配电网无功优化时,大多数情况下对负荷数据的处理往往只针对某一运行状况下的具体数据,很难对某个运行阶段的多个工况数据进行分类处理。针对上述问题文章提出一种基于卷积神经网络VGG16(Visual Geometry Group Network)的优化方法。首...配电网无功优化时,大多数情况下对负荷数据的处理往往只针对某一运行状况下的具体数据,很难对某个运行阶段的多个工况数据进行分类处理。针对上述问题文章提出一种基于卷积神经网络VGG16(Visual Geometry Group Network)的优化方法。首先按台区变压器的容量占比来进行分类,得到轻、中、高三类场景,再利用粒子群算法对每类场景进行优化,得出对应的优化策略。通过仿真验证了本方法对解决台区动态无功电压问题的有效性。展开更多
文摘配电网无功优化时,大多数情况下对负荷数据的处理往往只针对某一运行状况下的具体数据,很难对某个运行阶段的多个工况数据进行分类处理。针对上述问题文章提出一种基于卷积神经网络VGG16(Visual Geometry Group Network)的优化方法。首先按台区变压器的容量占比来进行分类,得到轻、中、高三类场景,再利用粒子群算法对每类场景进行优化,得出对应的优化策略。通过仿真验证了本方法对解决台区动态无功电压问题的有效性。