基于残差分组卷积神经网络和多级注意力机制的源荷极端场景辨识方法

作     者：郭红霞 李渊 陈凌轩 王建学 马骞 

作者机构：华南理工大学电力学院 西安交通大学电气工程学院 中国南方电网电力调度控制中心 

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] 081104[工学-模式识别与智能系统] 08[工学] 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(2022YFB2403500) 

主　　题：极端场景辨识 残差神经网络 分组卷积 注意力机制 源荷不确定性 

摘      要：为应对极端天气事件给新型电力系统安全稳定运行带来的影响，在电网的生产模拟中需要考虑极端场景。然而极端场景历史样本数量少，传统场景生成方法无法直接生成极端场景，需要对场景进行辨识。为此，本文提出一种计及源荷双侧的极端场景辨识方法。首先，将风电、光伏和负荷序列进行重塑，并在通道维度上拼接；然后，基于分组卷积和深度残差网络，提取场景的时序特征和源荷场景之间的耦合特征；其次，模型内部嵌入通道注意力机制和多头注意力机制，以赋予重要特征更大的权重，并对场景进行分类；另外，采用改进损失函数解决训练样本中数据集不均衡的问题；最后，基于历史数据集进行验证。验证结果表明，所提方法能够对场景进行有效的分类，可以从历史场景中识别出具有高保供或高消纳风险的源荷极端场景。