-
公开(公告)号：CN114552580B
公开(公告)日：2022-07-26
申请号：CN202210436951.8
申请日：2022-04-25
Applicant: 东南大学溧阳研究院
Abstract: 本发明公开了一种基于同步相量的次/超同步振荡智能辨识方法，属于人工智能技术领域。所述辨识方法包括次/超同步振荡训练数据生成、离线训练支持向量机(SVM)定阶模型和卷积神经网络(CNN)智能参数辨识模型、在线辨识过程。首先生成不同振荡模态阶次、频率、阻尼、幅值、相位的训练数据，接着使用数据离线训练SVM定阶模型和CNN智能参数辨识模型，最后应用于实际振荡参数辨识：①数据采集；②数据处理；③模态定阶；④模态分解；⑤参数辨识。本发明能解决基于主站同步相量数据无法辨识次/超同步振荡参数的问题，具有辨识快、精度高的特点。
-
公开(公告)号：CN114512995A
公开(公告)日：2022-05-17
申请号：CN202210407446.0
申请日：2022-04-19
Applicant: 东南大学溧阳研究院
Abstract: 本发明公开一种海上风电柔直并网系统多设备协同抑制宽频振荡方法，包括如下步骤：基于海上风电柔直系统多种运行方式，计算各元件在振荡模式中的参与因子并从大到小进行排序，选取前两个参与因子对应元件，设计深度强化学习的输入量与动作量，基于各元件的控制模型，将多设备协同抑制宽频振荡问题转换成马尔科夫决策过程，并采用深度强化学习算法进行求解，训练深度强化学习模块并将其用于抑制宽频振荡。本发明通过强化学习智能体参与的多端协同控制能够对海上风电场运行时所产生的振荡进行有效地抑制，保证海上风电柔直系统的稳定运行。
-
公开(公告)号：CN114818483A
公开(公告)日：2022-07-29
申请号：CN202210389852.9
申请日：2022-04-14
Applicant: 东南大学溧阳研究院
IPC: G06F30/27 , G06K9/62 , G06N3/04 , G06N3/08 , G06F113/04
Abstract: 本发明公开了一种基于图神经网络的机电扰动定位及传播预测方法。该方法包含离线训练和在线定位两部分。离线训练部分，首先根据电力系统的物理结构获得邻接矩阵及特征矩阵。然后训练基于图神经网络的扰动源定位模型，确定扰动源所在的具体机组。同时根据振荡可能发生的位置训练基于时空图神经网络的振荡传播预测模型，能够准确预测振荡的传播过程。在线定位部分先将发生扰动时电力系统所有节点采集到的有功功率数据输入源定位模型，获得具体的机组位置。然后根据机组的具体位置选择扰动传播预测模型，输入有功功率数据预测未来一段时间内的电力系统所有节点的有功功率数据。本发明不仅有较高的定位正确率，还可以精准预测振荡传播。
-
公开(公告)号：CN114818483B
公开(公告)日：2023-04-07
申请号：CN202210389852.9
申请日：2022-04-14
Applicant: 东南大学溧阳研究院
IPC: G06F30/27 , G06F18/241 , G06F18/25 , G06N3/0464 , G06N3/08 , G06F113/04
Abstract: 本发明公开了一种基于图神经网络的机电扰动定位及传播预测方法。该方法包含离线训练和在线定位两部分。离线训练部分，首先根据电力系统的物理结构获得邻接矩阵及特征矩阵。然后训练基于图神经网络的扰动源定位模型，确定扰动源所在的具体机组。同时根据振荡可能发生的位置训练基于时空图神经网络的振荡传播预测模型，能够准确预测振荡的传播过程。在线定位部分先将发生扰动时电力系统所有节点采集到的有功功率数据输入源定位模型，获得具体的机组位置。然后根据机组的具体位置选择扰动传播预测模型，输入有功功率数据预测未来一段时间内的电力系统所有节点的有功功率数据。本发明不仅有较高的定位正确率，还可以精准预测振荡传播。
-
公开(公告)号：CN115828719A
公开(公告)日：2023-03-21
申请号：CN202210837928.X
申请日：2022-07-17
Applicant: 东南大学溧阳研究院
Abstract: 本发明公开了一种基于生成对抗网络的电力系统次同步振荡数据生成方法，属于人工智能技术领域,所述数据生成方法包括次同步振荡训练数据获取及预处理；建立生成对抗网络(Generative Adversarial Networks，GAN)模型结构；使用训练数据和随机噪声联合训练生成对抗网络模型，确定模型参数；使用训练好的模型生成接近真实次同步振荡数据的生成数据：本发明通过利用生成对抗网络能够获取并学习输入数据底层分布的优势，生成和真实次同步振荡数据较为相似的数据，经实验证明，本发明能有效解决电力系统次同步振荡分析方法中数据样本缺乏的问题，具有依靠数据驱动、数据真实性高的特点。
