同步相位的恢复和预测。基于图形的深度学习方法

同步相位的恢复和预测。基于图形的深度学习方法
李安国教授
2022年10月5日
研究

电力系统状态的数据完整性对现代电网运行和控制至关重要,由于通信延迟,控制中心不能立即获得状态测量数据,导致对时间敏感的应用反应缓慢。本文提出了一种新的基于图形的深度学习方法,利用电力网络拓扑结构和现有的测量数据,提前恢复和预测状态。设计了一个图形卷积的递归对抗网络来处理现有信息,并提取图形和时间数据的相关性。这种方法克服了现有同步相位恢复和预测实施的缺点,以提高整个系统的性能。此外,该方法提供了一种自适应的数据处理方法来处理各种规模的电网。案例研究证明了所提出的方法具有出色的恢复和预测精度,并进行了调查以说明其对不良通信条件、测量噪声和系统拓扑结构变化的鲁棒性。

同步相位的恢复和预测。基于图形的深度学习方法

麻省理工学院学士丶硕士丶博士;香港大学电子工程系首席教授;清华大学长江学者;IEEE院士,香港工程科学院院士;香港特别行政区铜紫荆勋章获得者。