-
公开(公告)号：CN118137457A
公开(公告)日：2024-06-04
申请号：CN202410072110.2
申请日：2024-01-17
Applicant: 杭州电子科技大学 , 杭州电子科技大学信息工程学院
Abstract: 本发明公开了一种基于SAC深度强化学习的输电断面功率调整方法，包括如下步骤：建立输电断面的电网模型；利用基于全纯函数嵌入的潮流计算方法来计算输电断面功率灵敏度，将灵敏度的绝对值按大到小排序，筛选出灵敏度排序在前30％‑50％的发电机，并计算HELM电压判稳指标；建立SAC模型，所述SAC模型包括基于pandapower的SAC算法计算环境和SAC智能体，并引入HELM电压判稳指标来设置奖励机制；通过SAC模型训练，得到断面功率调整的结果。SAC深度强化学习算法通过深度神经网络来学习非线性映射关系，从而更好地捕捉电网的行为特征。该算法结合了深度学习和强化学习的优点，有效提升了调整精度，并且大幅减少了人工干预的工作量，进而提高了电网运行的稳定性。
-
公开(公告)号：CN116611331A
公开(公告)日：2023-08-18
申请号：CN202310575969.0
申请日：2023-05-19
Applicant: 杭州电子科技大学 , 杭州电子科技大学信息工程学院
IPC: G06F30/27 , G06N3/006 , G06N3/126 , G06Q50/06 , H02J3/38 , H02J3/06 , G06F111/04 , G06F111/06
Abstract: 本发明公开了一种基于HELM灵敏度判据的分布式电源电压稳定预防控制方法，包括以下步骤：步骤一，建立分布式电源电压稳定预防控制模型，包括目标函数和约束条件；步骤二，利用HELM方法计算包含分布式电源的配电网潮流，作为分布式电源电压稳定预防控制的潮流约束条件；步骤三，利用HELM方法计算节点电压各阶灵敏度，作为分布式电源电压稳定预防控制的不等式约束条件及电压判稳指标，并筛选预想故障，计算各预选故障下的电压稳定指标；步骤四，利用遗传算法根据目标函数和约束条件，求解确定控制变量输出量、该方法能够用于电压稳定预防控制，解决了DG在配电网电压稳定预防控制时不易考虑其对电压稳定影响的问题，计算速度快，电压控制效果更好。
-
公开(公告)号：CN116796644A
公开(公告)日：2023-09-22
申请号：CN202310815003.X
申请日：2023-07-05
Applicant: 杭州电子科技大学 , 杭州电子科技大学信息工程学院
IPC: G06F30/27 , G06N3/045 , G06N3/084 , G06N3/092 , G06F111/10 , G06F113/06 , G06F119/06
Abstract: 本发明涉及基于多智能体SAC深度强化学习的风电场参数辨识方法，首先根据轨迹灵敏度辨识出主要参数，这种方法可减少参与辨识的参数数目，再通过BPA仿真软件搭建softactorcritic(SAC)多智能体的多工况下的训练样本环境，然后设定待辨识风机参数的范围，以此来确定SAC智能体在环境中的状态st的范围和动作at的范围。然后搭建SAC多智能体模型并开始训练和辨识，最后得出辨识结果。本发明将SAC多智能体深度强化学习在多工况下与风机参数辨识相结合，为风电场风机参数辨识提供一种新的方法。在多工况下用SAC多智能体模型来辨识风机参数，大大减少了工作量，而且也能保证参数预测结果的准确度，提高了辨识效率。
-
公开(公告)号：CN117150898A
公开(公告)日：2023-12-01
申请号：CN202311107536.9
申请日：2023-08-30
Applicant: 杭州电子科技大学 , 杭州电子科技大学信息工程学院
IPC: G06F30/27 , G06F18/243 , G06F18/214 , G06N5/01 , H02J3/06 , G06F113/04
Abstract: 本发明公开了一种基于参数优化集成学习的输电断面传输容量评估方法，所述方法包括以下步骤：利用电力系统软件DSATools中PSAT和TSAT，建立一个电网模型，并进行仿真生成样本数据；对样本数据做预处理；搭建XGBoost模型、LGBM模型、RF模型三个基模型；利用随机搜索对XGBoost模型、LGBM模型、RF模型三个基模型进行超参数优化，得到最佳超参数组合；构建stacking模型及训练和预测过程，所述stacking模型集成学习的基模型为LGBM模型、XGBoost模型、RF模型的组合，元模型采用LGBM模型。该方法考虑了系统暂态稳定性，最小阻尼比指标，电压稳定性和频率稳定性这四个指标，并进行子模型和超参数的优化，这种方法可以提高断面传输极限评估的速度和效率。
-
公开(公告)号：CN115102177B
公开(公告)日：2025-05-16
申请号：CN202210681260.4
