云南电网是一个典型的高比例水电大规模直流送出系统,运行中多次发生自动发电控制(automaticgeneration control,AGC)过程不稳定导致的频率振荡现象。结合云南电网实际,建立包含AGC控制环节的频率稳定性分段线性化分析模型,通过特征值...云南电网是一个典型的高比例水电大规模直流送出系统,运行中多次发生自动发电控制(automaticgeneration control,AGC)过程不稳定导致的频率振荡现象。结合云南电网实际,建立包含AGC控制环节的频率稳定性分段线性化分析模型,通过特征值分析方法研究云南电网运行方式变化对系统小干扰稳定性的影响,揭示在水电机组一次调频死区以内AGC系统超调是引起云南电网分钟级频率振荡的原因。提出高比例水电系统AGC频率偏差系数的整定方法,通过设置次紧急区区域控制偏差(area control error,ACE)反向抑制策略和紧急区恒定频率控制(flatfrequencycontrol,FFC)切换策略,兼顾小干扰下的稳定性以及大扰动下的速动性。研究成果已在云南电网实际运行中验证,云南电网频率合格率显著提高。展开更多
新型电力系统的高比例可再生能源、高比例电力电子设备特性给电力系统分析与决策带来巨大挑战。以深度学习(deep learning,DL)为代表的数据驱动技术擅长应对大规模高维非线性数据建模问题,在电力系统分析与决策的应用愈发受到业界的关...新型电力系统的高比例可再生能源、高比例电力电子设备特性给电力系统分析与决策带来巨大挑战。以深度学习(deep learning,DL)为代表的数据驱动技术擅长应对大规模高维非线性数据建模问题,在电力系统分析与决策的应用愈发受到业界的关注。作为近年来的热门分支之一,图深度学习(graph deep learning,GDL)将DL技术拓展到了不规则拓扑关联数据的处理,加快DL技术实用化的步伐。该文对电力系统分析与决策各领域的任务需求、DL应用现状做了简要归纳,结合GDL的发展脉络与前沿热点技术,全面总结GDL在电力系统分析与决策应用优势与不足,围绕通用性/迁移性、可靠性以及可解释性等方面探讨GDL框架的未来发展思路。展开更多
数据驱动的暂态稳定评估模型是近年来的热点研究方向。深度学习技术具有高维输入空间的特征聚合能力,其引入能显著降低智能稳定评估模型设计中输入特征选择的主观性,并改善基于动态信息的评估模型预测精度。图深度学习(graph deep learn...数据驱动的暂态稳定评估模型是近年来的热点研究方向。深度学习技术具有高维输入空间的特征聚合能力,其引入能显著降低智能稳定评估模型设计中输入特征选择的主观性,并改善基于动态信息的评估模型预测精度。图深度学习(graph deep learning,GDL)框架进一步拓展了深度学习模型的拓扑学习能力,使其可以将状态特征与拓扑关系相结合,提升稳定评估模型的特征提取能力。论文分析了GDL应用于智能暂态稳定评估模型的设计框架,从图表示、图嵌入、全局聚合、训练方式4个方面探讨了暂态稳定评估应用中GDL的特征聚合性能提升方法。该文结合IEEE测试系统验证了GDL与传统深度学习模型的稳定评估性能差异以及多种性能提升方法的有效性。论文可为GDL在智能稳定评估领域的应用研究提供指导思路。展开更多
文摘云南电网是一个典型的高比例水电大规模直流送出系统,运行中多次发生自动发电控制(automaticgeneration control,AGC)过程不稳定导致的频率振荡现象。结合云南电网实际,建立包含AGC控制环节的频率稳定性分段线性化分析模型,通过特征值分析方法研究云南电网运行方式变化对系统小干扰稳定性的影响,揭示在水电机组一次调频死区以内AGC系统超调是引起云南电网分钟级频率振荡的原因。提出高比例水电系统AGC频率偏差系数的整定方法,通过设置次紧急区区域控制偏差(area control error,ACE)反向抑制策略和紧急区恒定频率控制(flatfrequencycontrol,FFC)切换策略,兼顾小干扰下的稳定性以及大扰动下的速动性。研究成果已在云南电网实际运行中验证,云南电网频率合格率显著提高。
文摘新型电力系统的高比例可再生能源、高比例电力电子设备特性给电力系统分析与决策带来巨大挑战。以深度学习(deep learning,DL)为代表的数据驱动技术擅长应对大规模高维非线性数据建模问题,在电力系统分析与决策的应用愈发受到业界的关注。作为近年来的热门分支之一,图深度学习(graph deep learning,GDL)将DL技术拓展到了不规则拓扑关联数据的处理,加快DL技术实用化的步伐。该文对电力系统分析与决策各领域的任务需求、DL应用现状做了简要归纳,结合GDL的发展脉络与前沿热点技术,全面总结GDL在电力系统分析与决策应用优势与不足,围绕通用性/迁移性、可靠性以及可解释性等方面探讨GDL框架的未来发展思路。
文摘数据驱动的暂态稳定评估模型是近年来的热点研究方向。深度学习技术具有高维输入空间的特征聚合能力,其引入能显著降低智能稳定评估模型设计中输入特征选择的主观性,并改善基于动态信息的评估模型预测精度。图深度学习(graph deep learning,GDL)框架进一步拓展了深度学习模型的拓扑学习能力,使其可以将状态特征与拓扑关系相结合,提升稳定评估模型的特征提取能力。论文分析了GDL应用于智能暂态稳定评估模型的设计框架,从图表示、图嵌入、全局聚合、训练方式4个方面探讨了暂态稳定评估应用中GDL的特征聚合性能提升方法。该文结合IEEE测试系统验证了GDL与传统深度学习模型的稳定评估性能差异以及多种性能提升方法的有效性。论文可为GDL在智能稳定评估领域的应用研究提供指导思路。
