典型文献
基于增强型去噪自编码器与随机森林的电力系统扰动分类方法
文献摘要：
实时准确的电力系统扰动分类有利于避免大规模停电事故的发生.然而同步相量测量单元的数据质量问题严重影响其在扰动分类上的应用.针对此问题,提出了一种基于增强型去噪自编码器与随机森林的扰动分类方法.首先,利用长短期记忆构造一种增强型去噪自编码器,建立不良数据与正常数据间的映射关系.进一步,根据不同量测的验证损失变化趋势,提出了一种自适应权重多任务去噪网络,能够自适应更新各量测对应的损失函数权重以降低重构误差.最后,利用随机森林对特征进行分类,并通过贝叶斯优化对其超参数调优.基于IEEE 39系统,在不同不良数据比例下对该方法测试,验证所提方法的准确性和快速性.最后,通过现场数据验证了所提方法具有较高的泛化性.
文献关键词：
同步相量测量单元;电力系统扰动分类;长短期记忆网络;去噪自编码器;自适应权重;随机森林;贝叶斯优化
中图分类号：
作者姓名：
李子康;刘灏;毕天姝;杨奇逊
作者机构：
新能源电力系统国家重点实验室(华北电力大学),北京市昌平区102206
文献出处：
引用格式：
[1]李子康;刘灏;毕天姝;杨奇逊-.基于增强型去噪自编码器与随机森林的电力系统扰动分类方法)[J].现代电力,2022(02):127-134,中插1-中插2
A类：
电力系统扰动分类
B类：
增强型,去噪自编码器,分类方法,大规模停电,停电事故,同步相量测量单元,数据质量问题,问题严重,不良数据,映射关系,不同量,自适应权重,多任务,去噪网络,自适应更新,损失函数,重构误差,贝叶斯优化,超参数调优,IEEE,快速性,现场数据,数据验证,泛化性,长短期记忆网络
AB值：
0.21873
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。
