排序方式: 共有136条查询结果,搜索用时 14 毫秒
51.
52.
随着可再生能源的大规模并网、需求响应的逐步实现,电网运行方式的复杂性和波动性不断攀升,电力系统的安全运行正面临新的需求与挑战。因此,基于人工智能技术,在广东电网建立了"模型—数据混合驱动的电网安全特征选择和知识发现平台",保证电网安全、稳定、经济运行。文中首先定义了电网安全特征和知识,阐述了模型—数据混合驱动的思想与具体实现方法,并分析了降低误差的手段;其次阐释了平台的并行计算技术;接着设计了平台的软硬件架构;最后,展示了平台在广东电网的实际应用效果,结果表明:(1)从运行规则制定层面,将运行专家离线制定粗放运行规则的模式,变革为人工智能在线发现精细运行规则的模式;(2)从运行规则应用层面,将调度员人工判定运行规则的模式,变革为人工智能实时判定运行规则的模式。 相似文献
53.
近年来,随着中国可再生能源的发展以及交直流混联电网的形成,电力系统暂态电压安全问题越来越突出。对于大电网进行在线暂态电压安全分析十分必要,但因存在维数灾问题导致其在线应用困难。关键挑战在于需要处理高维电压时序轨迹(时间维)、大量预想故障(故障维),以及众多节点和无功设备(空间维)。传统的无功电压分区方法无法应对以上挑战。为此,提出了一种面向暂态电压安全分析的降维方法,包括基于高维电压时序轨迹的暂态电压安全性量化评估方法、面向大量预想故障的代表性严重故障筛选方法,以及故障相依的动态电压分区方法。这3种关键方法分别从时间、故障和空间维度对原问题进行降维。基于IEEE 39节点系统和实际电网模型的仿真验证了所提方法的可行性和有效性。 相似文献
54.
55.
56.
基于软分区的全局电压优化控制系统设计 总被引:41,自引:20,他引:41
中国的无功电压问题日益突出,研发电力系统全局电压优化控制系统已经成为当务之急。文中借鉴了法国等欧洲国家的成功经验,面向国内网、省调,以现有的能量管理系统为基础,设计实用的全局电压优化控制系统。提出了“软分区”的3级电压控制的新思路,无须建设“硬”区域电压控制器,而是在控制中心建设“软”二级控制和“软”三级控制,以软件方式来实现控制的时空解耦,较好地解决了多目标控制问题。探讨了控制系统在实现中的一些重要问题。这种新的控制模式非常适合发展中的中国电力系统,即将在江苏省电网得到应用。 相似文献
57.
58.
信息技术的广泛应用使得电力系统一次侧和二次侧形成了典型的信息-物理耦合系统(cyber-physicalsystem,CPS)。电网CPS的出现促进了新的建模方法、安全评估方法以及问题场景的出现。同时,由电网CPS导致的问题规模扩大、关联复杂性提升也对计算技术和分析方法形成了新的挑战。图计算作为计算机领域出现的一种新的并行计算框架,在处理海量图结构数据和复杂关联性问题时具有很大的优势。该文在详细阐述图计算特性的基础上,对图计算在电网CPS建模及耦合计算、网络结构脆弱性研究等场景的应用进行了分析,并提出了基于电网业务的图数据建模方法和电网CPS业务风险评估的图计算算法。最后利用实际的图计算系统进行了算例分析和应用展示。为电网CPS中相关场景的研究和实际应用提供了一种可行的图数据存储、分析和可视化技术方案。 相似文献
59.
潮流收敛调整是电网运行方式计算的重要工作,其中无功安排不合理是潮流不收敛的重要原因之一。由于无功问题非线性较强,凭借人工经验进行调整较为困难。为此,提出了基于自适应Levenberg-Marquardt的不收敛潮流无功调整方法,将原始问题分解为序列二次规划形式的有功子问题和无功子问题,引入自适应阻尼因子。利用增广拉格朗日函数及信赖域方法决定是否接受迭代步长的更新。详细分析了所提方法能够提升数值稳定性的原因。通过对IEEE300节点系统、波兰3375节点系统以及某省级电网实际系统的算例分析表明,所提方法能够给出无功调整的最小二乘解以实现潮流收敛,进而为方式人员进行潮流调整提供参考和借鉴。 相似文献
60.
深度学习由于其强大的非线性建模能力,在输电断面极限传输容量(total transfer capability,TTC)评估问题中具有良好的应用前景。然而,由于电力系统的时变性和不确定性,需要快速更新数据和模型以满足在线应用需求。为充分利用历史场景数据并减少在线更新的计算代价,提出一种基于主动迁移深度学习的输电断面TTC评估方法。该方法包括两个阶段:第一阶段引入迁移学习预训练,推导了迁移泛化误差界以及最优经验误差组合权重,用于指导预训练阶段得到具有最小泛化误差的新场景模型;第二阶段引入主动学习和模型微调,基于TTC评估网络灵敏度进行重要样本主动查询,显著降低了模型更新所需的新样本标注时间,并利用模型微调进一步提升了新场景模型的性能。算例分析表明,所提方法与传统的深度模型训练方法相比,大幅降低了将模型应用于新场景的标注样本需求与时间成本,提升了模型迁移的效率。 相似文献