• 设为首页
  • 加入收藏
  • 联系邮箱
  • 网站首页
  • 期刊介绍
    • 期刊简介
    • 历任主编
    • 期刊荣誉
  • 编委会
    • 社长及主编
    • 主任委员
    • 编委名单
  • 投稿指南
    • 作者须知
    • 投稿步骤
    • 范文(规范细则)
    • 稿件处理流程
    • 著作权转让协议
  • 期刊影响力
  • 开放获取
  • 出版道德政策
    • 出版伦理声明
    • 学术不端认定和处理方法
    • 广告及市场推广
    • 同行评议流程
    • 斟误和撤回
    • 回避制度
    • 文章署名及版权转让
  • 历年目次
  • 联系我们
  • English
站内检索    
 
李彦君,刘友波,冉金周,刘俊勇.深度学习驱动的电网无功-电压优化控制策略模型[J].电测与仪表,2023,60(11):165-173.
LI Yanjun,LIU Youbo,RAN Jinzhou,LIU Junyong.Optimal control strategy model of reactive power-voltage in power grid driven by deep learning[J].Electrical Measurement & Instrumentation,2023,60(11):165-173.
深度学习驱动的电网无功-电压优化控制策略模型
Optimal control strategy model of reactive power-voltage in power grid driven by deep learning
DOI:10.19753/j.issn1001-1390.2023.11.023
中文关键词:  电力系统  无功优化  深度神经网络  遗传算法  网损
英文关键词:power system, reactive power optimization, deep neural network, genetic algorithm, network loss
基金项目:国家自然科学基金项目(51977133)
           
作者中文名作者英文名单位
李彦君LI Yanjun四川大学电气工程学院
刘友波LIU Youbo四川大学电气工程学院
冉金周RAN Jinzhou四川大学电气工程学院
刘俊勇LIU Junyong四川大学电气工程学院
摘要点击次数: 1276
中文摘要:
      文章在应用深度神经网络的基础之上,提出一种可对电网网络损耗进行有效评估与优化的方法。该方法通过神经网络寻求电网中无功补偿设备、变压器运行状态与系统网络中网络损耗的内在联系,结合改进遗传算法对无功补偿设备、变压器变比进行优化求解实现快速调节控制。该方法解决了电网使用传统最优潮流计算求解非线性混合变量规划时存在的收敛性问题,文中放弃了使用潮流分布数据进行训练而是采用节点电压数据替代,实现降维的同时保证了电力系统全局响应信息;通过佳点集抽样样本优化神经网络训练的效果,并改进传统遗传算法提升搜索的全局性或收敛的速度;文中以IEEE 30节点系统对本套方案进行仿真验证,证明了改进方法的有效性。
英文摘要:
      On the basis of applying deep neural network, this paper proposes a methodology to estimate and optimize the network losses for a designated power grid. This method seeks the internal relationship between the operation state of the reactive power compensation equipments and transformers and the network losses in the system network, with the deep neural network, combining with the improved genetic algorithm, the reactive power compensation equipments and transformer ratio are optimized and solved to realize rapid regulation and control. The method solves the convergence problem when the traditional power flow calculation is used to solving the nonlinear mixed variable programming. In this paper, instead of using power flow distribution data for training, the node voltages data is used to achieve dimension reduction while ensuring global response information in power system. The training effect of deep neural network is optimized with good point set samples, and the traditional genetic algorithms is improved to enhance the global and convergence speed of search. Finally, the proposed scheme is tested on the IEEE30-node system and the effectiveness of the methodology is proved to be effective.
查看全文  查看/发表评论  下载PDF阅读器
关闭
  • 哈尔滨电工仪表研究所有限公司
  • 中国电工仪器仪表信息网
  • 中国仪器仪表学会
  • 中华人民共和国新闻出版总署
  • 中国科技期刊编辑学会
  • 黑龙江省科学技术协会
  • 编辑之家
  • 中国知网
  • 万方数据库
  • 维普网
  • 北极星电力网
  • 中华中控网
  • 网站首页
  • 期刊介绍
    • 期刊简介
    • 历任主编
    • 期刊荣誉
  • 编委会
    • 社长及主编
    • 主任委员
    • 编委名单
  • 投稿指南
    • 作者须知
    • 投稿步骤
    • 范文(规范细则)
    • 稿件处理流程
    • 著作权转让协议
  • 期刊影响力
  • 开放获取
  • 出版道德政策
    • 出版伦理声明
    • 学术不端认定和处理方法
    • 广告及市场推广
    • 同行评议流程
    • 斟误和撤回
    • 回避制度
    • 文章署名及版权转让
  • 历年目次
  • 联系我们
地址:哈尔滨市松北区创新路2000号    邮编:150028
邮箱:dcyb@vip.163.com    电话:0451-86611021;87186023
© 2012 电测与仪表    哈公网监备2301003445号
黑ICP备11006624号-1
技术支持:北京勤云科技发展有限公司