申请日：2022-06-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于HELM稳定判据的分布式光伏发电的电压控制方法，包括以下步骤：步骤一，建立分布式光伏发电在配电网的电压控制模型；步骤二，利用HELM方法计算包含分布式光伏的配电网潮流，作为分布式光伏发电的电压控制优化模型的潮流约束条件；步骤三，利用HELM方法计算节点电压各阶灵敏度，作为分布式光伏发电的电压控制模型的不等式约束条件及电压判稳指标；步骤四，利用遗传算法根据目标函数和约束条件求解确定分布式光伏发电的有功削减量，网损和电压判稳指标。本发明方法能够用于分布式光伏电源在配电网的电压控制，计算速度快，电压控制效果更好，能考虑分布式光伏对电压稳定的影响，有较高的理论意义和应用价值。
-
Patent Agency Ranking
公开(公告)号：CN114740730B
公开(公告)日：2025-01-28
申请号：CN202210447654.3
申请日：2022-04-26
Applicant: 杭州电子科技大学
IPC: G05B13/04
Abstract: 本发明的基于卷积神经网络的SVG控制器参数辨识方法，通过BPA仿真软件得到各个SVG参数的不同组合和与之对应输出的无功、电压、电流曲线数据，并进行筛选，得到最终数据集；然后依据获取到的数据集搭建可以依据无功动态曲线数据逆推出SVG参数的神经卷积网络模型；最后以RTDS实测曲线数据作为模型输入，即可快速辨识出SVG参数值。本方法将卷积神经网络与SVG控制器参数辨识相结合，为SVG控制器参数辨识提供一种新的方法，保证了参数预测结果的准确度，也提高了辨识效率。
-
公开(公告)号：CN114330521A
公开(公告)日：2022-04-12
申请号：CN202111583359.2
申请日：2021-12-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种风电场机组二次分群方法，包括如下步骤：步骤一、建立风电场机组的详细模型，包括风电机组的动态模型、变压器和主网模型；步骤二、风电场机组分群，采用上述技术方案，提出一种根据卸荷电路动作情况进行首次分群，针对未动作的机组再根据机组稳态电压和暂态电压跌落值进行二次分群的方法，相比较单一按照卸荷电路分群的方法和单一按照机组稳态电压或暂态电压跌落值的方法，即考虑了卸荷电路动作情况对风电机组动态特性的重大影响，又综合考虑了机组稳态电压或暂态电压跌落值等电压电气量对卸荷电路未动作风电机组的重要影响，分群结果模拟风电场机组动态特性更为准确，更适合于风电场机组在大电网中的暂态仿真。
-
公开(公告)号：CN115207962B
公开(公告)日：2025-05-23
申请号：CN202210572610.3
申请日：2022-05-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于HELM稳定判据的分布式电源选址定容方法，包括以下步骤：步骤一，建立分布式电源在配电网的选址定容模型，包括目标函数和约束条件，其中目标函数考虑分布式电源综合费用、网损和基于全纯函数嵌入方法的电压判稳指标；步骤二，利用HELM方法计算包含分布式电源的配电网潮流，作为分布式电源选址定容优化模型的潮流约束条件；步骤三，利用HELM方法计算节点电压各阶灵敏度，作为分布式电源选址定容模型的不等式约束条件及电压判稳指标；步骤四，利用遗传算法根据目标函数和约束条件求解确定分布式电源的安装位置和安装量PDGi。本发明方法能够用于分布式潮流在配电网的选址定容，计算速度快，电压控制效果更好，有较高的理论意义和应用价值。
-
公开(公告)号：CN113346496B
公开(公告)日：2022-07-05
申请号：CN202110591422.0
申请日：2021-05-28
Applicant: 杭州电子科技大学
IPC: H02J3/06
Abstract: 本发明公开了一种基于HELM的包含PQ和PV节点的电网电压灵敏度计算方法。该方法首先利用HELM计算包含PQ和PV节点电网潮流，然后根据基于HELM的灵敏度计算方法计算出PQ节点和PV节点电压对各节点注入功率的灵敏度，计算模型和方法不同于只含有PQ节点的电网电压灵敏度计算。本发明利用HELM法考虑了灵敏度的非线性因素，计算出包含PQ和PV节点电网的节点电压各阶非线性灵敏度。
-
公开(公告)号：CN114740730A
公开(公告)日：2022-07-12
申请号：CN202210447654.3
申请日：2022-04-26
Applicant: 杭州电子科技大学
IPC: G05B13/04
Abstract: 本发明的基于卷积神经网络的SVG控制器参数辨识方法，通过BPA仿真软件得到各个SVG参数的不同组合和与之对应输出的无功、电压、电流曲线数据，并进行筛选，得到最终数据集；然后依据获取到的数据集搭建可以依据无功动态曲线数据逆推出SVG参数的神经卷积网络模型；最后以RTDS实测曲线数据作为模型输入，即可快速辨识出SVG参数值。本方法将卷积神经网络与SVG控制器参数辨识相结合，为SVG控制器参数辨识提供一种新的方法，保证了参数预测结果的准确度，也提高了辨识效率。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.025 seconds)
