基于两阶段集成深度置信网络的电力系统暂态稳定评估

随着人工智能的发展，深度学习技术开始应用于电力系统暂态稳定评估，但面临着模型结构选择和评估性能优化等困难。为充分发挥深度学习的优势，提出一种两阶段集成深度置信网络(deep belief network，DBN)的评估方法。第 1阶段预测故障后电力系统的暂态稳定性，由于输入特征和模型结构对暂态稳定评估的影响较大，选择原始电气特征、人工经验特征和堆叠降噪自动编码器提取的特征分别作为输入，训练不同结构的 DBN 模型，按概率集成机制，建立集成 DBN 模型，并评价结果的可信度。第 2 阶段，利用 DBN暂稳程度回归预测模型进一步评估可信样本的稳定或失稳程度。在新英格兰 10 机 39 节点系统上的仿真结果表明所提方法预测精度高，具有良好的故障筛选性能，同时还能准确衡量可信样本的稳定或失稳程度，为后续控制提供可靠的参考信息。

搜集汇总

背景与挑战

背景概述

该数据集包含基于两阶段集成深度置信网络（DBN）的电力系统暂态稳定评估方法，第一阶段利用多种特征训练的集成DBN模型进行暂态稳定分类并评估可信度，第二阶段通过DBN回归模型进一步评估稳定程度。仿真实验在新英格兰10机39节点系统上进行，验证了该方法的预测精度和故障筛选性能。