【精彩论文】基于数据增强和深度残差网络的电力系统暂态稳定预测

观点凝练

摘要：针对传统数据驱动的电力系统暂态稳定分析方法中，较少考虑输入数据存在噪声和信息缺失后对预测模型性能的影响问题，提出一种基于数据增强和深度残差网络的暂态稳定预测方法。首先，考虑噪声和信息缺失情况，对原始训练数据进行扩充；然后，采用发电机受扰后动态数据作为输入特征；考虑到输入的高维时序数据具有图像的特点，利用图像处理中一种特殊的卷积神经网络—深度残差网络构建用于暂态稳定评估的深层模型。算例分析表明，所提出的方法能够提高模型的泛化能力，在含噪声以及部分发电机信息缺失情况下具有更好的鲁棒性。
结论：本文提出一种基于数据增强和深度残差网络的暂态稳定预测方法。首先，采用各发电机故障后的时序轨迹作为输入特征；然后，考虑到实际应用中可能存在的噪声和信息缺失情况，采用数据增强技术对原有数据进行扩充；采用残差网络对扩充后的数据进行学习，从而得到用于暂态稳定预测的深度学习模型。算例分析结果验证了残差网络在暂态稳定预测上的有效性。对于含噪声和信息缺失情况，噪声含量越多，缺失的发电机台数越多，暂态稳定预测模型的性能越低。在这种情况下，所提出的数据增强技术能够显著提高不同人工智能模型在噪声和信息缺失情况下的鲁棒性，具有良好的应用前景。

引文信息

周艳真, 查显煜, 兰健, 等. 基于数据增强和深度残差网络的电力系统暂态稳定预测[J]. 中国电力, 2020, 53(1): 22-31.ZHOU Yanzhen, ZHA Xianyu, LAN Jian, et al. Transient stability prediction of power systems based on deep residual network and data augmentation[J]. Electric Power, 2020, 53(1): 22-31.

 往期回顾 

编辑：杨彪

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。