微电网 · 配电系统
Physics-informed GNN for microgrid N-1 security prediction
本课程将潮流与机器学习连接到物理信息图神经网络和微电网 N-1 安全预测。先学习平衡、不平衡潮流和真实 pandapower 实现,再学习 MLP 训练与图消息传递,最后把 AC 残差加入 GNN 训练并筛查单线路故障。
Balanced Power Flow
交互教材 · 微电网 / 配电系统
从三相平衡背景、公式推导和配电馈线例题出发,通过实时参数控制与可编辑 Python 代码学习平衡 AC 潮流。
Unbalanced Power Flow
交互教材 · 微电网 / 配电系统
推导三相四线馈线模型,通过逐相负荷、单相光伏、中性点偏移、序分量与可编辑 Python 实验学习不平衡潮流。
PandaPower-based Implementation
交互教材 · 真实 pandapower / Python
建立平衡与三相网络,拖动参数、运行可编辑 Python、读取结果表并筛查线路退出工况。提供可以独立使用的 Notebook 下载。
打开 PandaPower-based Implementation →
AI 入门 · 神经网络基础
交互教材 · 第 4 模块 / 监督学习
从单个神经元滑块出发,推导一层隐藏层 MLP 与梯度,训练并回放正弦回归模型,再衔接电网数据学习。包含可编辑 Python、原始 slides 和独立 Notebook。
GNN 入门 · 图、特征与消息传递
交互教材 · 第 5 模块 / 图学习
将五节点微电网编码为节点与边特征,检查邻接矩阵、计算弧和逐层消息,再训练小型端到端 GNN。改变负荷与开关,对照线性电压参考,并运行可编辑 Python 或独立 Notebook。
Physics-informed GNN · 微电网 N-1 安全预测
交互教材 · 第 6 模块 / AC 物理与图学习
推导 AC 失配与归一化联合 loss,用电压扰动观察物理残差,进行纯数据与物理信息 GNN 对照训练,再逐条退出线路检查失供、电压和电流。包含原始预测与独立校正比较、可编辑 Python 和独立 Notebook。