Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Cảnh báo toàn diện về chất lượng điện năng trong lưới phân phối dựa trên học sâu
Wireless Networks - Trang 1-14 - 2023
Tóm tắt
Nhằm giải quyết các đặc điểm tuần tự và phi tuyến tính của dữ liệu chất lượng điện năng trong khoảng thời gian dài, một hệ thống đánh giá và cảnh báo sớm về chất lượng điện năng trong mạng lưới phân phối DG dựa trên học sâu đã được đề xuất. Hệ thống giám sát và cảnh báo sớm chất lượng điện năng của mạng lưới phân phối thông minh nhằm mục tiêu thực hiện các chức năng giám sát, dự báo và cảnh báo sớm cho nhiều chỉ tiêu chất lượng điện trong mạng lưới phân phối. Đầu tiên, chúng tôi sử dụng phương pháp cửa sổ trượt để chuyển đổi dữ liệu chất lượng điện năng thành một số đồ thị vuông với thời gian làm thang đo; thứ hai, chúng tôi sử dụng lợi thế trích xuất đặc trưng của Mạng Nơ-ron Tích chập (CNN) để trích xuất các đặc trưng của từng mẫu đồ thị vuông và biến thông tin đặc trưng thành đầu vào của Bộ Nhớ Dài Ngắn (LSTM) theo chuỗi thời gian; cuối cùng, dựa trên đầu ra của CNN-LSTM, hệ thống hoàn thành dự đoán dữ liệu chất lượng điện năng của mạng lưới phân phối điện năng hoạt động. Thông qua một ví dụ mô phỏng mạng lưới phân phối điện năng hoạt động với 13 nút theo chuẩn IEEE và các nguồn điện phân tán, phương pháp này phân tách các nhiệm vụ trích xuất, phân tích và dự đoán đặc trưng của dữ liệu chất lượng điện năng, từ đó đơn giản hóa công việc dự đoán. So với mô hình kiểm soát được chọn, phương pháp này cải thiện đáng kể độ chính xác của dự đoán.
Từ khóa
#chất lượng điện năng #mạng lưới phân phối #học sâu #cảnh báo sớm #mạng nơ-ron tích chập #Bộ Nhớ Dài NgắnTài liệu tham khảo
Gao, Y., Zhang, W., Gao, S., et al. (2019). Intelligent power distribution network status monitoring technology based on big data. Communication Power Technology., 36(5), 259–260.
Mo, Y., & Zhang, Y. (2019). Optimal selection of power utilization reliability improvement objects for intelligent distribution network based on variable weight gray correlation. Power System Protection and Control., 47(5), 26–34.
Liang, Hua (2021).’’Power Quality Prediction of Active Distribution Network Based on CNN-LSTM Deep Learning Model,”2021 IEEE International Conference on Artificial Intelligence for Communications and Networks (AICON),China, pp.108–122.
Weiwei, Su., Ma, S., & Qi, L. (2014). Power quality steady-state index prediction based on ARIMA and neural network. Computer Technology and Development., 24(03), 163–167.
Cui, X., Ma, Z., Zhong, Xu., & Wen, C. (2013). AR prediction method of power quality unbalance index based on discrete fourier decomposition. Modern Electric Power., 30(06), 38–42.
Bai, J., Gu, W., Yuan, X., Li, Q., Xue, F., & Wang, X. (2015). Power quality prediction. Early Warning, and Control for Points of Common Coupling with Wind Farms, Energies., 8(9), 1–18.
Vantuch, T., Mišák, S., Ježowicz, T., Buriánek, T., & Snášel, V. (2017). The power quality fore-casting model for off-grid system supported by multiobjective optimization. IEEE Trans-actions on Industrial Electronics., 64(12), 9507–9516.
Weng, G., Huang, F., Tang, Y., Yan, J., Nan, Y., & He, H. (2017). Fault-tolerant location of transient voltage disturbance source for DG integrated smart grid. Electric Power Systems Research., 144, 13–22.
Martins, V. F., & Borges, C. L. T. (2011). Active distribution network integrated planning incorporating distributed generation and load response uncertainties. IEEE Transactions on Power Systems., 26(4), 2164–2172.
Liu, J., Liu, Y., Feng, C., Li, J., & Zhang, Y. (2018). Research on steady-state power quality early warning threshold based on k-center point clustering. Electrical Measurement and Instrumentation., 55(23), 41–45.
Bian, Y., Zhao, Q., Shuijun, Hu., Hua, Xu., Cao, Li., & Zhou, N. (2021). Research and application of smart distribution network power quality monitoring and early warning based on cloud platform. Huadian Technology., 43(01), 31–37.
Jue, Lu., Sun, Y., Xie, X., Zheng, L., Binghan, Xu., & Ying, Wu. (2020). Research on power quality early warning based on improved combined forecasting. New Technology of Electrical Engineering and Energy., 39(09), 65–73.
Bedi, J., & Toshniwal, D. (2018). Empirical Mode Decomposition Based Deep Learning for Electricity Demand Forecasting. IEEE Access., 6, 49144–49156.
Liu, Yu., Dong, S., Mingming, Lu., & Wang, J. (2019). LSTM based reserve prediction for bank outlets. Tsinghua Science and Technology., 24(01), 77–85.
Yaning, Z. (2018). Short-term load forecasting based on LSTM model[J]. Science Technology and Innovation, 20(12), 18–21.
Shuike, Z., & Pingping, L. (2016). Wind power ultra-short-term prediction error analysis based on mixed distribution model[J]. Journal of Electric Power Science and Technology, 44(1), 45–51.
Gongpeng, W., Meng, D., & Changyong, N. (2018). Stochastic gradient descent algorithm based on convolutional neural network[J]. Computer Engineering and Design, 39(2), 441–462.
Xiaoqiang, Z., & Zhaoyang, S. (2019). Adam-optimized CNN super-resolution reconstruction[J]. Journal of Computer Science and Exploration, 38(5), 858–865.
Huiqun, Y. U., Xiaodan, Z. H. A. N. G., Zengfeng, L. I., & Zhenmin, T. A. N. (2020). Research on hierarchical control strategy of island microgrid based on power quality grades[J]. Journal of Electric Power Science and Technology, 35(6), 68–75.
Liu, M., Liu, C., Chen, Y., Yan, Z., & Zhao, N. (2022). Radio frequency fingerprint collaborative intelligent blind identification for green radios. IEEE Transactions on Green Communications and Networking. https://doi.org/10.1109/TGCN.2022.3185045
Tomas, V., Stanislav, M., Tomas, J., et al. (2017). The power quality forecasting model for off-grid system supported by multi-objective optimization. IEEE Transactions on Industrial Electronics., 64(12), 9507–9516.
Liu, M., Zhang, H., Liu, Z., & Zhao, N. (2022). Attacking spectrum sensing with adversarial deep learning in cognitive radio-enabled internet of things. IEEE Transactions on Reliability. https://doi.org/10.1109/TR.2022.3179491