论文摘要
高压直流输电技术能将大规模的清洁能源远距离输送,同时电网没有同步稳定问题和无功电压调节困难的约束,因此在全世界范围内具有广泛的发展前景。概率性电力潮流(PPF)在电力系统分析中起着至关重要的作用。但是由于电网潮流在传输中由于大的计算量,而导致消耗较大。传统的电网潮流计算方法对环境要求较高,时而不稳定,给PPF的实现带来了很大挑战。提出了一种基于模型的深度学习方法来克服计算的挑战。采用深度神经网络(DNN)逼近电力潮流计算,根据物理潮流方程进行训练,来提高学习能力。将分支流作为惩罚项加入到DNN的目标函数中,提高了DNN的逼近精度,简化了反向传播过程中使用的梯度,加快了训练速度,提高了算法的收敛速度。仿真结果验证了该方法的有效性和准确性。
论文目录
文章来源
类型: 期刊论文
作者: 陈新建,朱轶伦,洪道鉴,于杰
关键词: 概率性电力潮流,深度学习,反向传播
来源: 沈阳师范大学学报(自然科学版) 2019年06期
年度: 2019
分类: 基础科学,工程科技Ⅱ辑,信息科技
专业: 电力工业,自动化技术
单位: 国网浙江省电力有限公司台州供电公司
基金: 国家电网有限公司科技项目(52152018002K),国网浙江省电力有限公司科技项目(5211TZ170006)
分类号: TP18;TM744
页码: 554-558
总页数: 5
文件大小: 133K
下载量: 55