CN110879917A - 一种基于迁移学习的电力系统暂态稳定自适应评估方法 - Google Patents
一种基于迁移学习的电力系统暂态稳定自适应评估方法 Download PDFInfo
- Publication number
- CN110879917A CN110879917A CN201911088617.2A CN201911088617A CN110879917A CN 110879917 A CN110879917 A CN 110879917A CN 201911088617 A CN201911088617 A CN 201911088617A CN 110879917 A CN110879917 A CN 110879917A
- Authority
- CN
- China
- Prior art keywords
- transient stability
- model
- power system
- layer
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 71
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 238000013526 transfer learning Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 52
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000011176 pooling Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000013508 migration Methods 0.000 claims abstract description 9
- 230000005012 migration Effects 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000001687 destabilization Effects 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims 2
- 238000005070 sampling Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于迁移学习的电力系统暂态稳定自适应评估方法,该方法将故障切除后发电机功角轨迹簇的27个几何特征的时序数据作为原始输入特征;构建基于卷积神经网络的暂稳预测模型,它由输入特征、卷积层1、池化层1、卷积层2、池化层2、全连接层、分类层和输出结果组成;并改进反向传播算法的损失函数;最后利用迁移学习策略,将一种运行方式和拓扑结构系统下得到的预训练模型的网络结构、两个卷积层、两个池化层和全连接层的参数都迁移到新模型,仅随机初始化分类层的参数,在新的运行方式和拓扑结构下,用新场景下的训练样本集对分类层进行训练,即可使新模型很快地跟踪电力系统的运行方式和拓扑结构的变化,保持较高预测准确率。
Description
技术领域
本发明涉及电力系统领域,特别是涉及一种基于迁移学习的电力系统暂态稳定自适应评估方法。
背景技术
随着现代电力系统规模不断扩大,交直流混联输电方式的快速发展,新增设备的不断增多以及新能源技术的广泛应用,系统的运行状态越来越接近其稳定极限,再加上网络攻击、电磁攻击等人为蓄意破坏,其安全稳定问题日益严重,电网大面积停电事件时有发生。然而现代电力系统是一个高维的非线性系统,故障发生速度快,响应时间短,仅根据调度人员的经验很难在短时间内做出准确的判断,因此迫切需要一种快速准确的电网暂态稳定评估方法。
以机器学习和深度学习为工具的暂态稳定预测为电力系统暂态功角稳定预测的研究另辟蹊径。中国专利公开号CN106849069A是基于Pin-SVM的电力系统暂态稳定评估方法,采用直接法的暂态动能等指标作为人工智能方法的样本特征,采用最大相关最小冗余特征选择方法对原始特征集进行特征压缩,减少训练时长的同时具有更高的准确率。中国专利公开号CN108551167A提出了一种基于XGBoost算法的电力系统暂态稳定判别方法,该方法将故障前的特征数据作为输入,主要目的是为了起到故障预防的作用。中国专利公开号CN108964046A是一种基于故障清除后短时受扰轨迹的电力系统暂态稳定评估方法,构建卷积神经网络建立发电机电气量与系统暂态稳定性之间的映射关系,模型具有较强的鲁棒性和评估性能。中国专利公开号CN104578053A提出了一种基于受扰电压轨迹簇特征的电力系统暂态稳定性预测方法,将故障切除后发电机节点电压幅值的时域轨迹簇构成原始数据集,计算轨迹簇的27个几何特征,再采用Relief算法进行特征选择,然后构造SVM预测模型。
已有的研究和发明成果均取得了较高的预测准确率,但是仍然存在不足。首先,初始特征的选择对模型最终评估性能有很大影响,以上所提到的专利除了中国专利公开号CN104578053A以外,现有的特征选择和提取方法一般会面临当系统规模增大时,特征维数急剧上升的“维数灾难”,使得已经训练好的模型无法使用,需要重新训练模型或另外设计新的特征提取方法,因此增大了模型的使用成本。其次,现有方法更多关注预测模型的准确性,忽视了稳定场景与失稳场景的误分类成本差异,没有考虑不平衡样本训练带来的判别结果倾向性和误分类的代价问题。此外,现有方法在追求更高准确率的同时忽视了模型实时跟踪系统运行方式和拓扑结构变化的自适应能力,在遇到新的运行方式和拓扑结构时预测模型的识别准确率往往大幅度降低,或者需要对于每一种典型运行方式或拓扑结构训练各自的暂稳预测器,实际应用中得先匹配场景和预测器,才能够实现较为准确的暂态稳定预测结果,这样不仅耗时耗资源,而且难以满足在线运行的需求。
发明内容
本发明要解决的技术问题是克服电力系统故障发生速度快,响应时间短,仅根据调度人员的经验很难在短时间内做出准确的判断的缺陷,从而提供一种基于迁移学习的电力系统暂态稳定自适应评估方法。
为解决上述技术问题,本发明采用下述技术方案:
1.本发明提供一种基于迁移学习的电力系统暂态稳定自适应评估方法,包括以下内容:
步骤(1):利用Matlab工具箱Power System Toolox 3.0仿真生成大量电力系统暂态稳定样本数据集;
步骤(2):从原始数据集中提取各样本发电机故障切除后的功角轨迹曲线,并给每一个样本标注暂态稳定标签;
