深度学习在智能电网中的应用现状分析与展望

被引：188

作者：

周念成

廖建权

王强钢

李春艳

李剑

机构：

[1] 输配电装备及系统安全与新技术国家重点实验室(重庆大学)

来源：

电力系统自动化 | 2019年 / 43卷 / 04期

关键词：

人工智能; 大数据; 深度学习; 智能电网; 可再生能源; 电力信息物理系统;

D O I：

暂无

中图分类号：

TM76 [电力系统的自动化]; TP181 [自动推理、机器学习];

学科分类号：

080802 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

深度学习是机器学习研究中的一个新领域,其强大的数据分析、预测、分类能力契合智能电网中大数据应用的需求。文中首先总结了深度学习基本思想,介绍深度学习的5种模型(生成式对抗网络、递归神经网络、卷积神经网络、堆叠自动编码器和深度信念网络)的结构、基本原理、训练方法,概括其应用特征。综述了电力系统中的故障诊断、暂态稳定性分析、负荷及新能源功率预测、运行调控等应用深度学习技术的研究现状。针对深度学习的技术特点,结合电力系统各生产环节,构建深度学习技术在电力系统中的应用框架。最后,从多能源系统运行调控、电力电子化系统安全分析、柔性设备故障诊断、电力信息物理系统的安全防护等方面对深度学习应用进行展望。

引用

页码：180 / 191

页数：12

共 54 条

[1]

计算智能在电力系统多目标优化中的应用研究.[D].叶承晋.浙江大学.2015, 12

[2]

Forecasting spot electricity prices: Deep learning approaches and empirical comparison of traditional algorithms.[J].Jesus Lago;Fjo De Ridder;Bart De Schutter.Applied Energy.2018,

[3]

Machine learning methods for solar radiation forecasting: A review.[J].Cyril Voyant;Gilles Notton;Soteris Kalogirou;Marie-Laure Nivet;Christophe Paoli;Fabrice Motte;Alexis Fouilloy.Renewable Energy.2017,

[4]

Failure diagnosis using deep belief learning based health state classification.[J].Prasanna Tamilselvan;Pingfeng Wang.Reliability Engineering and System Safety.2013,

[5]

Time series forecasting using a deep belief network with restricted Boltzmann machines.[J].Takashi Kuremoto;Shinsuke Kimura;Kunikazu Kobayashi;Masanao Obayashi.Neurocomputing.2014,

[6] A fast learning algorithm for deep belief nets [J].