检索结果-南通市图书馆

Deep Active Learning for solvability Prediction in power Systems

Journal of Modern power Systems and Clean Energy 2022年第6期10卷 1773-1777页

作者： Yichen Zhang Jianzhe Liu Feng Qiu Tianqi Hong Rui Yao Argonne National Laboratory LemontIL 60439USA IEEE

Traditional methods for solvability region analysis can only have inner approximations with inconclusive conservatism and handle limited types of power flow models.In this letter,we propose a deep active learning framework for solvability prediction in power systems.Compared with passive learning where the training is performed after all instances are labeled,active learning selects most informative instances to be labeled and therefore significantly reduces the size of the labeled dataset for training.In the active learning framework,the acquisition functions,which correspond to different sampling strategies,are defined in terms of the on-the-fly posterior probability from the classifier.First,the IEEE 39-bus system is employed to validate the proposed framework,where a two-dimensional case is illustrated to visualize the effectiveness of the sampling method followed by the high-dimensional numerical experiments.Then,the Northeast power Coordinating Council(NPCC)140-bus system is used to validate the performance on large-scale power systems.

关键词： Active learning deep learning power flow solvability power flow equation

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：