典型文献
基于深度神经网络的数据驱动潮流计算异常误差改进策略
文献摘要：
在考虑不确定性的N-1安全校核、可靠性计算等需大规模重复潮流计算的场景中,基于深度神经网络(DNN)的数据驱动方法存在部分潮流变量误差异常的问题,影响潮流越限判别的准确率.对此,首先通过理论推导,分析DNN参数更新过程及数据标准化原理,发现该问题的重要成因之一为:DNN仅根据标准化误差迭代训练模型,未计及潮流变量的真实学习误差及工程实际的精度要求,无法及时针对误差异常的潮流变量调整DNN参数.然后,面向潮流计算提出基于动态学习权重的DNN自适应训练方法.该方法通过每轮迭代中验证集的真实学习误差、越限误判率及误差统计指标,确定各潮流变量的学习权重,有效降低数据驱动潮流计算的异常误差.最后,在IEEE标准算例和Polish 2383节点系统上仿真验证了所提方法的有效性.
文献关键词：
数据驱动;潮流计算;深度神经网络(DNN);异常误差分析;学习权重
中图分类号：
作者姓名：
雷江龙;余娟;向明旭;杨知方;杨燕;李文沅
作者机构：
输配电装备及系统安全与新技术国家重点实验室(重庆大学),重庆市 400044
文献出处：
引用格式：
[1]雷江龙;余娟;向明旭;杨知方;杨燕;李文沅-.基于深度神经网络的数据驱动潮流计算异常误差改进策略)[J].电力系统自动化,2022(01):76-84
A类：
异常误差分析
B类：
深度神经网络,潮流计算,改进策略,确定性的,安全校核,可靠性计算,DNN,数据驱动方法,分潮,潮流越限,理论推导,参数更新,更新过程,数据标准化,迭代训练,训练模型,真实学习,工程实际,精度要求,时针,动态学习,学习权重,自适应训练,训练方法,验证集,误判率,统计指标,IEEE,Polish,节点系统,仿真验证
AB值：
0.357709
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。
