-
公开(公告)号：CN107391852B
公开(公告)日：2020-07-10
申请号：CN201710616969.5
申请日：2017-07-26
申请人： 清华大学 , 国家电网公司东北分部 , 国家电网公司
IPC分类号： G06F9/455
摘要： 本发明公开了一种基于深度置信网络的暂态稳定性实时评估方法及装置，其中，方法包括：利用时域仿真技术生成学习样本集；将系统量测作为模型输入，并将稳定状态作为模型输出，通过非监督预训练和监督精确调整更新深度置信网络的网络参数，形成暂态稳定评估模型；将故障清除时刻系统实测数据输入暂态稳定评估模型，预测系统的暂态稳定性。该方法可以使用DBN来自动提取电力系统特征，以用于暂态稳定性评估，可同时满足暂态稳定实时评估计算速度和精度的要求，实现暂态稳定性实时评估，提高评估效率，且提高评估的精确度，简单易实现。
-
公开(公告)号：CN107391852A
公开(公告)日：2017-11-24
申请号：CN201710616969.5
申请日：2017-07-26
申请人： 清华大学 , 国家电网公司东北分部 , 国家电网公司
摘要： 本发明公开了一种基于深度置信网络的暂态稳定性实时评估方法及装置，其中，方法包括：利用时域仿真技术生成学习样本集；将系统量测作为模型输入，并将稳定状态作为模型输出，通过非监督预训练和监督精确调整更新深度置信网络的网络参数，形成暂态稳定评估模型；将故障清除时刻系统实测数据输入暂态稳定评估模型，预测系统的暂态稳定性。该方法可以使用DBN来自动提取电力系统特征，以用于暂态稳定性评估，可同时满足暂态稳定实时评估计算速度和精度的要求，实现暂态稳定性实时评估，提高评估效率，且提高评估的精确度，简单易实现。
-
公开(公告)号：CN107392318A
公开(公告)日：2017-11-24
申请号：CN201710620391.0
申请日：2017-07-26
申请人： 清华大学 , 国家电网公司华中分部 , 国家电网公司
IPC分类号： G06N7/00
摘要： 本发明公开了一种基于局部线性化的复杂机器学习模型解释方法及装置，其中，方法包括：采集样本集中任意一点作为样本点，并在样本点周围随机采样得到多个采样点；在表达空间中，获取样本点与每个采样点间的欧拉距离，以作为每个采样点的权重；根据每个采样点的权重和线性模型得到待解释的机器学习模型和解释函数的拟合结果的差距，以获取寻优问题；优化求解寻优问题中使用正则化项惩罚因子的线性回归问题，并得到解释结果。该方法可以在每个数据点的邻域内对复杂机器学习模型进行解释，充分考虑样本空间的局部特性，不但可以有效寻找样本空间不同区域的主导特征，而且更加直观、便捷，可适用于多种机器学习模型的解释。
-
公开(公告)号：CN105069476B
公开(公告)日：2018-12-11
申请号：CN201510484365.0
申请日：2015-08-10
IPC分类号： G06K9/62
摘要： 本发明公开了一种基于两阶段集成学习的风电异常数据识别方法，包括以下步骤：S1：提取风电异常数据参数；S2：根据所述风电异常数据参数生成训练样本和测试样本；S3：利用随机森林训练所述训练样本得到随机森林模型：S4：根据所述随机森林模型，利用梯度迭代决策树训练所述训练样本得到梯度迭代决策树模型；以及S5：根据所述随机森林模型和所述梯度迭代决策树模型分别预测所述测试样本得到预测结果。本发明具有如下优点：提高了风电异常数据识别的准确率。
-
公开(公告)号：CN107609760A
公开(公告)日：2018-01-19
申请号：CN201710764460.5
申请日：2017-08-30
申请人： 清华大学 , 中国电力科学研究院 , 国网甘肃省电力公司电力科学研究院 , 国家电网公司
摘要： 本发明提出一种电力系统的关键特征选择方法及装置，其中，方法包括：根据暂态稳定时域仿真结果得到样本的数据集，并对样本的数据集离散化处理；利用信息熵与互信息的概念，根据断面特征并考虑组合效应在对电力系统关键特征进行初筛，得到电力系统的初始关键特征；利用基于支持向量机SVM算法的封装模型对初始关键特征进行进一步选择，得到电力系统的关键特征。该方法可以借助信息熵工具，量化不同特征提供的信息，找到能够补充潮流断面信息的关键特征，筛选出包含断面特征的特征子集，从而充分考虑组合效应，以更好地找到断面处特征之外的其他特征，提高特征选择的可靠性和准确性。
-
公开(公告)号：CN103366225A
