面向变化场景的输电断面极限评估主动迁移学习方法EI北大核心CSCD |
| |
引用本文: | 王铮澄,周艳真,郭庆来,孙宏斌,闫朝阳,杨康.面向变化场景的输电断面极限评估主动迁移学习方法EI北大核心CSCD[J].中国电机工程学报,2023(15):5732-5744. |
| |
作者姓名: | 王铮澄 周艳真 郭庆来 孙宏斌 闫朝阳 杨康 |
| |
作者单位: | 1.电力系统及发电设备控制和仿真国家重点实验室(清华大学电机系)100084;2.国网江苏省电力有限公司210000; |
| |
基金项目: | 国家电网有限公司总部科技项目(5100-202118456A-0-0-00)。 |
| |
摘 要: | 深度学习由于其强大的非线性建模能力,在输电断面极限传输容量(total transfer capability,TTC)评估问题中具有良好的应用前景。然而,由于电力系统的时变性和不确定性,需要快速更新数据和模型以满足在线应用需求。为充分利用历史场景数据并减少在线更新的计算代价,提出一种基于主动迁移深度学习的输电断面TTC评估方法。该方法包括两个阶段:第一阶段引入迁移学习预训练,推导了迁移泛化误差界以及最优经验误差组合权重,用于指导预训练阶段得到具有最小泛化误差的新场景模型;第二阶段引入主动学习和模型微调,基于TTC评估网络灵敏度进行重要样本主动查询,显著降低了模型更新所需的新样本标注时间,并利用模型微调进一步提升了新场景模型的性能。算例分析表明,所提方法与传统的深度模型训练方法相比,大幅降低了将模型应用于新场景的标注样本需求与时间成本,提升了模型迁移的效率。
|
关 键 词: | 极限传输容量(TTC) 迁移学习 主动学习 深度神经网络 变化场景 |
本文献已被 维普 等数据库收录! |
|