May, 2024

一个双电网串联故障模型的易损性分析

PDF
TL;DR提出了一种基于注意力机制的新方法来学习输电线路之间的相关性，并通过该方法识别最关键的输电线路，该方法通过 Attention Ranking 算法来评估输电线路的重要性，从而提供了一种改善电网对级联故障的韧性的新型有效分析，广泛的实验结果证明了其有效性。
发现论文，激发创造
  • 使用受限贝叶斯优化的网络级联漏洞

    本文研究电力网漏洞，探讨改变传输线保护设置以产生连锁反应的方法，并通过贝叶斯优化找到最优方案，发现最大程度改变所有线路的保护设置并不会造成最多的连锁反应，资源受限的情况下仍然可以找到导致与无限制下相当严重的级联反应的设置方案。

    Apr, 2023

  • 使用超参数扩散模型预测级联故障

    通过信息传播模型，研究电网中的级联故障；通过将传染概率与信息串联模型相关联，建立了稳健的故障扩散模型，有效地预测级联故障传播，减少大规模级联故障的风险。

    Jun, 2024

  • 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

  • 统计增强的图神经网络预测级联断电严重程度

    通过图神经网络技术加快网络条件的初步分类和感知的方法，提高了黑暗规模估计性能，为筛选可能导致灾难性级联故障的情况提供了一种新的工具。

    Mar, 2024

  • 强化学习在电网级联故障缓解中的应用

    文章提出了一种基于强化学习的串联故障缓解策略，并且通过直流电力优化流 (DCOPF) 等控制来修正底层问题。通过物理方程式，设计了一种高层次的强化学习策略，测试了浅层和深层神经网络结构，并在 IEEE 118 巴士系统上的实验表明，该缓解策略在减少系统崩溃方面表现出了很有前途的性能。

    Aug, 2021

  • PowerGraph：用于图神经网络的电网基准数据集

    开发了一个用于电力网络级联故障的图形数据集，用于训练图神经网络模型以及解释性分析，旨在应用于各个领域，如化学和生物学。

    Feb, 2024

  • 电力电网智能故障分析

    本文提出了一种基于人工智能和机器学习技术的电力系统健康检测方案，利用 Siemens PSS/E 软件模拟电网状况，并采用分类器（SVM、LSTM 等）进行训练和测试，结果证明其能够高精度地检测电网异常，并可扩展应用于更复杂的电网结构。

    Nov, 2017

  • 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

  • 电力系统中的异常检测与上下文无关学习

    提出了一种新颖的上下文感知异常检测算法 GridCAL，它考虑了常规拓扑和负荷 / 发电变化的影响，通过将实时功率流测量值转化为上下文不可知的值，以统一的统计模型为基础进行异常检测。数值模拟结果表明，该方法准确且计算效率高，优于当前最先进的方法。

    Apr, 2024