公开(公告)日：2013-10-23
申请号：CN201310295998.8
申请日：2013-07-15
摘要： 本发明公开了一种风功率预测误差识别方法，包括步骤：S1.获取风电场的风速数据、风速预测误差和风功率实测数据；S2.将步骤S1获取到的所有数据进行预处理以剔除错误的数据；S3.根据步骤S2得到的预处理后的风速数据和风功率实测数据得到风功率与风速之间的映射关系；S4.根据步骤S2得到的预处理后的风速预测误差数据得到风速预测误差的分部特性；S5.根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分部特性得到风速预测值与风功率预测误差平均值的关系以及风速预测值与风功率预测误差最小似然值的关系。本发明能够减小日前发电计划误差。
-
公开(公告)号：CN103366225B
公开(公告)日：2016-03-30
申请号：CN201310295998.8
申请日：2013-07-15
摘要： 本发明公开了一种风功率预测误差识别方法，包括步骤：S1.获取风电场的风速数据、风速预测误差和风功率实测数据；S2.将步骤S1获取到的所有数据进行预处理以剔除错误的数据；S3.根据步骤S2得到的预处理后的风速数据和风功率实测数据得到风功率与风速之间的映射关系；S4.根据步骤S2得到的预处理后的风速预测误差数据得到风速预测误差的分布特性；S5.根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分布特性得到风速预测值与风功率预测误差平均值的关系以及风速预测值与风功率预测误差最小似然值的关系。本发明能够减小日前发电计划误差。
-
公开(公告)号：CN105069476A
公开(公告)日：2015-11-18
申请号：CN201510484365.0
申请日：2015-08-10
IPC分类号： G06K9/62
摘要： 本发明公开了一种基于两阶段集成学习的风电异常数据识别方法，包括以下步骤：S1：提取风电异常数据参数；S2：根据所述风电异常数据参数生成训练样本和测试样本；S3：利用随机森林训练所述训练样本得到随机森林模型：S4：根据所述随机森林模型，利用梯度迭代决策树训练所述训练样本得到梯度迭代决策树模型；以及S5：根据所述随机森林模型和所述梯度迭代决策树模型分别预测所述测试样本得到预测结果。本发明具有如下优点：提高了风电异常数据识别的准确率。
-
公开(公告)号：CN103345585A
公开(公告)日：2013-10-09
申请号：CN201310294095.8
申请日：2013-07-12
摘要： 本发明公开了一种风功率预测校正方法，包括步骤：S1.获取选定风电场总容量，获取该风电场最近一个自然年内全场风功率预测数据与风功率实测数据；S2.利用风电场总容量，对步骤S1获取的风电场风功率数据进行归一化处理；S3.根据步骤S2得到的预处理后的风功率预测数据和风功率实测数据，形成输入、输出数据集；S4.随机选取步骤S3得到输入、输出数据集的2/3作为训练集，剩下的1/3作为检验集；S5.选取支持向量机核函数和训练参数，利用步骤S4得到的训练集进行训练，并利用检验集进行检验；S6.利用网格搜索法，修正支持向量机的参数，并利用校正结果的平均绝对百分比误差和均方根相对误差作为评价标准，得到局部最优支持向量机训练模型，即局部最优风功率预测校正模型。
-
公开(公告)号：CN107609760B
公开(公告)日：2020-11-24
申请号：CN201710764460.5
申请日：2017-08-30
申请人： 清华大学 , 中国电力科学研究院 , 国网甘肃省电力公司电力科学研究院 , 国家电网公司
摘要： 本发明提出一种电力系统的关键特征选择方法及装置，其中，方法包括：根据暂态稳定时域仿真结果得到样本的数据集，并对样本的数据集离散化处理；利用信息熵与互信息的概念，根据断面特征并考虑组合效应在对电力系统关键特征进行初筛，得到电力系统的初始关键特征；利用基于支持向量机SVM算法的封装模型对初始关键特征进行进一步选择，得到电力系统的关键特征。该方法可以借助信息熵工具，量化不同特征提供的信息，找到能够补充潮流断面信息的关键特征，筛选出包含断面特征的特征子集，从而充分考虑组合效应，以更好地找到断面处特征之外的其他特征，提高特征选择的可靠性和准确性。
-
-
-
-
-
-
-
-
-
搜索结果
30 条记录 (耗时 0.52 秒)