检索结果-维普期刊中文期刊服务平台

适应拓扑变化的数据驱动电力系统暂态主导失稳模式识别方法被引量：1: 1; 作者周芮杨燕 +4 位作者余娟杨知方朱晟毅余亚南孙昕炜《中国电机工程学报》北大核心 2025年第9期3436-3447,I0013,共13页; 电力系统暂态电压与功角混合失稳下的主导失稳模式(dominant instability mode,DIM)识别对制定快速调整措施至关重要。然而,现有数据驱动方法因拓扑变化适应能力不足,导致识别精度下降甚至失效。由此,该文提出一种适应拓扑变化的数据驱... 展开更多; 关键词暂态稳定主导失稳模式关键曲线选取多随机卷积核变换集成学习; 在线阅读下载PDF 职称材料

基于分级自适应倾斜决策树的电力系统主导失稳模式辨识方法研究被引量：2: 2; 作者甄永赞阮程 +2 位作者胡永强李宗翰袁超《中国电机工程学报》 EI CSCD 北大核心 2024年第24期9507-9520,I0001,共15页; 新型电力系统发展背景下,故障后暂态功角失稳与暂态电压失稳相互影响、交互作用,现有基于人工智能的主导失稳模式辨识研究尚处于起步阶段,且存在“黑箱”问题。为此,提出一种基于分级自适应倾斜决策树的主导失稳模式辨识新方法。采用滑... 展开更多; 关键词主导失稳模式滑窗轨迹簇特征倾斜决策树分级自适应辨识规则; 在线阅读下载PDF 职称材料

基于SE-CNN和仿真数据的电力系统主导失稳模式智能识别被引量：17: 3; 作者石重托姚伟 +2 位作者黄彦浩汤涌文劲宇《中国电机工程学报》 EI CSCD 北大核心 2022年第21期7719-7730,共12页; 故障后的主导失稳模式识别是电力系统仿真分析中的一项重要内容,用以指导制定在线应用的紧急控制措施策略表,但实际电网的功角失稳和电压失稳常交织在一起而难以判断。该文探索人工智能在主导失稳模式识别上的应用,提出一种深度学习的... 展开更多; 关键词电力系统仿真分析主导失稳模式功角稳定电压稳定挤压激励网络卷积神经网络; 在线阅读下载PDF 职称材料

融合虚拟对抗训练和均值教师模型的主导失稳模式识别半监督学习框架被引量：2: 4; 作者张润丰姚伟 +2 位作者石重托汤涌文劲宇《中国电机工程学报》 EI CSCD 北大核心 2022年第20期7497-7508,共12页; 电网仿真计算对电力系统规划、运行方式和控制决策制定具有重要的指导意义。在仿真计算中,一个重要的步骤是根据海量暂稳仿真数据分析电力系统的稳定性以及主导失稳模式,为后续制定紧急控制决策表提供帮助,该文采用深度学习克服传统方... 展开更多; 关键词仿真数据分析主导失稳模式半监督学习均值教师虚拟对抗训练; 在线阅读下载PDF 职称材料

基于图卷积网络和双向门控循环单元的电力系统主导失稳模式辨识: 5; 作者王长江张千龙 +2 位作者姜涛陈厚合陶宇轩《中国电机工程学报》 2025年第16期6326-6339,I0016,共15页; 为快速准确辨识电力系统主导失稳模式,该文提出一种基于图卷积神经网络(graph convolutional network,GCN)和双向门控循环单元(bi-directional gated recurrent unit,Bi-GRU)的电力系统主导失稳模式辨识方法。首先,根据系统故障前后暂... 展开更多; 关键词主导失稳模式电压稳定功角稳定图卷积神经网络双向门控循环单元; 在线阅读下载PDF 职称材料