步骤(3):定义27个发电机功角轨迹曲线的几何特征也即簇特征,根据定义计算出故障切除后第1周波(1T=0.0167s)到第15周波内的27个发电机功角轨迹时序特征,作为后续深度神经网络的特征输入;由此形成了一定数量的输入与输出对,用于构建电力系统暂态稳定预测模型的样本数据;
步骤(4):采用卷积神经网络并对反向传播算法的损失函数适当进行修正,利用获取的样本数据进行模型训练;在训练过程中,针对暂态稳定样本稳定和失稳样本比例不同和预测稳定和失稳的代价不同的特点,引入权重系数对损失函数进行修正,使得模型减少因稳定样本多于失稳样本而更倾向于将误分样本预测成稳定结果的情况;
步骤(5):利用原始训练集将卷积神经网络训练完成后,根据WAMS实时记录的数据或者电网能量管理系统记录下来的电网实时运行数据,构建27个轨迹簇时序特征;输入卷积神经网络模型,即可实时判别电力系统在经历故障后能否维持稳定运行的状态;
步骤(6):当面对系统运行方式和拓扑结构发生较大改变的情况,根据负荷预测和电网相关运行规则提前得知系统运行方式和拓扑结构,并针对特定的电网场景,提前仿真生成新场景下的新训练样本集和新测试样本集。采用迁移学习策略,将预训练模型的网络结构、两个卷积层、两个池化层和一个全连接层的参数迁移至新模型,仅随机初始化分类层参数,用新训练集训练分类层,即可得到迁移更新后的预测模型。所构造的基于CNN的电力系统暂态稳定评估模型及其迁移方法,能很快地跟踪电力系统的运行方式和拓扑结构的变化,实现电力系统暂态稳定的自适应评估。
可选地,所述步骤(2)中,对于每个样本,利用仿真时间5s内,任意两台发电机相对功角之差的绝对值是否大于360°为暂态稳定判据,来判断系统是否发生失稳状况,如果小于360°则判定为稳定样本,标签为(1,0),反之则为失稳样本,标签为(0,1)。
可选地,所述步骤(3)中,对于某个故障,从故障切除后的第1周波开始,记录样本各发电机功角信息,定义系统发电机功角轨迹曲线的27个几何特征即轨迹簇特征:质心、离散度、上包络线、下包络线、中心线、上包络线与质心线之差、下包络线与质心线之差、包络线高度、中心线与质心之差、质心线变化率、离散度变化率、上包络线变化率、下包络线变化率、中心线变化率、包络线高度变化率、轨迹曲率、质心曲率、离散度曲率、上包络线曲率、下包络线曲率、中心线曲率、质心变化加速度、离散度变化加速度、上包络线变化加速度、中心线变化加速度和包络线高度变化加速度,将故障切除后15个周波内27个簇特征的时序数据作为输入特征矩阵,各发电机功角采用弧度制,将记录的每一个时间断面的轨迹簇特征经过最大最小值归一化公式处理,转换至[0,1]区间内。
可选地,所述步骤(4)中,构建的基于卷积神经网络的电力系统暂态稳定预测模型结构是由输入时序特征、两个卷积层CONV1和CONV2、两个池化层POOL1和POOL2、一个全连接层、一个分类层和输出结果构成。
可选地,步骤(3)处理得到的输入特征维数15×27;卷积层CONV1的过滤器长和宽的尺寸设置为3×3,深度为32,长和宽的移动步长均设置为1;池化层POOL1的过滤器长和宽的尺寸设置为2×2,深度为32,长和宽的移动步长均设置为2;卷积层CONV2的过滤器长和宽的尺寸设置为3×3,深度为64,长和宽的移动步长均设置为1;池化层POOL2的过滤器长和宽的尺寸设置为2×2,深度为64,长和宽的移动步长均设置为2;全连接层设置120个神经元;输出结果设置2个神经元经过Softmax层计算概率并输出;卷积神经网络暂态稳定评估模型采用Adam算法,样本批量设为100,学习率为1e-4,神经元激活函数采用ReLu函数,迭代轮次设为198次。
可选地,对所述步骤(4)的预训练模型的结构和部分参数进行迁移,保持预训练模型的结构和两个卷积层、池化层和全连接层的参数不变,将系统新运行方式和新拓扑结构下的暂稳仿真样本输入预训练模型,得到全连接层的输出,将这个输出保存下来作为新的输入特征,随机初始化分类层参数,用步骤(6)得到的新训练集训练分类层,得到迁移更新后的预测模型,用步骤(6)得到的新测试集对更新后的模型进行测试。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明:
图1示出本发明实施例中电力系统暂态稳定自适应评估方法的流程图;
图2示出本发明实施例中卷积神经网络结构图;
图3示出本发明实施例中迁移策略图;
图4示出本实施例中新英格兰10机39节点系统的拓扑结构图。
具体实施方式
本发明公开了一种基于迁移学习的电力系统暂态稳定性的评估方法,如图1所示,该方法包括以下步骤:
步骤(1),利用Matlab工具箱Power System Toolox 3.0仿真生成大量电力系统暂态稳定样本数据集。
步骤(2),从原始数据集中提取各样本发电机故障切除后的功角轨迹曲线,并给每一个样本标注暂态稳定标签。
步骤(3),定义27个发电机功角轨迹曲线的几何特征也即簇特征,根据定义计算出故障切除后第1周波(1T=0.0167s)到第15周波内的27个发电机功角轨迹时序特征,作为后续深度神经网络的特征输入;由此形成了一定数量的输入与输出对,用于构建电力系统暂态稳定预测模型的样本数据。
步骤(4),采用卷积神经网络并对反向传播算法的损失函数适当进行修正,利用获取的样本数据进行模型训练;在训练过程中,针对暂态稳定样本稳定和失稳样本比例不同和预测稳定和失稳的代价不同的特点,引入权重系数对损失函数进行修正,使得模型减少因稳定样本多于失稳样本而更倾向于将失稳样本预测成稳定结果的情况。
步骤(5):利用原始训练集将卷积神经网络训练完成后,根据WAMS实时记录的数据或者电网能量管理系统记录下来的电网实时运行数据,构建27个轨迹簇时序特征;输入卷积神经网络模型,即可实时判别电力系统在经历故障后能否维持稳定运行的状态;
步骤(6):当面对系统运行方式和拓扑结构发生较大改变的情况,根据负荷预测和电网相关运行规则提前得知系统运行方式和拓扑结构,并针对特定的电网场景,提前仿真生成新场景下的新训练样本集和新测试样本集。采用迁移学习策略,将预训练模型的网络结构、两个卷积层、两个池化层和一个全连接层的参数迁移至新模型,仅随机初始化分类层参数,用新训练集训练分类层,即可得到迁移更新后的预测模型。所构造的基于CNN的电力系统暂态稳定评估模型及其迁移方法,能很快地跟踪电力系统的运行方式和拓扑结构的变化,实现电力系统暂态稳定的自适应评估。
