CN113054653A - 基于VGGNet-SVM的电力系统暂态稳定评估方法 - Google Patents
基于VGGNet-SVM的电力系统暂态稳定评估方法 Download PDFInfo
- Publication number
- CN113054653A CN113054653A CN201911383386.8A CN201911383386A CN113054653A CN 113054653 A CN113054653 A CN 113054653A CN 201911383386 A CN201911383386 A CN 201911383386A CN 113054653 A CN113054653 A CN 113054653A
- Authority
- CN
- China
- Prior art keywords
- transient stability
- power system
- vggnet
- svm
- data
- 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.)
- Withdrawn
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 107
- 238000011156 evaluation Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000013210 evaluation model Methods 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000007689 inspection Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 43
- 238000011176 pooling Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000013097 stability assessment Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于VGGNet‑SVM的电力系统暂态稳定评估方法。该方法为：获取基于建模仿真所得的暂稳数据和电力系统实际暂稳数据，将数据进行标准化处理和卡方检验；用VGGNet和SVM共同构建基于简化VGGNet‑SVM的电力系统暂态稳定评估模型，对基于简化VGGNet‑SVM的电力系统暂态稳定评估模型进行离线训练，得到基于简化VGGNet‑SVM的电力系统暂态稳定评估离线模型；通过电力系统在线监测获得在线数据，将在线数据进行标准化处理和卡方检验；将处理过的在线数据输入训练好的基于简化VGGNet‑SVM的电力系统暂态稳定评估离线模型，进行电力系统暂态稳定评估。本发明提高了电力系统暂态稳定评估的准确性和评估速度。
Description
技术领域
本发明涉及电力系统分析技术领域，特别是一种基于VGGNet-SVM的电力系统暂态稳定评估方法。
背景技术
电力系统暂态稳定是指系统在大扰动下(如故障，切机，切负荷，重合闸操作等情况)，各发电机组间能保持同步运行，并且电压和频率水平在可接受范围内。随着经济发展水平的不断提高，电网互联规模也逐渐壮大，其中光伏、风电等新能源的不断接入，也在一定程度上增加了运行环境的复杂性。对于现代电力系统而言，这样一个高维非线性系统，一旦发生暂态失稳，其发展的速度非常快，留给调度人员进行处理的时间非常少。处理不及时，将有可能导致电网大面积停电，进而给国民经济造成十分严重的影响。
电力系统暂态稳定评估(transient stability assessment，TSA)的方法主要有三种。第一种是时域仿真(time simulation)法，又称为逐步积分(step by step)法；第二种是直接法(direct method)，又称为暂态能量函数法(transient energy functionmethod)；第三种是基于机器学习等模式识别技术的TSA(patternrecognition-based TSA，PRTSA)。其中，时域仿真法计算精度高，结果可信度高，但其计算量十分庞大并且计算时间较长。在大电网中，时域仿真法一般在故障清除后3～5s内，给出系统是否达到暂态稳定。另外，直接法有着相对完备的理论基础，但在大电网中满足条件的能量函数很难构建，导致其应用并不广泛。最后，基于机器学习等模式识别技术的TSA不用搭建系统的数学模型，只需要建立系统特征量与系统稳定结果之间的映射关系即可，但已有机器学习算法多为浅层学习算法，在学习映射关系时，模型的泛化能力不足。近几年，关于深度学习的研究已在计算机领域取得了突破性进展。同时，深度学习也逐步被应用到电力领域，为基于模式识别技术的TSA引入了新的动力。