题名适应拓扑变化的数据驱动电力系统暂态主导失稳模式识别方法被引量：1: 1; 作者周芮杨燕余娟杨知方朱晟毅余亚南孙昕炜; 机构输变电装备技术全国重点实验室(重庆大学) 国网重庆市电力公司电力科学研究院国网四川省电力公司电力科学研究院; 出处《中国电机工程学报》北大核心 2025年第9期3436-3447,I0013,共13页; 基金国家电网有限公司科技项目(5108-202218280A-2-263-XG)。; 文摘电力系统暂态电压与功角混合失稳下的主导失稳模式(dominant instability mode,DIM)识别对制定快速调整措施至关重要。然而,现有数据驱动方法因拓扑变化适应能力不足,导致识别精度下降甚至失效。由此,该文提出一种适应拓扑变化的数据驱动DIM识别方法。首先,提出基于K-means聚类和多随机卷积核变换的DIM高精度智能识别基础模型,利用K-means自适应选取关键暂态曲线,基于多随机卷积核变换表征暂态曲线斜率、失稳持续时间等重要DIM判断特征,从而适应拓扑变化并高效提取暂态曲线时序特征。其次,针对单个基础模型输出不确定性、可信度不足问题,提出基于Bagging集成学习和误差-分歧分解理论的DIM智能识别框架,自适应最优选择多个基础模型共同决策,提高结果的稳定性和可信性。最后,在中国电力科学研究院有限公司36节点系统及其修改系统、某实际电网8897节点系统上的算例分析表明,所提方法可在保证较高DIM识别精度的情况下适应拓扑变化,验证了方法的有效性。; 关键词暂态稳定主导失稳模式关键曲线选取多随机卷积核变换集成学习; Keywords transient stability dominant instability mode critical curve selection multi-random convolutional kernel transform ensemble learning; 分类号 TM71 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名基于分级自适应倾斜决策树的电力系统主导失稳模式辨识方法研究被引量：2: 2; 作者甄永赞阮程胡永强李宗翰袁超; 机构新能源电力系统全国重点实验室(华北电力大学) 电网安全全国重点实验室(中国电力科学研究院有限公司); 出处《中国电机工程学报》 EI CSCD 北大核心 2024年第24期9507-9520,I0001,共15页; 基金国家重点研发计划项目(2021YFB2400800)。; 文摘新型电力系统发展背景下,故障后暂态功角失稳与暂态电压失稳相互影响、交互作用,现有基于人工智能的主导失稳模式辨识研究尚处于起步阶段,且存在“黑箱”问题。为此,提出一种基于分级自适应倾斜决策树的主导失稳模式辨识新方法。采用滑窗轨迹簇特征构造法来捕获电气量时序响应信息,提升模型训练速度、泛化能力与鲁棒性。辨识模型构建上,使用融合支持向量机决策面的倾斜决策树分类模型建立主导失稳模式与特征量间的映射关系,以多维特征的非线性组合来增强传统决策树内部节点分支能力,提升辨识精度。方法第一阶段进行稳定性评估,并引入代价敏感机制降低失稳工况错判风险;第二阶段进行主导失稳模式辨识。此外,利用一种分级自适应策略来提高样本辨识速度,并进一步减少错判。所生成辨识规则由多项式表征,并能够挖掘多组合特征与主导失稳模式间的关联关系。暂态功角失稳-电压崩溃系统算例及万节点标准算例验证所提方法的有效性,为基于人工智能进行主导失稳模式辨识与分析提供一种新思路。; 关键词主导失稳模式滑窗轨迹簇特征倾斜决策树分级自适应辨识规则; Keywords dominant instability mode sliding window trajectory cluster feature oblique decision tree hierarchical-self-adaptation identification rule; 分类号 TM71 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名基于SE-CNN和仿真数据的电力系统主导失稳模式智能识别被引量：17: 3; 作者石重托姚伟黄彦浩汤涌文劲宇; 机构强电磁工程与新技术国家重点实验室(华中科技大学电气与电子工程学院) 中国电力科学研究院有限公司; 出处《中国电机工程学报》 EI CSCD 北大核心 2022年第21期7719-7730,共12页; 基金国家自然科学基金项目(U1866602)。; 文摘故障后的主导失稳模式识别是电力系统仿真分析中的一项重要内容,用以指导制定在线应用的紧急控制措施策略表,但实际电网的功角失稳和电压失稳常交织在一起而难以判断。该文探索人工智能在主导失稳模式识别上的应用,提出一种深度学习的方法。该方法基于仿真所得的发电机功角和母线电压数据,直接识别出系统的稳定状态和主导失稳模式,即稳定、功角失稳或电压失稳。采用改进的卷积神经网络(convolutional neural network,CNN)模型实现这一智能方法,即通过引入挤压激励网络模块,显式建模CNN特征通道间的相关关系,自适应调整特征通道的权重,进一步提升CNN的效果。以中国电科院36节点系统和我国东北电网为例进行仿真,结果验证了所提主导失稳模式识别方法相比传统机器学习方法在有效性、准确性和适应性方面存在一定的优势。结果验证了基于人工智能的主导失稳模式识别的可行性和准确性。