基于堆叠稀疏降噪自编码器的暂态稳定评估模型

基于堆叠稀疏降噪自编码器的暂态稳定评估模型
深度学习模型凭借其良好的性能被引入到电力系统的暂态稳定性评估中，但进行在线应用时，须关注模型的抗噪能力和泛化能力。文中提出一种基于堆叠稀疏降噪自编码器（SSDAE）的暂态稳定性评估模型，首先对原始输入数据加入噪声得到受损数据样本，然后对受损数据样本进行高阶特征提取，最后将提取的高阶特征重构成未受损的数据，这一训练过程大大提高了模型的抗噪能力。同时，在对输入特征进行重构的过程中，对隐藏层神经元权重和激活程度进行抑制，实现模型的稀疏化，以此提高模型的泛化能力。仿真结果表明，相对于其他机器学习算法，SSDAE模型具有良好的抗噪能力和泛化能力。

标题：
基于堆叠稀疏降噪自编码器的暂态稳定评估模型
Transient stability assessment model based on stacked sparse denoising auto-encodern

作者：
温涛，张敏，王怀远
WEN Tao, ZHANG Min, WANG Huaiyuan

关键词：
深度学习;堆叠稀疏降噪自编码器(SSDAE);暂态稳定;抗噪声能力;泛化能力;机器学习
deep learning;stacked sparse denoising auto-encoder (SSDAE);transient stability;anti-noise ability;generalization ability;machine learning

2025-1-23 19:51 上传 基于堆叠稀疏降噪自编码器的暂态稳定评估模型.pdf

文件大小:

1.29 MB

下载次数:

60

高速下载