数据驱动方法能够以几个数量级的效率优势执行在线暂态稳定扫描任务。但现有数据驱动模型通常在给定的输电网结构中进行训练和测试,少有研究探索模型在不同规模电力系统中的迁移和适应能力提升技术。该文围绕实际多电压层级电力系统中...数据驱动方法能够以几个数量级的效率优势执行在线暂态稳定扫描任务。但现有数据驱动模型通常在给定的输电网结构中进行训练和测试,少有研究探索模型在不同规模电力系统中的迁移和适应能力提升技术。该文围绕实际多电压层级电力系统中数据驱动暂态稳定扫描模型的构建问题,以提升稳定评估模型对不同规模电力系统的适应能力为目标,提出了一套跨电网规模的图深度学习模型框架(cross-scale system adaptable graph deep learning,CSA-GDL)。提出输入特征增强模块应对不同规模电网中发电水平的差异;提出规模无关型知识引导方法,引导不同规模电网样本的联合训练。采用39节点系统和5419节点系统样本集联合进行了模型训练和测试,通过消融实验和多模型对比测试,充分验证了所提出的模型具备跨电网规模的迁移能力和一致的稳定评估性能。展开更多
密度峰值聚类算法(density peaks clustering algorithm,DPC)是2014年提出的一种新型聚类分析算法,它基于聚类中心局部密度大以及与密度更大点之间的距离较远两大特点绘制决策图寻找聚类中心,从而得到任意形状的簇.但在寻找聚类中心的...密度峰值聚类算法(density peaks clustering algorithm,DPC)是2014年提出的一种新型聚类分析算法,它基于聚类中心局部密度大以及与密度更大点之间的距离较远两大特点绘制决策图寻找聚类中心,从而得到任意形状的簇.但在寻找聚类中心的过程中,求解局部密度以及高密度距离属性都依赖于相似度矩阵的计算,计算复杂度较高,限制了密度峰值聚类算法在大规模数据集中的应用.针对此不足,提出基于网格筛选的密度峰值聚类算法(density peaks clustering algorithm based on grid screening,SDPC),根据数据的不均匀分布,使用网格化方法去除部分密度稀疏的点,然后再使用密度峰值聚类算法中决策图的方法选取聚类中心,可以在保证聚类准确性的基础上有效降低计算复杂度.理论分析和实验测试表明:基于网格筛选的密度峰值聚类算法不仅可以对大规模数据集进行正确的聚类,还极大地降低了计算复杂度.展开更多
文摘数据驱动方法能够以几个数量级的效率优势执行在线暂态稳定扫描任务。但现有数据驱动模型通常在给定的输电网结构中进行训练和测试,少有研究探索模型在不同规模电力系统中的迁移和适应能力提升技术。该文围绕实际多电压层级电力系统中数据驱动暂态稳定扫描模型的构建问题,以提升稳定评估模型对不同规模电力系统的适应能力为目标,提出了一套跨电网规模的图深度学习模型框架(cross-scale system adaptable graph deep learning,CSA-GDL)。提出输入特征增强模块应对不同规模电网中发电水平的差异;提出规模无关型知识引导方法,引导不同规模电网样本的联合训练。采用39节点系统和5419节点系统样本集联合进行了模型训练和测试,通过消融实验和多模型对比测试,充分验证了所提出的模型具备跨电网规模的迁移能力和一致的稳定评估性能。
文摘密度峰值聚类算法(density peaks clustering algorithm,DPC)是2014年提出的一种新型聚类分析算法,它基于聚类中心局部密度大以及与密度更大点之间的距离较远两大特点绘制决策图寻找聚类中心,从而得到任意形状的簇.但在寻找聚类中心的过程中,求解局部密度以及高密度距离属性都依赖于相似度矩阵的计算,计算复杂度较高,限制了密度峰值聚类算法在大规模数据集中的应用.针对此不足,提出基于网格筛选的密度峰值聚类算法(density peaks clustering algorithm based on grid screening,SDPC),根据数据的不均匀分布,使用网格化方法去除部分密度稀疏的点,然后再使用密度峰值聚类算法中决策图的方法选取聚类中心,可以在保证聚类准确性的基础上有效降低计算复杂度.理论分析和实验测试表明:基于网格筛选的密度峰值聚类算法不仅可以对大规模数据集进行正确的聚类,还极大地降低了计算复杂度.
