针对预想故障集下,考虑暂态稳定约束的极限传输容量(total transfer capability,TTC)评估问题,以快速、高效地得到大规模互联电网的稳定极限,实现在线应用为目的,设计了一种分布式并行计算框架。研究了暂稳约束TTC评估的基本计算流程以...针对预想故障集下,考虑暂态稳定约束的极限传输容量(total transfer capability,TTC)评估问题,以快速、高效地得到大规模互联电网的稳定极限,实现在线应用为目的,设计了一种分布式并行计算框架。研究了暂稳约束TTC评估的基本计算流程以及系统的整体体系结构。提出了一种优化的工作站群分布式并行计算模式。研究了系统设计中的一些关键子模块。所设计的分布式并行计算平台不仅能够方便地集成到现有的动态安全评估(dynamic security assessment,DSA)系统,同时还可作为离线仿真培训工具,对电力系统的特定情况进行更为详尽地分析。展开更多
建立了基于最优潮流的总传输容量计算模型,推导出目标函数对某节点注入功率的灵敏度系数就是该节点上有功潮流平衡方程的Lagrangian乘子,并采用非线性互补方法求解该模型,从而获得灵敏度并计算出可用传输容量(Available Transfer Capabi...建立了基于最优潮流的总传输容量计算模型,推导出目标函数对某节点注入功率的灵敏度系数就是该节点上有功潮流平衡方程的Lagrangian乘子,并采用非线性互补方法求解该模型,从而获得灵敏度并计算出可用传输容量(Available Transfer Capabillty,ATC)。当某节点注入功率摄动时,根据求得的灵敏度及基准ATC值就可以快速估计出新的ATC值。最后采用IEEE30节点系统验证了文中所提方法的有效性。展开更多
深度学习由于其强大的非线性建模能力,在输电断面极限传输容量(total transfer capability,TTC)评估问题中具有良好的应用前景。然而,由于电力系统的时变性和不确定性,需要快速更新数据和模型以满足在线应用需求。为充分利用历史场景数...深度学习由于其强大的非线性建模能力,在输电断面极限传输容量(total transfer capability,TTC)评估问题中具有良好的应用前景。然而,由于电力系统的时变性和不确定性,需要快速更新数据和模型以满足在线应用需求。为充分利用历史场景数据并减少在线更新的计算代价,提出一种基于主动迁移深度学习的输电断面TTC评估方法。该方法包括两个阶段:第一阶段引入迁移学习预训练,推导了迁移泛化误差界以及最优经验误差组合权重,用于指导预训练阶段得到具有最小泛化误差的新场景模型;第二阶段引入主动学习和模型微调,基于TTC评估网络灵敏度进行重要样本主动查询,显著降低了模型更新所需的新样本标注时间,并利用模型微调进一步提升了新场景模型的性能。算例分析表明,所提方法与传统的深度模型训练方法相比,大幅降低了将模型应用于新场景的标注样本需求与时间成本,提升了模型迁移的效率。展开更多
文摘针对预想故障集下,考虑暂态稳定约束的极限传输容量(total transfer capability,TTC)评估问题,以快速、高效地得到大规模互联电网的稳定极限,实现在线应用为目的,设计了一种分布式并行计算框架。研究了暂稳约束TTC评估的基本计算流程以及系统的整体体系结构。提出了一种优化的工作站群分布式并行计算模式。研究了系统设计中的一些关键子模块。所设计的分布式并行计算平台不仅能够方便地集成到现有的动态安全评估(dynamic security assessment,DSA)系统,同时还可作为离线仿真培训工具,对电力系统的特定情况进行更为详尽地分析。
文摘建立了基于最优潮流的总传输容量计算模型,推导出目标函数对某节点注入功率的灵敏度系数就是该节点上有功潮流平衡方程的Lagrangian乘子,并采用非线性互补方法求解该模型,从而获得灵敏度并计算出可用传输容量(Available Transfer Capabillty,ATC)。当某节点注入功率摄动时,根据求得的灵敏度及基准ATC值就可以快速估计出新的ATC值。最后采用IEEE30节点系统验证了文中所提方法的有效性。
文摘深度学习由于其强大的非线性建模能力,在输电断面极限传输容量(total transfer capability,TTC)评估问题中具有良好的应用前景。然而,由于电力系统的时变性和不确定性,需要快速更新数据和模型以满足在线应用需求。为充分利用历史场景数据并减少在线更新的计算代价,提出一种基于主动迁移深度学习的输电断面TTC评估方法。该方法包括两个阶段:第一阶段引入迁移学习预训练,推导了迁移泛化误差界以及最优经验误差组合权重,用于指导预训练阶段得到具有最小泛化误差的新场景模型;第二阶段引入主动学习和模型微调,基于TTC评估网络灵敏度进行重要样本主动查询,显著降低了模型更新所需的新样本标注时间,并利用模型微调进一步提升了新场景模型的性能。算例分析表明,所提方法与传统的深度模型训练方法相比,大幅降低了将模型应用于新场景的标注样本需求与时间成本,提升了模型迁移的效率。