基于变分自编码器的无监督特征学习用于在线电压稳定性评估与监测
信号处理
2020-04-01 v3
摘要
随着电力系统中不确定元素的增加以及在线监测设备的广泛部署，有必要寻找一种更实时、更鲁棒的电压稳定性评估方法。本研究利用PMU监测数据，探索了一种基于变分自编码器（VAE）的 Long-term voltage stability assessment（长期电压稳定性评估）新型数据驱动方法。我们的方法能够通过概率学习方式的无人监督数据挖掘方法提取最具代表性的特征。与大多数常见特征提取方法不同，它将潜特征正则化为期望的随机分布。此外，提出一种通过对方差缩减后的潜特征采样得到的统计指标来评估长期电压稳定性。我们的方法在不同负荷增长模型的各种仿真电力系统中进行了测试。其他案例显示了我们方法估算电压崩溃点的准确性与速度。这些测试案例成功证明了我们方法的准确性与有效性。
引用
@article{arxiv.1808.05762,
title = {Unsupervised Feature Learning for Online Voltage Stability Evaluation and Monitoring Based on Variational Autoencoder},
author = {Haosen Yang and Robert C. Qiu and Xin Shi and Xing He},
journal= {arXiv preprint arXiv:1808.05762},
year = {2020}
}
备注
This paper has been accepted by electric power systems research