本发明的有益效果如下:与传统的输入特征相比,本发明提出的基于故障切除后发电机功角轨迹曲线的时序特征(簇特征),其特征维数不随系统拓扑结构变化而发生改变,适用性强,有助于迁移学习的实施;CNN的学习方法能够有效学习输入特征和输出状态之间的映射关系,相较于DBN、ANN、SVM等常用的机器学习算法,它拥有更强的特征提取能力,可以获得更高的预测准确率。另外,使用改进后的损失函数,能够得到更低的误警率,增强模型的实用价值;CNN的深层网络结构能够较好地完成特征表达,使得在迁移学习过程中能够利用已有的预训练模型提取新样本的高层特征,从而保证模型的更新速度和评估性能;迁移学习使在线应用时模型自适应能力不足的问题得到有效解决,体现了举一反三的发散思维,提高了深度神经网络的训练效率,充分利用了历史源域数据的有价值信息,提高了网络的评估性能。
1)卷积神经网络的输入特征和输出结果的确定:
①通过离线暂态稳定仿真计算获取大量故障切除后发电机功角的轨迹曲线,选取故障切除后第1周波到第15周波内的发电机功角轨迹数据,一个周波为一个采样间隔即T=0.0167s,每个发电机功角轨迹共有15个采样点,根据仿真获得的所有发电机功角轨迹的采样序列和27个轨迹簇特征定义,计算每个采样时刻27个轨迹簇特征,将计算得到的轨迹簇特征序列构成卷积神经网络的输入样本矩阵集,并利用最大最小归一化公式对其进行数据预处理,每个样本的输入特征维数为15×27;
②卷积神经网络的输出分别对应暂态稳定类别和暂态失稳类别,在仿真时长5s内任意两台发电机的最大相对转子角之差的绝对值小于360度则判定为稳定,对应的标签为(1,0),反之则判定为失稳,对应的标签为(0,1)。
2)卷积神经网络的参数的确定:
将所有数据集随机划分成训练集、测试集和验证集,以验证集的评估准确率为评价指标构建最佳卷积神经网络用于暂态稳定预测。本发明构建的基于卷积神经网络的电力系统暂态稳定预测模型结构如图2所示,是由输入时序特征、两个卷积层CONV1和CONV2、两个池化层POOL1和POOL2、一个全连接层、一个Softmax层和输出结果构成。输入特征维数15×27;卷积层CONV1的过滤器长和宽的尺寸设置为3×3,深度为32,长和宽的移动步长均设置为1;池化层POOL1的过滤器长和宽的尺寸设置为2×2,深度为32,长和宽的移动步长均设置为2;卷积层CONV2的过滤器长和宽的尺寸设置为3×3,深度为64,长和宽的移动步长均设置为1;池化层POOL2的过滤器长和宽的尺寸设置为2×2,深度为64,长和宽的移动步长均设置为2;全连接层设置120个神经元;输出结果设置2个神经元经过Softmax层计算概率输出。卷积神经网络暂态稳定评估模型采用Adam算法,样本批量设为100,学习率为1e-4,神经元激活函数采用ReLu函数,迭代轮次设为198次。
3)模型性能评价指标的建立:
考虑到在实际电力系统中,“漏判”和“误判”对电力系统的影响不同。模型评估指标除采用整体的识别准确率PAC外,还引入漏判率PMD、误警率PFA和F1值。暂态稳定评估的混淆矩阵如表1所示,根据混淆矩阵定义如下评价指标:
表1
①准确率PAC(Accuracy rate),表示正确评估的样本比例,
②漏判率PMD(Misdetection rate),表示将真实的失稳样本错误判定为稳定样本的个数占失稳样本总数的百分比,
③误警率PFA(False-alarm rate),表示将真实稳定样本错误判断为失稳样本的个数占稳定样本总数的百分比,
④F1表示精度precision与召回率recall的调和平均值,
为了更加关注失稳样本是否正确分类,对式(4)中的精度precision与召回率recall进行了适当修改,公式如下:
4)改进损失函数:
卷积神经网络的所有权重和偏置通过反向传播算法最小化损失函数的方式计算得到。常用的交叉熵损失函数表示如下:
式中:N是训练样本总数,为样本的真实标签,如暂态稳定样本标签为(1,0),失稳样本标签为(0,1);为经过Softmax层后的输出概率,代表第i个样本被预测为各类别的概率。如果则样本被预测为暂态稳定样本,反之则为失稳样本。
对于实际的电力系统暂态稳定算例,获得的稳定样本数大于不稳定样本数,若两者差距太大将会导致训练过程中模型更倾向将结果判断为稳定,造成将一些难以辨识的临界不稳定样本错误判断为稳定样本的概率大于将其正确判断为失稳样本的概率。然而,在实际电力系统中,“漏判”和“误判”对电力系统的影响不同。前者将失稳样本错误判断成稳定样本而没有任何报警信号,导致调度人员在系统即将失稳前没能及时采取相应的紧急控制措施,将会给系统带来严重的破坏,甚至引发连锁故障和大面积停电,而后者将稳定样本错误判断成失稳样本,带来的影响相对来说要小很多。因此,本发明针对经典的交叉损失函数进行相应的修改,改进后的损失函数如下:
5)迁移学习策略:
如图3所示,保持预训练模型的结构和两个卷积层、两个池化层和全连接层的参数不变,将新场景下的所有样本集输入预训练模型,保存全连接层的输出特征。将该特征作为输入特征,随机初始化分类层参数,用新场景下的新训练集各自分别训练分类层,更新预测模型,分别用各自的新测试集对更新后的模型进行测试,获得暂态稳定预测结果。
下面通过一组实施例对本发明作进一步说明:
本实施例以新英格兰10机39节点系统为例进行说明,如图4所示。新英格兰10机39节点系统代表一个345kV的电力网络,共包含10台发电机,39条母线,12个变压器和34条交流线路,其中发电机G10代表与该系统相连的加拿大部分的电力网络的等值机。使用Matlab工具箱PST 3.0仿真计算生成暂态稳定样本,预测模型的训练和迁移学习策略均采用TensorFlow框架。对于10机39节点系统,系统负荷水平考虑75%至120%以5%步长增加的10种负荷情况,故障均为三相短路故障,故障位置分别位于交流线路的0%至90%以10%步长增加的10种故障点,故障持续时间为1周波(0.0167s)至11周波(0.1837s)以1周波步长增加的11种故障时长,仿真时长为5s,系统频率为60Hz,采样频率为每秒60次。一共仿真生成了37400个样本,样本生成后,将所有样本分为稳定和失稳两类,稳定样本标签为(1,0),失稳样本标签为(0,1),其中共有24864个失稳样本和12536个稳定样本。
1)模型评估性能
