面向变化场景的输电断面极限评估主动迁移学习方法EI北大核心CSCD

深度学习由于其强大的非线性建模能力,在输电断面极限传输容量(total transfer capability,TTC)评估问题中具有良好的应用前景。然而,由于电力系统的时变性和不确定性,需要快速更新数据和模型以满足在线应用需求。为充分利用历史场景数据并减少在线更新的计算代价,提出一种基于主动迁移深度学习的输电断面TTC评估方法。该方法包括两个阶段:第一阶段引入迁移学习预训练,推导了迁移泛化误差界以及最优经验误差组合权重,用于指导预训练阶段得到具有最小泛化误差的新场景模型;第二阶段引入主动学习和模型微调,基于TTC评估网络灵敏度进行重要样本主动查询,显著降低了模型更新所需的新样本标注时间,并利用模型微调进一步提升了新场景模型的性能。算例分析表明,所提方法与传统的深度模型训练方法相比,大幅降低了将模型应用于新场景的标注样本需求与时间成本,提升了模型迁移的效率。