基于生成对抗网络与度量学习的数据驱动频率安全评估

随着大容量远距离高压直流输电工程的建设和大规模可再生能源的接入,电力系统的频率安全面临严峻挑战.为了对频率安全进行快速准确的在线评估,提出一种基于度量学习与生成对抗网络技术的数据驱动频率安全评估模型.首先,选取关键频率安全指标作为模型输出,并构建输入特征集.然后,使用改进的基于Wasserstein距离度量的生成对抗网络(Wasserstein generative adversarial network,WGAN)学习电力系统历史运行场景分布信息,生成覆盖系统典型运行方式的运行场景以构建训练样本集.计及电力系统复杂运行方式下单个机器学习模型对频率安全评估的不适用性,基于核回归度量学习(met...

Full description

Saved in:
Bibliographic Details
Published in电力系统保护与控制 Vol. 52; no. 18; pp. 101 - 111
Main Authors 李华瑞, 李文博, 李铮, 贾宇乔, 刘全, 缪德炀, 李雅然, 王宝财
Format Journal Article
LanguageChinese
Published 国网江苏省电力有限公司电力科学研究院,江苏 南京 211100%电网安全与节能国家重点实验室(中国电力科学研究院有限公司),北京 100192 16.09.2024
Subjects
generative adversarial network
数据驱动
频率安全
生成对抗网络
frequency security
metric learning
机器学习
data-driven
度量学习
machine learning
Online AccessGet full text
ISSN1674-3415
DOI10.19783/j.cnki.pspc.231542

Cover

More Information
Summary:随着大容量远距离高压直流输电工程的建设和大规模可再生能源的接入,电力系统的频率安全面临严峻挑战.为了对频率安全进行快速准确的在线评估,提出一种基于度量学习与生成对抗网络技术的数据驱动频率安全评估模型.首先,选取关键频率安全指标作为模型输出,并构建输入特征集.然后,使用改进的基于Wasserstein距离度量的生成对抗网络(Wasserstein generative adversarial network,WGAN)学习电力系统历史运行场景分布信息,生成覆盖系统典型运行方式的运行场景以构建训练样本集.计及电力系统复杂运行方式下单个机器学习模型对频率安全评估的不适用性,基于核回归度量学习(metric learning for kernel regression,MLKR)算法构建由多个子模型构成的频率安全组合评估模型.最后使用简化的山东电网算例,验证了所提方法的有效性.
ISSN:1674-3415
DOI:10.19783/j.cnki.pspc.231542