電力系統(tǒng)仿真分析的人工智能方法

目錄
前言
第1章 電力系統(tǒng)仿真分析的人工智能方法概述 1
1.1 電力系統(tǒng)仿真分析的含義和特點 1
1.2 電力系統(tǒng)仿真分析面臨的挑戰(zhàn) 2
1.3 人工智能技術(shù)帶來的機遇 3
1.4 基于數(shù)字仿真的電力系統(tǒng)人工智能分析研究框架 4
1.4.1 電力系統(tǒng)仿真分析知識經(jīng)驗的人工智能建模和應(yīng)用方法 5
1.4.2 電力系統(tǒng)仿真分析的人工智能建模與知識發(fā)現(xiàn) 6
1.4.3 電力系統(tǒng)潮流方式智能分析與調(diào)整 7
1.4.4 電力系統(tǒng)穩(wěn)定性智能分析與控制 8
參考文獻(xiàn) 9
第2章 電力系統(tǒng)仿真分析知識經(jīng)驗的獲取與管理 10
2.1 電力系統(tǒng)仿真分析知識模型 10
2.1.1 電網(wǎng)潮流調(diào)整過程的表示 11
2.1.2 電網(wǎng)潮流調(diào)整相關(guān)知識的建模 12
2.2 電力系統(tǒng)仿真分析知識的獲取 16
2.2.1 面向文本的知識獲取 16
2.2.2 基于智能調(diào)整模型動作的知識獲取 34
2.2.3 人機協(xié)同知識獲取 44
2.3 電力系統(tǒng)仿真分析知識的推理 65
2.3.1 基于表示學(xué)習(xí)的推理技術(shù) 65
2.3.2 基于圖匹配的推理技術(shù) 69
2.4 電力系統(tǒng)仿真分析知識的清洗 76
2.4.1 錯誤知識檢測 76
2.4.2 錯誤知識修復(fù) 86
2.4.3 冗余知識清洗 93
2.5 小結(jié) 104
參考文獻(xiàn) 104
第3章 電力系統(tǒng)仿真分析知識發(fā)現(xiàn) 106
3.1 復(fù)雜形態(tài)電力系統(tǒng)仿真數(shù)據(jù)與表征學(xué)習(xí) 106
3.1.1 基于記憶網(wǎng)絡(luò)的動態(tài)網(wǎng)絡(luò)表征學(xué)習(xí)模型 107
3.1.2 帶屬性異構(gòu)信息網(wǎng)絡(luò)表征學(xué)習(xí)模型 116
3.1.3 深度生成嵌入框架 124
3.2 基于復(fù)雜約束強化學(xué)習(xí)的仿真分析知識發(fā)現(xiàn) 133
3.2.1 基于馬爾可夫博弈的強化學(xué)習(xí)建模 133
3.2.2 基于多智能體強化學(xué)習(xí)的多斷面功率調(diào)整 135
3.3 面向差異化電力系統(tǒng)場景的知識遷移 138
3.3.1 基于圖神經(jīng)網(wǎng)絡(luò)的知識蒸餾 141
3.3.2 電網(wǎng)級聯(lián)故障下的脆弱性分析發(fā)現(xiàn) 151
3.4 交互式知識提取與評估 163
3.4.1 交互式仿真分析知識標(biāo)注 163
3.4.2 實驗 170
3.5 小結(jié) 176
參考文獻(xiàn) 176
第4章 電力系統(tǒng)潮流收斂與運行方式調(diào)整的人工智能方法 180
4.1 潮流樣本集自主生成 181
4.1.1 潮流樣本自動生成方法 181
4.1.2 潮流收斂調(diào)整樣本集生成 186
4.1.3 潮流方式調(diào)整樣本集生成 187
4.2 潮流收斂人工智能調(diào)整 188
4.2.1 知識驅(qū)動的潮流收斂智能調(diào)整 188
4.2.2 數(shù)據(jù)驅(qū)動的潮流收斂智能調(diào)整 200
4.3 潮流方式人工智能調(diào)整 206
4.3.1 有功類目標(biāo)的潮流智能調(diào)整 206
4.3.2 電壓類目標(biāo)的潮流智能調(diào)整 211
4.3.3 靜態(tài)N–1約束目標(biāo)的潮流智能調(diào)整 216
4.3.4 暫態(tài)N–1約束目標(biāo)的潮流智能調(diào)整 224
4.4 小結(jié) 234
參考文獻(xiàn) 234
第5章 電力系統(tǒng)穩(wěn)定分析與控制決策的人工智能方法 236
5.1 電力系統(tǒng)穩(wěn)定智能分析方法 237
5.1.1 穩(wěn)定分析樣本集自主生成 237
5.1.2 基于擠壓激勵卷積神經(jīng)網(wǎng)絡(luò)的主導(dǎo)失穩(wěn)模式判別方法 240
5.1.3 基于標(biāo)簽平滑圖注意力網(wǎng)絡(luò)的主導(dǎo)失穩(wěn)模式判別方法 249
5.1.4 基于馬爾可夫轉(zhuǎn)移場仿真數(shù)據(jù)動態(tài)特征提取的主導(dǎo)失穩(wěn)模式判別方法 259
5.2 面向高樣本標(biāo)注需求的弱監(jiān)督智能分析及電網(wǎng)變化適應(yīng)方法 267
5.2.1 基于主動學(xué)習(xí)的主導(dǎo)失穩(wěn)模式判別方法 267
5.2.2 基于半監(jiān)督學(xué)習(xí)的主導(dǎo)失穩(wěn)模式判別方法 277
5.2.3 基于主動遷移學(xué)習(xí)的電網(wǎng)變化適應(yīng)方法 284
5.2.4 基于無監(jiān)督遷移學(xué)習(xí)的電網(wǎng)變化適應(yīng)方法 291
5.3 電力系統(tǒng)穩(wěn)定智能決策方法 299
5.3.1 知識融合與深度強化學(xué)習(xí)的緊急切機控制智能決策 299
5.3.2 基于知識經(jīng)驗引導(dǎo)和并行加速的智能緊急切機決策 307
5.3.3 電力系統(tǒng)兩階段緊急切負(fù)荷控制智能預(yù)決策 321
5.4 小結(jié) 330
參考文獻(xiàn) 331
第6章 總結(jié)與展望 335
6.1 總結(jié) 335
6.2 展望 336