基于改进堆栈降噪自动编码器的预想事故频率指标评估方法研究

可再生能源大规模并网导致电力系统转动惯量降低,在扰动事件下的频率稳定问题突出。时域仿真存在计算量大、运算耗时长等缺陷,难以满足复杂多变运行方式和海量预想事故下的频率指标快速评估需求。为了实现功率扰动事件下系统惯性中心多维频率指标(极值频率、最大频率变化率、准稳态频率)的快速评估,该文将深度学习引入到频率稳定研究中,提出一种基于改进堆栈降噪自动编码器(improved stacked denoising autoencoders,ISDAE)的智能化评估方法。首先,利用随机森林算法筛选出重要特征变量作为输入数据,实现输入数据降维;然后,将多个降噪自动编码器堆叠,构建深度学习网络结构;采用"预训练-参数微调"方法训练网络参数,引入Dropout技术提高算法泛化能力、防止过拟合,基于均方根反向传播(root mean square back propagation,RMSprop)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,根据离线训练得到的ISDAE网络结构实现扰动事件后系统惯性中心的多维频率指标在线评估。在修改后的IEEE RTS-79系统进行测试,与时域仿真、浅层神经网络以及未改进的SDAE方法所得结果进行比较,验证所提方法的快速性、准确性以及良好的泛化能力。

深度复合模型下的土壤重金属含量预测

为提高土壤重金属含量预测的准确性,提出一种深度复合模型(DCM)。以径向基神经网络(RBFNN)为基础,将基于双曲正切函数变换的概率调整和容忍准则引入遗传算法,用于RBFNN输出层参数的生成,将随梯度正负值变化而自适应调整的学习率运用到均方根反向传播(RMSProp)算法上,用于RBFNN监督学习过程中参数的优化。结合武汉市6个新城区的农田土壤重金属含量数据进行仿真预测,验证了该模型较RBFNN等几个对比模型具有更高的预测准确性。