基于物理信息拓扑特征工程的可迁移深度学习电力系统短期电压稳定评估
系统与控制
2024-10-28 v1 机器学习
系统与控制
信号处理
摘要
深度学习（DL）算法已广泛应用于电力系统的短期电压稳定（STVS）评估。然而，将一个电网中学到的知识迁移到具有拓扑变化的其他电网仍是一项具有挑战性的任务。本文通过从原始 PMU 数据构建拓扑感知的电压动态特征，提出了一种基于可迁移 DL 的 STVS 评估模型。由于无功潮流与电网拓扑对电压稳定性至关重要，拓扑感知且物理信息的电压动态特征被用于有效表征扰动后系统动态轨迹中的拓扑与时间模式。所提出的基于 DL 的 STVS 评估模型在新英格兰 39 节点系统上的随机运行条件下进行测试。利用拓扑感知且物理信息的电压动态特征，其对短期电压稳定状态的分类准确率达 99.99%。除高准确率外，实验显示出对 PMU 误差的良好适应性。此外，所提出的 STVS 评估方法在微调后对新型电网拓扑具有出色表现，尤其在评估中最高准确率达 99.68%，表明所提模型对电网拓扑变化具有良好的知识迁移能力。
引用
@article{arxiv.2303.07138,
title = {Transferable Deep Learning Power System Short-Term Voltage Stability Assessment with Physics-Informed Topological Feature Engineering},
author = {Zijian Feng and Xin Chen and Zijian Lv and Peiyuan Sun and Kai Wu},
journal= {arXiv preprint arXiv:2303.07138},
year = {2024}
}
备注
This work has been submitted to the IEEE Transactions on Power Systems for possible publication