典型文献
基于改进边图卷积网络的电力系统小干扰稳定评估模型
文献摘要：
小干扰稳定问题对电力系统安全稳定的影响日益突出.采用样本学习的思路建立从稳态运行信息到关键振荡模式的映射模型,为大电网振荡特性的快速预测和评估提供了新的技术路径.采用图卷积网络,并引入边卷积的设计来考虑输电通道潮流分布的影响,建立了小干扰稳定评估的边图卷积网络模型(edge graph convolutional networks for small-signal stability assessment,EGCN-SSA).采用卷积增强技术改善网络退化现象,并建立多任务学习框架,同时预测多模式的振荡频率和阻尼比.在IEEE10机39节点上的算例和模型对比验证了所提出模型的性能以及对拓扑变化的适应能力.
文献关键词：
小干扰稳定评估;图深度学习;边图卷积;多任务学习
中图分类号：
作者姓名：
郭梦轩;管霖;苏寅生;姚海成;黄济宇;朱思婷;钟智
作者机构：
华南理工大学电力学院,广东省广州市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(南方电网科学研究院),广东省广州市510663;中国南方电网电力调度控制中心,广东省广州市510530
文献出处：
引用格式：
[1]郭梦轩;管霖;苏寅生;姚海成;黄济宇;朱思婷;钟智-.基于改进边图卷积网络的电力系统小干扰稳定评估模型)[J].电网技术,2022(06):2095-2103
A类：
边图卷积,小干扰稳定评估,EGCN
B类：
图卷积网络,稳定问题,电力系统安全,稳态运行,振荡模式,映射模型,大电网,振荡特性,快速预测,预测和评估,技术路径,输电通道,潮流分布,edge,graph,convolutional,networks,small,signal,stability,assessment,SSA,卷积增强,增强技术,退化现象,多任务学习,多模式,振荡频率,阻尼比,IEEE10,模型对比,对比验证,出模,拓扑变化,图深度学习
AB值：
0.353419
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。