; 关键词电力系统仿真分析主导失稳模式功角稳定电压稳定挤压激励网络卷积神经网络; Keywords power system simulation analysis dominant instability mode rotor angle stability voltage stability squeeze and excitation network convolutional neural network; 分类号 TM71 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名融合虚拟对抗训练和均值教师模型的主导失稳模式识别半监督学习框架被引量：2: 4; 作者张润丰姚伟石重托汤涌文劲宇; 机构强电磁工程与新技术国家重点实验室(华中科技大学电气与电子工程学院) 中国电力科学研究院有限公司; 出处《中国电机工程学报》 EI CSCD 北大核心 2022年第20期7497-7508,共12页; 基金国家自然科学基金项目(U1866602)。; 文摘电网仿真计算对电力系统规划、运行方式和控制决策制定具有重要的指导意义。在仿真计算中,一个重要的步骤是根据海量暂稳仿真数据分析电力系统的稳定性以及主导失稳模式,为后续制定紧急控制决策表提供帮助,该文采用深度学习克服传统方法难以有效区分实际电网中功角失稳和电压失稳的问题。为降低深度神经网络对有标注样本的依赖,进一步提出一种融合虚拟对抗训练(virtual adversarial training,VAT)和均值教师(mean teacher,MT)模型的半监督学习框架进行仿真分析中的主导失稳模式智能识别。VAT-MT模型分别构造一个教师网络和学生网络,通过对样本特征施加扰动后输入到两个网络中计算一致化损失来强化模型训练,同时采用VAT计算最大扰动方向提升模型的性能。在中国电科院36节点系统和东北电网上进行算例研究,结果表明,所提出的方法能够极大降低样本的标注成本,具有适应实际电网的能力。; 关键词仿真数据分析主导失稳模式半监督学习均值教师虚拟对抗训练; Keywords simulation data analysis dominant instability mode semi-supervised learning mean teacher virtual adversarial training; 分类号 TM74 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名基于图卷积网络和双向门控循环单元的电力系统主导失稳模式辨识: 5; 作者王长江张千龙姜涛陈厚合陶宇轩; 机构现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学); 出处《中国电机工程学报》 2025年第16期6326-6339,I0016,共15页; 基金国家自然科学基金项目(52377083) 国家电网公司科技项目(5100-202355398A-2-4-KJ)。; 文摘为快速准确辨识电力系统主导失稳模式,该文提出一种基于图卷积神经网络(graph convolutional network,GCN)和双向门控循环单元(bi-directional gated recurrent unit,Bi-GRU)的电力系统主导失稳模式辨识方法。首先,根据系统故障前后暂态电气量时序演变规律及空间分布特性,构建表征电力系统运行状态的特征矩阵;然后,建立GCN与Bi-GRU相结合的深度学习模型,利用GCN整合拓扑空间信息提高模型泛化性,同时利用Bi-GRU自适应感知输入特征的全局时间序列信息,以深度挖掘特征矩阵的空间特性和时序特性,进而明晰暂态过程中各暂态电气量间的深层联系及交互影响,实现电力系统主导失稳模式的精确辨识;最后,通过修改后IEEE-39节点系统和某地区实际电网的实验结果表明,所提方法具备一定可解释性,相比其他深度学习方法在有效性、准确性和适应性方面存在一定的优势。; 关键词主导失稳模式电压稳定功角稳定图卷积神经网络双向门控循环单元; Keywords dominant instability mode voltage stability rotor angle stability graph convolutional network bidirectional gated recurrent unit; 分类号 TM712 [电气工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	适应拓扑变化的数据驱动电力系统暂态主导失稳模式识别方法	周芮杨燕余娟杨知方朱晟毅余亚南孙昕炜	《中国电机工程学报》北大核心	2025	1	在线阅读下载PDF 职称材料
2	基于分级自适应倾斜决策树的电力系统主导失稳模式辨识方法研究	甄永赞阮程胡永强李宗翰袁超	《中国电机工程学报》 EI CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料
3	基于SE-CNN和仿真数据的电力系统主导失稳模式智能识别	石重托姚伟黄彦浩汤涌文劲宇	《中国电机工程学报》 EI CSCD 北大核心	2022	17	在线阅读下载PDF 职称材料
4	融合虚拟对抗训练和均值教师模型的主导失稳模式识别半监督学习框架	张润丰姚伟石重托汤涌文劲宇	《中国电机工程学报》 EI CSCD 北大核心	2022	2	在线阅读下载PDF 职称材料
5	基于图卷积网络和双向门控循环单元的电力系统主导失稳模式辨识	王长江张千龙姜涛陈厚合陶宇轩	《中国电机工程学报》	2025		在线阅读下载PDF 职称材料