典型文献
图深度学习技术在电力系统分析与决策领域的应用与展望
文献摘要：
新型电力系统的高比例可再生能源、高比例电力电子设备特性给电力系统分析与决策带来巨大挑战.以深度学习(deep learning,DL)为代表的数据驱动技术擅长应对大规模高维非线性数据建模问题,在电力系统分析与决策的应用愈发受到业界的关注.作为近年来的热门分支之一,图深度学习(graph deep learning,GDL)将DL技术拓展到了不规则拓扑关联数据的处理,加快DL技术实用化的步伐.该文对电力系统分析与决策各领域的任务需求、DL应用现状做了简要归纳,结合GDL的发展脉络与前沿热点技术,全面总结GDL在电力系统分析与决策应用优势与不足,围绕通用性/迁移性、可靠性以及可解释性等方面探讨GDL框架的未来发展思路.
文献关键词：
新型电力系统;高比例新能源与电力电子;电力系统分析与决策;深度学习;图深度学习
中图分类号：
作者姓名：
管霖;黄济宇;蔡锱涵;朱思婷
作者机构：
华南理工大学电力学院,广州510641;广东省新能源电力系统智能运行与控制企业重点实验室,广州510663
文献出处：
引用格式：
[1]管霖;黄济宇;蔡锱涵;朱思婷-.图深度学习技术在电力系统分析与决策领域的应用与展望)[J].高电压技术,2022(09):3405-3422
A类：
电力系统分析与决策,高比例新能源与电力电子
B类：
图深度学习,深度学习技术,应用与展望,新型电力系统,高比例可再生能源,高比例电力电子设备,deep,learning,数据驱动技术,擅长,高维,数据建模,graph,GDL,关联数据,实用化,任务需求,前沿热点,热点技术,策应,应用优势,优势与不足,通用性,迁移性,可解释性
AB值：
0.233443
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
