科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于深度学习的暂态稳定评估模型通常需要大量的有标注样本用于离线训练。一旦电网的运行方式和拓扑结构发生较大变化，预训练模型的性能劣化甚至失效，使得在线评估时存在一定的空窗期。为了解决这一问题，以深度置信网络（deep belief network, DBN）为研究载体，将深度学习、迁移学习和主动学习相结合，提出一种基于DBN模型的主动迁移学习方法。首先，训练DBN来挖掘输入特征和暂态稳定评估结果间的映射关系，得到更好的暂态稳定评估效果。其次，当拓扑结构和运行方式发生较大变化时，通过短期仿真生成大量的无标注样本，利用主动学习来筛选少量最富有信息的样本，并通过长期仿真对这部分样本进行标注，显著减少了样本的生成时间。最后，计算源域和目标域数据分布的最大均值差异，选择不同的迁移路径，在确保迁移效果的前提下进一步缩短了迁移时间。在新英格兰10机39节点系统，NPCC 48机140节点系统和华中电网系统上进行了仿真，结果验证了本文所提方法具有高精度、快速性和鲁棒性，有效缩短了深度学习模型在线应用时的空窗期。
- 单位
