基于深度残差收缩网络的电力系统暂态频率安全集成评估

在我国能源结构加速转型、力争实现“双碳”目标的背景下，传统电力系统也将迎来结构性的转变。

其中，由于可再生能源的随机性、不确定性和低惯量等特性，大规模新能源并网带来的一系列影响使得电力系统的频率安全问题日益突出。

而传统的时域仿真方法在进行评估时有运算量大、计算时间长等缺点，故难以实现实际电力系统灵活多变的运行方式和大量量测数据下的快速评估。

为了实现对系统频率安全的快速评估，提出了一种基于 深度残差收缩网络 （ deep residual shrinkage network ， DRSN ）的电力系统暂态频率安全集成评估方法。

深度残差收缩网络 通过在深度残差网络(deep residual network, ResNet)的基础上引入软阈值函数和注意力机制，将软阈值作为非线性变换层插入到深层结构中，突显出重要特征并抑制非重要特征的影响，在高噪声、高冗余信息的场景下尤为适用。

深度残差收缩网络 的注意力机制是由软阈值函数实现的。

在应用于残差网络之前，软阈值法在许多信号去噪算法中通常作为一个关键步骤出现。

一般情况下，将原始信号映射到一个域中，其中位于阈值范围内接近零的数据被视为非重要数据，然后软阈值函数将近零特征值转换为零特征值。

但是在传统应用中，软阈值化方法需要人为确定每一个特征的阈值，一直是一个难以解决的问题。

而深度学习可以通过梯度下降算法自动学习每种特征相对应的阈值，这就避免了人工操作带来的不便。

因此，将软阈值函数与深度学习相结合在消除信息冗余、构造高分辨率特征方面有着良好的应用前景。

在此基础上，将样本按最大频率变化率进行划分，并分别采用 深度残差收缩网络 进行训练构建集成模型。

通过引入风电的新英格兰39节点和118节点系统上的仿真结果表明所用方法与传统深度学习方法相比精度更高，并有着优异的泛化性、鲁棒性和适用性。