.png){kind=icon}
返回
Hybrid physics-based and data-driven method for the rotor angle prediction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.112533.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习方法被广泛应用于电力系统暂态稳定性分析。然而，预测性能可能受到测量数据中不利因素的影响。为缓解不利因素的影响，本文提出了一种混合物理基和数据驱动的转子角轨迹预测网络。该预测模型嵌入转子方程，形成符合实际物理定律的动态学习模型，保证了预测结果的物理一致性。同时，提出了一种结合龙格-库塔方法的动态误差导数积分网络，用于修正最终结果，提高了预测精度。最后，在IEEE 39节点系统和华东电力系统进行了测试。测试结果表明，该模型显著优于其他对比模型，且对测量数据质量的依赖可得到有效缓解。
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
暂无论文信息