基于时空图卷积网络的电力系统暂态稳定评估

快速准确的电力系统暂态稳定分析对电力系统安全稳定运行有着重要意义。现代电力系统设备元件日趋复杂多样导致系统非线性日益增强,作为电力系统暂态稳定分析传统方法的时域仿真法过于耗时。针对此问题,提出了一种基于时空图卷积网络模型的暂态稳定分析方法,将短时仿真与神经网络预测相结合,减少暂态稳定分析所需时间,可用于多种仿真分析场景。该方法将暂态稳定分析建模为样本空间映射问题,利用数据驱动方法训练神经网络模型,建立从暂态过程电网空间结构与时序潮流数据到暂态稳定的映射。模型通过同时提取暂态过程故障前、故障中、故障后的电网空间结构特征和时序潮流特征来实现对系统暂态稳定的快速准确判断。与传统暂态稳定分析方法相比,所提出的方法仅需进行短时间仿真分析,提高了分析效率。与其他机器学习模型相比,时空图卷积网络模型同时挖掘电力系统暂态过程的空间特征和时间特征,引入了更多与稳定性相关的先验知识,具有更优的特征挖掘能力和分析性能。基于新英格兰39节点系统的测试结果验证了所提方法的可行性、有效性和优越性。

基于深度时间聚类的微电网典型场景生成方法

典型运行场景提取对制定有效的日前运行策略具有重要意义。微电网中,可再生能源和新型负荷的强不确定性使得微电网的运行场景具有复杂时序特征。传统的场景聚类分析方法缺乏对时序特征的考虑,难以得到有效可信的典型运行场景。为此,文中提出一种基于深度时间聚类的微电网典型运行场景生成方法。首先,基于受路径约束的动态时间规整算法,量度时间序列的形态相似性;其次,设计了一种组合卷积神经网络和双向长短期记忆网络的时序自动编码器结构,提取复杂时序运行场景中的深层次特征并实现数据降维;然后,联合优化时序特征提取与时序聚类,得到有效、可信的典型运行场景;最后,提出考虑时间序列形态相似性的时间轮廓系数以及日内实际场景的运行成本作为聚类有效性评估指标。基于澳大利亚居民微电网的实际算例结果表明,与传统的场景聚类方法相比,所提方法具有更强的复杂时序特征挖掘能力,能够得到更具代表性的典型运行场景。

对一道不等式试题的探究

不等式证明是高考数学中一类较难的题目，本文通过对一道不等式试题的探究来介绍几种证明不等式的方法．

例谈拆和法的应用

在考试题目中，经常出现这样一种题型：不等号左边是一个与自然数n有关的代数式的”项和，如ln1＋ln2＋ln3＋ln4…＋lnn，不等号右边是一个与”有关的分式或多项式．这一类题目往往证明方法难以想到，证明难度较大．本文将通过几个例子的分析（只提供解题思路和主要过程，详细解答请读者自己补充），向大家介绍一种解决该类问题的有效思路——拆和法．