一种基于深度自适应网络迁移的暂稳评估模型更新框架

为解决电力系统的运行方式或拓扑结构变化后暂稳评估模型的适应性问题,常规的特征迁移学习方法主要侧重于拉近源域与目标域数据集间的条件分布或边缘分布的距离,却不能定量的评价这两种分布对于不同域之间的贡献,导致模型迁移性能不理想。针对该问题,引入SENet注意力机制和动态分布自适应算法,构建了基于SEDDAN迁移的深度自适应网络暂稳评估模型更新框架,从特征提取和不同域间分布权重的动态调整两个层面进行改进,进一步提升了评估模型的迁移性能和自适应性。在IEEE 39和IEEE 140节点系统上进行测试,仿真结果表明所提模型在更新后的评估准确性、适应性和迁移性能方面有一定的优势。