清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Towards Multi-Scenario Power System Stability Analysis: An Unsupervised Transfer Learning Method Combining DGAT and Data Augmentation

计算机科学 理论(学习稳定性) 电力系统 断层(地质) 网格 图形 最大功率转移定理 机器学习 领域(数学分析) 方案(数学) 学习迁移 人工智能 功率(物理) 数据挖掘 数学 数学分析 物理 几何学 理论计算机科学 量子力学 地震学 地质学
作者
Runfeng Zhang,Wei Yao,Zhongtuo Shi,Xiaomeng Ai,Yong Tang,Jinyu Wen
出处
期刊:IEEE Transactions on Power Systems [Institute of Electrical and Electronics Engineers]
卷期号:38 (6): 5367-5380 被引量:13
标识
DOI:10.1109/tpwrs.2022.3220569
摘要

With the expansion of power system simulation scale, intelligent stability analysis based on simulation data becomes more and more important. However, the changeable operating conditions and fault conditions will seriously affect the performance of the intelligent analysis model. This paper proposes an advanced unsupervised transfer learning (UTL) method combining dynamic graph attention network (DGAT) and data augmentation to identify the instability mode towards multiple known and unknown scenarios. For the pre-training stage, the DGAT model with data augmentation is used for instability mode identification based on the basic dataset. For the transfer learning stage, it starts when faced with new operating conditions or fault conditions different from the basic dataset. The UTL scheme takes the distribution differences among different categories of source domain and target domain as the loss to fine-tune the pre-trained model. Moreover, considering the difficulty of sample-labeling, the UTL scheme can make the pre-trained model adapt to them without additional labeled samples. Case studies are conducted on 8-machine 36-bus system and Northeast China Power Grid. The results verify the superiority of the DGAT model with data augmentation and confirm the UTL scheme can help the model adapt to multiple unknown scenarios.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
21秒前
大模型应助科研通管家采纳,获得10
37秒前
Only完成签到 ,获得积分10
39秒前
woxinyouyou完成签到,获得积分0
1分钟前
1分钟前
zhangguo完成签到 ,获得积分10
1分钟前
Cosmosurfer完成签到,获得积分10
2分钟前
科研通AI5应助科研通管家采纳,获得10
2分钟前
2分钟前
程程发布了新的文献求助10
2分钟前
3分钟前
3分钟前
白华苍松发布了新的文献求助10
3分钟前
3分钟前
4分钟前
刘丰完成签到 ,获得积分10
4分钟前
4分钟前
4分钟前
白华苍松发布了新的文献求助10
4分钟前
4分钟前
gang发布了新的文献求助10
5分钟前
拓跋雨梅完成签到 ,获得积分0
5分钟前
5分钟前
思源完成签到 ,获得积分10
5分钟前
蔡从安发布了新的文献求助10
5分钟前
5分钟前
蔡从安发布了新的文献求助10
6分钟前
迟大猫应助蔡从安采纳,获得10
6分钟前
xiaofan应助蔡从安采纳,获得10
6分钟前
xiaofan应助蔡从安采纳,获得10
6分钟前
reflux应助蔡从安采纳,获得10
6分钟前
6分钟前
wei完成签到,获得积分20
6分钟前
Kylin发布了新的文献求助30
6分钟前
小蘑菇应助wei采纳,获得30
6分钟前
刘刘完成签到 ,获得积分10
6分钟前
6分钟前
6分钟前
Wei发布了新的文献求助10
7分钟前
tufei完成签到,获得积分10
7分钟前
高分求助中
Continuum Thermodynamics and Material Modelling 3000
Production Logging: Theoretical and Interpretive Elements 2700
Mechanistic Modeling of Gas-Liquid Two-Phase Flow in Pipes 2500
Structural Load Modelling and Combination for Performance and Safety Evaluation 800
Conference Record, IAS Annual Meeting 1977 610
Interest Rate Modeling. Volume 3: Products and Risk Management 600
Interest Rate Modeling. Volume 2: Term Structure Models 600
热门求助领域 (近24小时)
化学 材料科学 生物 医学 工程类 有机化学 生物化学 物理 纳米技术 计算机科学 内科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 量子力学 光电子学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3555803
求助须知:如何正确求助?哪些是违规求助? 3131401
关于积分的说明 9391049
捐赠科研通 2831096
什么是DOI,文献DOI怎么找? 1556372
邀请新用户注册赠送积分活动 726516
科研通“疑难数据库(出版商)”最低求助积分说明 715890