对37400个样本全部标注标签,随机抽取其中22400个样本作为训练样本集,5000个样本作为验证样本集,剩下的10000个样本作为测试集进行测试,将CNN预测模型的评估性能与DBN、ANN、DT、RF、KNN和SVM预测模型进行对比。DBN的网络结构设置为27-100-50-10-2,RBM重构的学习率设为0.8,NN的学习率设为0.001。ANN的网络结构设置为27-300-100-50-2,DBN和ANN的监督学习阶段的训练算法均采用Adam算法。DT采用C4.5算法,RF由70棵树集成而成,KNN的最近邻个数n=4,SVM采用RBF核函数,利用五折交叉验证和网格搜索法寻找最优的C和γ参数,C的遍历集合为{0.1,1,10,100,1000},γ的遍历集合为{0.12,0.60,3.00,15.00},最终选取C=10,γ=0.12。为了减小随机性带来的评估性能差异,这里抽样20次,分别测试上述方法,各次测试结果的平均值见表2所示。
表2
由表2可知CNN模型在PAC、PMD、F1指标上均表现得最好,而PFA指标稍有逊色,这是因为改进损失函数后对稳定样本的误判稍微增多,但仍然在可以接受的范围内。其评估性能相较于其他的机器学习算法,它拥有较大的优势。
2)模型泛化能力测试
模型的泛化能力是暂态稳定评估模型不可忽略的性能,只有具有较强的泛化能力,训练模型才具有应对实际应用的能力。为了检测所提模型的泛化能力,新增了如下数据集。
场景1:在10机39节点系统75%至120%标准负荷水平运行工况下,以5%的变化步长增加,并且相应改变发电机出力保证系统潮流收敛,每一种负荷水平下随机设置5种发电机出力方式。设在34条交流线路50%处分别发生三相短路故障,故障发生后5个周期切除首端故障,6个周期切除末端故障,或者9个周期切除首端故障,10个周期切除末端故障,或者19个周期切除首端故障,20个周期切除末端故障(一个周期=0.0167s)。共仿真生成了5100个样本作为新数据集。该数据集用D1表示,它反映了实际电网系统发生的常规变化。
场景2:负荷在50%标准负荷水平下,减少1台发电机和4条线路,按照原始数据集设置故障的方式进行暂态稳定仿真,一共仿真生成了1000个样本作为新测试集,该数据集用D2表示。
场景3:负荷在150%标准负荷水平下,增加2台发电机和4条线路,按照原始数据集设置故障的方式进行暂态稳定仿真,一共仿真生成了1000个样本作为新测试集,该数据集用D3表示。
场景4:负荷在50%标准负荷水平下,减少5台发电机和8条线路,按照原始数据集设置故障的方式进行暂态稳定仿真,一共仿真生成了1000个样本作为新测试集,该数据集用D4表示。
场景5:负荷在150%标准负荷水平下,增加5台发电机和10条线路,按照原始数据集设置故障的方式进行暂态稳定仿真,一共仿真生成了1000个样本作为新测试集,该数据集用D5表示。
以上新测试集的信息如表3所示:
表3
预训练模型在新数据集上的泛化能力测试结果如表4所示:
表4
通过上述测试可知,本专利所提出的CNN模型在面对系统常规变化时具有较强的泛化能力,准确率达到了99.61%,F1达到了99.63%,漏判率和误警率均在0.5%以下,因此可见该预训练模型具有足够的泛化能力应对系统常规运行变化的情况。系统在50%标准负荷水平下减少1台发电机和4条线时,新测试集D2的识别率也非常高,准确率为99.9%,F1达到了98.04%,漏判率为0,误警率仅为0.1%。系统在150%标准负荷水平下增加2台发电机和4条线时,新测试集D3的识别准确率为96%,仍然大于95%。然而新测试集D4和D5分别在50%标准负荷水平下减少5台发电机、8条线路和在150%标准负荷水平下增加5台发电机、10条线路时,预训练模型的测试准确率分别降低到93.6%和94.6%,低于95%,模型的预测性能大幅度降低,可见预训练模型对这两种场景已经不再适用。为了提升预训练模型应对这类系统运行工况和拓扑结构较大变化情况时的预测性能,满足暂态稳定在线评估对准确性和快速性的需求,进一步采用迁移学习策略,使得模型的性能得以回升,具体实验结果以下内容。
3)迁移学习效果
为了验证本文所提迁移学习策略的有效性,在场景4和5另外分别生成与测试集不同的样本集2300个样本和3290个样本作为接下来迁移学习策略的训练集,用于微调模型参数提升模型评估性能。
表5
表6
由表5~6可知,不论是通过重新训练模型还是基于迁移学习策略调整网络参数,均能够恢复和进一步提升模型的评估性能。但对比重新训练和迁移学习策略可知,迁移学习策略对模型评估性能的提升速度比新训练要快,且预测准确率与之相当甚至更高。由此可见,迁移学习不仅能提高深度神经网络的训练效率,还能充分利用历史源域数据的有价值信息,提高模型的更新速度和评估性能,使得模型能够自适应跟踪系统变化,为在线连续运行的暂态稳定评估提供技术支撑。
本文所描述的具体实施例仅作为本发明方法应用的举例说明,不能理解为对本发明的限制,本发明所属技术领域的技术人员可以在本发明的范围内对具体实施例进行替换、变化。修改或补充。
Claims (6)
1.一种基于迁移学习的电力系统暂态稳定自适应评估方法,其特征在于,包括:
步骤(1):利用Matlab工具箱Power System Toolox 3.0仿真生成大量电力系统暂态稳定样本数据集;
步骤(2):从原始数据集中提取各样本发电机故障切除后的功角轨迹曲线,并给每一个样本标注暂态稳定标签;
步骤(3):定义27个发电机功角轨迹曲线的几何特征也即簇特征,根据定义计算出故障切除后第1周波(1T=0.0167s)到第15周波内的27个发电机功角轨迹时序特征,作为后续深度神经网络的特征输入;由此形成了一定数量的输入与输出对,用于构建电力系统暂态稳定预测模型的样本数据;
步骤(4):采用卷积神经网络并对反向传播算法的损失函数适当进行修正,利用获取的样本数据进行模型训练;在训练过程中,针对暂态稳定样本稳定和失稳样本比例不同和预测稳定和失稳的代价不同的特点,引入权重系数对损失函数进行修正,使得模型减少因稳定样本多于失稳样本而更倾向于将误分样本预测成稳定结果的情况;
步骤(5):利用原始训练集将卷积神经网络训练完成后,根据WAMS实时记录的数据或者电网能量管理系统记录下来的电网实时运行数据,构建27个轨迹簇时序特征;输入卷积神经网络模型,即可实时判别电力系统在经历故障后能否维持稳定运行的状态;
步骤(6):当面对系统运行方式和拓扑结构发生较大改变的情况,根据负荷预测和电网相关运行规则提前得知系统运行方式和拓扑结构,并针对特定的电网场景,提前仿真生成新场景下的新训练样本集和新测试样本集;采用迁移学习策略,将预训练模型的网络结构、两个卷积层、两个池化层和一个全连接层的参数迁移至新模型,仅随机初始化分类层参数,用新训练集训练分类层,即可得到迁移更新后的预测模型,所构造的基于CNN的电力系统暂态稳定评估模型及其迁移方法,能很快地跟踪电力系统的运行方式和拓扑结构的变化,实现电力系统暂态稳定的自适应评估。
