基于 PMU 量测与深度迁移学习的电力系统短期电压稳定评估
机器学习
2023-09-21 v2 系统与控制
系统与控制
摘要
深度学习已成为应对电力系统短期电压稳定评估（STVSA）挑战的有效方案。然而，现有的基于深度学习的 STVSA 方法在适应拓扑变化、样本标注和处理小数据集方面存在局限。为克服这些挑战，本文提出一种基于相量测量单元（PMU）量测、利用深度迁移学习的新型 STVSA 方法。该方法利用 PMU 捕获的实时动态信息构建初始数据集，采用时序集成进行样本标注，并利用最小二乘生成对抗网络（LSGAN）进行数据增强，从而在小规模数据集上实现有效深度学习。此外，该方法通过探索不同故障间的联系来增强对拓扑变化的适应性。在 IEEE 39 总线测试系统上的实验结果表明，所提方法通过迁移学习将模型评估准确率提高了约 20%，对拓扑变化表现出强适应性。借助 Transformer 模型的自注意力机制，该方法相比浅层学习方法和其他基于深度学习的方法具有显著优势。
引用
@article{arxiv.2308.03953,
title = {PMU measurements based short-term voltage stability assessment of power systems via deep transfer learning},
author = {Yang Li and Shitu Zhang and Yuanzheng Li and Jiting Cao and Shuyue Jia},
journal= {arXiv preprint arXiv:2308.03953},
year = {2023}
}
备注
Accepted by IEEE Transactions on Instrumentation & Measurement