文献类型：期刊文章

作　　者：赵荣臻[1] 文云峰[2] 叶希[3] 唐权[3] 李文沅[1] 陈云辉[4] 瞿小斌[1]

ZHAO Rongzhen;WEN Yunfeng;YE Xi;TANG Quan;LI Wenyuan;CHEN Yunhui;QU Xiaobin(School of Electrical Engineering, Chongqing University, Shapingba District, Chongqing 400044, China;College of Electrical and Information Engineering, Hunan University, Changsha 410000, Hunan Province, China;Sichuan Electric Power Economy Institute, Chengdu 610041, Sichuan Province, China;State Grid Sichuan Electric Power Company, Chengdu 610041, Sichuan Province, China)

机构地区：[1]重庆大学电气工程学院,重庆市沙坪坝区400044 [2]湖南大学电气与信息工程学院,湖南省长沙市410000 [3]国网四川省电力公司经济技术研究院,四川省成都市610041 [4]国网四川省电力公司,四川省成都市610041

出　　处：《中国电机工程学报》

基　　金：国家自然科学基金项目(51707017);国家电网公司科技项目~~

年　　份：2019

卷　　号：39

期　　号：14

起止页码：4081-4092

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：可再生能源大规模并网导致电力系统转动惯量降低,在扰动事件下的频率稳定问题突出。时域仿真存在计算量大、运算耗时长等缺陷,难以满足复杂多变运行方式和海量预想事故下的频率指标快速评估需求。为了实现功率扰动事件下系统惯性中心多维频率指标(极值频率、最大频率变化率、准稳态频率)的快速评估,该文将深度学习引入到频率稳定研究中,提出一种基于改进堆栈降噪自动编码器(improved stacked denoising autoencoders,ISDAE)的智能化评估方法。首先,利用随机森林算法筛选出重要特征变量作为输入数据,实现输入数据降维;然后,将多个降噪自动编码器堆叠,构建深度学习网络结构;采用"预训练-参数微调"方法训练网络参数,引入Dropout技术提高算法泛化能力、防止过拟合,基于均方根反向传播(root mean square back propagation,RMSprop)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,根据离线训练得到的ISDAE网络结构实现扰动事件后系统惯性中心的多维频率指标在线评估。在修改后的IEEE RTS-79系统进行测试,与时域仿真、浅层神经网络以及未改进的SDAE方法所得结果进行比较,验证所提方法的快速性、准确性以及良好的泛化能力。

关 键 词：一次调频 频率指标  深度学习  随机森林  改进堆栈降噪自动编码器  DROPOUT 均方根反向传播优化  

分 类 号：TM71]