文档名：基于CNNAEMAML的低压配电网自适应分类方法
摘要：低压配电网分类有利于提高低压配电网经济运行管理措施及新能源规划运行方案制定的效率.随着各类新能源、充电桩等新型源荷的不断接入,低压配电网原有负荷特征发生变化,一方面导致配电网负荷特征复杂,另一方面导致变化后可用的新负荷特征数据较少,给配电网分类带来挑战.针对以上挑战,提出一种基于卷积自编码器和模型不可知元学习(convolutionalneuralnetwork-autoencoder-modelagnosticmetalearning,CNN-AE-MAML)的低压配电网自适应分类方法.首先,利用卷积自编码器(convolutionalneuralnetworkautoencoder,CNN-AE)提取可表征低压配电网的配变负荷、光伏发电特征,采用谱聚类(spectralclustering,SC)对低压配电网进行分类;然后,构建基于softmax配电网类型识别方法,利用低压配电网实际数据的降维特征识别配电网类型;此外,利用模型不可知元学习(model-agnosticmeta-learning,MAML)方法训练CNN-AE特征提取模型,使CNN-AE模型在少量数据下能自适应提取配电网新负荷特征,最终实现低压配电网准确、快速自适应分类.最后,利用低压配电网实际数据验证了所提方法的有效性.
Abstract：Theclassificationoflow-voltagedistributionnetworkisconducivetoimprovingtheefficiencyofformulatingeconomicoperationmanagementmeasuresandnewenergyplanningoperationschemesoflow-voltagedistributionnetwork.Withthecontinuousaccessofvariousnewsourcesofenergy,chargingpilesandothernewsources,theoriginalloadcharacteristicsofthelow-voltagedistributionnetworkhavechanged,whichontheonehandleadstocomplexloadcharacteristicsofthedistributionnetwork,andontheotherhandleadstolessavailableloadcharacteristicdataafterthechange,whichbringschallengestotheclassificationofthedistributionnetwork.Aimingattheabovechallenges,thispaperproposesanadaptiveclassificationmethodoflow-voltagedistributionnetworkbasedonCNN-AE-MAML.Firstly,convolutionalneuralnetworkautoencoder(CNN-AE)isusedtoextractthedimensionalityreductionfeaturesofthedistributionloadoflow-voltagedistributionnetworkandthephotovoltaicpowergeneration.Spectralclustering(SC)wasusedtoclassifylow-voltagedistributionnetworks.Then,thedistributionnetworktypeidentificationmethodbasedonsoftmaxisconstructedtoidentifythedistributionnetworktypebyusingthedimensional-reductionfeaturesoftheactualdataoflow-voltagedistributionnetwork.Inaddition,themodelagnosticmeta-learning(MAML)methodisusedtotraintheCNN-AEfeatureextractionmodel,sothattheCNN-AEmodelcanadaptivelyextractthenewloadfeaturesofthedistributionnetworkunderasmallamountofdata,andfinallyachieveaccurateandfastadaptiveclassificationofthelow-voltagedistributionnetwork.
作者：陈子靖 蒋金琦 赵健 杨德格 胡陈晨 张凯 Author：CHENZijing JIANGJinqi ZHAOJian YANGDege HUChenchen ZHANGKai
作者单位：上海电力大学电气工程学院,上海市200090国网浙江省电力有限公司温州供电公司,浙江省温州市325000上海电力大学计算机科学与技术学院,上海市200090
刊名：电力建设
Journal：ElectricPowerConstruction
年，卷(期)：2024, 45(5)
分类号：TM714
关键词：低压配电网 自适应分类 卷积自编码器 谱聚类 模型不可知元学习
Keywords：low-voltagedistributionnetwork adaptiveclassification convolutionalautoencoder spectralclustering model-agnosticmeta-learning
机标分类号：TP391TM732G482
在线出版日期：2024年5月8日
基金项目：基于CNN-AE-MAML的低压配电网自适应分类方法[
期刊论文] 电力建设--2024, 45(5)陈子靖 蒋金琦 赵健 杨德格 胡陈晨 张凯低压配电网分类有利于提高低压配电网经济运行管理措施及新能源规划运行方案制定的效率.随着各类新能源、充电桩等新型源荷的不断接入,低压配电网原有负荷特征发生变化,一方面导致配电网负荷特征复杂,另一方面导致变化后...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于CNN-AE-MAML的低压配电网自适应分类方法 Adaptive Classification Method of Low Voltage Distribution Network Based on CNN-AE-MAML
基于CNN-AE-MAML的低压配电网自适应分类方法.pdf
- 文件大小:
- 5.5 MB
- 下载次数:
- 60
-
高速下载
|
|