2.根据权利要求1所述的基于迁移学习的电力系统暂态稳定自适应评估方法,其特征在于:
所述步骤(2)中,对于每个样本,利用仿真时间5s内,任意两台发电机相对功角之差的绝对值是否大于360°为暂态稳定判据,来判断系统是否发生失稳状况,如果小于360°则判定为稳定样本,标签为(1,0),反之则为失稳样本,标签为(0,1)。
3.根据权利要求1所述的基于迁移学习的电力系统暂态稳定自适应评估方法,其特征在于:
所述步骤(3)中,对于某个故障,从故障切除后的第1周波开始,记录样本各发电机功角信息,定义系统发电机功角轨迹曲线的27个几何特征即轨迹簇特征:质心、离散度、上包络线、下包络线、中心线、上包络线与质心线之差、下包络线与质心线之差、包络线高度、中心线与质心之差、质心线变化率、离散度变化率、上包络线变化率、下包络线变化率、中心线变化率、包络线高度变化率、轨迹曲率、质心曲率、离散度曲率、上包络线曲率、下包络线曲率、中心线曲率、质心变化加速度、离散度变化加速度、上包络线变化加速度、中心线变化加速度和包络线高度变化加速度,将故障切除后15个周波内27个簇特征的时序数据作为输入特征矩阵,各发电机功角采用弧度制,将记录的每一个时间断面的轨迹簇特征经过最大最小值归一化公式处理,转换至[0,1]区间内。
4.根据权利要求1所述的基于迁移学习的电力系统暂态稳定自适应评估方法,其特征在于:
所述步骤(4)中,构建的基于卷积神经网络的电力系统暂态稳定预测模型结构是由输入时序特征、两个卷积层CONV1和CONV2、两个池化层POOL1和POOL2、一个全连接层、一个分类层和输出结果构成。
5.根据权利要求4所述的基于迁移学习的电力系统暂态稳定自适应评估方法,其特征在于:
步骤(3)处理得到的输入特征维数15×27;
卷积层CONV1的过滤器长和宽的尺寸设置为3×3,深度为32,长和宽的移动步长均设置为1;
池化层POOL1的过滤器长和宽的尺寸设置为2×2,深度为32,长和宽的移动步长均设置为2;
卷积层CONV2的过滤器长和宽的尺寸设置为3×3,深度为64,长和宽的移动步长均设置为1;
池化层POOL2的过滤器长和宽的尺寸设置为2×2,深度为64,长和宽的移动步长均设置为2;
全连接层设置120个神经元;输出结果设置2个神经元经过Softmax层计算概率并输出;
卷积神经网络暂态稳定评估模型采用Adam算法,样本批量设为100,学习率为1e-4,神经元激活函数采用ReLu函数,迭代轮次设为198次。
6.根据权利要求1所述的基于迁移学习的电力系统暂态稳定自适应评估方法,其特征在于:
对所述步骤(4)的预训练模型的结构和部分参数进行迁移,保持预训练模型的结构和两个卷积层、池化层和全连接层的参数不变,将系统新运行方式和新拓扑结构下的暂稳仿真样本输入预训练模型,得到全连接层的输出,将这个输出保存下来作为新的输入特征,随机初始化分类层参数,用步骤(6)得到的新训练集训练分类层,得到迁移更新后的预测模型,用步骤(6)得到的新测试集对更新后的模型进行测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911088617.2A CN110879917A (zh) | 2019-11-08 | 2019-11-08 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911088617.2A CN110879917A (zh) | 2019-11-08 | 2019-11-08 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110879917A true CN110879917A (zh) | 2020-03-13 |
Family
ID=69729158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911088617.2A Pending CN110879917A (zh) | 2019-11-08 | 2019-11-08 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110879917A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400930A (zh) * | 2020-04-09 | 2020-07-10 | 武汉大学 | 基于虚实孪生空间的电力设备小样本故障诊断方法及系统 |
CN111401792A (zh) * | 2020-04-16 | 2020-07-10 | 三峡大学 | 一种基于极限梯度提升决策树的动态安全评估方法 |
CN111756034A (zh) * | 2020-06-12 | 2020-10-09 | 清华大学 | 基于图时空网络的电力系统暂态电压稳定评估方法 |
CN111769976A (zh) * | 2020-06-11 | 2020-10-13 | 北京邮电大学 | 一种电力物联网终端故障自适应恢复方法及系统 |
CN111797919A (zh) * | 2020-06-30 | 2020-10-20 | 三峡大学 | 一种基于主成分分析与卷积神经网络的动态安全评估方法 |
CN111812450A (zh) * | 2020-06-01 | 2020-10-23 | 复旦大学 | 一种电网危险故障的识别方法 |
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及系统 |
CN112069723A (zh) * | 2020-07-17 | 2020-12-11 | 中国电力科学研究院有限公司 | 一种用于评估电力系统暂态稳定的方法及系统 |
CN112255500A (zh) * | 2020-10-12 | 2021-01-22 | 山东翰林科技有限公司 | 一种基于迁移学习的配电网弱特征故障辨识方法 |
CN112330488A (zh) * | 2020-11-05 | 2021-02-05 | 贵州电网有限责任公司 | 基于迁移学习的电网频率态势预测方法 |
CN112396299A (zh) * | 2020-11-03 | 2021-02-23 | 浙江大学 | 交直流混合配电系统全寿命周期综合能效评估和诊断方法 |
