基于后验分布信息的SSAE暂态稳定评估模型倾向性修正方法
为了解决样本不平衡带来的评估倾向性问题,从深度学习模型的损失函数出发,分析样本不平衡对评估模型的影响,发现训练过程中的损失函数值能够反映样本的不平衡程度,由此提出基于样本后验分布信息的代价敏感修正方法.通过预先训练获得样本的后验分布信息,引入稳定样本与不稳定样本的损失函数均值比得到修正系数;将修正系数通过代价敏感法修正模型的损失函数,重新对模型进行训练,从而修正模型的评估倾向性.相较于传统方法,该方法从模型的训练机理上量化了样本的不平衡程度,修正系数综合考虑了样本数量与空间分布的不平衡对模型参数的影响,实现了更好的修正效果.IEEE 39节点系统和华东某区域系统的仿真结果验证了所提方法的有效性.
深度学习;暂态稳定评估;代价敏感;后验分布信息;堆叠稀疏自动编码器;不平衡样本
42
TM731(输配电工程、电力网及电力系统)
福建省中青年教师教育科研项目JT180018
2022-03-23(万方平台首次上网日期,不代表论文的发表时间)
共7页
135-141