基于SE-CNN和仿真数据的电力系统主导失稳模式智能识别

摘要：

故障后的主导失稳模式识别是电力系统仿真分析中的一项重要内容,用以指导制定在线应用的紧急控制措施策略表,但实际电网的功角失稳和电压失稳常交织在一起而难以判断.该文探索人工智能在主导失稳模式识别上的应用,提出一种深度学习的方法.该方法基于仿真所得的发电机功角和母线电压数据,直接识别出系统的稳定状态和主导失稳模式,即稳定、功角失稳或电压失稳.采用改进的卷积神经网络(convolutional neural network,CNN)模型实现这一智能方法,即通过引入挤压激励网络模块,显式建模CNN特征通道间的相关关系,自适应调整特征通道的权重,进一步提升CNN的效果.以中国电科院36节点系统和我国东北电网为例进行仿真,结果验证了所提主导失稳模式识别方法相比传统机器学习方法在有效性、准确性和适应性方面存在一定的优势.结果验证了基于人工智能的主导失稳模式识别的可行性和准确性.

关键词：电力系统仿真分析、主导失稳模式、功角稳定、电压稳定、挤压激励网络、卷积神经网络

所属期刊栏目：42

分类号：TM71(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：2022-11-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：7719-7730,中插5