基于卷积神经网络的电力系统暂态稳定评估

目录

声明

致谢

1 绪论

1.1 研究背景及意义

1.2 电力系统暂态稳定评估国内外研究现状

1.2.1 电力系统暂态稳定评估问题描述

1.2.2 电力系统暂态稳定评估方法综述

1.2.3 存在的不足

1.3 论文的主要工作

2 基于单一CNN模型的电力系统暂态稳定评估方法

2.1 引言

2.2 卷积神经网络

2.2.1 卷积神经网络常用结构

2.2.2 卷积神经网络的训练过程

2.3 基于CNN的暂态稳定评估方法

2.3.1 模型输入特征和输出结果

2.3.2 建模过程

2.3.3 CNN的优化

2.4 算例分析

2.4.1 新英格兰10机39节点系统

2.4.2 48机140节点系统

2.5 本章小结

3 计及漏判/误判的集成CNN模型暂态稳定评估方法

3.1 引言

3.2 集成学习简介

3.2.1 集成学习算法

3.2.2 结合策略

3.3 单一CNN进行暂态稳定评估的不足

3.4 基于集成CNN模型的暂态稳定评估

3.4.1 输入特征的选择

3.4.2 集成CNN暂态稳定评估模型

3.5 算例分析

3.5.1 测试系统样本集

3.5.2 集成CNN模型与单一CNN模型对漏判/误判的影响对比

3.5.3 集成CNN模型与其他机器学习模型对漏判/误判的影响对比

3.5.4 不同集成方式对漏判/误判的影响对比

3.5.5 不同响应时间对漏判/误判的影响对比

3.5.6 不同损失函数权重系数比对漏判/误判的影响对比

3.5.7 不同二分类阈值对漏判/误判的影响对比

3.5.8 不同集成学习策略对漏判/误判的影响对比

3.5.9 计及漏判/误判的综合评估判据

3.6 本章小结

4 基于集成CNN模型的暂稳预测与暂稳程度评估方法

4.1 引言

4.2 暂态稳定预测与评估问题

4.3 基于集成CNN模型的分层实时暂稳预测方法

4.3.1 不同响应时间对应特征可分性分析

4.3.2 滑动时间窗输入特征

4.3.3 基于滑动时间窗和集成CNN模型的分层实时暂稳预测方法

4.3.4 可信度阈值的优化选择

4.3.5 基于集成CNN模型及其可信度阈值优化选择的分层实时暂稳预测流程

4.3.6 算例分析

4.4 基于多判据融合的紧急控制启动策略

4.4.1 基于多判据融合的紧急控制启动策略流程

4.4.2 算例分析

4.5 考虑稳定和失稳程度的暂态稳定评估

4.5.1 暂态稳定和失稳程度指标

4.5.2 评估流程

4.5.3 算例分析

4.6 本章小结

5 基于迁移学习的电力系统暂态稳定自适应评估方法

5.1 引言

5.2 迁移学习与暂态稳定评估

5.3 基于迁移学习的电力系统暂态稳定自适应评估方法

5.3.1 迁移学习方案

5.3.2 最小均衡样本集的生成方法

5.3.3 暂态稳定自适应预测流程

5.4 算例分析

5.4.1 基于单一CNN模型的暂态稳定自适应评估

5.4.2 基于集成CNN模型的暂态稳定自适应评估

5.5 本章小结

6 结论与展望

6.1 结论

6.2 工作展望

参考文献

附录 A

附录 B

作者简历及攻读博士学位期间取得的研究成果

独创性声明

学位论文数据集