排序方式: 共有5条查询结果,搜索用时 109 毫秒
1
1.
2.
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。 相似文献
3.
新能源发电使电网潮流变化更加快速,跟踪潮流变化,在线预测电网关键振荡模式的阻尼比和机组参与因子对维护电网运行安全有重要意义。该文采用数据驱动的建模思路,设计了基于多任务学习和深度学习框架的电力系统小干扰稳定评估模型(small-signal stability assessment,SSA),可同时实现多振荡模式的阻尼比预测和机组参与因子预测任务。基于图注意力网络和异质图思想,设计了引入边信息的边图注意力机制和将节点和边分类处理的异质图处理方法,建立了能有效利用边信息的异质边图注意力网络模型(heterogeneous edge graph attention network,HEGAT)。以HEGAT的特征聚合为基础,通过多任务共享参数和基于联合误差函数的训练提高了特征提取能力。IEEE10机39节点算例的对比实验表明,HEGAT-SSA能快速准确的预测模式和模态变化,并具有对拓扑变化的良好适应能力。 相似文献
4.
5.
小干扰稳定问题对电力系统安全稳定的影响日益突出。采用样本学习的思路建立从稳态运行信息到关键振荡模式的映射模型,为大电网振荡特性的快速预测和评估提供了新的技术路径。采用图卷积网络,并引入边卷积的设计来考虑输电通道潮流分布的影响,建立了小干扰稳定评估的边图卷积网络模型(edgegraphconvolutionalnetworksforsmall-signal stability assessment,EGCN-SSA)。采用卷积增强技术改善网络退化现象,并建立多任务学习框架,同时预测多模式的振荡频率和阻尼比。在IEEE10机39节点上的算例和模型对比验证了所提出模型的性能以及对拓扑变化的适应能力。 相似文献
1