基于堆叠自动编码器的电力系统暂态稳定评估

被引：79

作者：

朱乔木 ^{[1
]}

陈金富 ^{[1
]}

李弘毅 ^{[2
]}

石东源 ^{[1
]}

李银红 ^{[1
]}

段献忠 ^{[1
]}

机构：

[1] 强电磁工程与新技术国家重点实验室(华中科技大学电气与电子工程学院)

[2] 国网湖南省电力公司经济技术研究院

来源：

中国电机工程学报 | 2018年 / 38卷 / 10期

关键词：

深度学习; 电力系统; 暂态稳定评估; 堆叠自动编码器; 底层量测数据;

D O I：

10.13334/j.0258-8013.pcsee.170095

中图分类号：

TM712 [电力系统稳定];

学科分类号：

摘要：

将深度学习的思想和模型引入电力系统暂态稳定评估研究中,提出一种基于堆叠自动编码器的电力系统暂态稳定评估方法。该方法无需人工计算形成输入特征,直接面向底层量测数据,通过深层架构建立量测数据与稳定类别之间的非线性映射关系。采用一种"预训练–参数微调"的两阶段学习方法,同时引入稀疏化技术和Dropout技术对模型参数进行优化。训练后的模型能够依靠深层结构挖掘数据的隐藏模式,提取出有利于暂态稳定评估的高阶特征。此外,该方法能够通过大量无标注样本的无监督训练提高模型泛化能力,从而大大缩减训练样本时域仿真耗时。新英格兰10机39节点系统上的仿真结果表明所提方法比常规浅层评估方法的评估性能更加优越。

引用

页码：2937 / 2946+3144 +3144

页数：11

共 9 条

[1] 基于复合神经网络的电力系统暂态稳定评估和裕度预测
姚德全
贾宏杰
赵帅
[J]. 电力系统自动化, 2013, 37 (20) : 41 - 46
[2] 基于Stacking元学习策略的电力系统暂态稳定评估
叶圣永
王晓茹
刘志刚
钱清泉
[J]. 电力系统保护与控制, 2011, 39 (06) : 12 - 16+23
[3] 基于受扰严重机组特征及机器学习方法的电力系统暂态稳定评估
叶圣永
王晓茹
刘志刚
钱清泉
[J]. 中国电机工程学报, 2011, 31 (01) : 46 - 51
[4] 基于支持向量机的暂态稳定评估双阶段特征选择
叶圣永
王晓茹
刘志刚
钱清泉
[J]. 中国电机工程学报, 2010, 30 (31) : 28 - 34
[5] 多输入特征融合的组合支持向量机电力系统暂态稳定评估
马骞
杨以涵
刘文颖
齐郑
郭金智
[J]. 中国电机工程学报, 2005, (06) : 20 - 26
[6] 面向图像分类和识别的视觉特征表达与学习的研究[D]. 杨钊.华南理工大学. 2014
[7] Power system transient stability assessment – traditional vs modern methods[J] . Mania Pavella.Control Engineering Practice . 1998 (10)
[8] Sparse coding with an overcomplete basis set: A strategy employed by V1?[J] . Bruno A. Olshausen,David J. Field.Vision Research . 1997 (23)
[9] Real-Time Stability in Power Systems:Techniques for Early Detection of the Risk of Blackout .2 Savulescu S C. Springer . 2006

← 1 →