CN112561303A (zh) * | 2020-12-10 | 2021-03-26 | 清华大学 | 基于集成学习和电网拓扑变化的电力系统动态分析方法 |
CN112668809A (zh) * | 2020-10-30 | 2021-04-16 | 华东师范大学 | 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 |
CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
CN113378460A (zh) * | 2021-06-07 | 2021-09-10 | 华南理工大学 | 基于深度迁移学习的电网结构短期电压稳定性评估方法 |
CN114004155A (zh) * | 2021-11-01 | 2022-02-01 | 清华大学 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
CN114545147A (zh) * | 2022-01-11 | 2022-05-27 | 西安理工大学 | 计及时变拓扑时基于深度学习的电压暂降源定位方法 |
CN114662651A (zh) * | 2022-01-24 | 2022-06-24 | 贵州大学 | 基于改进卷积残差记忆网络和门控循环单元的两阶段暂态稳定预测方法 |
CN115296309A (zh) * | 2022-10-09 | 2022-11-04 | 国网江西省电力有限公司电力科学研究院 | 一种基于实时惯量估计的风光水火储联合二次调频方法 |
CN116169675A (zh) * | 2023-04-21 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 考虑运行方式变化的电力系统动态稳定性在线评估方法 |
CN116702629A (zh) * | 2023-08-04 | 2023-09-05 | 国网山西省电力公司电力科学研究院 | 一种具备可迁移能力的电力系统暂态稳定评估方法 |
CN116977925A (zh) * | 2023-07-25 | 2023-10-31 | 广州市智慧农业服务股份有限公司 | 一种全方位智能监控的视频安全管理系统 |
CN117113859A (zh) * | 2023-10-24 | 2023-11-24 | 清华大学 | 海洋弃置导管架的受力与稳定性预测方法及装置 |
CN117614038A (zh) * | 2024-01-23 | 2024-02-27 | 国网冀北电力有限公司 | 一种基于迁移学习抵御dos攻击的微电网控制方法 |
CN118171109A (zh) * | 2024-05-13 | 2024-06-11 | 华中科技大学 | 一种电网拓扑变化下的暂态稳定评估模型构建方法及装置 |
CN118378542A (zh) * | 2024-06-21 | 2024-07-23 | 国网江苏省电力有限公司电力科学研究院 | 一种电力系统状态估计方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3349050A1 (en) * | 2017-01-12 | 2018-07-18 | Tsinghua University | Inspection devices and methods for detecting a firearm |
CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力系统暂态稳定评估方法 |
CN109102126A (zh) * | 2018-08-30 | 2018-12-28 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
US20190110753A1 (en) * | 2017-10-13 | 2019-04-18 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of ophthalmic diseases and disorders |
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN109886604A (zh) * | 2019-03-13 | 2019-06-14 | 华北电力大学 | 一种基于一维卷积神经网络的电力系统暂态稳定评估方法 |
CN110163234A (zh) * | 2018-10-10 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、装置和存储介质 |
-
2019
- 2019-11-08 CN CN201911088617.2A patent/CN110879917A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3349050A1 (en) * | 2017-01-12 | 2018-07-18 | Tsinghua University | Inspection devices and methods for detecting a firearm |
US20190110753A1 (en) * | 2017-10-13 | 2019-04-18 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of ophthalmic diseases and disorders |
CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力系统暂态稳定评估方法 |
CN109102126A (zh) * | 2018-08-30 | 2018-12-28 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
CN110163234A (zh) * | 2018-10-10 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、装置和存储介质 |
