首页下载资源游戏开发深度神经网络的电力系统实时状态估计与预测源代码代码按照高水平文章复现,保证正确利用深度神经网络(DNNs)进行电力系统实时监测 在IEEE 118系统的实际负载数据实验中,新的基于dnn的PSSE

ZIP深度神经网络的电力系统实时状态估计与预测源代码代码按照高水平文章复现,保证正确利用深度神经网络(DNNs)进行电力系统实时监测 在IEEE 118系统的实际负载数据实验中,新的基于dnn的PSSE

JigZfULvAU581.91KB需要积分:1

资源文件列表:

深度神经网络的电力系统实时状态估计与预测源.zip 大约有14个文件
  1. 1.jpg 266.66KB
  2. 2.jpg 95.61KB
  3. 3.jpg 139.44KB
  4. 4.jpg 105.09KB
  5. 在电力系统中实时状态估计与预测是一项关键任务涉.html 10.37KB
  6. 深度神经网络在电力系统实时状态估.doc 3.16KB
  7. 深度神经网络在电力系统实时状态估计与.doc 2.03KB
  8. 深度神经网络在电力系统实时状态估计与.txt 2.61KB
  9. 深度神经网络在电力系统实时状态估计与预.txt 1.89KB
  10. 深度神经网络在电力系统实时状态估计与预测中的实.txt 2.19KB
  11. 深度神经网络在电力系统实时状态估计与预测中的源.txt 2.54KB
  12. 深度神经网络在电力系统实时状态估计与预测的源代码复.html 12.98KB
  13. 深度神经网络的电力系统实时状态估计与预测.html 11.43KB
  14. 首先我们可以以一个独特而引人入胜的标题开始这篇技术.html 15.92KB

资源介绍:

深度神经网络的电力系统实时状态估计与预测源代码代码按照高水平文章复现,保证正确 利用深度神经网络(DNNs)进行电力系统实时监测。 在IEEE 118系统的实际负载数据实验中,新的基于dnn的PSSE方案的性能几乎优于竞争对手的数量级,包括广泛采用的Gauss-Newton PSSE求解器。 基于数据驱动的DNN的改进处理电力系统实时监测(估计和预测)。 为PSSE开发了Prox-linear网络,将网络神经网络与传统的基于物理的优化方法相结合。 在此基础上,引入深度DNN来预测历史(估计)电压对电力系统状态的影响。 基于模型的prox-linear网络的PSSE易于训练,计算成本低廉。 所提出的基于DNN预测考虑了电压时间序列中的长期非线性相关性,增强了PSSE。 在ieee57总线和118节点系统上使用真实负载数据进行的数值测试,说明了开发的方法相对于现有方案的优点。
深度神经网络在电力系统实时状态估计与预测中的应用 摘要:本文旨在探讨深度神经网络(DNNs)在电力系统实时监测中的应用。通过使用基于DNNs的PSSE方案,我们实现了对电力系统状态的准确估计与预测。在IEEE 118系统的实际负载数据实验中,我们发现该方案的性能几乎优于竞争对手的数量级,包括广泛采用的Gauss-Newton PSSE求解器。此外,我们还开发了基于数据驱动的DNNs,将神经网络与传统的基于物理的优化方法相结合,以改进电力系统实时监测的性能。本文还提出了基于模型的prox-linear网络的PSSE方法,该方法易于训练并具有低廉的计算成本。实验结果表明,我们提出的方法相对于现有方案在ieee57总线和118节点系统上的应用中具有明显优势。 1. 引言 随着电力系统规模的不断扩大和复杂性的增加,实时监测电力系统状态变得愈发重要。电力系统实时监测可以提供对电力系统各个节点的准确估计与预测,以实现对系统的有效控制和运行。传统的基于物理的优化方法在实时监测中存在着一些限制,如计算复杂性高和对系统模型的依赖性。而基于数据驱动的深度神经网络(DNNs)方法能够利用大量的实际负载数据,对电力系统状态进行准确估计与预测,因此成为了当前研究的热点之一。 2. 深度神经网络在电力系统实时监测中的应用 2.1 DNNs在PSSE方案中的应用 我们通过引入深度神经网络(DNNs)来改进现有的电力系统实时监测方案,以实现对电力系统状态的准确估计与预测。在IEEE 118系统的实际负载数据实验中,我们发现基于DNNs的PSSE方案的性能几乎优于竞争对手的数量级,包括广泛采用的Gauss-Newton PSSE求解器。这证明了DNNs在电力系统实时监测中的有效性和优越性。 2.2 基于数据驱动的DNNs 为了进一步提高电力系统实时监测的性能,我们开发了基于数据驱动的DNNs。该方法将神经网络与传统的基于物理的优化方法相结合,通过充分利用大量的实际负载数据,对电力系统状态进行准确估计与预测。与传统的基于物理的优化方法相比,基于数据驱动的DNNs具有更低的计算复杂性和更强的适应性。 3. 基于模型的prox-linear网络的PSSE 为了进一步改进电力系统实时监测的性能,我们提出了基于模型的prox-linear网络的PSSE方法。该方法将网络神经网络与传统的基于物理的优化方法相结合,以实现对电力系统状态的准确估计与预测。基于模型的prox-linear网络的PSSE易于训练,计算成本低廉。实验结果表明,该方法相对于现有方案具有明显的优势。 4. 实验与结果 我们在ieee57总线和118节点系统上使用真实负载数据进行了数值测试,以评估我们提出的方法在实际应用中的性能。实验结果表明,我们的方法相对于现有方案具有明显的优势,并且能够更准确地估计和预测电力系统状态。 5. 结论 本文围绕深度神经网络在电力系统实时状态估计与预测中的应用进行了研究。通过在实际负载数据上的实验,我们验证了基于DNNs的PSSE方案在性能上的优越性。同时,我们还提出了基于数据驱动的DNNs和基于模型的prox-linear网络的PSSE方法,进一步改进了电力系统实时监测的性能。实验结果表明,我们提出的方法相对于现有方案具有明显的优势。未来的研究可以进一步探索深度神经网络在电力系统实时监测中的应用,并寻找更好的优化方法来提高系统性能。 关键词:深度神经网络;电力系统;实时监测;状态估计;预测
100+评论
captcha