态势感知 (SA) 已被认为是电力系统稳定和安全运行的关键保证，尤其是在可再生能源整合后的复杂不确定性下。在本文中，提出了一种人工智能驱动的解决方案，以实现涵盖感知，理解和预测的SA的全面实现，其中最后一个是更先进但具有挑战性的，因此以前没有在任何文献中讨论过。通过聚合两个强大的深度学习结构，提出了一种新颖的SA模型: 卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 递归神经网络。提出的CNN-LSTM模型具有在时空测量数据上实现协作数据挖掘的优势，即从相量测量单元数据中同时学习时空特征。在SA模型中设计了两个功能分支: 应急定位器 (用于检测当前的确切故障位置) 和稳定性预测器 (用于预测将来系统的稳定性状态)。测试一下结果表明，即使在较低的数据充分性水平下，该模型也具有很高的性能 (准确性)。
2022-10-10 21:05:37
3.92MB
1
提出了一种可应用于电力系统充裕度分析的快速组合事件概率求取方法。该方法根据二值决策图的基本原理，采用二叉树作为基本数据结构，在电力系统充裕度计算所有可行状态已知的情况下，只需一次回代即可求出相应的系统充裕度指标，具有原理清晰、算法简单、易于实现的特点。理论分析和实际算例表明，其时间和空间复杂度都是问题规模的线性函数，有着比经典inclusion―exclusion法则更好的计算效率，IEEERTS-24节点系统算例的计算表明了该算法在实际应用中的正确性和有效性。
2022-10-09 11:27:53
3.41MB
1
状态变量的最小性，体现在减少变量个数就不能够完全表征系统的动态行为，而增加变量数则是完全表征系统动态行为所不需要的。
2022-10-04 00:17:21
4.87MB
1
DL∕T 890.456-2016 能量管理系统应用程序接口（EMS-API） 第456部分：电力系统状态解子集.pdf
2022-09-30 09:04:38
8.6MB
1
《A Modified Binary PSO to solve the Thermal Unit Commitment Problem》完全复现。代码主要做的是一个考虑需求响应的机组组合问题，首先构建了机组组合问题的基本模型，在此基础上，进一步考虑负荷侧管理，也就是需求响应，在调控过程中通过补偿引导负荷侧积极进行需求响应，在模型的求解上，采用了一种基于改进二进制粒子群算法的求解方法，相较于传统的粒子群算法，更加创新。而且求解的效果更好，代码出图效果非常好；
2022-09-24 20:11:03
45KB
1
在使用深度强化学习算法（Deep Reinforce Learning,DRL）舶能量调度问题中，对智能体调度的结果难以判断，因此需要给出一个基准最优解，使得对智能体的调度结果能做出正确的评价，有助于增强DRL能量调度算法的说服力，同时对DRL能量调度算法的改进具有引导作用。本代码基于python，使用groubi求解器，建立了电力系统能量调度模型，并使用非线性规划算法求出了经济性最低的能量调度方式。本代码适合电力系统初学者学习。
2022-09-24 16:00:40
9KB
1
在matlab中建立了《电力系统碳排放流的计算方法初探》论文的数学模型的仿真，与论文中的案例分析结果完全一致，在论文中标注了其中的一些细节问题，修改了了一些错误，对相关专业的同学有一定的借鉴意义。
如果有任何问题可以私信或者回复评论，我会第一时间回复。
2022-09-19 01:24:53
2KB