图深度学习技术在智能暂态稳定评估中的应用及展望

摘要：

数据驱动的暂态稳定评估模型是近年来的热点研究方向.深度学习技术具有高维输入空间的特征聚合能力,其引入能显著降低智能稳定评估模型设计中输入特征选择的主观性,并改善基于动态信息的评估模型预测精度.图深度学习(graph deep learning,GDL)框架进一步拓展了深度学习模型的拓扑学习能力,使其可以将状态特征与拓扑关系相结合,提升稳定评估模型的特征提取能力.论文分析了GDL应用于智能暂态稳定评估模型的设计框架,从图表示、图嵌入、全局聚合、训练方式4个方面探讨了暂态稳定评估应用中GDL的特征聚合性能提升方法.该文结合IEEE测试系统验证了GDL与传统深度学习模型的稳定评估性能差异以及多种性能提升方法的有效性.论文可为GDL在智能稳定评估领域的应用研究提供指导思路.

关键词：图深度学习、智能暂态稳定评估、特征聚合、性能增强

所属期刊栏目：47

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;南方电网公司科技项目

在线出版日期：2023-04-18（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：1500-1511