基于Tri-training-SSAE半监督学习算法的电力系统暂态稳定评估

• Published in: 电力自动化设备 Vol. 43; no. 7; pp. 110 - 116
• Main Authors: 卫志农, 李超凡, 丁爱飞, 孙国强, 黄蔓云, 臧海祥, 方熙程
• Format: Journal Article
• Language: Chinese
• Published: 河海大学 能源与电气学院,江苏 南京 211100%国电南瑞吉电新能源(南京)有限公司,江苏 南京 211106 01.07.2023; 国电南瑞科技股份有限公司,江苏 南京 211106%国网江苏省电力有限公司扬中市供电分公司,江苏 镇江 212200
• Subjects: semi supervised learning; stacked sparse auto-encoder; 机器学习; 堆叠稀疏自动编码器; 半监督学习; 三体训练算法; 暂态稳定评估; machine learning; Tri-training algorithm; transient stability assessment
• ISSN: 1006-6047
• DOI: 10.16081/j.epae.202212009

TM712; 基于机器学习的暂态稳定评估方法主要采用监督学习方法,为了解决监督学习方法所需的有标签样本难以获取的问题,提出基于三体训练-稀疏堆叠自动编码器(Tri-training-SSAE)半监督学习算法的电力系统暂态稳定评估方法.构建基于堆叠稀疏自动编码器的暂态稳定评估模型;在传统的三体训练过程中加入伪标签样本置信度判断,以减小噪声数据对模型训练的影响;以堆叠稀疏自动编码器为基分类器构建三体训练-稀疏堆叠自动编码器模型,利用大量的无标签样本提高模型的泛化能力.通过IEEE 39节点系统与华东某省级电网进行分析验证,结果表明,所提方法在有标签样本数较少时具有更高的评估准确度.