电力工业论文_基于深度神经网络的数据驱动潮流 -电力系统保护与控制杂志社投稿

一、本刊要求作者有严谨的学风和朴实的文风，提倡互相尊重和自由讨论。凡采用他人学说，必须加注说明。二、不要超过10000字为宜，精粹的短篇，尤为欢迎。三、请作者将稿件（用WORD格式）发送到下面给出的征文信箱中。四、凡来稿请作者自留底稿，恕不退稿。五、为规范排版，请作者在上传修改稿时严格按以下要求： 1．论文要求有题名、摘要、关键词、作者姓名、作者工作单位（名称，省市邮编）等内容一份。 2．基金项目和作者简介按下列格式：基金项目：项目名称（编号）作者简介：姓名（出生年－），性别，民族（汉族可省略），籍贯，职称，学位，研究方向。 3．文章一般有引言部分和正文部分，正文部分用阿拉伯数字分级编号法，一般用两级。插图下方应注明图序和图名。表格应采用三线表，表格上方应注明表序和表名。 4．参考文献列出的一般应限于作者直接阅读过的、最主要的、发表在正式出版物上的文献。其他相关注释可用脚注在当页标注。参考文献的著录应执行国家标准GB7714-87的规定，采用顺序编码制。

电力工业论文_基于深度神经网络的数据驱动潮流

作者:

关键词:

摘要：

文章摘要: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。

文章关键词:

项目基金:《电力系统保护与控制》网址: http://www.dlxtbhykzzz.cn/qikandaodu/2021/1019/1056.html