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
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
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
使用图神经网络算法处理测量的相位测量单元数据,并提高了该算法对电力系统多种类型和数量测量的集成,同时提高了其鲁棒性。
Apr, 2023
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
本研究通过深度学习技术来改善电力系统监测和优化算法,着重于应用图神经网络提升电力系统状态估计,并利用强化学习动态重构分布网络。通过广泛的实验和模拟验证了所提出方法的有效性。
Sep, 2023
基于深度神经网络的时间同步状态估计器对于输入扰动具有鲁棒性和可信度的分析验证,并通过批量标准化解决混合整数线性规划问题的可扩展性限制。在修改的IEEE 34节点系统和真实的大型配电系统上,验证了该框架在面对微相位测量单元观测不完整的情况下进行时间同步配电系统状态估计的能力。
Nov, 2023
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
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
利用深度学习方法以解决传统方法在电网应用中的灵活性不足所带来的可再生能源和分布式电力生成带来的挑战的文章中,重点分析了图神经网络在电力网中捕捉图结构以提高表示学习和决策制定能力的能力,同时探讨了强化学习与图神经网络之间的协同作用,尤其将GRL用于自动化电网管理、拓扑控制和电压调节等应用。然而,尽管GRL在面对不可预测事件、噪声或不完整数据时显示出适应性,但目前它主要是一个概念验证。在实际电力系统运行中,仍然需要解决许多开放性挑战和限制问题。
Jul, 2024