基于改进域对抗迁移学习的电力系统暂态稳定自适应评估

摘要

在电力系统运行方式和拓扑结构频繁变化时,数据驱动的电力系统暂态稳定评估方法在实际系统中的应用效果会变差。针对这一问题,提出了一种基于改进域对抗迁移学习的暂态稳定自适应评估方法。根据电力系统量测数据的特点,设计了深度神经网络,并在运行场景改变后,利用梯度翻转层引入域对抗训练机制,提取源域和目标域之间的公共特征,缩小域间分布差异,减少训练样本需求。同时,同步迁移源域的模型知识并更新特征提取器参数,保证模型更新的快速性和准确性。IEEE 39节点系统和美国南卡罗莱纳州500节点电网测试结果表明,通过合理迁移原始数据以及模型,所提方法可减少目标域训练样本规模,具有快速性、通用性和较强的自适应性。