基于迁移学习的电力系统暂态稳定自适应预测

基于人工智能的电力系统暂态稳定预测，通常需要用离线生成的大量暂稳样本对预测模型进行训练，然后根据系统的实时响应进行在线预测。但当系统的运行方式和拓扑结构发生较大变化时，预测模型的精度会显著下降，亟需一种能跟踪系统变化的自适应暂稳预测方法。针对这一问题，将迁移学习引入电力系统暂稳预测，基于卷积神经网络提出了一种自适应预测方法。首先利用离线生成的大量暂稳样本训练并得到基于卷积神经网络的预训练模型。当系统运行方式和拓扑结构发生较大变化时，保持预训练模型的网络结构不变，将其中的两个卷积层、两个池化层和全连接层的网络参数迁移至新模型；提出了一种最小均衡样本集的变步长生成方法，用新生成的最小均衡样本集训练分类层参数，从而快速得到新的预测模型。新英格兰 10 机 39 节点系统的测试结果表明：所提方法能自适应跟踪系统运行方式和拓扑结构的变化，有效更新预测模型且大幅减少新模型的训练时间，为基于人工智能的电力系统暂态稳定自适应预测提供了一条新思路。

搜集汇总

背景与挑战

背景概述

该数据集提出了一种基于迁移学习和卷积神经网络的电力系统暂态稳定自适应预测方法。该方法旨在解决系统运行方式或拓扑变化时传统预测模型精度下降的问题，通过迁移预训练模型参数并利用新生成的最小均衡样本集快速更新模型，从而减少训练时间并实现自适应跟踪。