基于两阶段集成深度置信网络的电力系统暂态稳定评估

• 作者: 吴俊勇 张若愚 李宝琴 邵美阳
• 来源期刊: 电网技术
• 学科: 工学
• 关键词: 深度置信网络 暂态稳定评估 堆叠降噪自动编码器 集成学习 特征提取
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 国家重点研发计划
• 页码范围: 1776-1787
• 页数: 12页
• 分类号: TM721
• 语种: 中文
• DOI: 10.13335/j.1000-3673.pst.2019.1770

摘要

随着人工智能的发展,深度学习技术开始应用于电力系统暂态稳定评估,但面临着模型结构选择和评估性能优化等困难.为充分发挥深度学习的优势,提出一种两阶段集成深度置信网络(deep belief network,DBN)的评估方法.第1阶段预测故障后电力系统的暂态稳定性,由于输入特征和模型结构对暂态稳定评估的影响较大,选择原始电气特征、人工经验特征和堆叠降噪自动编码器提取的特征分别作为输入,训练不同结构的DBN模型,按概率集成机制,建立集成DBN模型,并评价结果的可信度.第2阶段,利用DBN暂稳程度回归预测模型进一步评估可信样本的稳定或失稳程度.在新英格兰10机39节点系统上的仿真结果表明所提方法预测精度高,具有良好的故障筛选性能,同时还能准确衡量可信样本的稳定或失稳程度,为后续控制提供可靠的参考信息.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴俊勇		110	1642	26.0	35.0
2	邵美阳		7	4	1.0	2.0
3	张若愚		4	0	0.0	0.0
4	李宝琴		4	0	0.0	0.0