同时降低了计算复杂度和超参数需求。通过在 IEEE 30-Bus 电网上进行的模拟实验，证明了该方法在 N-1 和 N-2 事故情景下保留和传递潮流知识的能力。对于低训练数据量（50-250 个样本）的 N-1 事故网络结构，与 VDK-GP 相比，多任务顶点度核方法的平均预测误差减少了 50% 以上。此外，即使没有历史 N-2 事故数据，多任务顶点度核方法在超过 75% 的 N-2 事故网络结构中也优于基于超参数的迁移学习方法。该方法相比基于蒙特卡洛采样的方法，仅需十六分之一的潮流解决方案即可实现概率电压包络。
data-driven methodpower flowsnetwork contingenciesvoltage envelopesmonte-carlo sampling-based methods
发现论文，激发创造
  • 使用高斯过程进行电力流学习的图结构核设计

    该论文提出了一种基于物理学的图结构核心，用于使用高斯过程（GP）进行电力流学习。该核心名为顶点度核心（VDK），它依赖于基于网络图或拓扑的电压注入关系的潜在分解。此外，还提出了一种新的网络滑动主动学习方案，以智能地选择顺序输入来加速 VDK 的学习。模拟实验表明，所提出的 VDK-GP 与中等规模的 500-Bus 和大规模的 1354-Bus 电力系统相比，样本复杂性减少了两倍以上。此外，该论文证明了该方法在分布转移测试数据集上的不确定性量化应用中的性能。

    Aug, 2023

  • 静态电源网格模型的采样策略

    本研究提出一种基于 Correlation Sampling 算法的机器学习方法，可以更好地解决电网电量计算问题，相应的神经网络结构应当考虑输入数据的相关性以及历史数据的质量和规模，与传统的 copula-based 方法相较，该算法能更广泛地覆盖采样空间。

    Apr, 2022

  • 具有部分测量可用性的完全疗愈缩短的端到端强化学习

    本文提出了一种利用深度强化学习解决分布式电网拥塞问题的新型端到端方法，该方法可以在低电压网格中进行决策，确保拥塞 - free 的电网运行。

    May, 2024

  • PowerFlowNet：利用消息传递 GNNs 提高功率流近似

    PowerFlowNet 是一种使用图神经网络的电流流估计方法，在简单的 IEEE 14 总线系统中比传统的 Newton-Raphson 方法更快 4 倍，在法国高压网络中快 145 倍，且在性能和执行时间方面明显优于其他传统估计方法，其在实际电流流分析中表现出巨大潜力，通过深入的实验评估验证了该方法的功效、可扩展性、可解释性和架构可靠性，为电力系统分析中图神经网络的行为和潜在应用提供了深刻见解。

    Nov, 2023

  • 演化网络拓扑下的电网运行风险评估的图神经网络

    该研究探讨了图神经网络在没有明确的高分辨率信息（发电机状态、电网拓扑和电力调度决策）的情况下，能否识别未来几个小时内电网的风险状况。研究发现，基于图神经网络的可靠性和风险评估具有快速而准确的预测能力。

    May, 2024

  • 基于图神经网络的潮流模型

    本论文研究了使用图神经网络方法对历史电力系统数据进行训练，以预测电量流计算结果。通过在测试系统上的结果表明，使用所提出的图神经网络电量流模型可以比传统的直流（DC）功量流方法和深度神经网络（DNN）模型以及卷积神经网络（CNN）模型得到更准确有效的数据处理方案。

    Jul, 2023

  • 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

  • 基于图神经网络的电力故障级联预测

    通过基于图神经网络的无流模型，我们能够预测由分支故障引起的电力故障级联，评估模型并与其他影响模型进行比较，结果表明该模型优于其他模型，并且降低计算时间近两个数量级。

    Apr, 2024

  • 基于知识图谱的电力变压器故障预测

    应用知识图谱和梯度提升决策树技术，我们提出了一种能够有效学习少量高维数据的方法，用于电力变压器的安全状态评估和故障分析，取得了相比于神经网络和逻辑回归等其他方法更高的预测准确性，并在进步性、实用性和广泛应用潜力方面有显著改进。

    Feb, 2024

  • 三相不平衡智能配电网中的基于深度神经网络的功率流分析

    该研究论文讨论了深度学习在预测三相不平衡配电网中功率流解的应用，并提出了三种深度神经网络模型：径向基函数网络（RBFnet），多层感知器（MLP）和卷积神经网络（CNN），用于预测功率流解。通过 OpenDSS-MATLAB COM 接口生成训练和测试数据，这些方法完全依赖于数据驱动，对于不平衡配电网的功率流解具有准确性，并且可以适用于不同的 R/X 比、拓扑变化以及分布式能源和电动汽车引入的发电和负荷可变性。在 IEEE 4 节点测试案例、IEEE 123 节点测试案例和美国电力公司（AEP）馈线模型上应用了这三个 DNN 模型，结果显示所有三个模型都能提供高度准确的功率流解预测结果。

    Jan, 2024