新能源的随机性、波动性及弱调节特性给电力系统静态电压的安全及稳定性带来了挑战。针对此问题,提出一种考虑源荷双侧不确定性的高比例新能源电力系统静态电压稳定裕度在线概率评估方法。首先,基于新能源无功调节特性与传统机组的差异...新能源的随机性、波动性及弱调节特性给电力系统静态电压的安全及稳定性带来了挑战。针对此问题,提出一种考虑源荷双侧不确定性的高比例新能源电力系统静态电压稳定裕度在线概率评估方法。首先,基于新能源无功调节特性与传统机组的差异,分析了大量新能源替代传统机组对稳定裕度的影响。然后,分析了新能源出力不确定性对稳定裕度分布范围的影响,并建立源荷不确定性模型以生成典型场景。最后,为了应对新能源快速波动性给稳定裕度带来的影响,提出基于优化ELM-KDE的稳定裕度在线概率评估方法。利用优化极限学习机(extreme learning machine,ELM)预测典型场景稳定裕度并通过核密度估计(kernel density estimation,KDE)准确获得其概率分布函数。构建了静态电压稳定期望裕度和静态电压稳定风险度两个指标对结果进行表征。分别在New England 39和IEEE300节点系统进行了仿真测试,并将结果与传统蒙特卡洛方法计算结果对比,验证了所提方法的有效性。展开更多
网络特征表示学习通过对网络节点之间的关系(结构或属性)进行分析,得出网络特征的低维度表达.现有的针对网络特征学习的方法多基于静态和小规模的假设(如静态的语言网络),并没有针对社会网络的特有属性进行修正学习,因此,现有的学习方...网络特征表示学习通过对网络节点之间的关系(结构或属性)进行分析,得出网络特征的低维度表达.现有的针对网络特征学习的方法多基于静态和小规模的假设(如静态的语言网络),并没有针对社会网络的特有属性进行修正学习,因此,现有的学习方法无法适应当前社会网络所具备的动态性、大规模甚至超大规模等特性.该文在已有研究基础上,提出了基于动态阻尼正负采样的社会网络结构特征嵌入模型(Damping Based Negative-Positive Sampling of Social Network Embedding,DNPS).通过对不同阶层的网络节点关系进行正负阻尼采样,同时构建针对新增节点的动态特征学习方法,使得模型对于大规模社会网络在动态变化过程中的结构特征的提取变得可行,以此获得的节点特征表达具备更好的动态鲁棒性.通过选取3个大规模的动态社会网络的真实数据集和在社会网络的动态链接预测问题的实验中发现:DNPS相对于基准模型(DeepWalk/LINE)在预测准确率以及时间效率上都取得了较大的性能提升.同时,DNPS的学习结果还可以被应用于社会网络的相关研究子领域.例如,在大规模以及动态性的环境下,研究大规模动态社区发现、社会网络用户推荐、标记分类等问题.展开更多
文摘新能源的随机性、波动性及弱调节特性给电力系统静态电压的安全及稳定性带来了挑战。针对此问题,提出一种考虑源荷双侧不确定性的高比例新能源电力系统静态电压稳定裕度在线概率评估方法。首先,基于新能源无功调节特性与传统机组的差异,分析了大量新能源替代传统机组对稳定裕度的影响。然后,分析了新能源出力不确定性对稳定裕度分布范围的影响,并建立源荷不确定性模型以生成典型场景。最后,为了应对新能源快速波动性给稳定裕度带来的影响,提出基于优化ELM-KDE的稳定裕度在线概率评估方法。利用优化极限学习机(extreme learning machine,ELM)预测典型场景稳定裕度并通过核密度估计(kernel density estimation,KDE)准确获得其概率分布函数。构建了静态电压稳定期望裕度和静态电压稳定风险度两个指标对结果进行表征。分别在New England 39和IEEE300节点系统进行了仿真测试,并将结果与传统蒙特卡洛方法计算结果对比,验证了所提方法的有效性。
文摘网络特征表示学习通过对网络节点之间的关系(结构或属性)进行分析,得出网络特征的低维度表达.现有的针对网络特征学习的方法多基于静态和小规模的假设(如静态的语言网络),并没有针对社会网络的特有属性进行修正学习,因此,现有的学习方法无法适应当前社会网络所具备的动态性、大规模甚至超大规模等特性.该文在已有研究基础上,提出了基于动态阻尼正负采样的社会网络结构特征嵌入模型(Damping Based Negative-Positive Sampling of Social Network Embedding,DNPS).通过对不同阶层的网络节点关系进行正负阻尼采样,同时构建针对新增节点的动态特征学习方法,使得模型对于大规模社会网络在动态变化过程中的结构特征的提取变得可行,以此获得的节点特征表达具备更好的动态鲁棒性.通过选取3个大规模的动态社会网络的真实数据集和在社会网络的动态链接预测问题的实验中发现:DNPS相对于基准模型(DeepWalk/LINE)在预测准确率以及时间效率上都取得了较大的性能提升.同时,DNPS的学习结果还可以被应用于社会网络的相关研究子领域.例如,在大规模以及动态性的环境下,研究大规模动态社区发现、社会网络用户推荐、标记分类等问题.
