基于双向长短期记忆网络的电力系统暂态稳定评估

• 作者: 周照宇 孙黎霞 白景涛 赵晨昀
• 来源期刊: 电力系统自动化
• 关键词: 深度学习 长短期记忆网络 暂态稳定评估 归一化 t分布随机近邻嵌入 k最近邻
• 年，卷（期）: 2020,（13）
• 所属期刊栏目: 学术研究
• 页码范围: 64-72
• 页数: 9页
• 字数: 7179字
• 语种: 中文
• DOI: 10.7500/AEPS20191225003

摘要

为进一步提升电力系统暂态稳定评估的准确率,依据电力系统暂态过程数据的时序特性,建立了一种基于双向长短期记忆(Bi-LSTM)网络的暂态稳定评估模型.该方法通过Bi-LSTM网络建立底层量测数据与电力系统暂态稳定类别之间的非线性映射关系,采用准确率、F1指标和FPR指标综合评估Bi-LSTM网络模型性能的优劣,在此基础上,采用t分布随机近邻嵌入(t-SNE)降维方法和k最近邻(KNN)分类器进一步提升暂态稳定评估的准确率.新英格兰10机39节点系统算例表明:所提模型比传统的机器学习模型和部分深度学习模型拥有更好的评估性能.通过可视化方法和网络预测分数对评估模型进行分析,结果表明Bi-LSTM网络模型具有较强的电力系统暂态过程特征提取能力,适用于电力系统暂态稳定性的评估.进一步研究了底层输入数据的归一化模式和方法对暂态评估模型的影响,结果表明z-score归一化方法要优于min-max归一化方法,采用总维数归一化模式的模型评估性能更好.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孙黎霞	河海大学能源与电气学院	26	153	7.0	12.0
2	白景涛	河海大学能源与电气学院	3	1	1.0	1.0
3	周照宇	河海大学能源与电气学院	5	3	1.0	1.0
4	赵晨昀	河海大学能源与电气学院	1	0	0.0	0.0