基于改进长短期记忆网络的电力系统暂态稳定评估方法研究

现代电力系统海量量测数据为电力系统暂态稳定评估提供可靠的数据基础,与此同时,数据信息挖掘成为研究焦点,暂态稳定分析中不平衡故障样本以及多特征电气量时间序列数据中所蕴藏的信息仍有待深入挖掘。为此,该文提出一种结合注意力机制的长短期记忆网络(long short term memory network with attention,LSTMA)方法,用以深入挖掘暂态稳定评估样本中所蕴藏的信息。在离线训练环节,以长短期记忆网络为基础分类器,引入Attention注意力机制引导模型学习样本中关键特征,并对损失函数进行改进,以此强化对不平衡样本的学习能力;在线应用环节,在目标域小样本条件下采用迁移学习方法更新成型的离线LSTMA模型,并对比不同迁移学习策略对模型性能影响,经过迁移学习建立的新运行点下的改进LSTMA模型评估精度有效提高,训练时间大幅减少,所得出的迁移学习策略确定方法有利于实际应用环节快速决策。研究在IEEE39节点和IEEE300节点系统上进行实验,验证了所提方法的有效性。

堆栈式集成学习驱动的电力系统暂态稳定预防控制优化方法

针对暂态稳定预防控制在线计算的快速性要求和时域方程计算复杂性之间的矛盾,提出一种堆栈式集成学习驱动的电力系统暂态稳定预防控制优化方法。首先,构建了基于堆栈式集成深度置信网络的暂态稳定评估器,用以代替暂态稳定判定所需的非线性微分代数方程求解过程;其次,将训练好的暂态稳定评估器作为暂态稳定约束判别器,嵌入帝企鹅启发式优化算法的迭代寻优过程中;最后,以预防控制代价最小为目标,建立集成学习驱动的电力系统暂态稳定预防控制启发式优化算法,该算法实现了预防控制中暂态稳定约束的高效判断,提高了发电再调度预防控制决策水平。基于IEEE39节点系统对所提预防控制优化方法进行实验验证,结果表明,该方法在评估准确率和计算效率上都具有良好的效果。

基于LSTM与迁移学习的光伏发电功率预测数字孪生模型

文章提出了一种基于长短期记忆网络(long short term memory network,LSTM),面向光伏发电功率预测的数字孪生模型,并通过迁移学习将此模型应用到其他投入运行时间较短、数据不足的光伏系统发电功率预测中。光伏发电功率由于受到太阳辐照度、温度和一些随机因素的影响,具有较强的间歇性和波动性,因此很难进行精确的光伏功率预测;所提出的数字孪生模型,实现了与光伏系统物理实体的同步和实时更新,因此获得比传统预测方法更准确的预测结果,同时利用从历史数据充足的光伏系统中学到的知识来辅助历史数据有限的光伏系统建立发电功率预测数字孪生模型,不仅可以得到精确的预测结果而且节省了模型训练时间。文中通过Queensland大学开源网站中3个不同站点以及山西晋能清洁能源公司的光伏历史数据验证了所提方法的有效性。