阅读提示：本文约 1200 字
传统神经网络在进行特征提取的过程中，会丢失部分浅层特征信息，导致模型评估准确度降低。为了充分利用各层特征信息，福建省新能源发电与电能变换重点实验室（福州大学电气工程与自动化学院）的卢宇飞、林建新，在2023年第12期《电气技术》上撰文，在传统神经网络中嵌入特征融合模块，提出一种图像特征筛选与融合网络。仿真结果表明，所提网络比传统神经网络具有更优的评估性能。
随着电力体制的改革，新型电力系统相对于传统电力系统发生了显著变化，电力系统的稳定性问题变得越来越复杂，电力系统动态稳定评估（DSA）面临新的挑战。传统电力系统动态稳定评估方法主要包括时域仿真法和直接法。
时域仿真法根据每个元件的物理特性和系统拓扑关系进行数学建模，此方法耗时大，不能用于在线分析。直接法通过定义能量函数表达式，从能量角度反映系统特性，然而由于直接法模型构建过于简单，在复杂的电力系统中存在适用性问题。因此，传统电力系统动态稳定评估方法存在一定的局限性。
在信息化建设的推进下，深度学习在电力系统动态稳定评估中的应用主要集中在数据层面和图像层面。图像数据的变化在电力系统状态分析中更加符合实际电网复杂多变的应用需求。
近年来，基于深度学习的图像识别取得了良好的效果，传统模型通常将网络最后一层的高级特征送入分类器中，虽然高级特征具有丰富的语义信息，但浅层特征也包含更多位置和细节信息。神经网络的每一层在进行特征提取时，会丢失部分浅层特征的信息，尤其是图像中目标占比较小时，丢失特征更多。
为了充分利用各层特征信息，受特征金字塔启发，在神经网络中嵌入特征融合模块，从而将低层特征与高层特征的优点相互融合。然而，浅层信息并非利用得越多越好，浅层特征虽存在有助于判别的信息，但也包含部分干扰信息，这些干扰会带来负面影响。
福州大学电气工程与自动化学院的研究人员，提出一种基于图像特征筛选与融合网络（IFF-FN）的电力系统动态稳定评估方法。该网络能增强浅层网络的特征表示和特征提取，提高特征利用率。他们充分考虑各层特征对评估结果的相对相关性，提出一种基于Pearson相关性的融合权重量化方法。
图1 图像特征筛选与融合网络结构
图2 不同算法的精度对比
表1 IEEE-145节点系统的测试结果
研究者通过仿真实验得出结论：
1）所提基于Pearson相关性的融合权重量化方法充分考虑了各层特征对评估结果的相关性，使权重分配更加合理。
2）相比于传统模型，所构建的基于图像特征筛选与融合网络的电力系统动态稳定评估模型能增强浅层网络的特征表达，提高特征利用率，在全局评估精度方面更具优势，且在IEEE-39节点系统及IEEE-145节点系统实验中均表现出较好的评估效果。
此外，他们指出，由于本研究给出的融合特征中仍存在部分无关特征，所以未来可考虑采用自适应特征选择方法，在训练过程中剔除无关特征，节省计算资源。
本工作成果发表在2023年第12期《电气技术》，论文标题为“基于图像特征筛选与融合网络的电力系统动态稳定评估”，作者为卢宇飞、林建新。
中国电工技术学会
新媒体平台
学会官方微信
电工技术学报
CES电气
学会官方B站
CES TEMS
今日头条号
学会科普微信
抖音号
☎️ 《电工技术学报》：010-63256949/6981；邮箱：dgjsxb@vip.126.com ☎️ 《电气技术》：010-63256943；邮箱：dianqijishu@126.com ☎️ 《中国电工技术学会电机与系统学报（英文）》：电话：010-63256823；邮箱：cestems@126.com ☎️ 编务：010-63256994 ☎️ 订阅：010-63256817 ☎️ 商务合作：010-63256867/6838
热门跟贴