基于两阶段集成深度置信网络的电力系统暂态稳定评估

摘要：

随着人工智能的发展,深度学习技术开始应用于电力系统暂态稳定评估,但面临着模型结构选择和评估性能优化等困难.为充分发挥深度学习的优势,提出一种两阶段集成深度置信网络(deep belief network,DBN)的评估方法.第1阶段预测故障后电力系统的暂态稳定性,由于输入特征和模型结构对暂态稳定评估的影响较大,选择原始电气特征、人工经验特征和堆叠降噪自动编码器提取的特征分别作为输入,训练不同结构的DBN模型,按概率集成机制,建立集成DBN模型,并评价结果的可信度.第2阶段,利用DBN暂稳程度回归预测模型进一步评估可信样本的稳定或失稳程度.在新英格兰10机39节点系统上的仿真结果表明所提方法预测精度高,具有良好的故障筛选性能,同时还能准确衡量可信样本的稳定或失稳程度,为后续控制提供可靠的参考信息.

关键词：深度置信网络、暂态稳定评估、堆叠降噪自动编码器、集成学习、特征提取

所属期刊栏目：44

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：国家重点研发计划2018YFB0904500

在线出版日期：2020-05-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1776-1787