基于DBN的配电网可靠性分析

• 作者: 孙园园 章文俊 单鸿涛 陈传涓 段传科
• 来源期刊: 制造业自动化
• 关键词: 配电网可靠性 深度信念网络 受限玻尔兹曼机
• 年，卷（期）: 2021,（7）
• 所属期刊栏目: 信息与管理
• 页码范围: 64-67,86
• 页数: 5页
• 分类号: TM732
• 语种: 中文
• DOI: 10.3969/j.issn.1009-0134.2021.07.014

摘要

为准确高效地分析配电网可靠性,提高配电系统实施效益,提出了基于深度学习的配电网供电可靠性分析方法.所提方法充分利用深度信念网络(Deep Belief Network,DBN)强大的特征自动提取优势,克服了传统神经网络对数据特征提取不足的缺点.首先,通过逐层训练受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)实现DBN模型的预训练;之后采用BP算法进行反向微调,完成整个网络的训练过程;最后用训练好的DBN进行配电网可靠性分析.经与BP神经网络法、传统蒙特卡洛模拟法进行比较,基于深度信念网络的配电网可靠性分析方法所得结果更加准确,在一定程度上体现了将深度学习应用于配电网可靠性分析所具有的优越性.