面向电力系统暂态稳定性评估的深度学习模型智能增强方法研究

作     者：郑乐 刘思远 周小添 徐式蕴 李宗翰 李庚银 

作者机构：新能源电力系统全国重点实验室(华北电力大学) 电网安全全国重点实验室(中国电力科学研究院有限公司) 

出 版 物：《电网技术》 (Power System Technology)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划资助项目“响应驱动的大电网稳定性智能增强分析与控制技术”(2021YFB2400800) 

主　　题：暂态稳定性评估 深度学习 模型修复 智能增强 参数调整 

摘      要：深度学习目前越来越多地应用于电力系统暂态稳定评估，但深度网络初步训练后仍然存在准确率较低、可解释性较弱等问题，模型可能产生违背物理认知甚至十分危险的输出结果。因此，本文研究面向电力系统暂态稳定性评估的深度学习模型智能增强方法，通过对深度判稳模型进行修复提升其准确性和可信度。首先，简单介绍了深度学习模型在电力系统暂态稳定性评估中的问题描述和整体框架，并分析了基于模型修复的智能增强理念在整体框架中的集成方法和对提升评估模型准确率的意义。然后，分别介绍重训练、无错误定位微调和含错误定位微调三类常用模型智能增强方法的原理，并结合电力系统暂态稳定评估的特点和要求，以FAMR算法和Arachne算法为例详细解释了无错误定位微调和含错误定位微调两大类模型修复方法的实施细节。之后，在IEEE-39节点系统上设计了算例进行测试与验证，并结合算法的原理和测试结果，对三类模型修复方法进行对比和总结。