基于改进CGAN的电力系统暂态稳定评估样本增强方法

• 作者: 徐箭 李军 杨军 谢培元 谭本东 赖秋频
• 来源期刊: 电力系统自动化
• 关键词: 电力系统 暂态稳定评估 数据增强 条件生成对抗神经网络 G-mean值
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 人工智能在电力系统及综合能源系统中的应用专辑
• 页码范围: 149-157
• 页数: 9页
• 字数: 8325字
• 语种: 中文
• DOI: 10.7500/AEPS20180522004

摘要

基于数据驱动的暂态稳定评估方法已成为电网安全领域研究的重点, 由于实际电力系统中暂态失稳情况极少, 给通过数据挖掘方法判断失稳情况带来了极大困难.针对这个问题, 提出了一种用于暂态稳定评估中失稳样本合成的数据增强方法, 对条件生成对抗神经网络 (CGAN) 训练方法的适应性进行改进以提高其学习稳定性, 在离线训练时利用改进CGAN交替训练生成器和判别器, 学习电力系统暂态数据的分布特性, 然后采用极限学习机 (ELM) 分类器筛选出改进CGAN所生成的多组样本中G-mean值最高的生成样本, 将其中失稳样本对原始失稳样本进行增强, 最后用增强后的原始样本训练分类器, 实现在线暂态稳定评估.仿真结果表明, 所提出的样本数据增强方法通过改进CGAN实现对原始数据分布特征的有效学习, 进而提升暂态稳定评估的正确率, 具有抗噪声干扰性强、对高维数据鲁棒性好的优点, 能够有效平衡电力系统失稳数据.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	徐箭	武汉大学电气工程学院	75	941	17.0	28.0
2	杨军	武汉大学电气工程学院	142	1344	18.0	33.0
3	李军		6	26	2.0	5.0
4	谭本东	武汉大学电气工程学院	6	26	3.0	5.0
5	赖秋频	武汉大学电气工程学院	4	19	3.0	4.0
6	谢培元		10	22	2.0	4.0