找到 2 条结果 · IEEE Transactions on Power Systems
训练集再应用:基于相似样本的电力系统主导失稳模式识别物理可靠框架
Reapplication of Training Set: A Physically Reliable Framework for Power Systems Dominant Instability Mode Identification Using Similar Samples
Yutian Lan · Shanyang Wei · Wei Yao · Yurun Zhang 等6人 · IEEE Transactions on Power Systems · 2025年8月
准确且在物理上可靠地识别主导不稳定模式（DIM）对于确保电力系统的安全稳定运行至关重要。数据驱动模型，尤其是深度学习（DL），在应对这一挑战方面取得了显著进展。然而，深度学习的“黑箱”特性限制了其可解释性，导致结果不可靠，这与电力系统严格的可靠性要求相冲突。为解决这一问题，本文提出了一种新颖的 DIM 识别框架，通过重新应用训练集样本提高识别的准确性和可靠性。首先，提出了一种训练方法，以增强 DIM 模型的抗噪声能力和对相似样本的聚类能力，实现高精度的 DIM 识别。此外，还开发了一种两阶段可解...
解读: 该失稳模式识别技术可应用于阳光电源智慧能源管理系统的稳定性监控。通过数据驱动的失稳模式识别,及时发现光伏并网系统和储能系统的潜在失稳风险,优化控制策略,提升大规模新能源并网的稳定性,为电网安全运行提供预警支持。...
训练集再利用：一种基于相似样本的电力系统主导失稳模式识别物理可信框架
Reapplication of Training Set: A Physically Reliable Framework for Power Systems Dominant Instability Mode Identification Using Similar Samples
Yutian Lan · Shanyang Wei · Wei Yao · Yurun Zhang 等6人 · IEEE Transactions on Power Systems · 2025年8月 · Vol.41
本文提出一种物理可信的主导失稳模式（DIM）识别框架，通过增强模型噪声鲁棒性与相似样本聚类能力，并结合两阶段可解释算法（固定半径KNN+知识嵌入Fréchet距离），提升预测准确性与物理可靠性。在36节点和2131节点系统验证有效。
解读: 该框架可增强阳光电源iSolarCloud智能运维平台对大型光储电站并网稳定性的实时判别能力，尤其适用于PowerTitan、ST系列PCS在构网型（GFM）运行下的暂态失稳预警。建议将Stage-2物理判据模块嵌入iSolarCloud故障根因分析引擎，提升对弱电网/高比例新能源场景下电压/频率耦...