VGGNet是一种用于图像识别与定位的深度卷积神经网络(Convolutional NeuralNetwork,CNN)模型，由Google旗下的DeepMind公司和牛津大学的计算机视觉组联合开发。在2014年的大规模视觉识别挑战赛中，VGGNet荣获了分类项目的亚军以及定位项目的冠军，其优良性能已得到证明。
因此，将VGGNet运用到电力系统的暂态电压稳定评估方法中，利用其高准确率、低复杂度的特点构建TSA模型是十分必要且可行的。
发明内容
本发明的目的在于提供一种准确率高、评估效率高的电力系统暂态稳定评估方法。
实现本发明目的的技术解决方案为：一种基于VGGNet-SVM的电力系统暂态稳定评估方法，包括以下步骤：
步骤1、获取基于建模仿真所得的暂稳数据和电力系统实际暂稳数据，将数据进行标准化处理和卡方检验；
步骤2、用VGGNet和SVM共同构建基于简化VGGNet-SVM的电力系统暂态稳定评估模型，使用处理过的仿真暂稳数据和电力系统实际暂稳数据对基于简化VGGNet-SVM的电力系统暂态稳定评估模型进行离线训练，得到基于简化VGGNet-SVM的电力系统暂态稳定评估离线模型；
步骤3、通过电力系统在线监测获得在线数据，将在线数据进行标准化处理和卡方检验；
步骤4、将处理过的在线数据输入训练好的基于简化VGGNet-SVM的电力系统暂态稳定评估离线模型，进行电力系统暂态稳定评估。
进一步地，步骤1中所述的暂稳数据，包括系统中故障前、故障中、故障切除时刻以及故障后各线路的有功与无功、节点电压幅值与相角。
进一步地，步骤2中所述的用VGGNet和SVM共同构建基于简化VGGNet-SVM的电力系统暂态稳定评估模型，具体如下：
VGGNet的结构包括5组卷积和3层全连接层，其中卷积核大小为3×3，最大池化层子矩阵的大小为2×2，位于每组卷积之后；对VGGNet模型作出简化，保留第1-3组卷积层与池化层，去除第4-5组卷积层和池化层，在池化层之后加入Dropout层，将输出层的分类函数soft-max替换为SVM，全连接层F2输出100维的特征向量用于后续SVM的分类，构成了基于简化VGGNet-SVM的电力系统暂态稳定评估模型。
进一步地，步骤2中所述的使用处理过的仿真暂稳数据和电力系统实际暂稳数据对基于简化VGGNet-SVM的电力系统暂态稳定评估模型进行离线训练，得到基于简化VGGNet-SVM的电力系统暂态稳定评估离线模型，具体如下：
根据选取的交叉熵损失函数将特征数据进行前向传播，数据误差反向传递，并修正网络权值，从而获得误差满足模型要求的网络参数；
交叉熵函数计算公式如下：
其中，Jθ为交叉熵损失函数；k为分类的类别数，j为分类的类别编号；m为样本个数，i为样本标号；
为第i个样本的实际类别；
为模型对应的第i个样本的预测结果；
其中交叉熵损失函数采用改进的MBGD算法计算，对于学习率固定的问题，采用指数衰减的办法进行控制，使学习率随着迭代次数的增加而逐渐减小，计算公式如下：
其中，ηi为第i个样本的学习率，ηi-1为第i-1个样本的学习率，ξ为衰减系数，τ为迭代次数；
对于MBGD算法易陷入局部最优的问题，采用Nesterov Momentum法进行改进，计算公式如下：
参数更新公式为：
θt＝θt-1-vt
其中，θt为第t次迭代损失函数Jθ中的权值和偏置，vt为第t次迭代的梯度积累，vt-1为第t-1次迭代的梯度积累，η为学习率，0＜η＜1；β为冲量系数，0＜β＜1；θt-1为第t-1次迭代损失函数Jθ中的权值和偏置，
为θt-1的梯度，J(θt-1-βvt-1)代表参数更新后的值。
本发明与现有技术相比，其显著优点在于：(1)选取了足量的暂稳数据中包含的初始特征值，再通过方检验，去除冗余特征量，确保输入基于简化VGGNet-SVM的TSA模型的特征量能有效反映电网状态，提高了电力系统暂态稳定评估的准确性；(2)对原始的VGGNet模型作出了简化与改进，使模型更能适应电力系统暂态稳定评估的技术要求，保证模型的高准确率与低评估时间，提高了电力系统暂态稳定评估的效率。
附图说明
图1是本发明一种基于VGGNet-SVM的电力系统暂态稳定评估方法的流程示意图。
图2是本发明中简化VGGNet-SVM模型的结构示意图。
图3是本发明中Nesterov Momentum法与传统的Momentum法的对比示意图。
具体实施方式
本发明基于VGGNet-SVM的电力系统暂态稳定评估方法，包括以下步骤：
步骤1、获取基于建模仿真所得的暂稳数据和电力系统实际暂稳数据，将数据进行标准化处理和卡方检验；
步骤2、用VGGNet和SVM共同构建基于简化VGGNet-SVM的电力系统暂态稳定评估模型，使用处理过的仿真暂稳数据和电力系统实际暂稳数据对基于简化VGGNet-SVM的电力系统暂态稳定评估模型进行离线训练，得到基于简化VGGNet-SVM的电力系统暂态稳定评估离线模型；
步骤3、通过电力系统在线监测获得在线数据，将在线数据进行标准化处理和卡方检验；
步骤4、将处理过的在线数据输入训练好的基于简化VGGNet-SVM的电力系统暂态稳定评估离线模型，进行电力系统暂态稳定评估。
进一步地，步骤1中所述的暂稳数据，包括系统中故障前、故障中、故障切除时刻以及故障后各线路的有功与无功、节点电压幅值与相角。
进一步地，步骤2中所述的用VGGNet和SVM共同构建基于简化VGGNet-SVM的电力系统暂态稳定评估模型，具体如下：
VGGNet的结构包括5组卷积和3层全连接层，其中卷积核大小为3×3，最大池化层子矩阵的大小为2×2，位于每组卷积之后；对VGGNet模型作出简化，保留第1-3组卷积层与池化层，去除第4-5组卷积层和池化层，在池化层之后加入Dropout层，将输出层的分类函数soft-max替换为SVM，全连接层F2输出100维的特征向量用于后续SVM的分类，构成了基于简化VGGNet-SVM的电力系统暂态稳定评估模型。
进一步地，步骤2中所述的使用处理过的仿真暂稳数据和电力系统实际暂稳数据对基于简化VGGNet-SVM的电力系统暂态稳定评估模型进行离线训练，得到基于简化VGGNet-SVM的电力系统暂态稳定评估离线模型，具体如下：
根据选取的交叉熵损失函数将特征数据进行前向传播，数据误差反向传递，并修正网络权值，从而获得误差满足模型要求的网络参数；
交叉熵函数计算公式如下：
其中，Jθ为交叉熵损失函数；k为分类的类别数，j为分类的类别编号；m为样本个数，i为样本标号；
为第i个样本的实际类别；
为模型对应的第i个样本的预测结果；
其中交叉熵损失函数采用改进的MBGD算法计算，对于学习率固定的问题，采用指数衰减的办法进行控制，使学习率随着迭代次数的增加而逐渐减小，计算公式如下：
其中，ηi为第i个样本的学习率，ηi-1为第i-1个样本的学习率，ξ为衰减系数，τ为迭代次数；
对于MBGD算法易陷入局部最优的问题，采用Nesterov Momentum法进行改进，计算公式如下：
参数更新公式为：
θt＝θt-1-vt
其中，θt为第t次迭代损失函数Jθ中的权值和偏置，vt为第t次迭代的梯度积累，vt-1为第t-1次迭代的梯度积累，η为学习率，0＜η＜1；β为冲量系数，0＜β＜1；θt-1为第t-1次迭代损失函数Jθ中的权值和偏置，
为θt-1的梯度，J(θt-1-βvt-1)代表参数更新后的值。
以下结合附图及具体实施例对本发明做进一步详细说明。
实施例
结合图1，本发明一种基于VGGNet-SVM的电力系统暂态稳定评估方法，包括以下步骤：
步骤1、获取基于建模仿真所得的暂稳数据和电力系统实际暂稳数据，将数据进行标准化处理和卡方检验，具体如下：
步骤1.1、利用仿真软件获得暂稳数据并结合电网系统历史暂稳数据一起用于模型的训练，其中电网历史数据通过WAMS(Wide Area Measurement System)广域监测系统获得，其数据量不足以完成模型训练，故需建模仿真数据补充。暂稳数据的初始特征量包括系统中故障前、故障中、故障切除时刻以及故障后各线路有功与无功、节点电压幅值与相角。根据此原则，考虑故障的发生地点、故障发生时的负荷水平、故障切除时间等变量，最后获得的初始特征量维数将会很大，不利于模型的训练以及评估时间的减少，故需去除特征量中的冗余部分。
步骤1.2、通过Z-Score(标准分数)函数进行数据的标准化，然后运用卡方检验对标准化的数据进行降维处理。卡方验证是统计学中的一种假设检验方法，常被应用于判别两个事件之间的相关性。其核心思想是利用实际值和理论值的偏差对无效假设进行判别。在电力系统暂稳数据分析当中，用来对电力特征量e与暂稳类别Yi之间的相关性进行检验。若特征量e与暂稳类别Yi有着较强的相关性，则特征量e在暂稳分类识别中有较大的作用，则将其筛选出来。否则，将其剔除。实现步骤如下：
步骤1.2.1、无效假设H0：假设电力特征量e与暂稳类别Yi是独立无关的；
步骤1.2.2、首先假设H0成立，计算实际值和理论值的偏差，即χ2值：
其中，A为实际值(实际频数)，E为在假设H0成立的情况下，计算所得的理论值(期望频数)；n为总的频数，pi为理论频率，npi即理论值(期望频数)。
步骤1.2.3、设置选择阈值，将计算偏差与所选阈值进行比较，决定是否拒绝无效假设H0，如果χ2值趋于0，则假设是成立的，电力特征量e与暂稳类别Yi相关性差；若χ2值越大，则假设越不准确，即电力特征量e与暂稳类别Yi有较好的相关性。
步骤2、用VGGNet和支持向量机共同构建电力系统暂态稳定评估模型，使用处理过的仿真暂稳数据和电力系统实际暂稳数据对电力系统暂态稳定评估模型进行离线训练，得到基于简化VGGNet-SVM的暂态稳定评估离线模型，具体如下：
步骤2.1、进行VGGNet卷积操作，公式为：
其中，
表示卷积计算，Wi为第i层的核矩阵，Yi为第i层输出的特征分布图，
为激活函数，bi为第i层的偏置向量。激活函数在深度学习中常用的有Sigmoid、tanh、softplus、softsign、ReLU等，本发明采用的激活函数为ReLU，可以在一定程度上防止深度神经网络梯度消失。
步骤2.2、进行池化过程的具体操作，公式为：
Yi＝down(Yi-1)
其中，down(·)为下采样函数，下采样的过程中可选的函数有最大值下采样函数、平均值下采样函数和随机值下采样函数等，本发明采用最大值下采样函数。
VGGNet是一种用于图像识别与定位的深度卷积模型，由Google旗下的DeepMind公司和牛津大学的计算机视觉组联合开发。VGGNet模型的结构共有6种，每种结构都有5组卷积和3层全连接层。其中，卷积核大小为3×3，最大池化层子矩阵的大小为2×2，位于每组卷积之后。其卷积结构参数如表1：
表1 VGGNet模型卷积结构参数表
为了将VGGNet引入到电力系统暂态稳定的评估中，需其进行了一定程度的简化以使其与电力系统暂态特征量的规模相匹配。同时，考虑到SVM在模式分类中的优良表现，采用SVM代替VGGNet输出层中的soft-max，对暂稳结果进行分类。在VGGNet中的6种模型中，以模型A为原型进行简化，保留了第1-3组卷积层与池化层，去除了第4-5组卷积层和池化层，为了提高简化VGGNet模型的泛化能力，在池化层之后又加入了Dropout层，使权值连接趋于稀疏化，全连接层由3层变成2层，其神经元的数量也有所减小。另外，将输出层的分类函数soft-max替换为SVM，全连接层F2输出100维的特征向量用于后续SVM的分类。具体的模型结果示意图2所示。
步骤2.3、在建立模型的基础上，对简化VGGNet-SVM的暂态稳定评估离线模型的训练算法作出了改进：
简化VGGNet-SVM的暂态稳定评估离线模型的训练过程主要根据选取的损失函数将特征数据进行前向传播，数据误差反向传递，并修正网络权值，从而获得误差满足模型要求的网络参数。
为了加速模型的训练过程，选择了比均方误差损失函数误差衰减更快的交叉熵损失函数，交叉熵函数公式如下：
其中，Jθ为交叉熵损失函数；k为分类的类别数；m为样本个数；
是第i个样本的实际类别；
是模型对应的第i个样本的预测结果。
应用在求解损失函数极值问题上的MBGD(minibatch gradient descent)算法原理为将数据集分成若干个较小的批次(batch)，然后从其中随机选取一个批次进行计算更新权值参数。MBGD算法应用在规模很大的数据集训练中时，其收敛速度依然很快。但其也有以下缺点：第一，随机抽取批次，使得梯度不可避免的会存在误差，另外训练过程中学习率始终保持不变，使得目标函数值下降到一定程度后震荡而无法继续下降；第二，MBGD算法易陷入局部最优。下面针对上述问题进行如下改进：
对于学习率固定的问题，采用指数衰减的办法进行控制，使其随着迭代次数的增加而逐渐减小。其计算公式如下。
其中，ηi为学习率，ξ为衰减系数，τ为迭代次数。
对于MBGD算法易陷入局部最优的问题，引入Nesterov Momentum法进行改进，此方法是对Momentum法的一种优化方法，计算方法为：
根据图3，
向量是A点的梯度；
是0.9倍的A点的梯度，也称作B点的历史梯度；
向量是B点的当前梯度；
向量是C点的梯度，也称作B点的超前梯度。传统的Momentum法求得的B点的下降梯度为向量
即Momentum法仅利用历史梯度
和当前梯度
求解下降梯度。Nesterov Momentum法求得的B点的下降梯度为向量
首先在当前位置历史梯度的方向上前进一小步，求出超前梯度
然后再修正获得下降梯度，使得梯度具有了超前的意识，在一定程度上避免了目标函数收敛到局部最优，同时使得收敛速度加快同时也更稳定。其计算公式如下：
参数更新公式为：
θt＝θt-1-vt
其中，θt为第t次迭代损失函数Jθ中的权值和偏置，vt是第t次迭代的梯度积累，η为学习率(0＜η＜1)，β为冲量系数(0＜β＜1)，-βvt-1即为图3中的
向量，θt-1-βvt-1为图中C点的坐标参数。
步骤3、通过电力系统在线监测获得在线数据，将在线数据进行标准化处理和卡方检验；
步骤4、将处理过的在线数据输入基于简化VGGNet-SVM的暂态稳定评估离线模型，进行暂态稳定评估。
综上所述，本发明选取了足量的暂稳数据中包含的初始特征值，再通过方检验，去除冗余特征量，确保输入基于简化VGGNet-SVM的TSA模型的特征量能有效反映电网状态，提高了电力系统暂态稳定评估的准确性；对原始的VGGNet模型作出了简化与改进，使模型更能适应电力系统暂态稳定评估的技术要求，保证模型的高准确率与低评估时间，提高了电力系统暂态稳定评估的效率。
Claims (4)
1.一种基于VGGNet-SVM的电力系统暂态稳定评估方法，其特征在于，包括以下步骤：
步骤1、获取基于建模仿真所得的暂稳数据和电力系统实际暂稳数据，将数据进行标准化处理和卡方检验；
步骤2、用VGGNet和SVM共同构建基于简化VGGNet-SVM的电力系统暂态稳定评估模型，使用处理过的仿真暂稳数据和电力系统实际暂稳数据对基于简化VGGNet-SVM的电力系统暂态稳定评估模型进行离线训练，得到基于简化VGGNet-SVM的电力系统暂态稳定评估离线模型；
步骤3、通过电力系统在线监测获得在线数据，将在线数据进行标准化处理和卡方检验；
步骤4、将处理过的在线数据输入训练好的基于简化VGGNet-SVM的电力系统暂态稳定评估离线模型，进行电力系统暂态稳定评估。
2.根据权利要求1所述的基于VGGNet-SVM的电力系统暂态稳定评估方法，其特征在于，步骤1中所述的暂稳数据，包括系统中故障前、故障中、故障切除时刻以及故障后各线路的有功与无功、节点电压幅值与相角。
3.根据权利要求1所述的基于VGGNet-SVM的电力系统暂态稳定评估方法，其特征在于，步骤2中所述的用VGGNet和SVM共同构建基于简化VGGNet-SVM的电力系统暂态稳定评估模型，具体如下：
VGGNet的结构包括5组卷积和3层全连接层，其中卷积核大小为3×3，最大池化层子矩阵的大小为2×2，位于每组卷积之后；对VGGNet模型作出简化，保留第1-3组卷积层与池化层，去除第4-5组卷积层和池化层，在池化层之后加入Dropout层，将输出层的分类函数soft-max替换为SVM，全连接层F2输出100维的特征向量用于后续SVM的分类，构成了基于简化VGGNet-SVM的电力系统暂态稳定评估模型。
4.根据权利要求1所述的基于VGGNet-SVM的电力系统暂态稳定评估方法，其特征在于，步骤2中所述的使用处理过的仿真暂稳数据和电力系统实际暂稳数据对基于简化VGGNet-SVM的电力系统暂态稳定评估模型进行离线训练，得到基于简化VGGNet-SVM的电力系统暂态稳定评估离线模型，具体如下：
根据选取的交叉熵损失函数将特征数据进行前向传播，数据误差反向传递，并修正网络权值，从而获得误差满足模型要求的网络参数；
交叉熵函数计算公式如下：
其中，Jθ为交叉熵损失函数；k为分类的类别数，j为分类的类别编号；m为样本个数，i为样本标号；
为第i个样本的实际类别；
为模型对应的第i个样本的预测结果；
其中交叉熵损失函数采用改进的MBGD算法计算，对于学习率固定的问题，采用指数衰减的办法进行控制，使学习率随着迭代次数的增加而逐渐减小，计算公式如下：
其中，ηi为第i个样本的学习率，ηi-1为第i-1个样本的学习率，ξ为衰减系数，τ为迭代次数；
对于MBGD算法易陷入局部最优的问题，采用Nesterov Momentum法进行改进，计算公式如下：
参数更新公式为：
θt＝θt-1-vt
其中，θt为第t次迭代损失函数Jθ中的权值和偏置，vt为第t次迭代的梯度积累，vt-1为第t-1次迭代的梯度积累，η为学习率，0＜η＜1；β为冲量系数，0＜β＜1；θt-1为第t-1次迭代损失函数Jθ中的权值和偏置，
为θt-1的梯度，J(θt-1-βvt-1)代表参数更新后的值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911383386.8A CN113054653A (zh) | 2019-12-27 | 2019-12-27 | 基于VGGNet-SVM的电力系统暂态稳定评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911383386.8A CN113054653A (zh) | 2019-12-27 | 2019-12-27 | 基于VGGNet-SVM的电力系统暂态稳定评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113054653A true CN113054653A (zh) | 2021-06-29 |
Family
ID=76507185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911383386.8A Withdrawn CN113054653A (zh) | 2019-12-27 | 2019-12-27 | 基于VGGNet-SVM的电力系统暂态稳定评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113054653A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116031879A (zh) * | 2023-02-28 | 2023-04-28 | 四川大学 | 一种适应电力系统暂态电压稳定评估的混合智能特征选择方法 |
-
2019
- 2019-12-27 CN CN201911383386.8A patent/CN113054653A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116031879A (zh) * | 2023-02-28 | 2023-04-28 | 四川大学 | 一种适应电力系统暂态电压稳定评估的混合智能特征选择方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | An intelligent transient stability assessment framework with continual learning ability | |
| CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
| CN112686464A (zh) | 短期风电功率预测方法及装置 | |
| CN111523785A (zh) | 一种基于生成对抗网络的电力系统动态安全评估方法 | |
| CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
| Wang et al. | A fault diagnosis method of power systems based on an improved adaptive fuzzy spiking neural P systems and PSO algorithms | |
| CN114006370B (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
| CN108879732B (zh) | 电力系统暂态稳定评估方法及装置 | |
| CN113553755B (zh) | 电力系统状态估计方法、装置及设备 | |
| Zheng et al. | Real-time transient stability assessment based on deep recurrent neural network | |
| CN112287605A (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
| Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
| CN117421571A (zh) | 一种基于配电网的拓扑实时辨识方法及系统 | |
| CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
| CN117424201A (zh) | 电力系统暂态稳定可解释评估方法、系统、设备及存储介质 | |
| CN115275990A (zh) | 一种用于区域电网宽频振荡风险的评估方法与系统 | |
| CN113328467B (zh) | 一种概率电压稳定性评估方法、系统、终端设备及介质 | |
| CN113054653A (zh) | 基于VGGNet-SVM的电力系统暂态稳定评估方法 | |
| CN116933860A (zh) | 暂态稳定评估模型更新方法、装置、电子设备及存储介质 | |
| CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
| CN116415505A (zh) | 一种基于sbr-dbn模型的系统故障诊断与状态预测方法 | |
| CN113435575B (zh) | 基于不平衡数据的门图神经网络暂态稳定性评估方法 | |
| CN111628531B (zh) | 一种针对电力系统静态电压稳定评估的数据驱动方法 | |
| CN112651628A (zh) | 一种基于胶囊神经网络的电力系统暂态稳定评估方法 | |
| CN115081483A (zh) | 基于特征选择和gwo-bp的水轮发电机转子故障诊断方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210629 |