找到 2 条结果
一种结合局部-全局特征提取的混合深度学习框架用于智能电力系统稳定性评估
A Hybrid Deep Learning Framework With Local-Global Feature Extraction for Intelligent Power System Stability Assessment
Wei Yao · Runfeng Zhang · Yurun Zhang · Shanyang Wei 等6人 · IEEE Transactions on Power Systems · 2025年5月
暂态仿真对保障电力系统安全稳定运行至关重要。大扰动后，系统可能出现暂态功角失稳和短期电压失稳，二者电气特性相似但需不同控制策略，因此准确识别主导失稳模式（DIM）尤为关键。本文提出一种新型混合深度学习框架，通过充分提取电力数据中的局部-全局特征实现高精度DIM识别。该框架采用经随机采样与聚合优化的图神经网络以增强局部特征捕捉与模型泛化能力，并引入基于自注意力机制的Transformer网络挖掘关键全局特征。同时嵌入重要离散故障特征以提升性能。所提方法有效融合多层级特征，克服了现有模型局限于单一失...
解读: 该混合深度学习框架对阳光电源储能系统和电网侧产品具有重要应用价值。在PowerTitan大型储能系统中，可实时识别电网暂态功角失稳与短期电压失稳的主导模式，为ST系列储能变流器提供差异化控制策略：功角失稳时优先调节有功功率支撑，电压失稳时侧重无功补偿。该框架的图神经网络与Transformer架构可...
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。...