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN109886604A (zh) * | 2019-03-13 | 2019-06-14 | 华北电力大学 | 一种基于一维卷积神经网络的电力系统暂态稳定评估方法 |
Non-Patent Citations (4)
Title |
---|
YANZHEN ZHOU ET AL: "A novel data-driven approach for transient stability prediction of power", 《ELECTRICAL POWER AND ENERGY SYSTEMS》 * |
YANZHEN ZHOU ET AL: "Transient Stability Prediction of Power Systems", 《ELECTRIC POWER COMPONENTS AND SYSTEMS》 * |
冀鲁豫 等: "基于WAMS受扰电压轨迹簇特征的电力系统暂态稳定性预测", 《高电压技术》 * |
周艳真 等: "基于转子角轨迹簇特征的电力系统暂态稳定评估", 《电网技术》 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400930A (zh) * | 2020-04-09 | 2020-07-10 | 武汉大学 | 基于虚实孪生空间的电力设备小样本故障诊断方法及系统 |
CN111401792A (zh) * | 2020-04-16 | 2020-07-10 | 三峡大学 | 一种基于极限梯度提升决策树的动态安全评估方法 |
CN111812450A (zh) * | 2020-06-01 | 2020-10-23 | 复旦大学 | 一种电网危险故障的识别方法 |
CN111769976A (zh) * | 2020-06-11 | 2020-10-13 | 北京邮电大学 | 一种电力物联网终端故障自适应恢复方法及系统 |
CN111756034A (zh) * | 2020-06-12 | 2020-10-09 | 清华大学 | 基于图时空网络的电力系统暂态电压稳定评估方法 |
CN111756034B (zh) * | 2020-06-12 | 2022-04-08 | 清华大学 | 基于图时空网络的电力系统暂态电压稳定评估方法 |
CN111797919A (zh) * | 2020-06-30 | 2020-10-20 | 三峡大学 | 一种基于主成分分析与卷积神经网络的动态安全评估方法 |
CN112069723A (zh) * | 2020-07-17 | 2020-12-11 | 中国电力科学研究院有限公司 | 一种用于评估电力系统暂态稳定的方法及系统 |
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及系统 |
CN112255500A (zh) * | 2020-10-12 | 2021-01-22 | 山东翰林科技有限公司 | 一种基于迁移学习的配电网弱特征故障辨识方法 |
CN112668809A (zh) * | 2020-10-30 | 2021-04-16 | 华东师范大学 | 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 |
CN112668809B (zh) * | 2020-10-30 | 2021-09-21 | 华东师范大学 | 建立自闭症儿童康复效果预测模型的方法 |
CN112396299A (zh) * | 2020-11-03 | 2021-02-23 | 浙江大学 | 交直流混合配电系统全寿命周期综合能效评估和诊断方法 |
CN112330488B (zh) * | 2020-11-05 | 2022-07-05 | 贵州电网有限责任公司 | 基于迁移学习的电网频率态势预测方法 |
CN112330488A (zh) * | 2020-11-05 | 2021-02-05 | 贵州电网有限责任公司 | 基于迁移学习的电网频率态势预测方法 |
CN112561303A (zh) * | 2020-12-10 | 2021-03-26 | 清华大学 | 基于集成学习和电网拓扑变化的电力系统动态分析方法 |
CN113378460A (zh) * | 2021-06-07 | 2021-09-10 | 华南理工大学 | 基于深度迁移学习的电网结构短期电压稳定性评估方法 |
CN113343633B (zh) * | 2021-06-10 | 2022-04-26 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
CN114004155A (zh) * | 2021-11-01 | 2022-02-01 | 清华大学 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
CN114004155B (zh) * | 2021-11-01 | 2024-04-12 | 清华大学 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
CN114545147A (zh) * | 2022-01-11 | 2022-05-27 | 西安理工大学 | 计及时变拓扑时基于深度学习的电压暂降源定位方法 |
CN114662651A (zh) * | 2022-01-24 | 2022-06-24 | 贵州大学 | 基于改进卷积残差记忆网络和门控循环单元的两阶段暂态稳定预测方法 |
CN115296309B (zh) * | 2022-10-09 | 2023-02-14 | 国网江西省电力有限公司电力科学研究院 | 一种基于实时惯量估计的风光水火储联合二次调频方法 |
CN115296309A (zh) * | 2022-10-09 | 2022-11-04 | 国网江西省电力有限公司电力科学研究院 | 一种基于实时惯量估计的风光水火储联合二次调频方法 |
CN116169675B (zh) * | 2023-04-21 | 2023-09-12 | 南方电网数字电网研究院有限公司 | 考虑运行方式变化的电力系统动态稳定性在线评估方法 |
CN116169675A (zh) * | 2023-04-21 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 考虑运行方式变化的电力系统动态稳定性在线评估方法 |
