文档名：基于CBAMCNN的电力系统暂态电压稳定评估
摘要：为进一步提高电力系统暂态电压稳定评估模型的特征提取能力和模型在系统拓扑结构发生变化时的适应性,提出一种将改进的卷积神经网络与迁移学习相结合的方法.首先,在卷积神经网络的卷积层后插入卷积块注意力模块,对输入的数据从通道和空间两个独立的维度依次提取特征,提高卷积神经网络对系统暂态电压状态的识别能力.然后,将该模块与微调技术相结合,提高模型在系统拓扑结构改变时的在线更新速度.最后,算例分析验证了所提模型的有效性.
Abstract：Tofurtherimprovethefeatureextractioncapabilityofashort-termvoltagestabilityassessmentmodelforpow-ersystemanditsadaptabilitywhenthesystemtopologychanges,amethodcombininganimprovedconvolutionalneuralnetwork(CNN)withtransferlearningisproposed.First,aconvolutionalblockattentionmodule(CBAM)isinsertedaf-tertheconvolutionlayerofCNNtoextractfeaturesfromtheinputdataintwoindependentdimensionsofchannelandspacesequentially,thusimprovingthecapabilityofCNNtorecognizethesystem'sshort-termvoltagestate.Then,themoduleiscombinedwiththefine-tuningtechnologytoimprovethemodel'sonlineupdatespeedwhenthesystemtopolo-gychanges.Finally,theanalysisofnumericalexamplesverifiestheeffectivenesstheproposedmodel.
作者：李欣 柳圣池 李新宇 陈德秋 鲁玲 郭攀锋 Author：LIXin LIUShengchi LIXinyu CHENDeqiu LULing GUOPanfeng
作者单位：三峡大学电气与新能源学院,宜昌443000;智慧能源技术湖北省工程研究中心(三峡大学),宜昌443000三峡大学电气与新能源学院,宜昌443000中国长江三峡集团有限公司,宜昌443631国网湖北省电力有限公司咸宁供电公司,咸宁437100
刊名：电力系统及其自动化学报
Journal：ProceedingsoftheCSU-EPSA
年，卷(期)：2024, 36(4)
分类号：TM712
关键词：深度学习 卷积神经网络 暂态电压稳定评估 卷积块注意力模块 迁移学习
Keywords：deeplearning convolutionalneuralnetwork(CNN) short-termvoltagestabilityassessment convolution-alblockattentionmodule(CBAM) transferlearning
机标分类号：TP391.41TP183TN919.31
在线出版日期：2024年5月10日
基金项目：基于CBAM-CNN的电力系统暂态电压稳定评估[
期刊论文] 电力系统及其自动化学报--2024, 36(4)李欣 柳圣池 李新宇 陈德秋 鲁玲 郭攀锋为进一步提高电力系统暂态电压稳定评估模型的特征提取能力和模型在系统拓扑结构发生变化时的适应性,提出一种将改进的卷积神经网络与迁移学习相结合的方法.首先,在卷积神经网络的卷积层后插入卷积块注意力模块,对输入的...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CBAM-CNN的电力系统暂态电压稳定评估 CBAM-CNN-based Short-term Voltage Stability Assessment of Power System
基于CBAM-CNN的电力系统暂态电压稳定评估.pdf
- 文件大小:
- 1.37 MB
- 下载次数:
- 60
-
高速下载
|
