找到 4 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...
基于特征谱与扩张因果卷积及Squeeze-Excitation ShuffleNet轻量级深度学习的区域风电场日前低功率输出事件预测
Prediction of Day-Ahead Low-Power Output Events in Regional Wind Farms Using Feature Spectrums with Dilated Causal Convolution and Squeeze-Excitation ShuffleNet Lightweight Deep Learning
Zimin Yang · Xiaosheng Peng · Xiaobin Zhang · Guoyuan Qin 等6人 · IEEE Transactions on Power Systems · 2025年5月
区域风电场低功率输出事件的准确预测对电力系统的电网调度至关重要。然而，传统的风电预测方法主要侧重于提高整体预测精度，因此很少单独讨论风电低功率输出事件。本文提出了一种创新的区域风电场日前低功率输出事件预测方法，该方法利用特征频谱，结合扩张因果卷积（DCC）和挤压 - 激励（SE）改进的ShuffleNet网络。首先，将时间序列区域特征转换为频谱图像，在特征创建和选择后，引入并讨论了三种可能的特征排列方式。其次，提出了DCC - SE - ShuffleNet轻量级深度学习神经网络作为低功率输出事...
解读: 该研究的深度学习预测方法对阳光电源的新能源发电及储能产品具有重要应用价值。特征谱分析与轻量级深度学习模型可集成到ST系列储能变流器和SG系列光伏逆变器的控制系统中,提升功率预测精度。具体应用包括:(1)优化储能系统的充放电调度策略,提高PowerTitan等大型储能系统的经济性;(2)改进光伏/风电...
在高比例逆变型电源配电系统恢复中施加细粒度合成频率响应速率约束
Imposing Fine-Grained Synthetic Frequency Response Rate Constraints for IBR-Rich Distribution System Restoration
Chongyu Wang · Yunjian Xu · Kaiyuan Pang · Mohammad Shahidehpour 等6人 · IEEE Transactions on Power Systems · 2025年1月
在同步发电机主导的配电系统恢复过程中，通常施加频率响应速率（FRR）约束以防止负荷投入引起的过大频率跌落。然而，随着各类逆变型电源（IBR）渗透率不断提高，FRR演变为合成FRR（SFRR），其约束难以融入恢复优化模型。本文首次提出一种可无损引入细粒度SFRR约束的建模方法，适用于高比例IBR的配电系统恢复优化。仿真结果表明，该方法通过简洁的线性化约束，精确保障各孤岛微电网的合成频率安全响应，无需降阶频率传递函数或分段近似频率谷值。
解读: 该细粒度合成频率响应速率（SFRR）约束建模技术对阳光电源ST系列储能变流器和PowerTitan大型储能系统具有重要应用价值。在高比例IBR配电网黑启动场景中，该方法可直接集成到阳光电源储能系统的构网型GFM控制策略中，通过线性化约束精确保障孤岛微电网频率安全，避免负荷投入时的频率跌落。相比传统降...
基于典范多线性分解的无参数交流状态估计虚假数据注入攻击方法
Parameter-Free False Data Injection Attack Against AC State Estimation: A Canonical Polyadic Decomposition Based Approach
Haosen Yang · Wenjie Zhang · Zipeng Liang · Ziqiang Wang 等6人 · IEEE Transactions on Power Systems · 2024年9月
随着现代电力系统向信息物理系统发展，虚假数据注入攻击（FDIA）等新型威胁日益突出。本文提出一种无需系统参数信息的AC状态估计FDIA新方法。通过将非线性AC模型表示为张量形式，并利用测量数据构建对角张量，采用典范多线性（CP）分解提取其横向列空间，实现隐蔽攻击。该方法未对AC模型做线性化简化，更贴合实际电网特性，易于规避坏数据检测。即使仅有部分传感器数据可用，方法仍具适应性。仿真验证了其有效性与优势。
解读: 该无参数FDIA攻击研究对阳光电源储能及光伏系统的信息安全防护具有重要警示价值。针对ST系列储能变流器和PowerTitan大型储能系统，该研究揭示的基于张量分解的隐蔽攻击手段，提示需在iSolarCloud云平台的状态估计模块中强化坏数据检测算法，特别是针对AC模型非线性特性的防护。建议在构网型G...