节点文献

基于深度学习的概率性电网潮流快速计算方法

免费订阅

【作者】 陈新建朱轶伦洪道鉴于杰

【Author】 CHEN Xinjian;ZHU Yilun;HONG Daojian;YU Jie;State Grid Taizhou Power Supply Company,State Grid Zhejiang Corporation Maintenance Company;

【机构】 国网浙江省电力有限公司台州供电公司

【摘要】 高压直流输电技术能将大规模的清洁能源远距离输送,同时电网没有同步稳定问题和无功电压调节困难的约束,因此在全世界范围内具有广泛的发展前景。概率性电力潮流(PPF)在电力系统分析中起着至关重要的作用。但是由于电网潮流在传输中由于大的计算量,而导致消耗较大。传统的电网潮流计算方法对环境要求较高,时而不稳定,给PPF的实现带来了很大挑战。提出了一种基于模型的深度学习方法来克服计算的挑战。采用深度神经网络(DNN)逼近电力潮流计算,根据物理潮流方程进行训练,来提高学习能力。将分支流作为惩罚项加入到DNN的目标函数中,提高了DNN的逼近精度,简化了反向传播过程中使用的梯度,加快了训练速度,提高了算法的收敛速度。仿真结果验证了该方法的有效性和准确性。

【关键词】 概率性电力潮流DNN深度学习反向传播
【基金】 国家电网有限公司科技项目(52152018002K);国网浙江省电力有限公司科技项目(5211TZ170006)
【所属期刊栏目】 理论与应用研究 (2019年06期)
  • 【分类号】TP18;TM744
  • 【下载频次】18
节点文献中: 

本文链接的文献网络图示:

浏览历史:
下载历史: