CN113435492B - 一种基于主动学习的电力系统主导失稳模式判别方法 - Google Patents
一种基于主动学习的电力系统主导失稳模式判别方法 Download PDFInfo
- Publication number
- CN113435492B CN113435492B CN202110687214.0A CN202110687214A CN113435492B CN 113435492 B CN113435492 B CN 113435492B CN 202110687214 A CN202110687214 A CN 202110687214A CN 113435492 B CN113435492 B CN 113435492B
- Authority
- CN
- China
- Prior art keywords
- sample
- samples
- dominant
- instability mode
- power system
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Analysis (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Feedback Control In General (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于主动学习的电力系统主导失稳模式判别方法,属于电力系统稳定性分析领域。本发明将主动学习应用到主导失稳模式判别方法中,无需标注所有样本,而仅主动地选择部分最有信息含量的样本来标注,以较少的样本标注来达到较高的判别准确率。同时,在模型不确定性基础上还考虑到样本多样性,以模型输出概率信息熵为权重,通过加权k‑means聚类的方法将样本聚成k簇,分别从每一簇中选择最接近聚类质心的样本,保证了采样的多样性,避免所选样本过于相似造成模型过拟合的问题。如此,本发明能够减少样本标注的成本,提高主导失稳模式判别模型实现效率,从而提高电力系统的安全性,实用性较强。
Description
技术领域
本发明属于电力系统稳定性分析领域,更具体地,涉及一种基于主动学习的电力系统主导失稳模式判别方法。
背景技术
电力系统的安全稳定运行对国家能源安全和经济社会发展至关重要,其安全性和稳定性问题是系统规划、运行、保护工作者重点关注的问题。在电力系统受到大扰动后快速、准确地判断出其稳定和失稳以及主导失稳模式(电压失稳、功角失稳),将为紧急控制措施赢得时间,同时为采取何种措施提供依据,从而有效保证系统的安全稳定。
时域仿真、能量函数、分岔分析等是主导失稳模式判别的常用方法,但在应用到实际大电网时存在诸多困难。
随着WAMS的发展,电力系统中数据不断积累,同时深度学习方法的进步使得一些研究将深度学习方法应用到主导失稳模式判别中。深度学习可自动从原始量测数据或仿真数据中提取所需要的特征并建立起特征到主导失稳模式的映射关系。一些研究将深度学习应用到主导失稳模式判别中,取得了不错的效果。深度学习方法可以摆脱复杂的物理机理,通过数据驱动方式直接作出准确判断,在主导失稳模式判别问题中具有广阔的应用前景。
然而,现有研究在训练深度学习模型时采用监督学习方式,需要大量有标注样本。事实上,主导失稳模式判别样本标注无法直接通过仿真程序获得,而需要根据电网专家经验,由人工进行判断和标注,需要花费较多的时间和人力成本,影响模型实现效率和适用性。
因此,如何减少对样本标注量的需求,提升模型实现的效率,是目前亟待解决的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于主动学习的电力系统主导失稳模式判别方法,其目的在于减少对样本标注量的需求,提升模型实现的效率。
为实现上述目的,本发明提供了一种基于主动学习的电力系统主导失稳模式判别方法,包括:
S1,进行多组暂稳仿真,并离散采样仿真结果中的电压数据和功角数据,作为样本集;其中,每一样本包括电压数据和功角数据;
S2,采用深度自编码器进行表征学习,将所述样本集中各样本压缩成低维稠密向量;
S3,对S2中得到的低维稠密向量进行k-means聚类,并对每一个聚类簇中最接近簇质心的低维稠密向量对应的样本标注主导失稳模式类别,得到k个标注样本;
S4,用所有标注样本训练卷积神经网络模型,并利用训练后的卷积神经网络模型对所述样本集中未标注的样本进行预测,得到每一个未标注样本对应的信息熵;
S5,以S4中得到的信息熵为权重,对所述样本集中未标注的样本对应的低维稠密向量进行加权k-means聚类;并对每一个聚类簇中最接近簇质心的低维稠密向量对应的样本标注主导失稳模式类别,得到k个新的标注样本;
S6,重复S4-S5,直至所述卷积神经网络模型的测试准确率达到预设目标值或达到预设迭代次数。
进一步地,步骤S2中,所述深度自编码器包括编码器和解码器;其中,所述编码器采用双输入结构,对应功角输入和电压输入,包括编码器由卷积层和全连接层组成;所述解码器采用双输出结构,对应功角输出和电压输出,解码器由包括全连接层和反卷积层组成;
所述深度自编码器的训练采用自监督方式,以最小化编码器输入和解码器输出之间的差异为目标。
进一步地,所述深度自编码器的训练目标函数选用均方误差。
进一步地,所述主导失稳模式包括稳定、功角失稳和电压失稳三种类别。
进一步地,步骤S4中信息熵的计算公式为:
其中,xi为第i个未标注样本,Entropy(xi)为第i个未标注样本的信息熵,yj为第j种主导失稳模式类别,j=1,2,3,Pθ(yj|xi)为卷积神经网络预测的xi属于第j种主导失稳模式类别的概率。
进一步地,步骤S5中加权k-means聚类的表达式为:
其中,χU为未标注样本集;zi,k∈{0,1},标记样本xi是否属于第k个聚类簇的变量;f(xi)为深度自编码器提取出的样本xi的低维特征;μk为第k个聚类簇的簇质心。
进一步地,步骤S4中卷积神经网络为包含挤压-激励模块的双输入卷积神经网络,输入为电压和功角,输出为主导失稳模式类别为稳定、功角失稳、电压失稳的概率。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明在获取仿真数据后,先采用深度自编码器将仿真数据压缩成低维稠密向量;然后,对低维稠密向量形成的样本集进行k-means聚类,并对每一个聚类簇中最接近簇质心的样本标注主导失稳模式类别,得到k个标注样本;接着,用所有标注样本训练卷积神经网络模型,并利用训练后的卷积神经网络模型对样本集中未标注的样本进行预测,得到每一个未标注样本对应的信息熵;以信息熵为权重,对样本集中未标注的样本进行加权k-means聚类,并对每一个聚类簇中最接近簇质心的样本标注主导失稳模式类别,得到k个新的标注样本;继续训练卷积神经网络,直至模型的测试准确率达到预设目标值或达到预设迭代次数。如此,本发明通过主动学习方法,可以使得基于深度学习的主导失稳模式判别方法降低对样本标注量的需求,通过较少的样本标注即可达到较好的效果,从而降低样本标注的时间成本,提高模型实现效率。同时,以信息熵为权值的加权k-means聚类兼顾主动学习中的模型不确定性和样本多样性,可避免主动学习所选择样本过于相似的问题,相比其他主动学习方法效果更好。
附图说明
图1为本发明实施例提供的基于主动学习的电力系统主导失稳模式判别方法的流程图之一;
图2为本发明实施例提供的基于主动学习的电力系统主导失稳模式判别方法的流程图之二;
图3为本发明实施例提供的深度自编码器网络架构图;
图4为本发明实施例提供的卷积神经网络架构图;
图5为本发明实施例提供的中国电科院8机36节点系统单线图;
图6为本发明实施例提供的本发明所提模型不确定性与样本多样性结合主动学习与其他主动学习以及常规被动学习效果的对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参阅图1,结合图2至图4,本发明实施例提供了一种基于主动学习的电力系统主导失稳模式判别方法,包括以下步骤:
S1,进行多组暂稳仿真,并离散采样仿真结果中的电压数据和功角数据,作为样本集;其中,每一样本包括电压数据和功角数据;
具体的,可以设置不同的潮流运行工况、负荷电动机成分比例、故障线路、故障位置和故障持续时间进行多组暂稳仿真,离散采样仿真结果中的电压数据和功角数据得到无标注的主导失稳模式判别样本集,将无标注样本放入样本池中。例如,可以设置负荷水平在标准工况的90%到110%波动;负荷中电动机成分占比为50%,60%,70%,80%,90%;故障线路遍历系统中所有非变压器线路;故障位置为每一条线路全长的2%,20%,50%,80%,98%;故障持续时间设为0.05s/0.25s,0.15s/0.3s。
S2,采用深度自编码器进行表征学习,将所述样本集中各样本压缩成低维稠密向量;
具体的,深度自编码器的网络架构如图3所示,需要说明的是,深度自编码器的编码器和解码器结构基本对称,都由卷积层(或反卷积)和全连接层构成。且由于样本数据包括电压和功角,因而编码器采用双输入结构,输入的两支各自经过卷积层和全连接层处理后再拼接形成低维稠密向量,从而将样本从原始高维空间压缩到了低维空间。解码器采用双输出结构,编码器得到的低维稠密向量分为两支,各自经过全连接层和反卷积层处理后,恢复到原始样本空间。深度自编码器的训练采用自监督方式,无需标注,以最小化编码器输入和解码器输出之间的差异为目标。优选的,训练目标函数选用均方误差。训练完后,编码器即可作为特征提取器,将原始样本转化为低维特征,便于后续k-means聚类操作。
S3,对S2中得到的低维稠密向量进行k-means聚类,并对每一个聚类簇中最接近簇质心的低维稠密向量对应的样本标注主导失稳模式类别,得到k个标注样本;
具体的,设定采样步长k,对S2中得到的低维稠密向量进行k-means聚类,从每一个聚类簇中选择最接近簇质心的低维稠密向量对应的样本,根据专家经验进行标注,得到k个标注样本;需要说明的是,初始k个标注样本分别来自k个簇,保证了初始样本的多样性,避免了主动学习的冷启动的问题。
S4,用所有标注样本训练卷积神经网络模型,并利用训练后的卷积神经网络模型对所述样本集中未标注的样本进行预测,得到每一个未标注样本对应的信息熵;
具体的,卷积神经网络为包含挤压-激励模块的双输入卷积神经网络,输入为电压和功角,输出为主导失稳模式类别为稳定、功角失稳、电压失稳的概率。
信息熵的计算公式为:
其中,xi为第i个未标注样本,Entropy(xi)为第i个未标注样本的信息熵,yj为第j种主导失稳模式类别,j=1,2,3,Pθ(yj|xi)为卷积神经网络所预测的xi属于第j种主导失稳模式类别的概率。
需要说明的是,信息熵遍历所有分类类别,度量了模型对于某一所选样本的主导失稳模式判别的不确定度,信息熵越大,表明不确定越大。
S5,以S4中得到的信息熵为权重,对所述样本集中未标注的样本对应的低维稠密向量进行加权k-means聚类;并对每一个聚类簇中最接近簇质心的低维稠密向量对应的样本标注主导失稳模式类别,得到k个新的标注样本;
具体的,加权k-means通过寻找最佳的k个聚类质心μk,使得对于每一个样本的特征点f(xi),其到最近的质心的总加权距离最小。其中,加权k-means聚类的表达式为:
其中,χU为未标注样本集;zi,k∈{0,1},标记样本xi是否属于第k个聚类簇的变量;f(xi)为深度自编码器提取出的样本xi的低维特征;μk为第k个聚类簇的簇质心。
S6,重复S4-S5,直至所述卷积神经网络模型收敛或达到预设迭代次数。
需要说明的是,在每一次迭代中新选择的样本来自k个不同的聚类簇,保证了采样的多样性;同时聚类簇的形成以加权距离(权重为模型对该样本的预测概率值的交叉熵)为依据,考虑到了模型不确定性。不确定性与多样性的综合,提高了主动学习的效果。
下面以中国电科院8机36节点测试系统为例对上述方法进行具体说明,系统单线图如图5。在样本集生成阶段,在PSASP软件上进行暂稳仿真,模拟PMU和WAMS系统采集的电压数据。故障前运行工况包括90%,100%,110%三种负荷水平,发电机出力水平根据负荷水平相应调整,并保证各母线电压在允许范围内。在所有26条非变压器线路上设置三相金属性短路故障,短路位置分别为线路位置的2%,20%,50%,80%,98%,故障分别持续0.05s,0.15s,0.25s或0.3s。仿真时长设置为20s,最终得到7800个样本。为实验测试主动学习效果,根据电网专家经验标注所有样本(在实际应用中不必标注所有样本)。将样本集随机划分为85%和15%两部分,分别作为训练集和测试集。
设置采样步长k为200,在每一次迭代更新训练卷积神经网络模型后,测试模型在测试集上的效果,记录并与仅考虑模型不确定的其他主动学习方法和被动学习方法(对照)对比。为排除训练和测试的偶然性,每种方法重复5次,取测试准确率的平均值,结果如图6所示。图6表明,对于同样数量的标注样本,通过主动学习选择出的样本比随机选择的样本使得模型学习的效果好。从另一方面看,要达到某一设定的准确率,主动学习需要的标注样本数量少于对照,可减少在主导失稳模式判别中样本标注的开销和成本。同时结果表明,本专利采用的融合样本多样性和模型不确定性的主动学习方法较仅考虑模型不确定性的主动学习方法(边际概率采样、信息熵采样)效果更好。
因此,通过主动学习方法,可以使得基于深度学习的主导失稳模式判别方法降低对样本标注量的需求,通过较少的样本标注即可达到较好的效果,从而降低样本标注的时间成本,提高模型实现效率。样本多样性和模型不确定性融合的主动学习方法可避免主动学习所选择样本过于相似问题,相比其他主动学习方法效果更好。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于主动学习的电力系统主导失稳模式判别方法,其特征在于,包括以下步骤:
S1,进行多组暂稳仿真,并离散采样仿真结果中的电压数据和功角数据,作为样本集;其中,每一样本包括电压数据和功角数据;
S2,采用深度自编码器进行表征学习,将所述样本集中各样本压缩成低维稠密向量;
S3,对S2中得到的低维稠密向量进行k-means聚类,并对每一个聚类簇中最接近簇质心的低维稠密向量对应的样本标注主导失稳模式类别,得到k个标注样本;
S4,用所有标注样本训练卷积神经网络模型,并利用训练后的卷积神经网络模型对所述样本集中未标注的样本进行预测,得到每一个未标注样本对应的信息熵;
S5,以S4中得到的信息熵为权重,对所述样本集中未标注的样本对应的低维稠密向量进行加权k-means聚类;并对每一个聚类簇中最接近簇质心的低维稠密向量对应的样本标注主导失稳模式类别,得到k个新的标注样本;
S6,重复S4-S5,直至所述卷积神经网络模型的测试准确率达到预设目标值或达到预设迭代次数。
2.根据权利要求1所述的一种基于主动学习的电力系统主导失稳模式判别方法,其特征在于,步骤S2中,所述深度自编码器包括编码器和解码器;其中,所述编码器采用双输入结构,对应功角输入和电压输入,编码器由卷积层和全连接层组成;所述解码器采用双输出结构,对应功角输出和电压输出,解码器由全连接层和反卷积层组成;
所述深度自编码器的训练采用自监督方式,以最小化编码器输入和解码器输出之间的差异为目标。
3.根据权利要求2所述的一种基于主动学习的电力系统主导失稳模式判别方法,其特征在于,所述深度自编码器的训练目标函数选用均方误差。
4.根据权利要求1所述的一种基于主动学习的电力系统主导失稳模式判别方法,其特征在于,所述主导失稳模式包括稳定、功角失稳和电压失稳三种类别。
7.根据权利要求1所述的一种基于主动学习的电力系统主导失稳模式判别方法,其特征在于,步骤S4中卷积神经网络为包含挤压-激励模块的双输入卷积神经网络,输入为电压和功角,输出为主导失稳模式类别为稳定、功角失稳、电压失稳的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687214.0A CN113435492B (zh) | 2021-06-21 | 2021-06-21 | 一种基于主动学习的电力系统主导失稳模式判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687214.0A CN113435492B (zh) | 2021-06-21 | 2021-06-21 | 一种基于主动学习的电力系统主导失稳模式判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435492A CN113435492A (zh) | 2021-09-24 |
CN113435492B true CN113435492B (zh) | 2022-04-22 |
Family
ID=77756692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110687214.0A Active CN113435492B (zh) | 2021-06-21 | 2021-06-21 | 一种基于主动学习的电力系统主导失稳模式判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435492B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169395B (zh) * | 2021-11-05 | 2024-09-06 | 华中科技大学 | 一种电力系统主导失稳模式识别模型构建方法及应用 |
CN114034957B (zh) * | 2021-11-12 | 2023-10-03 | 广东电网有限责任公司江门供电局 | 一种基于工况划分的变压器振动异常检测方法 |
CN114091705A (zh) * | 2021-11-26 | 2022-02-25 | 国网四川省电力公司电力科学研究院 | 一种电力系统失稳分析方法、装置、电子设备和存储介质 |
CN114330577B (zh) * | 2021-12-31 | 2024-09-06 | 华中科技大学 | 一种可迁移的电力系统主导失稳模式判别方法 |
CN115757784B (zh) * | 2022-11-21 | 2023-07-07 | 中科世通亨奇(北京)科技有限公司 | 基于标注模型和标签模板筛选的语料标注方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657744A (zh) * | 2015-01-29 | 2015-05-27 | 中国科学院信息工程研究所 | 一种基于非确定主动学习的多分类器训练方法及分类方法 |
CN110705831A (zh) * | 2019-09-06 | 2020-01-17 | 华中科技大学 | 电力系统故障后功角失稳模式预判模型构建方法及其应用 |
CN111191732A (zh) * | 2020-01-03 | 2020-05-22 | 天津大学 | 一种基于全自动学习的目标检测方法 |
CN111461232A (zh) * | 2020-04-02 | 2020-07-28 | 大连海事大学 | 一种基于多策略批量式主动学习的核磁共振图像分类方法 |
CN112215722A (zh) * | 2020-10-07 | 2021-01-12 | 华中科技大学 | 主导失稳模式判别模型构建方法、主导失稳模式判别方法 |
-
2021
- 2021-06-21 CN CN202110687214.0A patent/CN113435492B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657744A (zh) * | 2015-01-29 | 2015-05-27 | 中国科学院信息工程研究所 | 一种基于非确定主动学习的多分类器训练方法及分类方法 |
CN110705831A (zh) * | 2019-09-06 | 2020-01-17 | 华中科技大学 | 电力系统故障后功角失稳模式预判模型构建方法及其应用 |
CN111191732A (zh) * | 2020-01-03 | 2020-05-22 | 天津大学 | 一种基于全自动学习的目标检测方法 |
CN111461232A (zh) * | 2020-04-02 | 2020-07-28 | 大连海事大学 | 一种基于多策略批量式主动学习的核磁共振图像分类方法 |
CN112215722A (zh) * | 2020-10-07 | 2021-01-12 | 华中科技大学 | 主导失稳模式判别模型构建方法、主导失稳模式判别方法 |
Non-Patent Citations (4)
Title |
---|
convolutional neural network-based power system transient stability assessment and instability mode prediction;Zhongtuo Shi 等;《Applied Energy》;20200401;第263卷;全文 * |
一种基于主动学习的中文新词识别算法;王博 等;《电讯技术》;20201130;第60卷(第11期);全文 * |
基于样本不确定性和代表性相结合的可控主动学习算法研究;胡正平等;《燕山大学学报》;20090731(第04期);全文 * |
基于自编码器的未知协议分类方法;顾纯祥 等;《通信学报》;20200630;第41卷(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113435492A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435492B (zh) | 一种基于主动学习的电力系统主导失稳模式判别方法 | |
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
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 | |
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 | |
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 | |
CN111652479A (zh) | 一种针对电力系统动态安全评估的数据驱动方法 | |
CN110705831A (zh) | 电力系统故障后功角失稳模式预判模型构建方法及其应用 | |
CN112288147B (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
CN114021433A (zh) | 一种电力系统的主导失稳模式识别模型的构建方法及应用 | |
CN112633315A (zh) | 一种电力系统扰动分类方法 | |
CN116595459A (zh) | 一种基于电场信号的污闪预警方法及系统 | |
Shi et al. | Intelligent power system stability assessment and dominant instability mode identification using integrated active deep learning | |
Li et al. | A line-fault cause analysis method for distribution network based on decision-making tree and machine learning | |
CN112036718B (zh) | 一种考虑新能源不确定性的电力系统安全风险评估方法 | |
CN112085350B (zh) | 一种大型光伏电站中光伏阵列状态的评估方法 | |
CN112564090B (zh) | 基于mblda的交直流系统暂态电压稳定监测方法 | |
CN117688336A (zh) | 一种基于设备故障风险的电力调度故障集智能生成方法 | |
CN113298296A (zh) | 一种自下而上的输电变电站日前负荷概率预测方法 | |
CN111244937B (zh) | 一种电力系统暂态电压稳定性严重故障筛选方法 | |
CN111391694B (zh) | 一种充电站运行维护的多层次快速数据监测方法和系统 | |
Yi et al. | Intelligent aging diagnosis of conductor in smart grid using label-distribution deep convolutional neural networks | |
CN117077052A (zh) | 一种基于工况识别的干式变压器异常检测方法 | |
CN112132226A (zh) | 一种±1100kV复合绝缘子缺陷诊断方法 | |
CN114330577B (zh) | 一种可迁移的电力系统主导失稳模式判别方法 | |
CN116911161A (zh) | 一种结合数据增强的深度学习暂态电压稳定评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |