科研之友
微信
新浪微博
Facebook
分享链接
摘要
目前基于深度学习的暂态稳定评估需要离线生成大量数据对预测模型进行训练，但当训练数据不足，或系统运行场景发生变化时，暂稳评估的准确率将显著下降。为此，本文提出了一种基于生成对抗网络(Generative Adversarial Networks， GAN）关键样本增强和迁移学习的暂态稳定自适应评估方法，选择并增强关键样本，适应电网运行工况变化。首先，针对样本质量问题，量化分析样本与模型训练和暂稳边界的相关性，定义样本重要性指标，据此筛选出关键样本，应用GAN对其进行增强。然后，针对电力系统运行工况的变化问题，设计了暂态稳定自适应评估方案，应用高质量样本集实现自适应评估。当系统运行工况不变时，基于适应电网数据特点的CNN-LSTM并联特征提取器构建了暂稳评估模型。分别利用卷积神经网络 (CNN) 和长短期记忆网络 (LSTM) 提取一级局部特征与时序特征，在此基础上融合为二级系统特征，传入后级全连接网络实现暂稳预测。当系统运行工况变化时，设计了自适应最优迁移学习策略，根据电力系统运行场景变化自适应选择最优迁移策略，解决了随运行场景变化程度增大，特征的可迁移性降低的问题。将本文所提出的方法应用于新英格兰 10 机 39 节点系统以及我国某省级电网。测试结果表明，关键样本比例增强至10%，预测模型的判错率降低了86.54%，能显著提高少样本条件下模型预测能力。本文所提出的自适应暂态稳定评估方案在电网运行工况不改变时的预测准确率提升至99.26%，且具有一定的泛化能力。当电网运行工况改变时，在目标电力系统的预测准确率达到98%以上。
- 单位
