基于GAN和多通道CNN的电力系统暂态稳定评估

摘要：

目前基于深度机器学习的电力系统暂态稳定评估对介于稳定和失稳边界的系统状态判别存在一定困难,同时也难以兼顾在线评估的准确性和快速性.针对该问题,该文提出一种基于多通道卷积神经网络(convolutional neural network,CNN)和生成对抗网络(generative adversarial nets,GAN)的暂态稳定评估方法.首先构建了含级联多通道CNN的电力系统暂态稳定状态评估模型,通过前级多通道CNN预测非边界样本的暂态稳定状态并确定原始边界样本集;其次交替训练GAN模型的生成器和判别器以实现边界样本集增强,用增强后的边界样本集训练后级多通道CNN,使其能够可靠判别边界样本的暂态稳定状态,从而提高了状态评估的准确率;此外,在故障清除时刻预测出稳定系统的稳定程度以及失稳系统的安全控制时间裕度,从而保证了在线评估的快速性,也为后续控制策略提供一定参考.在IEEE-39节点系统和某省级电力系统上仿真表明:所提模型的评估效果相较于其他常用深度学习算法而言更为优越,在同步相量测量装置测量信息含噪声的情况下,该模型表现出较强的鲁棒性.

关键词：多通道卷积神经网络、暂态稳定评估、生成对抗网络、电力系统、机器学习

所属期刊栏目：46

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金U1866602

在线出版日期：2022-08-19（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：3191-3202