该项目研究了图神经网络在电力系统分析中的应用。 它旨在比较图神经网络 (GNN) 与传统多层感知器 (MLP) 模型在相同模型复杂度下的性能。 代码是在 Jupyter Notebook IDE 中使用 pytorch 框架开发的。
神经网络（NN）的最新进展框架被称为图神经网络（GNN），在电力系统中，电网可以被表示为一个具有高维特征和总线之间相互依赖关系的图，为电力系统分析提供更好的机器学习状态，在GNN框架中整合电网拓扑结构用于电力流的应用。
在电网中，总线可以被看作是节点，而线可以被看作是边。节点的特征是电压、电压角、有功功率和无功功率，而线路的特征可以是线路电流和线路电阻。
Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包）
Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包）
Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包）
2022-11-24 16:26:26
64.68MB
潮流计算方法的步骤：
建立潮流的数学模型
确定适宜的计算方法
制定计算流程图
编制计算机程序
对计算结果进行分析和确定，检查程序的正确性
形成节点导纳矩阵；
给各节点电压设初值；
将节点电压初值代入，求出修正方程式的常数项向量；
将节点电压初值代入，求出雅可比矩阵元素；
求解修正方程式，求出变量的修正向量；
求出节点电压的新值；
如有PV节点，则检查该类节点的无功功率是否越限；
检查是否收敛，如不收敛，则以各节点电压的新值作为初值自第3步重新开始下一次迭代，否则转入下一步。
计算支路功率分布，PV节点无功功率和平衡节点注入功率，最后输出结果，并结束。
2022-11-16 20:05:12
1.24MB
1
电力系统软件的仿真参考书主要是similink有稳态分析和暂态分析两种
2022-10-30 18:21:32
7.23MB
1
清华大小电力系统分析课程试卷.7z清华大小电力系统分析课程试卷.7z清华大小电力系统分析课程试卷.7z
2022-07-04 19:08:09
388KB