-
Patent Agency Ranking
公开(公告)号：CN114977222B
公开(公告)日：2022-11-01
申请号：CN202210895108.6
申请日：2022-07-28
Applicant: 东南大学溧阳研究院
Abstract: 本发明公开一种电力系统宽频振荡影响因素和传播路径分析方法，属于电力电子化电力系统稳定性分析领域，步骤是：首先选取系统的运行状态参数作为随机变量，然后测量得到系统在不同参数下的阻抗，并将其分成若干子频率区间，分别求取每个区间的振荡阻尼，再计算每个运行状态变量与阻尼的copula熵，并对运行状态变量进行排序，选出振荡的关键影响因素。当系统发生振荡时，利用系统中各母线的振荡数据计算copula传递熵，构建振荡传播的有向加权网络，并计算网络中每个节点的入度和出度，分析每个节点在振荡传播过程中所起的作用。此种振荡分析方法在系统模型未知的情况下，仅靠量测数据，就能选取振荡的关键影响因素，并分析其传播路径。
-
公开(公告)号：CN114977222A
公开(公告)日：2022-08-30
申请号：CN202210895108.6
申请日：2022-07-28
Applicant: 东南大学溧阳研究院
Abstract: 本发明公开一种电力系统宽频振荡影响因素和传播路径分析方法，属于电力电子化电力系统稳定性分析领域，步骤是：首先选取系统的运行状态参数作为随机变量，然后测量得到系统在不同参数下的阻抗，并将其分成若干子频率区间，分别求取每个区间的振荡阻尼，再计算每个运行状态变量与阻尼的copula熵，并对运行状态变量进行排序，选出振荡的关键影响因素。当系统发生振荡时，利用系统中各母线的振荡数据计算copula传递熵，构建振荡传播的有向加权网络，并计算网络中每个节点的入度和出度，分析每个节点在振荡传播过程中所起的作用。此种振荡分析方法在系统模型未知的情况下，仅靠量测数据，就能选取振荡的关键影响因素，并分析其传播路径。
-
公开(公告)号：CN114552580A
公开(公告)日：2022-05-27
申请号：CN202210436951.8
申请日：2022-04-25
Applicant: 东南大学溧阳研究院
Abstract: 本发明公开了一种基于同步相量的次/超同步振荡智能辨识方法，属于人工智能技术领域。所述辨识方法包括次/超同步振荡训练数据生成、离线训练支持向量机(SVM)定阶模型和卷积神经网络(CNN)智能参数辨识模型、在线辨识过程。首先生成不同振荡模态阶次、频率、阻尼、幅值、相位的训练数据，接着使用数据离线训练SVM定阶模型和CNN智能参数辨识模型，最后应用于实际振荡参数辨识：①数据采集；②数据处理；③模态定阶；④模态分解；⑤参数辨识。本发明能解决基于主站同步相量数据无法辨识次/超同步振荡参数的问题，具有辨识快、精度高的特点。
-
公开(公告)号：CN115828719B
公开(公告)日：2023-10-03
申请号：CN202210837928.X
申请日：2022-07-17
Applicant: 东南大学溧阳研究院
Abstract: 本发明公开了一种基于生成对抗网络的电力系统次同步振荡数据生成方法，属于人工智能技术领域,所述数据生成方法包括次同步振荡训练数据获取及预处理；建立生成对抗网络(Generative Adversarial Networks，GAN)模型结构；使用训练数据和随机噪声联合训练生成对抗网络模型，确定模型参数；使用训练好的模型生成接近真实次同步振荡数据的生成数据：本发明通过利用生成对抗网络能够获取并学习输入数据底层分布的优势，生成和真实次同步振荡数据较为相似的数据，经实验证明，本发明能有效解决电力系统次同步振荡分析方法中数据样本缺乏的问题，具有依靠数据驱动、数据真实性高的特点。
-
公开(公告)号：CN114512995B
公开(公告)日：2022-06-24
申请号：CN202210407446.0
申请日：2022-04-19
Applicant: 东南大学溧阳研究院
Abstract: 本发明公开一种海上风电柔直并网系统多设备协同抑制宽频振荡方法，包括如下步骤：基于海上风电柔直系统多种运行方式，计算各元件在振荡模式中的参与因子并从大到小进行排序，选取前两个参与因子对应元件，设计深度强化学习的输入量与动作量，基于各元件的控制模型，将多设备协同抑制宽频振荡问题转换成马尔科夫决策过程，并采用深度强化学习算法进行求解，训练深度强化学习模块并将其用于抑制宽频振荡。本发明通过强化学习智能体参与的多端协同控制能够对海上风电场运行时所产生的振荡进行有效地抑制，保证海上风电柔直系统的稳定运行。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.022 seconds)