CN116977925B (zh) * | 2023-07-25 | 2024-05-24 | 广州市智慧农业服务股份有限公司 | 一种全方位智能监控的视频安全管理系统 |
CN116977925A (zh) * | 2023-07-25 | 2023-10-31 | 广州市智慧农业服务股份有限公司 | 一种全方位智能监控的视频安全管理系统 |
CN116702629B (zh) * | 2023-08-04 | 2023-10-10 | 国网山西省电力公司电力科学研究院 | 一种具备可迁移能力的电力系统暂态稳定评估方法 |
CN116702629A (zh) * | 2023-08-04 | 2023-09-05 | 国网山西省电力公司电力科学研究院 | 一种具备可迁移能力的电力系统暂态稳定评估方法 |
CN117113859B (zh) * | 2023-10-24 | 2024-02-20 | 清华大学 | 海洋弃置导管架的受力与稳定性预测方法及装置 |
CN117113859A (zh) * | 2023-10-24 | 2023-11-24 | 清华大学 | 海洋弃置导管架的受力与稳定性预测方法及装置 |
CN117614038A (zh) * | 2024-01-23 | 2024-02-27 | 国网冀北电力有限公司 | 一种基于迁移学习抵御dos攻击的微电网控制方法 |
CN117614038B (zh) * | 2024-01-23 | 2024-04-05 | 国网冀北电力有限公司 | 一种基于迁移学习抵御dos攻击的微电网控制方法 |
CN118171109A (zh) * | 2024-05-13 | 2024-06-11 | 华中科技大学 | 一种电网拓扑变化下的暂态稳定评估模型构建方法及装置 |
CN118171109B (zh) * | 2024-05-13 | 2024-08-06 | 华中科技大学 | 一种电网拓扑变化下的暂态稳定评估模型构建方法及装置 |
CN118378542A (zh) * | 2024-06-21 | 2024-07-23 | 国网江苏省电力有限公司电力科学研究院 | 一种电力系统状态估计方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110879917A (zh) | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 | |
WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
CN102570392A (zh) | 基于改进概率神经网络的变压器励磁涌流鉴别方法 | |
CN105675802A (zh) | 一种变压器故障的诊断方法 | |
CN110619321B (zh) | 一种基于深度神经网络的充电桩技术状况诊断方法及系统 | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
Li et al. | Adaptive assessment of power system transient stability based on active transfer learning with deep belief network | |
CN114169395B (zh) | 一种电力系统主导失稳模式识别模型构建方法及应用 | |
CN105354643A (zh) | 一种风电接入电网的风险预测评估方法 | |
CN115879048A (zh) | 一种基于wrfmda模型的串联电弧故障识别方法和系统 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
CN112633315A (zh) | 一种电力系统扰动分类方法 | |
CN114330571B (zh) | 基于迁移学习的电力系统主导失稳模式识别方法及系统 | |
CN116561573A (zh) | 一种电压稳定评估的训练集循环分裂训练方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
Singh et al. | Power system fault diagnosis using fuzzy decision tree | |
CN113036754A (zh) | 一种基于改进dag-svms的非侵入式负荷辨识方法 | |
Zhang et al. | Residual current fault type recognition based on S3VM and KNN cooperative training | |
CN116338348A (zh) | 基于相似性度量与迁移学习的多变直流故障电弧自适应检测方法 | |
CN115684786A (zh) | 基于格拉姆角场和并行cnn的逆变器开关管健康诊断方法、装置及系统 | |
Yan et al. | Research on imbalanced data fault diagnosis of on-load tap changers based on IGWO-WELM | |
Zhou et al. | Transient stability assessment of large-scale AC/DC hybrid power grid based on separation feature and deep belief networks | |
CN118536009B (zh) | 基于生成式人工智能的电力数据模型构建方法及系统 | |
Haolan et al. | Incipient fault detection of power distribution system based on statistical characteristics and transformer network | |
Lee et al. | Dissolved gas analysis of power transformer using fuzzy clustering and radial basis function neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200313 |