找到 2 条结果 · IEEE Transactions on Power Systems
一种用于交流潮流计算的无监督物理信息神经网络方法
An Unsupervised Physics-Informed Neural Network Method for AC Power Flow Calculations
Bozhen Jiang · Chenxi Qin · Qin Wang · IEEE Transactions on Power Systems · 2025年7月
潮流（PF）计算对于电力系统分析至关重要。近年来，数据驱动方法作为一种有前景的加速潮流计算的途径应运而生。然而，这些方法需要高质量的标注数据，且往往存在泛化能力差的问题。为解决这些问题，本文提出了一种用于交流潮流计算的无监督物理信息神经网络（UPINN）方法。该方法遵循牛顿 - 拉夫逊法的一般过程。通过最小化基于有功和无功功率不匹配设计的物理信息损失函数，潮流方程可直接得到满足，而无需计算雅可比矩阵的逆。本文给出了所提出的UPINN训练方法收敛性的证明。在IEEE 24节点和118节点系统上的案...
解读: 该无监督物理信息神经网络潮流计算技术对阳光电源储能与光伏系统具有重要应用价值。在PowerTitan大型储能系统和光储一体化电站中，该方法可嵌入iSolarCloud云平台实现实时潮流分析，无需历史标注数据即可快速求解节点电压与功率分布，显著提升ST系列储能变流器的并网控制响应速度。对于构网型GFM...
基于贝叶斯量子神经网络的高可再生能源渗透电力系统潮流计算
Bayesian Quantum Neural Network for Renewable-Rich Power Flow with Training Efficiency and Generalization Capability Improvements
Ziqing Zhu · Shuyang Zhu · Siqi Bu · IEEE Transactions on Power Systems · 2025年9月
针对高比例可再生能源接入下大规模电力系统潮流计算面临的计算效率与泛化能力挑战，本文提出一种基于贝叶斯量子神经网络（BayesianQNN）的新型潮流计算模型。该模型利用量子计算提升训练效率，并通过贝叶斯方法动态更新对可再生能源不确定性的认知，显著增强对未见场景的泛化能力。为评估模型性能，引入有效维度和泛化误差界两项指标。结果表明，所提方法在训练效率与泛化性能方面均优于现有数据驱动方法，适用于未来稳态电力系统分析。
解读: 该贝叶斯量子神经网络潮流计算技术对阳光电源iSolarCloud智能运维平台及PowerTitan储能系统具有重要应用价值。在大规模新能源电站集群管理中，该算法可显著提升实时潮流计算效率，为ST系列储能变流器的功率调度提供快速决策支持。其对可再生能源不确定性的动态认知能力，可优化SG光伏逆变器与储能...