随着电网规模扩大和电力元件不断增加,电力系统检修方式变得日趋复杂,仅依靠传统方法难以对海量检修方式下电网的低频振荡风险进行评估。针对此问题,提出了一种基于长短期记忆(long short term memory,LSTM)神经网络的检修态电网低频振...随着电网规模扩大和电力元件不断增加,电力系统检修方式变得日趋复杂,仅依靠传统方法难以对海量检修方式下电网的低频振荡风险进行评估。针对此问题,提出了一种基于长短期记忆(long short term memory,LSTM)神经网络的检修态电网低频振荡风险预测方法。首先,提出了电力系统检修方式的统一编码方法,使计算机能够快速、准确识别电网在各种检修方式下的运行状态;然后,基于同步相量测量单元(phasor measurement unit,PMU)实时测量的电网历史运行数据,利用LSTM神经网络对不同检修方式下电网的低频振荡次数进行预测,从而评估检修态电网发生低频振荡的风险;最后,以华中地区某省级电网为算例,验证了所提方法的准确性和快速性。展开更多
文摘随着电网规模扩大和电力元件不断增加,电力系统检修方式变得日趋复杂,仅依靠传统方法难以对海量检修方式下电网的低频振荡风险进行评估。针对此问题,提出了一种基于长短期记忆(long short term memory,LSTM)神经网络的检修态电网低频振荡风险预测方法。首先,提出了电力系统检修方式的统一编码方法,使计算机能够快速、准确识别电网在各种检修方式下的运行状态;然后,基于同步相量测量单元(phasor measurement unit,PMU)实时测量的电网历史运行数据,利用LSTM神经网络对不同检修方式下电网的低频振荡次数进行预测,从而评估检修态电网发生低频振荡的风险;最后,以华中地区某省级电网为算例,验证了所提方法的准确性和快速性。