基于电压相量利用深度学习在线预测电力系统应力的一种方法
信号处理
2019-10-22 v1 系统与控制
系统与控制
摘要
输电线路的停运可能改变系统相角差，直至系统经历应力状态。因此，应实时预测输电线路故障后条件下的相角差。然而，基于线路的在线相角差监测与预测用于电力系统应力评估尚非通用运行实践。为此，本文通过开发经深度学习训练的卷积神经网络（CNN）模块，提出一种在线电力系统应力评估框架。在该框架中，由相量测量单元（PMUs）或状态估计器（SE）驱动的连续流系统相角数据，被用于构建适应 CNN 模块结构参数的电力系统应力指标。利用该方法，总线相角与系统应力状态之间的任何隐藏模式得以以低计算成本揭示，同时给出准确的应力状态及应力严重程度。所提方法的有效性与可扩展性已在 IEEE 118-总线系统上，且更重要的是在 PJM 互联系统上得到验证。此外，通过与人工神经网络（ANN）和决策树（DT）的结果比较，证实了所提方法的优越性。
引用
@article{arxiv.1910.09060,
title = {An Online Deep Learning Approach Toward the Prediction of Power System Stresses Using Voltage Phasors},
author = {Elham Foruzan and Sajjad Abedi and Jeremy Lin and Sohrab Asgarpoor and Emanuel Bernabeu},
journal= {arXiv preprint arXiv:1910.09060},
year = {2019}
}