典型文献
基于异质边图注意力网络的电力系统振荡评估模型
文献摘要：
新能源发电使电网潮流变化更加快速,跟踪潮流变化,在线预测电网关键振荡模式的阻尼比和机组参与因子对维护电网运行安全有重要意义.该文采用数据驱动的建模思路,设计了基于多任务学习和深度学习框架的电力系统小干扰稳定评估模型(small-signal stability assessment,SSA),可同时实现多振荡模式的阻尼比预测和机组参与因子预测任务.基于图注意力网络和异质图思想,设计了引入边信息的边图注意力机制和将节点和边分类处理的异质图处理方法,建立了能有效利用边信息的异质边图注意力网络模型(heterogeneous edge graph attention network,HEGAT).以HEGAT的特征聚合为基础,通过多任务共享参数和基于联合误差函数的训练提高了特征提取能力.IEEE10机39节点算例的对比实验表明,HEGAT-SSA能快速准确的预测模式和模态变化,并具有对拓扑变化的良好适应能力.
文献关键词：
小干扰稳定评估;图深度学习;边注意力;异质图;多任务学习
中图分类号：
作者姓名：
朱思婷;管霖;郭梦轩;黄济宇;陈鎏凯;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,广东省 广州市 510663
文献出处：
引用格式：
[1]朱思婷;管霖;郭梦轩;黄济宇;陈鎏凯;钟智-.基于异质边图注意力网络的电力系统振荡评估模型)[J].电网技术,2022(07):2581-2592
A类：
小干扰稳定评估,HEGAT
B类：
图注意力网络,电力系统,系统振荡,新能源发电,电网潮流,在线预测,网关,振荡模式,阻尼比,参与因子,电网运行,运行安全,多任务学习,深度学习框架,small,signal,stability,assessment,SSA,异质图,边信息,图注意力机制,分类处理,图处理,heterogeneous,edge,graph,attention,network,特征聚合,共享参数,误差函数,特征提取能力,IEEE10,点算,快速准确,预测模式,拓扑变化,图深度学习,边注意力
AB值：
0.379225
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。
